Ccecr Unidad 4

CONTROL ESTADÍSTICO DE CALIDAD CON ‘R’ febrero-marzo 2022
Antonio Vaamonde Liste y Ricardo Luaces Pazos
CURSO DE FORMACIÓN
“CONTROL ESTADÍSTICO DE CALIDAD CON ‘R’ ”
UNIVERSIDAD DE VIGO
UNIDAD 4. CONTROL DE VARIABLES Y ATRIBUTOS.

GRÁFICOS DE SHEWHART. MEDIA, RECORRIDO,
DESVIACIÓN TÍPICA, PROPORCIÓN.
Controlar.
La fase cinco de la metodología seis sigma consiste en planificar, documentar e

implementar convenientemente los controles necesarios para asegurar el mantenimiento
de la calidad, utilizando los resultados obtenidos en las fases anteriores.
Se debe cuantificar la mejora conseguida en los resultados, establecer los mecanismos y

protocolos de medición y seguimiento de los procesos, las señales de alarma o avisos de
desviación que indican que es necesaria alguna actuación, y las acciones a realizar en
esos casos. Todo ello debe ser adecuadamente documentado.
En la fase de control se utilizan los Gráficos de Shewhart. Estos gráficos permiten

observar el seguimiento de un proceso, y conocer si se desarrolla de forma adecuada o
se desvía de lo esperado, y en ese caso ayuda a identificar el problema y a aplicar la
solución correcta.
El proceso debe mantener el valor medio de la variable objetivo dentro de estrechos

límites, para lo cual es útil representar la media en su evolución temporal. También debe
mantener la variabilidad dentro de límites razonables, para lo que se suele representar la
desviación típica o el rango; aunque la primera de estas medidas es considerada
habitualmente el mejor indicador de variabilidad, en el ámbito del control de calidad se
utiliza frecuentemente el rango o recorrido, diferencia entre valor máximo y mínimo en
una muestra, por su mayor facilidad de cálculo.
1
Existen gráficos de control para variables cuantitativas y cualitativas. El paquete de R

qcc contiene los más utilizados:
Estadístico
Gráfico Descripción del gráfico
representado
"xbar" media media de una variable en un proceso continuo
"R" rango rango de una variable en un proceso continuo
"S" Desviación típica Desviación típica de una variable continua
"xbar.one" media Datos uno a uno en un proceso continuo
"p" proporción Proporción de unidades defectuosas
"np" Recuento número de unidades defectuosas
"c" Recuento defectos por unidad
"u" Recuento Promedio de defectos por unidad
"g" Recuento Número de no eventos entre eventos
A) Variables cuantitativas
Utilizaremos un ejemplo en el que se ha medido la longitud de una pieza metálica, cuyo

valor nominal es 80 mm, y cuya desviación típica es 0,1065 mm. La variabilidad del
proceso de fabricación hace que cada pieza tenga una medida próxima al valor nominal,
dentro de márgenes razonables, pero podrían ocurrir desajustes que provoquen un
porcentaje inadmisible de piezas defectuosas. Los datos, en el archivo de texto con
formato csv (valores separados por punto y coma) shewhart1.csv, consisten en 300
valores correspondientes a 60 muestras de 5 unidades obtenidas en sucesivos
momentos. La variable “Medida” indica el valor de la longitud de cada pieza, y
“Muestra” el conjunto al que pertenece (desde 1 hasta 60).
library(qcc)
setwd("C:/CURSO CCR")
Dataset<-read.csv2("shewhart1.csv",header=TRUE,encoding="latin1") # lectura de los datos
head(Dataset) # muestra los seis primeros casos de Dataset
Medida Muestra
1 79.75809 1
2 80.13574 1
3 80.09630 1
4 80.03014 1
5 80.13915 1
6 80.09214 2
2
attach(Dataset)
medida <- qcc.groups(Medida, Muestra)
head(medida) # muestra los seis primeros casos de “medida”
[,1] [,2] [,3] [,4] [,5]

1 79.75809 80.13574 80.09630 80.03014 80.13915
2 80.09214 80.12060 80.10524 79.83977 79.92152
3 79.88383 79.93159 79.99212 80.03315 79.90239
4 79.96105 80.10277 79.91917 80.06160 80.05812
5 80.09355 80.01721 79.90767 80.05730 79.82508
6 79.95232 80.10559 79.84240 80.11670 80.08398
La función qcc.groups sirve para organizar los datos convenientemente, de acuerdo con
la estructura de muestras citada anteriormente. La variable “Medida” (con mayúscula)
del conjunto Dataset, en lugar de formar una sola columna con 300 filas, como en el
archivo original, se organiza en cinco columnas de acuerdo con los valores de la
variable “Muestra”; el nuevo conjunto “medida” (con minúscula) contiene 60 filas, cada
una de las cuales es una muestra de cinco unidades.
La función qcc realiza el gráfico; los dos argumentos obligatorios son la variable a
representar y el tipo (type) de gráfico, pero opcionalmente se pueden añadir otros:
“center” es la media del proceso o valor objetivo, y “std.dev” su desviación típica,
generalmente obtenida (estimada) mediante una muestra muy grande.
{ Ejemplo: qcc(medida, type="xbar", center=80.0, std.dev= 0.1065) }
Estos dos argumentos son opcionales; si no se ponen R utilizará en la construcción del

