INGENIERÍA DE MANUFACTURA, 2019-I 1

Control de Calidad con R

Peña V. Fabian C., fcpenav@unal.edu.co, cód.25471694 .
Quintero D. Juan F., jufquinterodu@unal.edu.co, cód. 25471634 .
Lizarazo A. Jesus A., jalizarazoa@unal.edu.co, cód. 25471580 .
Hernández G. Héctor H., hhhernandezg@unal.edu.co, cód. 25471650.
Universidad Nacional de Colombia
Facultad de Ingeniería
Departamento de Ingeniería Mecánica y Mecatrónica

Resumen - En el presente informe, se realiza un análisis de
control de calidad a veinte muestras, cada una de tamaño tres,
cuyo parámetro a monitorear corresponde a la fuerza a tracción
de un cable que se encuentra unido a un circuito integrado. Con
el fin de realizar el análisis, se emplean las siete herramientas de
Ishikawa cuya implementación se realiza en el software libre de
computación estadística y gráficas R mediante el desarrollador
RStudio. Para ello, se exponen los pasos para instalar R así
como el entorno de desarrollo gráfico RStudio y los paquetes
empleados para el control de calidad, junto con la explicación
de cada herramienta y el código computacional realizado en R.
Abstract - In the present report, it’s make a quality control
analysis to twenty samples, each one of size three, whose
parameter to monitor is the pull strength of a wire thats
is wire-bonded lead for an integrated circuit. In order to
make the analysis, we use the seven tools of Ishikawa whose
implementation is make in the free sotfware of statistical
computing and graphics R through the developer RStudio. For
this, we expose the steps for install R, graphic development
environment RStudio and the packages uses for the quality
control analysis, together with the explination of each tool and
the computer code make in R.
Palabras claves - control de calidad, computación estadística,
software R, RStudio.
Keywords - quality control, statistical computing, software
R, RStudio.
una interfaz gráfica que permita optimizar las herramientas y
el código de R, entre los cuales se encuentra el entorno RStudio
[3], de igual forma se han realizado paquetes que contribuyen
al análisis de diferentes temas tales como: ecuaciones dife-
renciales, distribuciones probabilísticas, análisis de imágenes
médicas, entre otras. Para el control de calidad, se encuentran
los paquetes qcc, SixSigma, lattice, entre otros, los cuales se
expondrán en este documento.
Con el fin de evidenciar las ventajas del software R en
el control de calidad, en el presente informe se explicará en
primera instancia los pasos a seguir para instalar los programas
y los paquetes necesarios y finalmente se explicará un ejemplo
práctico.
II. I NSTALACIÓN S OFTWARE
Tanto R como el entorno RStudio son software de código
libre, razón por la cual no se requiere comprar una licencia
para su adquisición. A su vez, estos se pueden instalar en
cualquier sistema operativo (Windows, Mac Os, Linux). A
continuación se presentan los pasos de instalación en el
sistema operativo Windows:
II-A. Sofware R
1. Diríjase a la página principal de The R Project for Statisti-
cal Computing en el siguiente link: https://www.r-project.
org/ (figura 1).

I. I NTRODUCCIÓN
El control de calidad es una metodología empleada en
la industria que permite monitorear procesos con el fin de
detectar cambios y anticipar problemas en la producción, para
ello se utilizan herramientas estadísticas con el objetivo de
establecer estrategias que permitan prevenir y disminuir estas
desviaciones [1].
Entre las herramientas empleadas actualmente se encuentra Figura 1: Página principal The R Project for Statistical Com-
el software R debido a que cuenta con un ambiente para puting [2].
la computación estadística y gráfica [2]. A su vez, se han
elaborado diferentes desarrolladores con el fin de establecer 2. En la página principal, dar clic en el hipervínculo de la
Universidad Nacional de Colombia - Sede Bogotá - Facultad de Ingeniería, palabra download R. En la figura 1 se observa subrayada
Departamento Mecánica y Mecatrónica en rojo.
INGENIERÍA DE MANUFACTURA, 2019-I 2

3. En la página que aparece seleccionar el servidor para

Colombia.
4. Una vez escogido el servidor, dar clic en el hipervínculo
de la palabra Download R for Windows.
5. En esta nueva página, dar clic en el hipervínculo de la
palabra base (figura 2).

