{"id":800,"date":"2025-09-28T13:39:51","date_gmt":"2025-09-28T19:39:51","guid":{"rendered":"https:\/\/victortercero.com\/?p=800"},"modified":"2025-10-09T16:38:41","modified_gmt":"2025-10-09T22:38:41","slug":"puntajes-normales-secuenciales-una-herramienta-moderna-para-el-monitoreo-estadistico-de-procesos","status":"publish","type":"post","link":"https:\/\/victortercero.com\/index.php\/2025\/09\/28\/puntajes-normales-secuenciales-una-herramienta-moderna-para-el-monitoreo-estadistico-de-procesos\/","title":{"rendered":"Puntajes Normales Secuenciales: una herramienta moderna para el monitoreo estad\u00edstico de procesos"},"content":{"rendered":"\n

Los puntajes normales secuenciales, tambi\u00e9n conocidos como sequential normal scores<\/em>, son una transformaci\u00f3n no param\u00e9trica que permite extender el uso de m\u00e9todos param\u00e9tricos de monitoreo estad\u00edstico para su uso no param\u00e9trico. Es decir, cuando tus datos no siguen una distribuci\u00f3n normal o alguna otra requerida. Transformaciones param\u00e9tricas tradicionales pueden generar errores de modelaci\u00f3n que logras mitigar al moverte a un enfoque no param\u00e9trico.<\/p>\n\n\n\n

En el mundo de la ingenier\u00eda industrial y de la calidad, uno de los retos m\u00e1s frecuentes es monitorear procesos en tiempo real. Esto implica analizar secuencias de datos que llegan de manera continua, como la vibraci\u00f3n de un rodamiento, el tiempo de servicio de un cajero o la temperatura de un horno.<\/p>\n\n\n\n

La mayor\u00eda de los m\u00e9todos cl\u00e1sicos de control estad\u00edstico de procesos (como las gr\u00e1ficas de control Shewhart, CUSUM o EWMA) fueron dise\u00f1ados bajo un supuesto fuerte: que los datos son independientes y provienen de una distribuci\u00f3n normal. Pero, \u00bfqu\u00e9 pasa cuando los datos no cumplen esta condici\u00f3n?<\/p>\n\n\n\n

Existen muchas formas de responder esta pregunta. Una estrategia moderna y poderosa para resolver este problema es utilizando puntajes normales secuenciales<\/a>. Los puntajes normales secuenciales son una transformaci\u00f3n no param\u00e9trica dise\u00f1ada para el monitoreo de datos que normaliza tus observaciones. Tal como se ilustra en la Figura 1, esto permite extender el uso de m\u00e9todos tradicionales de monitoreo a situaciones donde tus datos ya no cumplen el supuesto de normalidad.<\/p>\n\n\n\n

\"Los
Figura 1. La transformaci\u00f3n de puntajes normales secuenciales permite que cualquier serie independiente de datos se aproxime a la distribuci\u00f3n normal.<\/figcaption><\/figure>\n\n\n\n

Imagina poder utilizar una carta Shewhart, EWMA o CUSUM cuando tus observaciones bajo control no son normales. Esta es una situaci\u00f3n com\u00fan en servicios con sus mediciones de tiempos de ciclo, procesos de manufactura con alg\u00fan l\u00edmite f\u00edsico como la dureza, o el espesor, o en procesos modernos de IoT<\/a> con sus se\u00f1ales de vibraciones y temperaturas. Observa en la Figura 2 como gracias a los puntajes normales secuenciales es posible utilizar una gr\u00e1fica EWMA con un mejor control de las falsas alarmas.<\/p>\n\n\n\n

\"Los
Figura 2. Carta EWMA con datos nor normales y con los mismos datos transformados con puntajes normales secuenciales.<\/figcaption><\/figure>\n\n\n\n

Usando transformaciones param\u00e9tricas tracicionales como la transformaci\u00f3n Box-Cox o la transformaci\u00f3n de Johnson corres el riesgo de cometer errores de modelaci\u00f3n. Como se discute en este art\u00edculo<\/a> sobre la importancia de la normalidad en el monitoreo estad\u00edstico, las transformaciones param\u00e9tricas pueden ser peligrosas. Como alternativa, las transformaciones no param\u00e9tricas como la transformaci\u00f3n de puntajes normales tienden a ser m\u00e1s seguras bajo condiciones muy generales.<\/p>\n\n\n\n

