TECNOLÓGICO NACIONAL DE MÉXICO EN CELAYA

POSGRADO DE INGENIERÍA INDUSTRIAL

“Análisis de un sistema de medición con características

multivariantes”

TESIS
Que presenta:

Ing. Giovanni Santiago Jiménez Zárraga

Para obtener el grado de

MAESTRÍA EN

INGENIERÍA INDUSTRIAL

Director de tesis: M.C. Manuel Darío Hernández Ripalda

Codirector de tesis: Dr. Armando Javier Ríos Lira

Celaya, Guanajuato Septiembre, 2019

Índice
1 Resumen .................................................................................................................. VI

2 Abstract .................................................................................................................. VII

3 Introducción .............................................................................................................. 1

3.1 Descripción del problema .................................................................................. 1

3.2 Objetivos ............................................................................................................ 2

3.2.1 Objetivo general ......................................................................................... 2

3.2.2 Objetivos específicos .................................................................................. 2

3.3 Hipótesis ............................................................................................................ 3

3.4 Justificación ....................................................................................................... 3

4 Marco teórico ............................................................................................................ 4

4.1 Sistemas de medición......................................................................................... 4

4.1.1 Calidad de los datos de medición ............................................................... 4

4.1.2 Exactitud y precisión .................................................................................. 5

4.1.3 Relación precisión a tolerancia ................................................................... 6

4.1.4 Estudio Gage R & R ................................................................................... 7

4.1.5 Relación señal-a-ruido ................................................................................ 7

4.1.6 Matriz de varianza-covarianza.................................................................... 8

4.1.7 Eigen valores .............................................................................................. 8

4.2 Variación del sistema de medición .................................................................... 9

4.2.1 Sesgo ........................................................................................................... 9

4.2.2 Estabilidad .................................................................................................. 9

4.2.3 Linealidad ................................................................................................. 10

4.2.4 Repetibilidad............................................................................................. 10

4.2.5 Reproducibilidad ...................................................................................... 10

4.3 Distribuciones multivariantes .......................................................................... 11

4.3.1 La distribución normal multivariada ........................................................ 11

II
 4.4 Análisis factorial .............................................. ¡Error! Marcador no definido.

4.4.1 Objetivo .................................................... ¡Error! Marcador no definido.

4.5 Análisis de la varianza (ANOVA) ................................................................... 11

4.6 Análisis de varianza multivariable (MANOVA) ............................................. 14

4.6.1 Criterios de sistemas de medición multivariantes para MANOVA ......... 16

4.7 Análisis de componentes principales ............................................................... 18

4.8 Análisis de componentes principales aumentado ............................................ 19

4.9 Estado del arte .................................................................................................. 21

5 Método .................................................................................................................... 26

5.1 Etapa 1 Plantear el problema a investigar ........................................................ 26

5.2 Etapa 2 Elaborar el instrumento de medición .................................................. 28

5.3 Etapa 3 Aplicación del instrumento de medición ............................................ 29

5.3.1 Cálculos para ANOVA ............................................................................. 29

5.3.2 Cálculos para MANOVA ......................................................................... 30

5.3.3 Cálculos para PCA ................................................................................... 31

5.3.4 Cálculos para WPCA ................................................................................ 34

5.4 Etapa 4 Análisis de resultados ......................... ¡Error! Marcador no definido.

5.5 Etapa 5 Divulgación de resultados................................................................... 36

6 Conclusiones ........................................................................................................... 38

Referencias ..................................................................................................................... 40

III
Índice de tablas

Tabla 2-1 Criterios de sistemas de medición multivariantes para MANOVA.

Adaptado de (Majeske, 2008) ...................................................................................... 17
Tabla 2-2 Estado del arte. Fuente: elaboración propia. ............................................ 21
Tabla 3-1 Datos para estudio de gage. (Majeske, 2008). ........................................... 27
Tabla 3-2 Índices de aceptación para en estudios de gage. (AIAG, 2010). .............. 28
Tabla 3-3 Componentes de variación e índices de aceptación individuales para
método ANOVA. ........................................................................................................... 29
Tabla 3-4 Matriz de varianza-covarianza para la parte (𝛴P) ................................... 30
Tabla 3-5 Matriz de varianza-covarianza para el error de gage (𝛴G) ..................... 30
Tabla 3-6 Matriz de varianza-covarianza para las mediciones (𝛴M) ....................... 31
Tabla 3-7 Eigen valores para las matrices de varianza-covarianza (𝛴)................... 31
Tabla 3-8 Componentes principales generados para el estudio gage ...................... 32
Tabla 3-9 Datos para las nuevas variables ................................................................. 32
Tabla 3-10 Componentes de variación e índices de aceptación para cada
componente principal. .................................................................................................. 33
Tabla 3-11 Matriz estandarizada para WPCA .......................................................... 34
Tabla 3-12 Valores y límites para el WPC ................................................................. 34
Tabla 3-13 Datos para la nueva variable .................................................................... 35
Tabla 3-14 Componentes de variación e índices de aceptación para cada
componente principal. .................................................................................................. 36
Tabla 3-15 Resultados de los índices multivariados para los distintos métodos
empleados comparados contra los indices de aceptacion de la tabla 2.1; (x) señala
criterio no aprobado ..................................................................................................... 38

IV
Índice de figuras

Figura 2-1 Exactitud y precisión. Fuente: (Medida, 2018). ........................................ 6

Figura 2-2 Desarrollo del análisis factorial. Adaptado de Análisis factorial.
(Fernandez, 2011) ......................................................... ¡Error! Marcador no definido.
Figura 2-3 Diagrama de flujo para llevar a cabo el método WPCA. Adaptado de
(Peruchi R. B., 2013). .................................................................................................... 21
Figura 3-1 Desarrollo del método. Fuente propia ..................................................... 26

V
 Resumen
En todo proceso de producción las decisiones críticas sobre la calidad del producto
dependen de la capacidad de los sistemas de medición, al evaluar un sistema de
medición se determina si este es capaz de usarse en la característica de calidad a
monitorear. Un estudio de repetibilidad y reproducibilidad es comúnmente utilizado
para analizar los sistemas de medición, normalmente se utiliza con una sola
característica de calidad, pero en algunos procesos es necesario considerar varias
características de calidad simultáneamente.

Esta investigación presenta el análisis de un estudio de repetibilidad y reproducibilidad

multivariante utilizando cuatro métodos para medir la capacidad de los sistemas de
medición los cuales son el análisis de la varianza (ANOVA), análisis de la varianza
multivariable (MANOVA), análisis de componentes principales (PCA) y análisis de
componentes principales aumentado (WPCA). Los métodos mencionados se evalúan en
base a tres índices de aceptación para sistemas de medición que son: el porcentaje de
repetibilidad y reproducibilidad multivariado (% R&RM), relación señal a ruido
multivariado (SNRM) y relación precisión a tolerancia multivariado (PTRM). Después
del análisis se determina que el método MANOVA es el mejor para aprobar un sistema
de medición con características multivariantes.

VI
 Abstract
In any production process critical decisions about the quality of the product depend on
the capacity of the measurement systems. When evaluating a measurement system it is
determined if it is capable of being used in the quality part to be monitored. A
repeatability and reproducibility study is commonly used to analyze measurement
systems. Normally it is used with only one quality characteristic but in some processes
several quality characteristics are analyzed.

This research presents the analysis of a multivariate reproducibility and reproducibility

study using four methods to measure the capacity of the measurement systems which
are the variance analysis (ANOVA), multivariate variance analysis (MANOVA),
principal component analysis (PCA) and weighted principal component analysis
(WPCA). The mentioned methods are evaluated based on three acceptance rates for
measurement systems that are the percentage of multivariate repeatability and
reproducibility (% R&RM), multivariate signal-to-noise ratio (SNRM) and precision-to-
multivariate tolerance ratio (PTRM). After the analysis, it is determined that the
MANOVA method is the best method to approve a measurement system with
multivariate characteristics.

VII
1 Introducción
1.1 Descripción del problema
A partir del siglo XX varias técnicas para el control estadístico del proceso han sido
desarrolladas en la industria, tales como gráficos de control, estudios de capacidad de
proceso, entre otros. Las empresas de manufactura utilizan estos métodos para
determinar si el proceso o producto está calificado y cuenta con la calidad deseada.
Muchos fabricantes hoy en día se basan en la capacidad de proceso para evaluar la
capacidad del proveedor de entregar productos de calidad. (Wu, 2009).

Para hacer inferencias sobre productos y procesos de calidad, los fabricantes utilizan
algunos métodos cuantitativos, dichos métodos incorporan datos en el proceso para
toma de decisiones. Antes de obtener datos, el fabricante debe garantizar la validación
del dispositivo de medición. (Majeske, 2008). La variación en el proceso de medición se
debe a dos fuentes principales: el proceso de manufactura y el sistema de medición en la
manufactura, un sistema de medición es utilizado para realizar una medición exacta de
alguna parte. (Wu, 2009).

Para identificar componentes de variación en la precisión y evaluación de instrumentos

de medición, los investigadores proponen realizar un análisis del sistema de medición
(MSA). Los objetivos del MSA son: identificar las causas de variación en el sistema de
medición, determinar la variabilidad observada causada por el instrumento de medición
y determinar la capacidad del instrumento de medición. (Burdick, 2003).

El MSA es un conjunto de técnicas estadísticas para cuantificar la incertidumbre de los

sistemas de medición que sirven de apoyo para las decisiones críticas del proceso y la
calidad del producto. (Scagliarini, 2013). El propósito del MSA es separar la variación
entre los dispositivos que se miden del error en el sistema de medición. Aquí, el error
del sistema de medición puede ser la combinación del sesgo del medidor, la
repetibilidad, la reproducibilidad, la estabilidad y la linealidad. (Wang & Yang, 2007).