Figura 4: Hipervínculo redirección instalador [3].

Figura 2: Hipervínculo redirección del instalador [2].

6. Seleccionar el hipervínculo del instalador dando clic en

Download R 3.6.0 for Windows (figura 3).

Figura 5: Selección instalador [3].

entorno RStudio y en el gráfico que se encuentra en la parte

inferior derecha, se selecciona la pestaña Packages, luego se
da clic en Install y en el cuadro de dialogo que aparece se
digita el nombre del paquete, tal como se aprecia en la figura
6.

Figura 3: Hipervínculo instalador [2].

7. Finalmente, dar doble clic en el ejecutable para así instalar

R.

II-B. Entorno RStudio

RStudio es una aplicación desarrollada en Java, por lo tanto
como prerequisito es necesario tenerlo instalado [1].
Una vez instalado R se procede con la instalación del
entorno RStudio, para ello se siguen los siguientes pasos:
1. Diríjase a la página de RStudio Open Source and Enterprise
ready professional software for R en el siguiente link: https:
//www.rstudio.com/.
2. Una vez haya ingresado, dar clic en Download, tal como
se aprecia en la figura 4.
3. En la página, seleccionar la opción correspondiente a
RStudio 1.2.1335 - Windows 7+(64bit). tal como se aprecia
en la figura 5.
4. Finalmente, dar doble clic en el ejecutable para así instalar
RStudio.
II-C. Paquetes
Una vez instalados los programas mencionados anterior-
mente, se procede a descargar los paquetes necesarios para
realizar el análisis del control de calidad. Para ello, se abre el
Figura 6: Instalación paquetes [3].
III. S IETE HERRAMIENTAS PARA EL CONTROL DE
CALIDAD
Los procesos de producción son aleatorios por naturaleza,
sin importar el control que se tenga sobre el mismo. Es posible
clasificar las variaciones del proceso en dos: variaciones alea-
torias (chance variation) y variaciones asignables (assignable
variation).
El primero se presenta cuando las variaciones son resultado
de muchas causas propias del proceso, imposibles de eliminar
por completo. En esta situación los datos no presentarán
tendencias o patrones sino un comportamiento de distribución
normal, siendo más predecibles y en cuyo caso se dice que el
proceso está bajo control.
Por otra parte, es posible que alguna o algunas de las causas
de variación se vuelvan lo suficientemente predominantes para
INGENIERÍA DE MANUFACTURA, 2019-I 3

desviar el comportamiento anterior e introducir patrones reco- Tabla I: Fuerza tracción cables [5].
nocibles, como cambios abruptos en el promedio, tendencias
o cambios en la desviación estándar. Esto corresponde a
variaciones asignables y sus causas no serán inherentes al
proceso, llamándose causas asignables o especiales. En este
caso se dice que el proceso está fuera de control.
Con el fin de establecer un criterio sobre la calidad del
producto y del control de proceso, Kaoru Ishikawa, químico,
empresario japonés y experto en el control de calidad [4]
planteó un conjunto de siete herramientas simples con las
cuales se puede implementar una metodología adecuada con
el objetivo de hacer más asequible los problemas relacionados
en la producción para así mejorar los estándares de calidad.
Las siete herramientas de control Ishikawa son:
1. Diagrama causa - efecto (también conocido como diagrama
Ishikawa o diagrama de espina de pescado).
2. Hoja de verificación.
3. Diagrama de control.
4. Histograma.
5. Diagrama de Pareto.
6. Diagrama de dispersión.
7. Estratificación (también conocido como diagrama de flujo).
La ejecución de las herramientas mencionadas anteriormen-
te en R para el caso de estudio a desarrollar se describen en
la siguiente sección.