gráfico los valores por defecto: la media y desviación típica obtenidas de la misma
muestra.
Construimos en primer lugar el gráfico de la media con los valores de las 30 primeras
muestras (cada muestra tiene 5 valores), es decir las primeras 30 filas del conjunto
“medida” empleando la media y desviación típica muestrales en lugar de las
especificaciones técnicas:
qcc(medida[1:30,], type="xbar")
3
xbar Chart
80.15
for medida[1:30, ]
Group summary statistics
UCL
80.10
80.05
80.00
CL
79.95
79.90
79.85
LCL
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Group
Number of groups = 30
Center = 79.99937 LCL = 79.85668 Number beyond limits = 0
StdDev = 0.1063495 UCL = 80.14205 Number violating runs = 0
Observamos que el proceso parece estar bajo control. Los valores medios de las
muestras de cinco unidades oscilan aleatoriamente en torno al valor nominal. Los
límites de control en el gráfico, LCL y UCL, corresponden a 3 veces la desviación típica
de la media (solo el 2,67 por mil de los valores es de esperar que estén fuera de ellos), y
se calculan en general con los propios datos, como en este ejemplo. La desviación típica
de la media se calcula con la desviación típica de los datos (que se muestra en el
gráfico) dividida por la raíz cuadrada del tamaño de la muestra, es decir 0,1063495/√5 =
0,04756094; los límites de control son por lo tanto:
LCL = 79,99937 – 3x0,04756094 =79,85668

UCL = 79,99937 + 3 x 0,04756094 = 80,14205
4
La leyenda del gráfico nos indica además que no existen valores fuera de límites, y que
no existen rachas (violating runs): una racha es un conjunto de 7 o más valores
consecutivos por encima o por debajo de la media, y podría indicar un desajuste en el
proceso. El número de elementos que define una racha (por ejemplo 5 en lugar de 7) se
puede modificar con la orden qcc.options("run.length"=5) antes de realizar el gráfico.
Como los límites de control se calculan en el gráfico utilizando los propios datos, es
necesario evitar que un desajuste gradual o progresivo adapte los límites a cualquier
funcionamiento irregular, y el gráfico no detecte las anomalías. Para ello podemos
utilizar en el cálculo de los límites una parte de la muestra de la que sabemos que está
bajo control, y decirle al programa que no modifique esos límites al añadir nuevos
datos. Esto es lo que hace el segundo gráfico, en el que conservamos la muestra ya
utilizada (30 grupos de 5) y añadimos ahora los grupos restantes, del 31 al 60 mediante
el argumento newdata en la función qcc.
qcc(medida[1:30,], type="xbar", newdata=medida[31:60,])
Ahora, manteniendo los límites de control del gráfico anterior, observamos que después
se ha producido un valor fuera de límites, un desajuste ocasional, aunque el proceso
posterior parece seguir bajo control.
5
Otro gráfico de interés es el gráfico R, que representa el rango o diferencia entre el valor
máximo y el mínimo. Un rango excesivamente alto indica una variabilidad grande que
puede conducir a un número elevado de elementos defectuosos en el producto.
qcc(medida[1:30,], type="R")
R Chart
for medida[1:30, ]
0.5
UCL
0.4
0.3
CL
0.2
0.1
0.0
LCL
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Group
Center = 0.2473688 LCL = 0 Number beyond limits = 0
La variabilidad se mantiene bajo control. El gráfico muestra tres puntos en color

naranja, que corresponden a rachas o grupos de valores consecutivos (de 7 puntos)
todos ellos del mismo lado de la media, que pueden indicar algún problema de control y
se suelen considerar avisos de una posible desviación. La presencia de rachas en el
gráfico del rango no es preocupante cuando están por debajo del rango medio (rachas
por debajo de la línea horizontal), ya que indicarían una variabilidad transitoriamente
menor que la esperada.
Como en el gráfico anterior, en este caso también podemos fijar los límites con una
muestra que sabemos controlada, y continuar representando nuevos valores:
6
qcc(medida[1:30,], type="R", newdata=medida[31:60,])
Se puede utilizar con el mismo fin la desviación típica, una medida más apropiada en
general para medir la variabilidad, ya que no está tan influenciada por los valores
atípicos o extremos (outliers):
qcc(medida[1:30,], type="S")
qcc(medida[1:30,], type="S", newdata=medida[30:60,])
7
S Chart
for medida[1:30, ]
0.20
UCL
0.15
0.10
CL
0.05
0.00
LCL
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Group
8
El aspecto de los gráficos, como se puede observar, es muy similar al de los gráficos
construidos con el rango. También es similar la interpretación.
B) Variables cualitativas o Atributos
En ocasiones la variable objetivo no es cuantitativa (diámetro, temperatura, etc.) sino