Un estudio de repetibilidad y reproducibilidad (gage r&r) es comúnmente utilizado para

evaluar la variación en un sistema de medición, la reproducibilidad es variación que
existe cuando varios operadores miden la misma pieza con el mismo instrumento de
medición, mientras que la repetibilidad es la variación que existe cuando un solo
operador mide la misma pieza varias veces. (Wang, 2013).

1
Dos métodos comúnmente utilizados en el análisis de medición son: (1) el análisis de
varianza (ANOVA), enfoque seguido por la estimación apropiada de los componentes
̅ − R) que estima las desviaciones
de la variación, (2) un gráfico de medias y rangos (X
estándar de los componentes de la variabilidad del indicador. (Peruchi R. B., 2013).
Estos métodos son comúnmente aplicados a casos univariados. Sin embargo, se suele
utilizar más de una característica a discriminar entre diferentes unidades. (Burdick,
2003).

Wang y Li utilizaron el método de remuestreo para obtener los intervalos de confianza

para la variabilidad del instrumento de medición dado que el grafico de control ̅
X−R
se utiliza para obtener estimaciones puntuales. (Wang & Li, 2003)

La exactitud del intervalo de confianza para el diámetro circular con tolerancias

circulares usando el método de remuestreo fue evaluado por (Wang & Chern, 2012).
Estos intervalos de confianza fueron utilizados como criterios de comparación para
evaluar el rendimiento de métodos de estudio de gage r & r multivariantes. MANOVA y
el análisis de componentes principales PCA son los métodos multivariados más
frecuentemente utilizados en sistemas complejos. (Wang, 2013).

El método de componentes principales aumentado WPCA, para el análisis de estudio de

gage r & r multivariado presentado por (Peruchi R. B., 2013) es una alternativa al
MANOVA y PCA, siendo una extensión de este último.

En esta tesis se realiza un estudio de gage r & r con características multivariantes

mediante los métodos descritos, ANOVA, MANOVA, PCA y WPCA utilizando índices
de aceptación de sistemas de medición multivariado, los cuales son: %R&RM, SNRM y
PTRM. Se muestra un ejemplo para comparar los cuatro métodos bajo estos índices y
que sirva como referencia para estudios futuros.

1.2 Objetivos
1.2.1 Objetivo general
Analizar un sistema de medición con características multivariantes para seleccionar el
método más apropiado según la situación enfrentada.

1.2.2 Objetivos específicos

a) Investigar las distintas características multivariantes en sistemas de medición.
b) Estudiar métodos de análisis de los MSA multivariantes.

2
 c) Desarrollar un método de evaluación de los MSA.
d) Validar la precisión del método obtenido.

1.3 Hipótesis
Si se genera un método de análisis para los distintos MSA, entonces se podrá elegir el
método más preciso de acuerdo a la situación enfrentada.

1.4 Justificación
La presente investigación se enfocará en estudiar las distintas alternativas del análisis de
los sistemas de medición con características multivariantes, debido a que existen varias
técnicas de medición tales como el ANOVA, MANOVA, análisis factorial, análisis de
componentes principales, análisis de correlación canónica, entre otros., pero no se sabe
que técnica es la adecuada para evaluar un sistema de medición con varias
características de calidad.

Así, el presente trabajo permitirá desarrollar un método para el análisis de los sistemas
de medición con características multivariantes mediante la comparación de los métodos
en base a criterios de aceptación para sistemas de medición para poder definir el método
apropiado de acuerdo a la situación enfrentada.

3
2 Marco teórico
2.1 Sistemas de medición
Como lo menciona el AIAG (2010), se denomina sistema a la combinación de dos o
más elementos, subconjuntos y partes necesarias para realizar una o varias funciones.
En los sistemas de medida, esta función es la asignación objetiva y empírica de un
número de propiedades o cualidad de un objeto o evento, de tal forma que la describa.
Es decir, el resultado de la medida debe ser: independiente del observador (objetiva),
basada en la experimentación (empírica), y de tal forma que exista una correspondencia
entre las relaciones numéricas y las relaciones entre las propiedades descritas.

Los objetivos de la medida pueden ser: la vigilancia o seguimiento de procesos, como es

el caso de la medida de la temperatura ambiente, de los contadores de gas y de agua, de
la monitorización clínica, etc.; el control de un proceso, como en el caso de un
termostato o el control de nivel de un deposito; y también puede ser una necesidad de la
ingeniería experimental, como puede ser el estudio de la distribución de temperatura en
el interior de una pieza irregular, o las fuerzas sobre un conductor simulado de un
vehículo cuando este choca contra un objeto.

2.1.1 Calidad de los datos de medición

AIAG (2010), menciona que la calidad de los datos de medición está definida por las
propiedades estadísticas de mediciones múltiples obtenidas de un sistema de medición
que opera bajo condiciones estables. Por ejemplo, supongamos que un sistema de
medición, operando bajo condiciones estables, se usa para obtener varias medidas de
una cierta característica. Si las medidas están todas "cerca" del valor maestro para la
característica, entonces la calidad de los datos se dice que es "alta".

Del mismo modo, si algunas o todas las mediciones están "muy lejos" del valor maestro,
entonces la calidad de los datos se dice que es "baja". Las propiedades estadísticas más
comúnmente utilizadas para caracterizar la calidad de los datos son el sesgo y la
varianza del sistema de medición. La propiedad llamado sesgo se refiere a la ubicación
de los datos relativos a una referencia (maestro) valor, y la propiedad llamada varianza
se refiere a la difusión de los datos.

4
Gran parte de la variación en un conjunto de mediciones puede deberse a la interacción
entre el sistema de medición y su entorno. Por ejemplo, un sistema de medición
utilizado para medir el volumen de líquido en un tanque puede ser sensible a la
temperatura ambiente del entorno en el que se utiliza. En ese caso, la variación en los
datos puede deberse a cambios en el volumen o a cambios en la temperatura ambiente.
Eso hace que la interpretación de los datos más difícil y el sistema de medición, por lo
tanto, menos deseable.

AIAG (2010), menciona que, si la interacción genera demasiada variación, entonces la

calidad de los datos puede ser tan bajo que los datos no son útiles. Por ejemplo, una
medida sistema con una gran cantidad de variación puede no ser apropiado para su uso
en analizar un proceso de fabricación porque el sistema de medición la variación puede
enmascarar la variación en el proceso de fabricación.

Mucho del trabajo de gestión de un sistema de medición está dirigido al monitoreo y

control de la variación. Entre otras cosas, esto significa que el énfasis se pondrá en
aprender cómo el sistema de medición interactúa con su entorno para que solo se
generen datos de calidad aceptable.

2.1.2 Exactitud y precisión

El Vocabulario Internacional de Metrología VIM (2008), define la exactitud de medida
como la proximidad existente entre un valor medido y un valor verdadero de un
mensurando. Así pues, una medición es más exacta cuanto más pequeño es el error de
medida. Se suele decir también que una medida es más exacta cuando ofrece una
incertidumbre de medida más pequeña, aunque no siempre es así como se ha
mencionado anteriormente.

El VIM, define el concepto precisión de medida como la proximidad existente entre las
indicaciones o los valores medidos obtenidos en mediciones repetidas de un mismo
objeto, o de objetos similares, bajo condiciones específicas.

Estas condiciones se denominan principalmente condiciones de repetibilidad, o de

reproducibilidad, por tanto, frecuentemente, el término precisión denota simplemente
repetibilidad, es decir, está asociado a la dispersión de las mediciones reiteradas, la cual
es habitual expresarla numéricamente mediante medidas de dispersión tales como la
desviación típica, la varianza o el coeficiente de variación bajo las condiciones
especificadas.

5
 Figura 2-1 Exactitud y precisión. Fuente: (Medida, 2018).

2.1.3 Relación precisión a tolerancia

AIAG (2010), menciona que la relación precisión a tolerancia es una medida utilizada
para evaluar un sistema de medición ya que es la relación entre la variación de medición
como una dispersión de 5.15 desviaciones estándar del instrumento de medición (σ𝐺 ) y
la banda de tolerancia. El valor mínimo que acepta el cálculo es 0.01

El valor máximo que acepta el cálculo está limitado por la variación observada. Para
explicar esto, la variación observada comprende 2 fuentes de variación, la variación
subyacente (valor verdadero) y la variación de medición. Estas variaciones se "agregan"
juntas para crear la variación observada del proceso.

Por lo tanto, la variación de la medición no puede ser mayor que la variación del
proceso observado (de lo contrario, el proceso subyacente debería tener una variación
negativa, lo cual es imposible). Esta es la razón por la cual, cuando se cambia el valor
de capacidad de proceso observado, la relación precisión a la tolerancia se puede ajustar
para compensar. La fórmula general es como sigue:

𝐺 Kσ
𝑃𝑇𝑅 = LSE−LIE (1)

Donde:

σ𝐺 = desviación estandar del instrumento de medición

K = constante para el estudio de variación con la tolerancia (5.15, 6)

LSE = límite superior de especificación

6
LIE= límite inferior de especificación

2.1.4 Estudio Gage R & R

Minitab Inc. (2017), menciona que un método de análisis del sistema de medición
(MSA) que evalúa la precisión de su sistema de medición y estima la repetibilidad y
reproducibilidad del sistema de medición combinado es un estudio de R & R de Gage
que ayuda a responder si la variabilidad del sistema de medición es pequeña comparada
con la variabilidad del proceso, cuánta variabilidad en el sistema de medición es
causada por las diferencias entre operadores y si su sistema de medición es capaz de
discriminar entre diferentes partes y está dado por:

σ
% R&R = (σ 𝐺 ) ∗ 100% (2)
𝑀

Donde:

σ𝐺 = desviación estándar del instrumento de medición

σ𝑀 = desviación estándar de la medición

Aunque la cantidad de inspectores, partes y pruebas cambiará para su aplicación

particular, se sigue un procedimiento general:

 Recoger una muestra de 15 piezas que representan todo el rango de tu proceso.