IV. C ASO DE ESTUDIO

Instalados los programas y los paquetes necesarios para el encuentra el método de las cinco M’s las cuales son: Mano
análisis de control de calidad, en la presente sección se explica de obra, Materiales, Maquinaria, Métodos y Mediciones, en
un ejemplo con el fin de exponer las siete herramientas de algunas casos se agrega las M’s correspondientes de Madre
Ishikawa. naturaleza, Money y Mantenimiento, la norma ISO 13053-2
El caso práctico a desarrollar corresponde a los ejercicios recomienda emplear el método de las cinco M’s + E, donde
15,9 y 15,39 dados en el decimoquinto capítulo, en las páginas E corresponde a environment.
681 y 694 respectivamente, del libro Applied Statistics and Para identificar las causas que generan un efecto, es necesa-
Probability for Engineers, los cuales establecen lo siguiente rio conocer las opiniones del personal que conoce el proceso
[5]: de producción así como la realización de diferentes actividades
15,9 La fuerza a tracción de un cable unido por cable que permitan recolectar información, tal como la lluvia de
a un circuito integrado es monitoreado. La tabla I provee ideas. Para el caso de estudio propuesto, se consideraron que
información para 20 muestras cada una de tamaño 3. las causas que generan un valor bajo de fuerza de tracción en
15,39 Reconsidere las mediciones de la fuerza a tracción del el cable unido al circuito integrado son:
ejercicio 15,9. Estime el indice de capacidad de proceso PCR Mano de obra.
e interprete esta relación si las especificaciones son 16 ± 5.
• Ausencia de personal.
¿Qué se puede decir de la calidad del producto y del control
• Personal no calificado.
de proceso?
• Motivación del personal.
Para responder a la pregunta, los datos de la tabla I se
guardaron en un archivo de Excel y se implementaron las siete Materiales.
herramientas de Ishikawa en R mediante el uso de diferentes • Selección incorrecta.
paquetes. Los resultados que se obtuvieron para el caso de • Bajo diámetro cable.
estudio junto con la explicación de cada herramienta se aprecia • Falta soldadura unión.
a continuación: • Proveedor.
Maquinaria.
IV-A. Diagrama Ishikawa • Máquina de ensayo de tracción.
Este diagrama se emplea para determinar las causas que • Condiciones operación.
generan un problema, el cual se conoce como efecto en la • Ajustes de máquina.
literatura de control de calidad. Con el fin de mitigar estos Métodos.
efectos es necesario identificar las causas que lo generan, para • Método de ensayo.
ello se emplean diferentes metodologías entre las cuales se • Método recepción material.
INGENIERÍA DE MANUFACTURA, 2019-I
Mediciones.
• Instrumentos descalibrados.
• Errores de lectura.
Identificadas las posibles causas que generan un efecto, se
procede a realizar su implementación en R, para ello se desa-
rrolla el código computacional que se describe a continuación:
IV-A1. Código computacional: Identificadas las causas,
el paquete SixSigma (el cual hay que descargarlo como se
describió en el apartado II-C) permite realizar un diagrama
elaborado, para ello hay que hacer el siguiente Script:
1. Se abre la aplicación RStudio.
2. En la barra de herramientas, en la parte superior izquierda
se selecciona la opción crear Script o mediante el atajo Ctrl
+ Shift + N.
3. En el espacio de trabajo, como recomendación, se especi-
fica la actividad a realizar, para ello se crean comentarios
con el símbolo # con el objetivo de que el programa ignore
lo que se encuentra seguido del numeral. A su vez, los
comentarios permiten identificar el paso a paso que se está
ejecutando en el código computacional.
4. Dado que los datos se encuentran en un archivo de Excel, se
requiere cargar un paquete que permita realizar la lectura.
Para ello, se descarga el paquete xlsx el cual se llama en el
Script, luego se especifica el nombre de la variable donde se
van a guardar los datos cuya asignación se realiza mediante