A trav\u00e9s de esta p\u00e1gina analizaremos el problema de los datos no normales, c\u00f3mo funcionan los enfoques no param\u00e9tricos, y c\u00f3mo se desarrolla la alternativa de los puntajes normales secuenciales como estrategia no param\u00e9trica para el monitoreo y\/o control estad\u00edstico. Al final del documento encontrar\u00e1s tips avanzados para resolver estas transformaciones utilizando un paquete de disponible en lenguaje R<\/a> llamado SNSchart<\/a>.<\/p>\n\n\n\n

El problema: datos no normales y los enfoques no param\u00e9tricos tradicionales<\/h2>\n\n\n\n

Cuando los datos no son normales \u2014por ejemplo, presentan asimetr\u00eda, colas pesadas o valores at\u00edpicos\u2014, los m\u00e9todos param\u00e9tricos pierden potencia para detectar cambios.<\/p>\n\n\n\n

Una alternativa muy utilizada son los m\u00e9todos no param\u00e9tricos. Estos, en lugar de trabajar con los valores originales, t\u00edpicamente usan transformaciones ingeniosas cuyo resultado puede ser caracterizado de forma exacta, aunque la distribuci\u00f3n original de los datos sea desconocida. En la Figura 3 se ilustra este enfoque de transformaciones no param\u00e9tricas.<\/p>\n\n\n\n

\"La
Figura 3. Una transformaci\u00f3n no param\u00e9trica apropiada puede ayudarte a analizar tus datos cuando no tienes un marco de referencia, o distribuci\u00f3n, conocida.<\/figcaption><\/figure>\n\n\n\n

Probablemente la transformaci\u00f3n m\u00e1s utilizada sea la transformaci\u00f3n de rangos. La transformaci\u00f3n de rangos es la base de la mayor parte de los m\u00e9todos no param\u00e9tricos populares. Como se ejemplifica en la Tabla 1. La idea es sencilla: en lugar de preocuparse por la forma de la distribuci\u00f3n de los datos, basta con conocer el orden relativo en que se encuentran las observaciones.<\/p>\n\n\n\n

i:<\/em><\/th>1<\/th>2<\/th>3<\/th>4<\/th>5<\/th>6<\/th>7<\/th><\/tr><\/thead>
x:<\/em><\/th>3.0<\/td>4.5<\/td>8.6<\/td>2.3<\/td>2.8<\/td>1.7<\/td>6.6<\/td><\/tr>
r:<\/em><\/th>4<\/td>5<\/td>7<\/td>2<\/td>3<\/td>1<\/td>6<\/td><\/tr><\/tbody><\/table>
Tabla 1. La transformaci\u00f3n de rangos cambia el valor de tus datos (x) por su posici\u00f3n relativa en el grupo (r).<\/figcaption><\/figure>\n\n\n\n

Observa en la tabla que la observaci\u00f3n m\u00e1s peque\u00f1a, x =1.7, en la sexta posici\u00f3n i = 7, recibe el rango de r = 1. La segunda m\u00e1s peque\u00f1a, 2.3, recibe el rango de 2, y as\u00ed hasta la observaci\u00f3n m\u00e1s grande, 8.7, que recibe el rango m\u00e1s alto que es 7. La letra i corresponde al orden o posici\u00f3n en que las mediciones fueron tomadas.<\/p>\n\n\n\n

El inconveniente es que, en un contexto secuencial, volver a calcular todos los rangos cada vez que llega un nuevo dato es computacionalmente costoso, especialmente si hablamos de grandes vol\u00famenes de informaci\u00f3n. Un contexto secuencial t\u00edpico es, por ejemplo, un proceso de manufactura, donde las mediciones aparecen seg\u00fan el orden de la producci\u00f3n. <\/p>\n\n\n\n

La soluci\u00f3n: rangos secuenciales<\/h2>\n\n\n\n

Para enfrentar este reto, Parent (1965)<\/a> propuso los rangos secuenciales:<\/p>\n\n\n\n