 Elija aleatoriamente 3 inspectores de los operadores habituales de este proceso
(deben estar capacitados y familiarizados con el proceso porque está tratando de
estimar el proceso real, no el mejor ni el peor de los casos).
 Lo mejor es aleatorizar el orden de las mediciones, pero a veces esto no siempre
es posible. Una alternativa podría ser aleatorizar el orden de los operadores y
luego hacer que cada uno mida los 15 tornillos en orden aleatorio. Registre los
datos en una hoja de trabajo de Minitab.
 Repite el paso 3 para la segunda prueba.

2.1.5 Relación señal-a-ruido

AIAG (2010), define a la relación señal-a-ruido como el número de distintas categorías
que pueden ser realmente distinguidas por el sistema de medición. Un valor de 5 o
mayor es recomendado y un valor de menos de 2 indica que el sistema de medición no
está monitoreando el proceso y está dado por la fórmula:

7
 σ
SNR = (σ𝑃 ) ∗ √2 (3)
𝐺

Donde:

σ2 𝑃 = varianza de la parte

σ2 𝑀 = varianza del sistema de medición

2.1.6 Matriz de varianza-covarianza

Minitab Inc. (2017), menciona que una matriz de varianzas-covarianzas es una matriz
cuadrada que contiene las varianzas y covarianzas asociadas con diferentes variables.
Los elementos de la diagonal de la matriz contienen las varianzas de las variables,
mientras que los elementos que se encuentran fuera de la diagonal contienen las
covarianzas entre todos los pares posibles de variables.

Muchas aplicaciones estadísticas calculan la matriz de varianzas-covarianzas para

los estimadores de los parámetros en un modelo estadístico. Suele utilizarse para
calcular los errores estándar de los estimadores o las funciones de los estimadores.

 2 
2
 
2 
 2
P1 P 12 p1k

  P 12 
2
  
𝛴̂𝑃 = 
P2

(4)
   
 
  Pk 1 
2 2
  
 Pk 

2.1.7 Eigen valores

Burgos (1980), menciona que los vectores propios, auto vectores o eigen vectores de
un operador lineal son los vectores no nulos que, cuando son transformados por el
operador, dan lugar a un múltiplo escalar de sí mismos, con lo que no cambian su
dirección. Este escalar λ recibe el nombre valor propio, auto valor, valor
característico o eigen valor. A menudo, una transformación queda completamente
determinada por sus vectores propios y valores propios. Un espacio propio, auto
espacio, eigen espacio o sub espacio fundamental asociado al valor propio λ es
el conjunto de vectores propios con un valor propio común.

Se calculan mediante la fórmula:

det(A − λ I) = 0 (5)

8
Donde:

A = matriz cuadrada

I = matriz identidad

det = determinante

λ = el valor que satisfaga la igualdad de la formula

2.2 Variación del sistema de medición

Al igual que cualquier otro proceso, un sistema de medición está sujeto a la variación de
causa común y especial. Para controlar la variación del sistema de medición, primero
debe identificar las fuentes de la variación, luego debe eliminar o reducir las diversas
causas. Toda variación asociada con un proceso de medición. Las posibles fuentes de
variación incluyen instrumentos de medición, estándares, procedimientos, software,
componentes ambientales, entre otros. (Minitab Inc., 2017).

2.2.1 Sesgo
AIAG (2010), define que el sesgo es la diferencia entre el valor verdadero (valor de
referencia) y el promedio observado de mediciones en la misma característica en el
mismo parte. El sesgo es la medida del error sistemático del sistema de medición, es
decir la contribución al error total compuesto por los efectos combinados de todas las
fuentes de variación, conocidas o desconocidas, cuyas contribuciones al error total
tienden a compensar de manera consistente y predecible todos los resultados de
aplicaciones repetidas del mismo proceso de medición en el momento de las
mediciones.

El sesgo a menudo se denomina "precisión". Porque la "precisión" tiene varios

significados en la literatura, su uso como alternativa para "sesgo" no se recomienda y el
procedimiento de medición empleado en el proceso de calibración debe ser lo más
idéntico posible a la operación normal del proceso de medición.

2.2.2 Estabilidad
Minitab Inc. (2017), define que la estabilidad es el cambio en el sesgo a lo largo del
tiempo. La estabilidad de la medición representa la variación total en las mediciones
obtenidas en la misma parte medida a lo largo del tiempo, también conocida como
deriva. Es importante evaluar la estabilidad de forma continua. Si bien las calibraciones
y los estudios de patrones proporcionan cierta información sobre los cambios en el
9
sistema de medición, ninguno proporciona información sobre lo que está sucediendo
con el proceso de medición a lo largo del tiempo.

La estabilidad de un proceso de medición se puede monitorear usando una tabla de

control midiendo una parte maestra o de control en el mismo sistema a lo largo del
tiempo. A medida que se toman medidas, los puntos dentro de los límites indican que el
proceso no ha cambiado, mientras que un punto fuera de los límites indica que algo ha
cambiado. El conocimiento del equipo y las condiciones de medición ayudan a
identificar causas especiales cuando el sistema es inestable.

2.2.3 Linealidad
AIAG (2010), define a la linealidad como la diferencia de sesgo a lo largo de la
operación esperada de medición y se puede considerar como cambio de sesgo con
respecto al tamaño.

2.2.4 Repetibilidad
Como lo menciona AIAG (2010), la repetibilidad es la variación en las mediciones
obtenidas con un instrumento de medida cuando es usado varias veces por un evaluador
mientras está midiendo la característica idéntica en la misma parte. Esta es la inherente
variación o capacidad del equipo en sí. La repetibilidad es comúnmente denominada
variación del equipo, aunque esto es engañoso. De hecho, la repetibilidad es la variación
de la causa común de los sucesivos ensayos bajo condiciones definidas de medición.

El mejor término para la repetibilidad es una variación dentro del sistema cuando las
condiciones de medición son fijas y definidas con la parte fija, instrumento, estándar,
método, operador, medio ambiente y suposiciones. Además de la variación dentro del
equipo, la repetibilidad incluirá todo dentro de la variación desde cualquier condición en
el modelo de error

2.2.5 Reproducibilidad
AIAG (2010), menciona que la reproducibilidad se conoce tradicionalmente como la
variabilidad "entre evaluadores" y se define generalmente como la variación en el
promedio de las mediciones realizadas por diferentes evaluadores utilizando la misma
medición instrumento cuando se mide la característica idéntica en la misma parte.

Esto es a menudo cierto para instrumentos manuales influenciados por la habilidad del
operador. Sin embargo, no es cierto para procesos de medición (es decir, automatizados

10
sistemas) donde el operador no es una fuente importante de variación. Para esto razón,
reproducibilidad se conoce como la variación promedio entre sistemas o entre
condiciones de medición.

2.3 Distribuciones multivariantes

2.3.1 La distribución normal multivariada
Johnson (2014), dice que una generalización de la densidad normal familiar en forma de
campana para varias dimensiones juega un papel fundamental en el análisis
multivariado. De hecho, la mayoría de las técnicas encontradas en la literatura se basan
en la suposición de que los datos se generaron a partir de una distribución normal
multivariada. Si bien los datos reales nunca son exactamente multivariables, la densidad
normal suele ser una aproximación útil a la distribución "verdadera" de la población.

Una ventaja de la distribución normal multivariable proviene del hecho de que es

matemáticamente tratable y se pueden obtener resultados "agradables". Este no suele ser
el caso para otras distribuciones generadoras de datos. Por supuesto, el atractivo
matemático puede ser de poca utilidad para el profesional.

Resulta, sin embargo, que las distribuciones normales son útiles en la práctica por dos
razones: primero, la distribución normal sirve como modelo de población de buena fe en
algunos casos; segundo, las distribuciones muéstrales de muchos estadísticos
multivariantes son aproximadamente normales, independientemente de la forma de la
población principal, debido a un efecto de límite central.

En resumen, muchos problemas del mundo real caen naturalmente dentro del marco de
la teoría normal. La importancia de la distribución normal descansa en su doble función
como modelo de población para ciertos fenómenos naturales y distribución aproximada
del muestreo para muchas estadísticas.

2.4 Análisis de la varianza (ANOVA)

El ANOVA es un conjunto de técnicas estadísticas de gran utilidad, es útil cuando hay
más de dos grupos que necesitan ser comparados, cuando hay mediciones repetidas en
más de dos ocasiones, cuando los sujetos pueden variar en una o más características que
afectan el resultado y se necesita ajustar su efecto o cuando se desea analizar
simultáneamente el efecto de dos o más tratamientos diferentes.

11
La forma más simple es el llamado ANOVA de una vía o factor, cuando existe una sola
variable independiente para clasificar a los sujetos y dos o más niveles (que definen los
grupos) de ella.
Las otras formas de ANOVA (de 2 o más factores o de medidas repetidas) son
extensiones basadas en el mismo raciocinio. El lector debe tener una comprensión del
raciocinio global y la manera de presentar los resultados del ANOVA para que este
resulte inteligible. El uso de las formas más elaboradas requiere de la asistencia de un
estadístico profesional. (Dagnino, 2014).
Mientras que Minitab Inc. (2017), define que el nombre "análisis de varianza" se basa
en la manera en que el procedimiento usa variaciones para determinar si los medios son
diferentes. El procedimiento funciona comparando la varianza entre los medios del
grupo contra la varianza dentro de los grupos como un método para determinar si los
grupos son todos partes de una población más grande o poblaciones separadas con
características diferentes.