el símbolo < − y la función read.xlsx tal como se aprecia
en la figura 7.
Figura 7: Lectura datos entrada.
5. Se carga el paquete SixSigma, para ello, se escribe li-
brary(SixSigma). (Los paquetes necesarios para el análisis
hay que cargarlos cada vez que se realice un nuevo análisis
en diferentes Scripts).
6. Se crean las variables correspondientes a las causas, grupos
y efecto, tal como se aprecia en la figura 8.
Figura 8: Creación variables causas, grupos y efecto.
En la figura 8, las variables se crean con un vector mediante
la función c.
7. Se declara la función ss.ceDiag para obtener el diagrama
de espina de pescado. En la figura 9 se aprecia la estructura
de la función.
En la figura 9, effect corresponde a la variable Efecto, cau-
ses.gr al vector Grupos, el parámetro causes corresponde
4
Figura 9: Función diagrama de Ishikawa.
a las causas, cuya asignación se hace mediante la función
list, main hace referencia al título del diagrama y sub a
un subtítulo. Cabe resaltar que el orden con el cual se
definen los elementos del vector Grupos corresponde a la
secuencia con la que se crean los vectores correspondientes
a las causas, esto con el fin de que haya correspondencia
en el diagrama de causas y efecto.
8. Se corre el código computacional, para ello, en la área de
trabajo (panel superior izquierdo) en la barra de herramien-
tas se da clic en Source o mediante el atajo Ctrl + Shift +
S.
IV-A2. Resultado y Análisis: El diagrama de Ishikawa que
se obtiene al ejecutar el código se aprecia en la figura 10.
En la figura 10 se aprecian las posibles causas que generan
un bajo valor de fuerza de tracción en el cable que se encuentra
unido al circuito integrado, de igual forma este procedimiento
se puede emplear para establecer las causas que generan un
elevado valor, entre otros aspectos. Este diagrama es el insumo
para la realización de la hoja de verificación y el diagrama de
Pareto, los cuales se explicarán más adelante.
IV-B. Hoja de verificación
Las hojas de verificación (check sheet) son una herramienta
importante puesto que permiten obtener información del per-
sonal que conoce a cabalidad la fabricación, tal información
es un complemento del conjunto de datos que se obtiene auto-
mática y directamente en el proceso. Esta debe ser recopilada
de manera adecuada con el fin de obtener una base de datos
o un registro en una hoja de cálculo que permita realizar un
análisis posterior. Según la norma ISO 13053-2 las hojas de
verificación deben formar parte del plan de recolección de
datos.
Un modelo de una hoja de verificación corresponde a una
hoja de cálculo (tally sheet) en la cual el operador marca la
cantidad de eventos que suceden en el transcurso del proceso,
para ello, es necesario identificar por categorías las causas que
generan estos eventos, labor que se realizó previamente con
la herramienta del diagrama de espina de pescado. A su vez,
estas hojas deben contener espacios donde se pueda registrar
información referente a la fecha, el operador y defectos
encontrados en los productos.
Estas hojas de verificación se pueden realizar en cualquier
programa, en el presente ejemplo se realizan en R puesto que
en el código computacional ya se han identificado las posibles
causas que generan un efecto.
IV-B1. Código computacional: En el Script que se esta
desarrollando se siguen los siguientes pasos:
INGENIERÍA DE MANUFACTURA, 2019-I
Figura 10: Diagrama de Ishikawa.
1. Se crea la variable en la cual se va a guardar toda la
información que debe llevar la hoja de verificación, tal
como se aprecia en la figura 11.
Figura 11: Definición variable hoja de verificación.
En la figura 11 data.frame es un objeto en R que corres-
ponde a un conjunto de datos organizados en columnas del
mismo tamaño cuya información puede ser de diferente tipo
y número de filas, Grupo es el nombre de una columna y
