Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CURSO DE FORMACIÓN
“CONTROL ESTADÍSTICO DE CALIDAD CON ‘R’ ”
UNIVERSIDAD DE VIGO
Controlar.
1
CONTROL ESTADÍSTICO DE CALIDAD CON ‘R’ febrero-marzo 2022
Antonio Vaamonde Liste y Ricardo Luaces Pazos
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
library(qcc)
setwd("C:/CURSO CCR")
Dataset<-read.csv2("shewhart1.csv",header=TRUE,encoding="latin1") # lectura de los datos
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
CONTROL ESTADÍSTICO DE CALIDAD CON ‘R’ febrero-marzo 2022
Antonio Vaamonde Liste y Ricardo Luaces Pazos
attach(Dataset)
medida <- qcc.groups(Medida, Muestra)
head(medida) # muestra los seis primeros casos de “medida”
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.
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
CONTROL ESTADÍSTICO DE CALIDAD CON ‘R’ febrero-marzo 2022
Antonio Vaamonde Liste y Ricardo Luaces Pazos
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:
4
CONTROL ESTADÍSTICO DE CALIDAD CON ‘R’ febrero-marzo 2022
Antonio Vaamonde Liste y Ricardo Luaces Pazos
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.
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
CONTROL ESTADÍSTICO DE CALIDAD CON ‘R’ febrero-marzo 2022
Antonio Vaamonde Liste y Ricardo Luaces Pazos
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
Group summary statistics
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
Number of groups = 30
Center = 0.2473688 LCL = 0 Number beyond limits = 0
StdDev = 0.1063495 UCL = 0.5230539 Number violating runs = 3
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
CONTROL ESTADÍSTICO DE CALIDAD CON ‘R’ febrero-marzo 2022
Antonio Vaamonde Liste y Ricardo Luaces Pazos
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
CONTROL ESTADÍSTICO DE CALIDAD CON ‘R’ febrero-marzo 2022
Antonio Vaamonde Liste y Ricardo Luaces Pazos
S Chart
for medida[1:30, ]
0.20
Group summary statistics
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
Number of groups = 30
Center = 0.1017448 LCL = 0 Number beyond limits = 0
StdDev = 0.1082408 UCL = 0.2125447 Number violating runs = 3
8
CONTROL ESTADÍSTICO DE CALIDAD CON ‘R’ febrero-marzo 2022
Antonio Vaamonde Liste y Ricardo Luaces Pazos
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.
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
CONTROL ESTADÍSTICO DE CALIDAD CON ‘R’ febrero-marzo 2022
Antonio Vaamonde Liste y Ricardo Luaces Pazos
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
Group summary statistics
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
Number of groups = 30
Center = 0.05111111 LCL = 0 Number beyond limits = 0
StdDev = 0.2202244 UCL = 0.1364036 Number violating runs = 1
10
CONTROL ESTADÍSTICO DE CALIDAD CON ‘R’ febrero-marzo 2022
Antonio Vaamonde Liste y Ricardo Luaces Pazos
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:
Como se puede observar, el proceso continúa razonablemente bajo control, con una
evolución similar a la muestra previa.
11