El ANOVA con factores aleatorios, se utiliza porque se toman las observaciones como
muestras de poblaciones mayores, ANOVA de efectos aleatorios comprueba la hipótesis
de que las varianzas de dos o más poblaciones son iguales y evalúa la importancia de
uno o más factores al comparar la variabilidad de la variable de respuesta en los
diferentes niveles de factores. La hipótesis nula establece que todas las varianzas de
población (varianzas de nivel de factor) son iguales, mientras que la hipótesis
alternativa establece que al menos una es diferente.

Para ejecutar un ANOVA, debe tener una variable de respuesta continua y al menos un
factor de categoría con dos o más niveles. Los ANOVA requieren datos de poblaciones
normalmente distribuidas con variaciones aproximadamente iguales entre niveles de
factores.

Cuando se aplica un estudio de gage de un factor mediante un ANOVA de una vía, las
varianzas estimadas están dadas por:

La varianza estimada de la parte

𝑀𝑆𝑃 −𝑀𝑆𝐸
𝜎̂ 2 𝑃 = (6)
𝑜𝑟

Donde:

𝑀𝑆𝑃 = suma de cuadrados de la parte

12
𝑀𝑆𝐸 = suma de cuadrados del error

o = número de operadores

r = número de replicas

La varianza estimada del instrumento de medición

𝜎̂ 2 𝐺 = 𝑀𝑆𝐸 (7)

La varianza estimada de la medición

𝜎̂ 2 𝑀 = 𝜎 2 𝑃 + 𝜎 2 𝐺 (8)

Cuando se aplica un estudio de gage de dos factores mediante un ANOVA de dos vías
con efectos principales, las varianzas estimadas están dadas por:

La varianza estimada de la parte es:

𝑀𝑆𝑃 −𝑀𝑆𝐸
𝜎̂ 2 𝑃 = (9)
𝑜𝑟

La varianza estimada del operador es:

𝑀𝑆𝑂 −𝑀𝑆𝐸
𝜎̂ 2 𝑂 = (10)
𝑛𝑟

Donde:

n = número de partes

La varianza estimada del error es:

𝜎̂ 2 𝐸 = 𝑀𝑆𝐸 (11)

La varianza estimada del instrumento de medición

𝜎̂ 2 𝐺 = 𝜎 2 𝑂 + 𝜎 2 𝐸 (12)

La varianza estimada de la medición es:

𝜎̂ 2 𝑀 = 𝜎 2 𝑃 + 𝜎 2 𝐺 (13)

Cuando se aplica un estudio de gage de tres factores mediante un ANOVA de dos vías
con interacción, las varianzas estimadas están dadas por:

La varianza estimada de la parte

13
 𝑀𝑆𝑃 −𝑀𝑆𝑃𝑂
𝜎̂ 2 𝑃 = (14)
𝑜𝑟

Donde:

𝑀𝑆𝑂𝑃 = suma de cuadrados del error de la interacción entre operador y la parte

La varianza estimada del operador es:

𝑀𝑆𝑂 −𝑀𝑆𝑃𝑂
𝜎̂ 2 𝑂 = (15)
𝑛𝑟

La varianza estimada de la interacción:

𝑀𝑆𝑃𝑂 −𝑀𝑆𝐸
𝜎̂ 2 𝑂𝑃 = (16)
𝑟

La varianza estimada del error es:

𝜎̂ 2 𝐸 = 𝑀𝑆𝐸 (17)

La varianza estimada del instrumento de medición es:

𝜎̂ 2 𝐺 = 𝜎 2 𝑂 + 𝜎 2 𝑃𝑂 + 𝜎 2 𝐸 (18)

La varianza estimada de la medición es:

𝜎̂ 2 𝑀 = 𝜎 2 𝑃 + 𝜎 2 𝐺 (19)

2.5 Análisis de varianza multivariable (MANOVA)

De acuerdo al autor Stevens (2002), el análisis de varianza multivariable (MANOVA)
es un procedimiento para comparar medias de muestra multivariantes. El procedimiento
multivariable, se usa cuando hay dos o más variables dependientes y suele ir seguido de
pruebas de significación que involucran variables dependientes individuales por
separado. Ayuda a responder:

¿Los cambios en la (s) variable (s) independiente (s) tienen efectos significativos sobre
las variables dependientes?, ¿Cuáles son las relaciones entre las variables
dependientes?, ¿Cuáles son las relaciones entre las variables independientes?

Mientras que Minitab Inc., (2010) lo define como una prueba que analiza
simultáneamente la relación entre varias variables de respuesta y un conjunto común de
predictores. Al igual que ANOVA, MANOVA requiere variables de respuesta continua
y predictores categóricos. MANOVA tiene varias ventajas importantes sobre la

14
ejecución de ANOVA múltiples, ya que estos tienen solo una variable de respuesta a la
vez y tienen otras tres ventajas:

Aumento de potencia: puede aprovechar la estructura de covarianza de datos entre las

variables de respuesta para probar simultáneamente la igualdad de medias. Si las
variables de respuesta están correlacionadas, esta información adicional puede ayudar a
detectar diferencias demasiado pequeñas para detectarlas mediante ANOVA
individuales.

Detecta patrones de respuesta multivariados: los factores pueden influir en la relación

entre las respuestas en lugar de afectar una sola respuesta. Los ANOVA no detectarán
estos patrones multivariables como se ilustra a continuación.

Controla la tasa de error familiar: la probabilidad de rechazar incorrectamente la

hipótesis nula aumenta con cada ANOVA sucesivo. Ejecutar un MANOVA para probar
todas las variables de respuesta simultáneamente mantiene la tasa de error familiar igual
a su nivel alfa.

Para llevar a cabo el método MANOVA en un estudio de gage r & r multivariante, debe
verificarse que los datos sigan una distribución normal multivariada, se puede verificar
la normalidad mediante la prueba estadística Mardia. Para poder aplicar MANOVA se
deben extraer los eigen valores de la matriz de varianza-covarianza de las partes, la cual
estará denotada por:

 2 
2
 
2 
 2
P1 P 12 p1k

  P 12 
2
  
𝛴̂𝑃 = 
P2

(20)
   
 
  Pk 1 
2 2
  
 Pk 

Se obtendrá un eigen valor por cada característica a medir, dichos valores serán
obtenidos mediante la ecuación (5).

Para obtener la matriz de la variación total quedara denotada por:

𝛴̂𝑇 = 𝛴̂𝑃 + 𝛴̂𝐺 (21)

Donde  P
 G son las matrices de la parte y del instrumento de medición
respectivamente, para calcular la matriz se aplicará la siguiente ecuación:

15
 𝛴̂𝐺 = 𝛴̂𝑟𝑒𝑝𝑒𝑡𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑 + 𝛴̂𝑟𝑒𝑝𝑟𝑜𝑑𝑢𝑐𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑 (22)

Donde ambas serán obtenidas mediante:

𝛴̂𝑟𝑒𝑝𝑒𝑡𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑 = 𝛴̂𝐸 (23)

𝛴̂𝑟𝑒𝑝𝑟𝑜𝑑𝑢𝑐𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑= 𝛴̂𝑂 + 𝛴̂𝑃𝑂 (24)

Para obtener las matrices estimadas de la parte, operador, interacción parte-operador y

error utilizando cuadrados medios se utilizan las siguientes fórmulas para cada matriz:

𝑀𝑆𝑃−𝑀𝑆𝑃𝑂
𝛴̂𝑃 = (25
𝑜𝑟

𝑀𝑆𝑂−𝑀𝑆𝑃𝑂
𝛴̂𝑂 = (26)
𝑝𝑟

𝛴̂𝐸 = 𝑀𝑆𝐸 (27)

𝛴̂𝑀 = 𝛴̂𝑃 + 𝛴̂𝐸 (28)

Del mismo modo que el ANOVA, si la interacción no es significativa, los grados de

libertad y la suma de cuadrados de la interacción se le agregaran al error. Para estimar
los índices % R&RM, PTRM y SNRM serán calculados mediante los criterios de
aceptación de sistemas de medición para MANOVA propuestos por (Majeske, 2008),
los cuales se muestran en la tabla 2.2.

2.5.1 Criterios de sistemas de medición multivariantes para MANOVA

Majeske (2008), definió los criterios de aceptación para sistemas de medición
multivariantes en base a tres métricas de calidad que son la relación señal a ruido, % de
repetibilidad y reproducibilidad y relación precisión a tolerancia.

16
Tabla 2-1 Criterios de sistemas de medición multivariantes para MANOVA. Adaptado de (Majeske,
2008)

Criterio Tipo de medición, Errores de instrumento de Errores de instrumento de

tolerancia y producto medición dependientes medición independientes

% R&RM Valores de medición 1 1

k   Gi  k k   k
son independientes  
Gi
 x 100  x 100
  Mi 
i 1 i 1 
 Mi 

Valores de medición 1 1
k   Gi
 k k
  Gi  k
son dependientes  
 x 100  x 100
i 1
  Mi 
i 1
  Mi 

PTRM La tolerancia es un 1 1

 k  k
 k  k
híper cubo
 (   , k  Gi )(    , k  Gi )( 
2 k /2
 (
2 k /2
) )
i 1 i 1
 k   k 
k k
 (  TOL )(  )( 1  )   (  TOL i )(  )( 1  ) 
 i  1 i
2   i 1 2 

La tolerancia es un 1 1

k 2  2   k
k 2  2   k
híper elipsoide  ,k Gi  ,k Gi
   
i 1
 TOL i  i 1
 TOL i 
   

SNRM Las características del 1 1

k
  Pi  k k   k
producto son  x 100 
Pi
x 100
 i 1 

  Gi 
i 1
independientes  Gi 

Las características del 1 1

k   Pi
 k k   Pi  k
producto son  
 x 100  x 100
   Gi 
i 1 i 1
dependientes  Gi 

Donde:

∏ = operador producto

𝜆𝑃 = eigen valor de la parte

𝜆𝐺 = eigen valor del instrumento de medición

𝜆 𝑇 = eigen valor de la medición

Tol = tolerancia para la parte medida

𝜎𝑃 = desviación de la parte
17
𝜎𝐺 = desviación estándar del instrumento de medición

𝜎𝑇 = desviación estándar de la medición

𝑥 2 0.05 = valor de ji cuadrada de alfa 0.05 con m grados de libertad

m = número de puntos a medir

2.6 Análisis de componentes principales (PCA)

Hand (2014) menciona que es una técnica exploratoria, los componentes principales
pueden ser muy útiles, al igual que otros métodos de búsqueda de proyección. La
presunción que subyace a los componentes principales es que la varianza está asociada
con el interés, que puede o no sostenerse. Sin embargo, siempre que se encuentre en un
estado de exploración, si uno encuentra que los principales componentes principales no
son particularmente interesantes o interpretables, entonces uno puede ir en una dirección
diferente.