corresponde a la categoría según el método de las cinco
M’s y la columna Causa al vector de causas definido
5
con anterioridad. La función rbind toma la secuencia de
data.frame y la combina en filas.
2. Al objeto Hoja se le agrega la columna correspondiente al
registro de los eventos, tal como se aprecia en la figura 12.
Figura 12: Definición variable hoja de verificación.
En la figura 12 para agregar la columna se especifica
primero el data.frame, segundo se digita el símbolo $ para
establecer la relación y por último se digita el nombre de
la columna que se quiere agregar. NA es una expresión en
R que significa Not Available.
3. Finalmente, con la opción de generar reportes en RStudio
mediante la ficha R Markdown se genera la hoja de verifica-
ción. Para ello, en el panel superior izquierdo, en la pestaña
para generar un nuevo Script se da clic en la flecha y se
selecciona R Markdown, luego en la ventana que aparece
se diligencia el título del documento, el nombre del autor
y se selecciona el tipo de reporte (HTML, PDF y Word),
tal como se aprecia en la figura 13.
INGENIERÍA DE MANUFACTURA, 2019-I
Figura 13: Ventana emergente R Markdown.
En la figura 13 la opción de PDF requiere que se tenga
instalado en el computador MikTex [6]. Para mayor infor-
mación sobre como generar un reporte dirigirse al primer
capítulo, sección Make a Reproducible Report (Optional)
[1].
4. Se selecciona la opción correspondiente a HTML.
5. En el Script que aparece, en primera instancia se observa
el encabezado del reporte tal como se observa en la figura
14.
Figura 14: Encabezado reporte.
En caso que se requiera cambiar la información, solo se
modifican los campos title, author y date.
6. Seguido del encabezado, se aprecia el Chunk de la figura
15, el cual no se debe modificar.
Figura 15: Primer Chunk.
En un Chunk se define el código computacional que se
quiere presentar en el reporte. El encabezado del Chunk se
define con la instrucción 000 {r} y se finaliza con 000 .
7. Se digita la información del reporte fuera del Chunk. En
este caso, se especifican las instrucciones para diligenciar
la hoja de verificación.
8. Se declara la librería xtable con el objetivo de imprimir la
variable Hoja en el reporte (figura 16).
6
Figura 16: Declaración librería xtable.
La librería anterior solo se emplea cuando el tipo de reporte
es en PDF o HTML.
9. Se crea un Chunk donde se especifica el código que se
realizó para crear la hoja de verificación tal como se aprecia
en la figuras 17 y 18.
Figura 17: Chunk primera parte.
Figura 18: Chunk segunda parte.
En el encabezado del Chunk que se aprecia en la figura
17 se definió la instrucción echo=FALSE con el fin de
no observar el código en el reporte y results=’asis’ para
imprimir el data.frame de la hoja de verificación. En la
figura 18, las últimas tres líneas del código corresponden a
la instrucción para imprimir la variable Hoja en el reporte.
10. Finalmente se ejecuta el reporte, para ello, en el panel
superior izquierdo se da clic en la pestaña Knit.
IV-B2. Resultados y Análisis: Una vez se ejecuta el re-
porte, el resultado que sale en pantalla se aprecia en la figura
19.
Lista la hoja de verificación, se alista y se pone a disposición
de los operarios para su respectivo diligenciamiento. Para
efectos del análisis se supuso una frecuencia de eventos según
las causas establecidas en el diagrama de espina de pescado.
Por lo tanto, la hoja de verificación diligenciada se aprecia en
la figura 20.
La información registrada en la hoja de verificación, figura
20, es el insumo para realizar el diagrama de Pareto.
IV-C. Cuadro de control
Un diagrama de control (control chart) es una herramienta
que sirve para visualizar y distinguir las variaciones del
INGENIERÍA DE MANUFACTURA, 2019-I
Figura 19: Hoja de verificación en HTML.
Figura 20: Hoja de verificación diligenciada.
proceso al establecer límites de comportamiento predecible