cualitativa, como por ejemplo elemento defectuoso o no. En estos casos puede utilizarse
con el mismo fin de seguimiento o control del proceso un gráfico de proporción.
Utilizaremos un ejemplo con datos en los cuales el producto consiste en unidades de

fruta (kiwis) envasadas en cajas de 60 unidades. La inspección determina el número de
unidades que presentan algún defecto de cualquier tipo. Interesa mantener el porcentaje
de unidades defectuosas por debajo de un límite admisible. Se muestrea una caja elegida
al azar cada hora.
Los datos están en el archivo shewhart2.csv, y consisten en una variable “Tamaño” que
indica el tamaño de las muestras (60 unidades –una caja completa- en todos los casos),
9
y otra “Defectos” con el número de unidades defectuosas en cada caja. El número de

cajas revisadas es 50.
Construiremos inicialmente un gráfico “p” para los 30 primeros elementos. Debemos

indicar los argumentos de la función: la variable objetivo a representar (Defectos), el
tamaño de muestra que corresponde a cada valor (Tamaño) mediante el argumento
sizes, y el tipo de gráfico “p” (gráfico de proporción)
Dataset<-read.csv2("shewhart2.csv",header=TRUE,encoding="latin1")
attach(Dataset)
qcc(Defectos[1:30], sizes=Tamaño[1:30], type="p")
p Chart
for Defectos[1:30]
0.14
UCL
0.12
0.10
0.08
0.06
CL
0.04
0.02
0.00
LCL
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Group
El gráfico muestra la secuencia de proporciones de elementos defectuosos para el

conjunto de datos. Los límites de control se establecen automáticamente a partir de los
datos, en función de su propia variabilidad. En este ejemplo no se observa ningún
elemento fuera de los límites, y la presencia de rachas esporádicas no es preocupante.
10
Una vez comprobado que el proceso está bajo control, construimos otro gráfico, que
mantiene los límites obtenidos con los 30 primeros elementos de la muestra, y
comprueba si el proceso con otra muestra adicional, en este caso formada por las 20
cajas siguientes, está también controlado:
qcc(Defectos[1:30], sizes=Tamaño[1:30], type="p", newdata=Defectos[31:50], newsizes=Tamaño[31:50])
Como se puede observar, el proceso continúa razonablemente bajo control, con una
evolución similar a la muestra previa.
11

Ccecr Unidad 4

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Ccecr Unidad 4

Cargado por

Copyright:

Formatos disponibles

CONTROL ESTADÍSTICO DE CALIDAD CON ‘R’ febrero-marzo 2022

Antonio Vaamonde Liste y Ricardo Luaces Pazos

UNIDAD 4. CONTROL DE VARIABLES Y ATRIBUTOS.

La fase cinco de la metodología seis sigma consiste en planificar, documentar e

Se debe cuantificar la mejora conseguida en los resultados, establecer los mecanismos y

En la fase de control se utilizan los Gráficos de Shewhart. Estos gráficos permiten

El proceso debe mantener el valor medio de la variable objetivo dentro de estrechos

Existen gráficos de control para variables cuantitativas y cualitativas. El paquete de R

Utilizaremos un ejemplo en el que se ha medido la longitud de una pieza metálica, cuyo

head(Dataset) # muestra los seis primeros casos de Dataset

[,1] [,2] [,3] [,4] [,5]

{ Ejemplo: qcc(medida, type="xbar", center=80.0, std.dev= 0.1065) }

Estos dos argumentos son opcionales; si no se ponen R utilizará en la construcción del

LCL = 79,99937 – 3x0,04756094 =79,85668

qcc(medida[1:30,], type="xbar", newdata=medida[31:60,])

La variabilidad se mantiene bajo control. El gráfico muestra tres puntos en color

qcc(medida[1:30,], type="R", newdata=medida[31:60,])

B) Variables cualitativas o Atributos

En ocasiones la variable objetivo no es cuantitativa (diámetro, temperatura, etc.) sino

Utilizaremos un ejemplo con datos en los cuales el producto consiste en unidades de

y otra “Defectos” con el número de unidades defectuosas en cada caja. El número de

Construiremos inicialmente un gráfico “p” para los 30 primeros elementos. Debemos

El gráfico muestra la secuencia de proporciones de elementos defectuosos para el

qcc(Defectos[1:30], sizes=Tamaño[1:30], type="p", newdata=Defectos[31:50], newsizes=Tamaño[31:50])

También podría gustarte