El objetivo del análisis de componentes principales es explicar la cantidad máxima de

varianza con el menor número de componentes principales. El análisis de componentes
principales se usa comúnmente en ciencias sociales, investigación de mercado y otras
industrias que usan grandes conjuntos de datos.

Pero tenga cuidado de no pasar a la idea de que los componentes con baja varianza
pueden ignorarse. Bien podría ser que sean los más importantes, más correlacionados
con una variable de interés separada. El uso de componentes principales como primer
paso en un proceso, donde uno toma los primeros componentes principales para usar en
otro procedimiento, como el agrupamiento o la clasificación, puede funcionar o no. En
particular, tiene poco sentido utilizar componentes principales para reducir las variables
antes de usarlas en un proceso lineal, como la regresión, las correlaciones canónicas o la
discriminación lineal de Fisher.

Incluso los componentes principales no son únicos, debe elegir si desea o no tener en
cuenta las covariables o los factores categóricos antes de encontrar la matriz de
covarianza de la muestra. También debe decidir cómo escalar las variables, dejarlas en
sus unidades originales o escalar para que todas las variables tengan la misma varianza
de muestra o escala de alguna otra manera. La escala afectará a los componentes
principales, a diferencia de un análisis de factores o una regresión lineal.

18
Para llevar a cabo el método PCA se debe considerar X como un vector horizontal de
tamaño 1 x j, donde j son las características de calidad (CTQs) de la matriz de datos de
tamaño j x k, donde j son los CTQs a medir en alguna parte y k es el tamaño de la
muestra de la parte medida, del mismo modo la matriz de varianza-covarianza es una
matriz cuadrada de tamaño j x j donde se calculan los eigen valores (λ) y eigen vectores
(u). Para aplicar PCA véase (Jackson, 1980). Los valores de las nuevas variables quedan
denotados por:

 ui * X
T
PC i
(29)

Donde i tomara valores desde 1 hasta los componentes principales calculados. A

diferencia de ANOVA Y MANOVA donde los límites de especificación quedaban
como fueran especificados, para cada nuevo PC los límites de especificación
recalculados serán obtenidos mediante:

1 1
U * LIE  PC i
U * LSE (30)

Donde U es la matriz que contiene todos los eigen vectores, LIE y LSE son los vectores
que contienen los limites inferiores y superiores de especificación para cada
característica de calidad. Para conocer la proporción de contribución de cada PC
mediante el uso de los eigen valores se obtendrá mediante la relación del valor del eigen
valor asociado al PC, queda denotado por:

i
k
(31)
 i
i 1

Donde k será el número de eigen valores. Para determinar el número de PC apropiados

se considera la suma de aquellos tengan un valor mayor al 80%, ya que se obtendrán k
PC, pero solo los que den dicho porcentaje son los más importantes.

2.7 Análisis de componentes principales aumentado

El análisis de componentes principales aumentado es una extensión del análisis de
componentes principales ya que parten de los componentes principales obtenidos de
manera tradicional. Peruchi propuso el método debido a la necesidad de interpretar
todos los componentes generados en el PCA (Peruchi R. B., 2013), ya que este solo

19
analiza los componentes principales que expliquen la mayor parte de la variación, pero
de manera individual cada componente.

Cuando la correlación entre las respuestas no es alta, es necesario analizar más

componentes principales ya que uno solo no puede explicar toda la información. De esta
manera se obtiene el método de componentes principales aumentado WPCA a partir de
los PCi obtenidos con el PCA, los transforma para obtener un único componente
principal que explique toda la variación del sistema. La figura 1 muestra el
procedimiento para el WPCA.

Inicio

Evaluar la correlación entre CTQs

Son significantes
las correlaciones

Si No

Analizar el sistema de medición usando un

Crear un vector WPCA
método univariado

Estimar los componentes de variación

utilizando el ANOVA

Estimar los índices multivariados del

Fin
sistema de medición

20
 Figura 2-2 Diagrama de flujo para llevar a cabo el método WPCA. Adaptado de (Peruchi R. B.,
2013).

Para obtener la correlación entre las características críticas de calidad a medir se utiliza:

Co var ianza CTQ j CTQ


k
Correlacio n CTQ
j CTQ k
(32)
Varianza CTQ * CTQ
j k

Donde i y j tomarán valores desde 1 hasta n características criticas de calidad, también

se debe obtener la matriz estandarizada de CTQs (W) y el vector de eigen valores que
serán denotados respectivamente por:

 CTQ 11
 CTQ CTQ 21
 CTQ CTQ j1
 CTQ 1

1 1
  
S 11 S 11 S 11
   1 
 CTQ  CTQ CTQ  CTQ CTQ  CTQ   
12 2 22 j2 2
2
  Z   
W  S 22 S 22 S 22
  ,    (33)
      
 CTQ  CTQ CTQ  CTQ CTQ  CTQ   k 
jk k
 
1k k 2k k

 S kk S kk S kk 

Para obtener el componente principal aumentado primero se deben extraer los eigen
vectores (Y) denotados por la ecuación (29), los eigen valores (Z) de la ecuación (17) y
la matriz estandarizada de CTQs (W) expresada en la ecuación (36), dichos valores
deben quedar denotados en forma matricial para poder realizar las operaciones, así el
WPCA será calculado mediante:

𝑊𝑃𝐶 = 𝑊 𝑇 𝑌𝑍

(34)

Donde: WPC: componente principal aumentado , WT matriz inversa estandarizada de

CTQs, Y: eigen vectores, Z: eigen valores

2.8 Estado del arte

Tabla 2-2 Estado del arte. Fuente: elaboración propia.

Año Revista/medio Titulo Autor Resumen

(2016) Tecnología Comparaciones R.S. Peruchi En este artículo se comparó el
Acta de métodos GR rendimiento de GR & R
Scientiarum &R multivariantes, estudios basados
multivariantes en PCA (análisis de componentes

21
 usando el principales) y Manova para
intervalo de estimar el índice de calibre
confianza multivariante, medios
bootstrap geométricos y aritméticos
implementando estrategias de
ponderación. Se usó un intervalo
de confianza Bootstrap basado en
BC (corregido por sesgo y
acelerado) para determinar la
adecuación del índice de calibre
multivariable. Los análisis de
resultados han demostrado que
los enfoques ponderados
proporcionan las mejores
estimaciones del índice de calibre
en estudios de GR & R
multivariables.
2015 Sistemas Determinando la Jeh-Nan Pan, En este trabajo, una relación
Expertos con asignación Chung-I Li, Szu- revisada de precisión a tolerancia
Aplicaciones óptima de Chen Ou (P / T) para MSA multivariante
parámetros para con calidad correlacionada
el análisis del características se propone la
sistema de asignación óptima de varios
medición parámetros como el número de
multivariante características de calidad, tamaño
de muestra de partes, número de
operadores y/o mediciones
repetidas no se han considerado
en el estudio GRR multivariante.
También se encontró que dos
parámetros (número de partes p y
a el número total de mediciones
n) afecta significativamente la
duración esperada del intervalo
de confianza de P = TR. Puede
servir como una útil guía para
profesionales de la calidad
cuando se realiza un análisis de
sistema de medición
multivariante en industrias.
2014 Ingeniería de Un enfoque de Liangxing Shi, La investigación existente se ha
calidad y región Qiumeng He, extendido de casos univariados a
confiabilidad modificada para Jingyuan Liub, multivariantes. Dos enfoques, el
internacional Análisis de Zhen Hea multivariado el análisis de
Capacidades del varianza (MANOVA) y los
Sistema de componentes principales
Medición ponderados (WPC), fueron
multivariado defendidos en la literatura. En
este documento, proponemos una
región modificada basada en un
método para calcular la relación
de precisión a la tolerancia, el
porcentaje de repetibilidad y
reproducibilidad y la relación
señal a ruido. El método
propuesto demuestra ser eficaz en
comparación con otros métodos.
2014 Ingeniería de Un enfoque de L. Shi, En este documento, se propone
Calidad y región Q. He, una región modificada basada en
Confiabilidad modificado para método para calcular la relación