basados en la distribución normal. En un diagrama de control
se establecen tres líneas: el promedio, el límite superior (Upper
Limit Control, ULC) y el límite inferior (Lower Control Limit,
LCL). Como primera aproximación los límites superior e
inferior se separarán por 3 desviaciones estándar respecto a
la línea, µ ± σ, separando así el rango de valores predecibles
o esperados, entre las dos líneas, de aquellos por causas
asignables, por fuera de los límites.
Usando el diagrama de control, las reglas de Shewhart
permiten establecer si el proceso está fuera de control si se
cumple una de las siguientes condiciones [7]:
1. Si un dato se encuentra por fuera de los límites de control.
2. Si ocho de nueve datos se encuentran en un mismo lado
de la línea central.
3. Si seis datos consecutivos están en constante crecimiento
o decrecimiento.
4. Si catorce datos consecutivos están alternados arriba y
abajo.
5. Si dos de tres datos consecutivos están más allá de dos
desviaciones respecto al promedio en la misma dirección.
6. Si cuatro de cinco datos consecutivos están más allá de una
desviación respecto al promedio en la misma dirección.
7. Si quince datos consecutivos están dentro de un sigma de
la línea central.
8. Si ocho datos consecutivos se encuentran a cada lado de la
7
línea central dentro de un sigma.
Siendo todas situaciones poco probables si solo existieran
variaciones aleatorias, y por ende dando indicios de la exis-
tencia de causas asignables.
Los cuadros de control se emplean para subgrupos, donde
se obtiene la carta de medias, la cual permite monitorear el
comportamiento de la media de cada subgrupo en el transcurso
del tiempo y las cartas de rangos y desviación estándar las
cuales permiten evidenciar la variabilidad del proceso. Para
mediciones individuales se obtiene la evolución de la caracte-
rística de calidad en el tiempo y la carta de rangos móviles. A
su vez, estos gráficos se pueden emplear en variables discretas,
las cuales se conocen como cartas de control por atributos.
Para el caso de estudio propuesto, su implementación en R se
describe a continuación:
IV-C1. Código computacional: El paquete qcc cuenta con
una herramienta que permite obtener un gráfico de control del
proceso junto con un análisis de capacidad de proceso. Para
ello, en el Script que se está desarrollando se realizan las
siguientes operaciones:
1. Se declara la librería qcc.
2. Se define la función qcc tal como se aprecia en la figura
21.
Figura 21: Función qcc.
En la figura 21, data corresponde a la información a
graficar, en este caso se hace referencia al subgrupo x1 de
la variable Data cuya relación se da mediante el símbolo
$, type indica el tipo de gráfica de control, data.name el
título del gráfico, xlab el título del eje de las abscisas, ylab
el título del eje de las ordenadas y axes.las la orientación
de la numeración en el eje de las abscisas, donde 1 hace
referencia a una orientación vertical y 2 a una orientación
horizontal. En la variable x1qcc se guarda la carta de
control del subgrupo x1 .
La función qcc permite graficar diferentes tipos de carta de
control, para ello se emplea xbar.one si se quiere graficar
muestras de tamaño n = 1, xbar para graficar la carta
de medias, R para la carta de rangos y S para la carta
de desviación estándar, estos tres últimos se ingresan sin
la columna correspondiente al número de observación. A
su vez, la función qcc por defecto emplea las reglas de
Shewhart para establecer si el proceso de encuentra fuera
de control.
En las cartas de control se recomienda no graficar las
especificaciones técnicas del producto (tolerancias).
3. Los pasos descritos anteriormente se repiten con el fin
de obtener las cartas de control correspondientes a los
subgrupos x2 y x3 .
Para obtener las cartas de medias, rango y desviación
estándar se realizan los siguientes pasos:
INGENIERÍA DE MANUFACTURA, 2019-I 8