22
 Internacional el análisis de J. Liu, de precisión a la tolerancia, el
capacidades del Z. He. porcentaje de repetibilidad y
sistema de reproducibilidad y la relación
medición señal / ruido proporción. Este
multivariado método también incorpora la
estructura de varianza-covarianza
de los errores de medición cuando
se trata de contornos de
tolerancias de densidad constante,
variación total y variación del
proceso. El rendimiento de la
región modificada basada en El
método se evalúa en base a un
conjunto de datos de la literatura
y un conjunto de simulaciones
relevantes. El método propuesto
demuestra ser eficaz en
comparación con otros métodos
2013 19ª Conferencia Análisis del Xiaofang Wu En este trabajo, la búsqueda de
Internacional de sistema de Liangxing Shi proyección se usa para analizar el
Ingeniería medición Zhen He sistema de medición
Industrial y multivariante multivariante. La mejor dirección
Gestión de la basado en el de proyección se obtiene
Ingeniería método de optimizando la dirección de
Springer, búsqueda de proyección con Algoritmo
Berlín, proyección. Genético, se analiza la relación
Heidelberg entre datos multivariados y su
proyección. Luego, tres índices
comunes de capacidad del
sistema de medición se extienden
al sistema de medición
multivariable con la proyección
de los datos en bruto para evaluar
la capacidad del sistema de
medición multivariante.
2013 19ª Conferencia Enfoque R.S. Peruchi, La principal contribución de esta
internacional ponderado en la A.P. Paiva, investigación es la propuesta de
sobre estimación de P.P.Balestrassi, cuatro nuevos índices para el
confiabilidad y índices de R. Sawhney, G. análisis multivariado de un
calidad en el evaluación para Rajpal, V. sistema de medición. Para
diseño sistemas de Marella. demostrar su eficacia, el estudio
Honolulu, medición con genera datos simulados con
Hawaii, U.S.A. características diferentes estructuras de
correlacionadas correlación para sistemas de
medición clasificados como
aceptables, marginales e
inaceptables. Los índices
propuestos se comparan con
índices univariados y
multivariables en la literatura. Se
observó que, en comparación con
los otros índices, el enfoque
ponderado más eficiente para
evaluar un sistema de medición
multivariante era el porcentaje de
explicación de los eigen valores
extraídos de la matriz del sistema
de medición.
2013 Instituto de Un nuevo R.S. Peruchi, La principal contribución de esta
Ingeniería de la método de R & P.P. Balestrassi, investigación es la propuesta de

23
 Producción y R multivariante A.P. Paiva, un método para convertir un
Administración, para J.R. Ferreira, análisis multivariante del sistema
Universidad características M.S. Carmelosi de medición, una herramienta que
Federal de correlacionadas considera componentes
Itajuba principales ponderados (WPC).
(UNIFEI), El estudio genera una simulación
Itajuba' de datos eliminados de las
37500.903, estructuras de correlación, los
MG, Brasil sistemas de medición clasifican
como método aceptable, marginal
e inaceptable. El método
propuesto se compara con el
sistema de evaluación de
variables múltiples y
multivariables.
2013 Departamento Multivariate Michelle Este trabajo propone un enfoque
de ciencias process Scagliarini que, usando los datos que están
estadísticas capability using rutinariamente disponibles de la
Universidad de principal actividad habitual del
Bologna, Italia component instrumento, ofrece la posibilidad
analysis in the de evaluar la medición del
presence of sistema multivariante sin la
measurement necesidad de realizar un estudio
errors. de ancho de vía multivariado. Por
lo tanto, el uso sinérgico del
enfoque propuesto y el tradicional
R & R multivariante los estudios
pueden ser una estrategia útil para
mejorar la calidad general de los
sistemas de medición
multivariante y es efectivo para
reducir los costos del análisis de
sistemas de medición
multivariante realizado con cierta
frecuencia.
2013 ASTM Una evaluación F. Wang. Para determinar el método
Internacional de la preferido para un análisis de
Diario de repetibilidad del GRR, el análisis de varianza
pruebas y indicador y multivariable (MANOVA) y el
evaluación Reproducibilidad análisis de componentes
con múltiples principales (PCA) se aplican a
características datos tomados de dos casos. Tres
medidas de rendimiento
[precisión a la relación de
tolerancia (PTRM), el porcentaje
de repetibilidad y
reproducibilidad (% RRM) y
relación señal-a ruido (SNRM)]
se utilizan para evaluar la
adecuación del proceso de
medición. Los resultados
muestran que el método
MANOVA es adecuado para un
estudio GRR con múltiples
características.
2008 Revista de Criterios de Karl D. Majeske En la fabricación automotriz, los
calidad aprobación para sistemas de medición toman datos
tecnológica sistemas de para muchas características de
medición calidad, aún los fabricantes
multivariados evalúan cada respuesta de forma

24
independiente. Para respaldar el
uso de estos datos como una
respuesta multivariada, este
documento desarrolla extensiones
multivariadas de precisión de los
criterios de aprobación de los
medidores como son relación
precisión a tolerancia, porcentaje
de R & R, y relación señal /
ruido. Este documento contiene
un método MANOVA que usa
cuadrados promedios esperados
para estimar las matrices de
varianza-covarianza para un
factor, estudios de dos factores y
de tres factores. El documento
demuestra cómo adaptarse al
modelo MANOVA y estimar los
criterios multivariados usando
datos del estudio de indicadores
del panel del cuerpo del
automóvil.

25
3 Método
En esta tesis el método usado es un estudio de gage r & r con características
multivariantes mediante los métodos descritos, ANOVA, MANOVA, PCA y WPCA
utilizando índices de aceptación de sistemas de medición multivariado, los cuales son:
%R&RM, SNRM y PTRM. Se muestra un ejemplo para comparar los cuatro métodos bajo
estos índices y que sirva como referencia para estudios futuros.

Se muestra a continuación un procedimiento general del método empleado.

Plantear el problema a investigar

Elaborar el instrumento de medición

Aplicación del instrumento de medición

Análisis de resultados

Divulgación de resultados

Figura 3-1 Desarrollo del método. Fuente propia

3.1 Etapa 1 Plantear el problema a investigar

En esta primera etapa se identificó el tema a investigar con el fin de estructurar un
marco teórico que permita fundamentar la investigación planteada. Para eso, fue
necesario recurrir a fuentes bibliográficas y digitales para indagar, consultar, recopilar,
agrupar y organizar adecuadamente la información que se utilizará dentro del marco
teórico.

En esta etapa también se consideraron algunas reflexiones, análisis y consideraciones

obtenidas de la propia experiencia del investigador. Asimismo, se seleccionó una
metodología de investigación que se consideró válida para aplicarla a diferentes
investigaciones que poseen características similares a las que se quiere investigar.

26
Se realizó un estudio de gage multivariante partiendo de los datos utilizados por
(Majeske, 2008), para lo cual hubo cuatro características de calidad en un panel
automotriz donde se utilizaron 5 partes (p), 2 operadores (o) y 3 réplicas (r). Los límites
para cada característica de calidad son iguales y van de -0.5 a 0.5. Los datos para el
estudio gage se muestran en la tabla 3-1.

Tabla 3-1 Datos para estudio de gage. (Majeske, 2008).

Parte Operador X1 X2 X3 X4

1 1 -0.86 -0.40 0.44 -1.29

1 1 -0.81 -0.30 0.25 -1.10

1 1 -0.78 -0.32 0.24 -1.09

1 2 -0.78 -0.23 0.16 -1.01

1 2 -0.77 -0.33 0.21 -1.14

1 2 -0.81 -0.33 0.21 -1.16

2 1 -0.92 -0.73 -0.17 -0.01

2 1 -0.96 -0.75 -0.22 -0.03

2 1 -0.95 -0.74 -0.19 -0.07

2 2 -0.99 -0.80 -0.17 -0.08

2 2 -0.95 -0.82 -0.17 -0.10

2 2 -0.96 -0.77 -0.18 -0.08

3 1 -0.70 0.35 -0.83 1.38

3 1 -0.79 0.14 -0.69 1.19

3 1 -0.73 0.23 -0.76 1.30

3 2 -0.76 0.09 -0.63 1.09

3 2 -0.78 0.01 -0.59 1.03

3 2 -0.79 -0.03 -0.58 0.99

4 1 -0.66 -0.98 -0.04 -1.12

4 1 -0.63 -1.02 0.03 -1.19

27
4 1 -0.62 -1.02 0.02 -1.21

4 2 -0.69 -1.07 0.09 -1.24

4 2 -0.64 -1.07 0.10 -1.26

4 2 -0.71 -1.13 0.10 -1.32

5 1 -0.99 -1.01 0.49 -0.82

5 1 -0.96 -1.00 0.52 -0.86

5 1 -0.98 -0.97 0.52 -0.81

5 2 -0.96 -1.01 0.55 -0.81

5 2 -0.01 -1.01 0.52 -0.79

5 2 -0.97 -1.04 0.55 -0.85

3.2 Etapa 2 Elaborar el instrumento de medición

Una vez revisada, analizada e interpretada la información que se seleccionó para la
investigación, se comenzó a elaborar el instrumento de medición que para este tema de
investigación será la comparación de sistemas de medición multivariantes.

Para la elaboración de dicho método se tuvo que revisar varias investigaciones

relacionadas con los sistemas de medición multivariantes, las cuales en mayoría eran
artículos recientes y revistas de divulgación científica, las cuales conjuntamente
permitieron el desarrollo del método de medición el cual es la comparación de métodos
de medición por medio de la precisión.

Para evaluar los métodos se optó por definir métricas de aceptación de sistemas de
medición multivariantes de referencia las cuales son la relación señal a ruido, porcentaje
de repetibilidad y reproducibilidad y la relación precisión a tolerancia, han sido usados
por autores como (Majeske, 2008), (Peruchi R. B., 2016), (Wang, 2013) en la práctica
y se muestran en la tabla 3-2.

Tabla 3-2 Índices de aceptación para en estudios de gage. (AIAG, 2010).

Índice Puntuación Evaluación

% R&R %R&R<0.1 El instrumento de medición es capaz

0.1<%R&R<0.3 El instrumento de medición es capaz pero

28
 debe mejorar

%R&R>0.3 El instrumento de medición no es capaz

P/T P/T<0.1 El instrumento de medición es capaz

0.1<P/T<0.3 El instrumento de medición es capaz pero

debe mejorar

P/T>0.3 El instrumento de medición no es capaz

SNR SNR>=5 El instrumento de medición es capaz

SNR<5 El instrumento de medición no es capaz

3.3 Etapa 3 Aplicación del instrumento de medición

Una vez obtenido el método de comparación mediante los índices de evaluación se
procedió a la aplicación del mismo a los métodos de medición de estudio: ANOVA,
MANOVA, análisis de componentes principales y análisis de componentes principales
aumentado.

3.3.1 Cálculos para ANOVA

Se consideró el cálculo con ANOVA para propósitos de comparación dado que existen
correlaciones entre algunas de las mediciones de las características. Al realizar el
análisis la interacción entre operador y parte resulto insignificante para las cuatro
características de calidad.

Se realizó un estudio de gage cruzado en cada característica de calidad y para estimar

los componentes de variación individuales se utilizaron las ecuaciones (7), (8) y (9),
para los índices de aceptación individuales del MSA se utilizaron las ecuaciones (1), (2)
y (3), los resultados se muestran en la tabla 3-3.

Tabla 3-3 Componentes de variación e índices de aceptación individuales para método ANOVA.

X1 X2 X3 X4

TOL 1 1 1 1

𝜎̂𝐺 0.0306 0.0871 0.0799 0.1025

𝜎̂𝑃 0.1346 0.5001 0.4546 0.9919

𝜎̂𝑀 0.1380 0.5076 0.4616 0.9972

29
 PTR 0.1578 0.4484 0.4115 0.5280

%R&R 0.2220 0.1715 0.1731 0.1028

SNR 6.2115 8.1220 8.0467 13.6809

Para obtener los índices de aceptación multivariado mediante el método ANOVA se

utilizaron las siguientes ecuaciones:

1/ k

 
k

% R & RM    % R & R i  (33)

 i 1 

1/ k

 
k

PTR M
   PTR i  (34)
 i 1 

1/ k

 
k

SNR M
   SNR i  (35)
 i 1 

Los resultados para los índices multivariados para el método ANOVA se muestran en la
tabla 3-15.
3.3.2 Cálculos para MANOVA
Para medir el MSA mediante el MANOVA se estimaron las matrices de varianza-
covarianza de la parte, error de instrumento de medición y medición mediante las
ecuaciones (25), (27) y (28), las cuales se muestran en las tablas 3-4, 3-5 y 3-6
respectivamente.

Tabla 3-4 Matriz de varianza-covarianza para la parte (𝛴P)

X1 X2 X3 X4

X1 0.018102 0.015923 -0.021763 -0.007703

X2 0.015923 0.251289 -0.157152 0.354313

X3 -0.021763 -0.157152 0.208491 -0.392334

X4 -0.007703 0.354313 -0.392334 0.986013

Tabla 3-5 Matriz de varianza-covarianza para el error de instrumento de medición (𝛴G)

X1 X2 X3 X4

30
 X1 0.000940 0.001680 -0.001410 0.001890

X2 0.001680 0.006320 -0.004750 0.007020

X3 -0.001410 -0.004750 0.004860 -0.005810

X4 0.001890 0.007020 -0.005810 0.008520

Tabla 3-6 Matriz de varianza-covarianza para las mediciones (𝛴M)

X1 X2 X3 X4

X1 0.001880 0.003360 -0.002820 0.003780

X2 0.003360 0.012640 -0.009500 0.014040

X3 -0.002820 -0.009500 0.009720 -0.011620

X4 0.003780 0.014040 -0.011620 0.017040

A partir de las matrices varianza-covarianza calculadas se obtuvieron los eigen valores

para cada matriz utilizando la ecuación (5), los cuales se muestran en la tabla 3-7.

Tabla 3-7 Eigen valores para las matrices de varianza-covarianza (𝛴)

Parte 0.004098 0.054379 0.111849 1.294289

Gage 0.000245 0.000501 0.000809 0.019078

Medición 0.004567 0.055567 0.113920 1.311191

Para estimar el % R&RM se consideró valores de medición dependientes y errores de

instrumento de medición dependientes, debido a que cada característica de calidad tiene
límites de especificación, se tomó la tolerancia como un híper cubo y se tomaron errores
de instrumento de medición dependientes para PTRM y del mismo modo para el SNRM
se consideró características de calidad dependientes y errores de instrumento de
medición dependientes. Así, los índices multivariados para evaluar el MSA mediante el
MANOVA se obtuvieron con las ecuaciones de la tabla 2-1 y los resultados se muestran
en la tabla 3-15.

3.3.3 Cálculos para PCA

Para evaluar el MSA mediante el PCA se utilizó el software (Minitab Inc., 2018) para
facilitar los cálculos, los eigen vectores obtenidos a partir de la matriz de varianza-
covarianza en el software se muestran en la tabla 3-8.

31
 Tabla 3-8 Componentes principales generados para el estudio gage

Variable PC1 PC2 PC3 PC4

X1 0.008 0.204 0.440 0.874

X2 0.352 0.897 -0.255 -0.084

X3 -0.365 -0.051 -0.824 0.430

X4 0.862 -0.390 0.345 0.209

EIGENVALOR 1.0863 0.0943 0.0462 0.0039

VARIABILIDAD 0.883 0.077 0.038 0.003

Dado que los dos primeros componentes explican el 96% de variabilidad solo se
tomaron en cuenta los dos ya que un valor arriba del 80% que contribuyan la suma de
los PCi importantes se considera aceptable, posteriormente esos dos PCi se
multiplicaron por los valores de medición originales para obtener los datos de las
nuevas variables, los cuales se muestran en la tabla 3-9.

Tabla 3-9 Datos para las nuevas variables

Parte Operador PC1 PC2

1.00 1.00 -1.42026 -0.05358
1.00 1.00 -1.15153 -0.01809
1.00 1.00 -1.14606 -0.0333
1.00 2.00 -1.01622 0.02031
1.00 2.00 -1.18165 -0.0192
1.00 2.00 -1.19921 -0.01956
2.00 1.00 -0.21089 -0.82992
2.00 1.00 -0.21724 -0.84567
2.00 1.00 -0.25907 -0.82059
2.00 2.00 -0.29643 -0.87969
2.00 2.00 -0.32039 -0.88167
2.00 2.00 -0.28198 -0.84615
3.00 1.00 1.61011 -0.32472
3.00 1.00 1.32059 -0.46449
3.00 1.00 1.47312 -0.41085
3.00 2.00 1.19513 -0.46728
3.00 2.00 1.10049 -0.52176
3.00 2.00 1.0482 -0.54459

32
 4.00 1.00 -1.30108 -0.57486
4.00 1.00 -1.40081 -0.58089
4.00 1.00 -1.41432 -0.57054
4.00 2.00 -1.48389 -0.62154
4.00 2.00 -1.50438 -0.60405
4.00 2.00 -1.57778 -0.64875
5.00 1.00 -1.24913 -0.81312
5.00 1.00 -1.2908 -0.78396
5.00 1.00 -1.2373 -0.78063
5.00 2.00 -1.26217 -0.81396
5.00 2.00 -1.23438 -0.83043
5.00 2.00 -1.30729 -0.82731

Para obtener los nuevos límites de especificación para los PC 1 y 2 se utilizó la formula
(30), los cuales son -0.4285<PC1<0.4285 y -0.33<PC2<0.33. Se realizó un estudio de
gage cruzado para cada PCi, posteriormente se utilizaron las ecuaciones (7), (8) y (9)
para obtener los componentes de variación y para obtener los índices de evaluación para
cada PCi se utilizaron las siguientes ecuaciones y los resultados se muestran en la tabla
3-10:

 gagePCi
% R & R PCi  (36)
 totalPCi

5 . 15  gagePCi
PTR PCi
 (37)
LSE  LIE



PartePCi
SNR PCi
(38)
 gagePCi

Tabla 3-10 Componentes de variación e índices de aceptación para cada componente principal.

Factor σ gage σ parte σ total %R&R PTR SNR

PC1 0.145258 1.135473 1.280731 0.126891 0.872906 7.816922

PC2 0.048897 0.334002 0.382899 0.144855 0.381551 7.816922

33
Para estimar los índices multivariados mediante el método de PCA se utilizaron las
siguientes ecuaciones y los resultados se muestran en la tabla 3-15:

1/ k

 
k

% R & R M    % R & R PCi  (32)

 i 1 

1/ k

 
k

PTR M
   PTR PCi
 (33)
 i 1 

1/ k

 
k

SNR M
   SNR PCi
 (34)
 i 1 

3.3.4 Cálculos para WPCA

Para llevar a cabo el WPCA el procedimiento inicial es muy parecido al PCA ya que se
calculó la matriz de eigen vectores (PCi) y eigen valores que se muestran en la tabla 3-
8, posteriormente se calculó la matriz estandarizada entre CTQs denotada dentro de la
ecuación (33) y mostrada en la tabla 3-11. Para obtener el valor del WPC (componente
principal aumentado) y los límites del WPC se emplearon las ecuaciones (33) y (30),
ambos se muestran en la tabla 3-12.

Tabla 3-11 Matriz estandarizada para WPCA

X1 X2 X3 X4

X1 6.7110872 1.3344163 -0.028543 0.4524695

X2 6.7016483 1.7647448 -0.301924 0.7876067

X3 6.4315301 1.0116627 0.4384502 0.0938062

X4 6.5483057 1.9508063 -0.76681 1.3652676

Tabla 3-12 Valores y límites para el WPC

WPC LIE LSE

X1 6.5805798 -4.677666 4.6776665

X2 2.216497

X3 -1.033396

34
 X4 1.5916523

Los valores del WPC se multiplicaron por las variables originales para obtener los datos
de la nueva variable, los cuales se muestran en la tabla 3-13.

Tabla 3-13 Datos para la nueva variable

Parte Operador WPC

1.00 1.00 -9.05382317
1.00 1.00 -8.00438528
1.00 1.00 -7.82504734
1.00 2.00 -7.41555873
1.00 2.00 -7.82998724
1.00 2.00 -8.12504348
2.00 1.00 -7.51241542
2.00 1.00 -7.80013179
2.00 1.00 -7.806829
2.00 2.00 -8.23962646
2.00 2.00 -8.05256625
2.00 2.00 -7.96538019
3.00 1.00 -0.77643297
3.00 1.00 -2.28123892
3.00 1.00 -1.43949992
3.00 2.00 -2.41581537
3.00 2.00 -2.86158171
3.00 2.00 -3.09004744
4.00 1.00 -8.25666445
4.00 1.00 -8.33166033
4.00 1.00 -8.28735362
4.00 2.00 -8.97890635
4.00 2.00 -8.69204437
4.00 2.00 -9.38117391
5.00 1.00 -10.564955
5.00 1.00 -10.4400406
5.00 1.00 -10.4255746

35
 5.00 2.00 -10.4136248
5.00 2.00 -10.6798189
5.00 2.00 -10.6095916

Se realizó un estudio de gage cruzado para los valores del WPC, posteriormente se
utilizaron las ecuaciones (7), (8) y (9) para obtener los componentes de variación y para
obtener los índices de aceptación se utilizaron las siguientes ecuaciones cuyos
resultados se muestran en la tabla 3-14:

 gageWPC
% R & RM  (38)
 totalWPC

5 . 15  gageWPC
PTR M
 (39)
LSE  LIE



ParteWPC
SNR M
(40)
 gageWPC

Tabla 3-14 Componentes de variación e índices de aceptación para cada componente principal.

Factor σ gage σ parte σ total %R&RM PTRM SNRM

WPC 0.596824932 3.12808248 3.184509381 0.187415034 0.328545057 5.241206105

Dado que en el método WPCA solo se genera un componente principal aumentado, los
cálculos que se realicen para evaluar el índice de dicho componente será el multivariado
ya que no hay necesidad de realizar un promedio geométrico.

3.4 Etapa 3 Análisis de resultados

Después de ser obtenidos los valores de los índices multivariantes para cada método
individualmente mediante sus respectivas formulas, se prosiguió a realizar la
comparativa entre los distintos métodos analizados, basándose como referencia en los
criterios de aceptación y rechazo previamente mencionados.

3.5 Etapa 5 Divulgación de resultados

Una vez desarrolladas todas las etapas anteriores se procedió a la divulgación de los
resultados, de esta forma se pretende que la información generada llegue a las personas
que tengan interés en el tema o sirva de labor formativa en temas a fin e investigación

36
de los mismos y así, que el ideal que el investigador visualiza se convierta en una
realidad tangible. Para la divulgación de resultados se realizó un artículo el cual seguirá
protocolo de revisión para publicación iniciando en febrero del 2019.

37
4 Resultados y Conclusiones
4.1 Resultados
Para la presente investigación se estudiaron distintas características multivariantes,
también llamadas indicies, las cuales fueron: % R&RM , SNRM y PTRM., Así como
métodos de evaluación de sistemas de medición multivariantes tales como ANOVA,
MANOVA, PCA y WPCA.

Como método de evaluación entre los distintos métodos multivariantes se optó por
utilizar como referencia los valores de aprobación para los distintos índices
multivariantes propuestos por (AIAG, 2010) y para validar la precisión del método
utilizado se realizó un estudio de gage multivariante con los métodos mencionados.

Una vez obtenidos los resultados de las pruebas de precisión de los métodos de
medición multivariantes se relacionó la información con los objetivos planteados en la
investigación y se pudo obtener respuestas a las incógnitas realizadas al principio del
estudio, en general esta etapa se estudiaron los resultados obtenidos.

Los resultados de los tres índices multivariados para los cuatro métodos aplicados en el
estudio de gage se muestran en la tabla 3.11, donde se determina que para el método
ANOVA se aceptó el sistema de medición en base a los criterios % R&RM y SNRM,
pero se rechaza para PTRM, en el caso de MANOVA el sistema de medición se acepta
bajo los tres índices de evaluación, para el PCA se acepta el sistema de medición para
los índices % R&RM y SNRM, pero se rechaza para PTRM y para el método WPCA se
acepta el sistema de medición para % R&RM y SNRM pero se rechaza para PTRM.

Tabla 4-1 Resultados de los índices multivariados para los distintos métodos empleados
comparados contra los índices de aceptación de la tabla 2.1; (x) señala criterio no aprobado

Componentes
Componentes
ANOVA MANOVA principales
principales
aumentados

PTRM 0.352 x 0.187 0.577 x 0.328 x

% R&RM 0.147 0.123 0.135 0.187

SNRM 9.9 11.3 7.307 5.24

38
4.2 Conclusiones
Seguido del estudio de resultados se procedió a la elaboración de conclusiones, las
cuales podrían servir de punto de partida para futuras investigaciones sobre el tema
tratado en esta investigación.

Debido que en algún proceso de fabricación puede haber casos donde halla varias
características simultaneas de calidad a monitorear, un estudio de gage multivariante
puede ser llevado a cabo para evaluar el sistema de medición. En la presente
investigación se evaluó cuatro métodos multivariantes: ANOVA, MANOVA, PCA y
WPCA. Los índices PTRM, % R&RM y SNRM fueron utilizados para evaluar el sistema
de medición, para este estudio el método MANOVA resulto ser el más apropiado dado
que fue el único que aprobó los tres índices de evaluación multivariante. A pesar de que
el método ANOVA se utiliza comúnmente para casos univariados, en este ejercicio se
utilizó dado que había correlaciones entre algunas características de calidad.

El método WPCA tiene buenas estimaciones para MSA, después del MANOVA podría
ser una opción para medir la capacidad del MSA, pero se debe considerar que para
poder llevarlo a cabo debe haber una correlación fuerte entre los CTQs que en este
ejemplo no hubo, se puede tomar la correlación de Pearson como referencia siendo una
correlación fuerte aquella que sea menor que 0.05, de no ser así es mejor evaluar con el
PCA. Para futuras investigaciones en estudios de gage multivariantes se debe considerar
la asignación optima de operadores, partes y replicas para estudios de gage
multivariantes, que es la propuesta por (Pan, 2015).

39
 Referencias
AIAG. (2010). Measurement System Analysis. Reference Manual (4a ed.). Troy,
Michigan.

Burdick, R. B. (2003). A review of methods for measurement systems capainlity

analysis. Journal of Quality Technology , 342-354.

Burgos, J. d. (1980). Calculo infinitesimal de varias variables. Escuela tecnica superior

de ingenieros.

Cuadras, C. M. (2007). Nuevos metodos de analisis multvariante. CMC Editions.

Dagnino, J. (2014). Analisis de varianza. Revista chilena de estadistica, 306-310.

Fernandez, S. d. (2011). Analisis factorial. Madrid, España.

Hand, D. J. (2014). Multivariate analysis of variance and repeated measures: a

practical approach behavioural scientists (Vol. 5). CRC Press.

IPQ L. (2008). Vocabulario internacional de metrologia. Guia ISO/IEC.

Jackson, J. (1980). Principal Component and Factor Analysis. Journal of quality

technology, 201-213.

Johnson, R. A. (2014). Applied multivariate statistical analysis. New Jersey: Prentice-

Hall.

Majeske, K. D. (2008). Approval criteria for multivariate measurement systems.

Journal of quality technology, 140-153.

Medida, e. (2018, 03 01). Revista española de metrologia. Retrieved from

http://www.e-medida.es/documentos/Numero-1/exactitud-no-es-lo-mismo-que-
precision.htm

Minitab Inc. (2017, Mayo). Minitab statistical software. State college, PA, EE.UU.
Retrieved from https://support.minitab.com/es-mx/minitab/18/

Minitab Inc. (2018, Mayo). Minitab statistical software. State college, PA, EE.UU.
Retrieved from https://support.minitab.com/es-mx/minitab/18/

Pan, J. N. (2015). Determining the optimall allocation of parameters for multivariate

measurement system analysis. Expert Systems with Applications., 7036-7045.

40
Peruchi, R. B. (2013). A new multivariate gage R&R method for correlated
characteristics. International Journal of Production Economics, 301-315.

Peruchi, R. B. (2016). Comparisons of multivariate GR&R methods using bootstrap

confidence interval. Acta Scientiarum, 38(4).

Scagliarini, M. (2011). Multivariate process capability using principal component

analysis in the presence of measurement errors. AStA. Advances in statistical
Analysis, 113-128.

Scagliarini, M. (2013). Improving multivariate measurement systems assesment.

Recuperado el 30 de octubre de 2017, de Conference Archive Politecnico de
Milano: http://www2.mate.polimi.it/ocs/viewpaper.php?id=378&cf=33

Stevens, J. P. (2002). Applied multivariate statistics for the social sciences. Mahwah,
NJ: Lawrence Erblaum.

Wang. (2013). An Assessment of Gauge Repeatability and reproducibility with multiple

characteristics. Journal of testing and evaluation, 651-658.

Wang, F., & Chern, H. (2012). Confidence intervals for two-dimensional data with
circular tolerances in a gauge R&R study. Quality & Quantity, 55-69.

Wang, F., & Li, E. Y. (2003). Confidence intervals in repeatability and reproducibility
using bootstrap method. Total Quality Management, 341-354.

Wang, F., & Yang, C. (2007). Applyng principal component analysis to a GR&R study.
Journal of the Chinese Institute of Industrial Engineers, 182-189.

Wu, C. P. (2009). An overview of theory and practice on process capability indexes for
quality assurance. International Journal of Production Economics., 338-359.

41