4. Se modifica el data.frame Data tal como se aprecia en la

figura 22, con el fin de quitar la columna correspondiente
al número de observación.

Figura 22: Modificación objeto Data.

En la figura 22, SinMuestra corresponde al objeto Data

sin la columna Muestra, para ello, entre los corchetes
cuadrados se especifica el vector c(−1) donde el número
indica la columna.
5. Una vez modificado el objeto Data se procede a obtener las
cartas de control con la función qcc tal como se describió
anteriormente.
IV-C2. Resultados y Análisis: La carta de control para el
subgrupo x1 se aprecia en la figura 23.
Figura 24: Carta de control subgrupo x2 .

Figura 23: Carta de control subgrupo x1 .

En la figura 23, se observa que los datos se encuentran

Figura 25: Carta de control subgrupo x3 .
dentro de los limites de control establecidos y cumplen con
las reglas de Shewhart, la información anterior se verifica en
el gráfico en la parte inferior derecha donde se especifica que
el número de datos fuera de límites es cero (Number beyond
limits = 0) y que no hay valores que infrinjan las reglas de
Shewhart (Number violating runs = 0).
Las cartas de control para los subgrupos x2 y x3 se aprecian
en las figuras 24 y 25 respectivamente.
Al igual que la carta de control del subgrupo x1 , las figuras
24 y 25 permiten evidenciar que los datos se encuentran dentro
de los límites de control y cumplen con la reglas de Shewhart.
La carta de medias de los subgrupos se aprecia en la figura
26.
La carta de medias de la figura 26 permite evidenciar que
no hay estabilidad de la media respecto al tiempo, dado que
ocho subgrupos superan los límites de control. A pesar de
que se indique en el gráfico que se cumple con las reglas de
Shewhart (de la regla 2 a la 8), se requiere verificar el proceso
de monitoreo de la fuerza de tracción en el cable unido al
circuito integrado, con el fin de tomar medidas correctivas Figura 26: Carta de medias.
para eliminar estos sucesos.
INGENIERÍA DE MANUFACTURA, 2019-I
Las cartas de rango y desviación estándar se aprecian en la
figuras 27 y 28 respectivamente.
Figura 27: Carta de control rango.
Figura 28: Carta de control desviación estándar.
Las cartas de control de las figuras 27 y 28 permiten
observar que el subgrupo 19 supera el límite de control
superior, con lo cual, la amplitud de la distribución normal
es mayor respecto a las demás debido a la dispersión de los
datos.
Las cartas de control de medias, rango y desviación estándar
permiten inferir que el proceso de monitoreo de la fuerza de
tracción del cable requiere de intervención con el objetivo de
eliminar estos eventos y aumentar así la capacidad de proceso.
IV-D. Histograma
Un histograma provee información referente a la distribu-
ción estadística de los datos tomados en un proceso. Con este
diagrama se puede establecer si la distribución se encuentra
centrada o no, y si los datos se encuentran concentrados
alrededor de la media o dispersos. Para construirlo se cal-
culan primero unos intervalos y por último se determina la
9
frecuencia con la que los datos se encuentran en cada uno.
El diagrama se compone de barras verticales donde el ancho
lo determina el intervalo y la altura la frecuencia de datos en
cada intervalo.
Un histograma junto con las especificaciones técnicas lí-
mites del producto (tolerancias) son herramientas útiles que
permiten realizar una evaluación de la capacidad de proceso,
por lo tanto, según lo establece el ejercicio 15,39 se tiene que
el límite de especificación técnica superior es 21 y el límite de
especificación inferior 11. La implementación en R del análisis
de capacidad de proceso para el caso de estudio se describe a
continuación:
IV-D1. Código Computacional: Un histograma sencillo se
puede obtener con la función hist, pero dado el conjunto de
herramientas que brinda R para el análisis estadístico y gráfico
es posible obtener un histograma con una función de densidad
de probabilidad junto con un análisis de capacidad de proceso,
tal como se describe a continuación:
1. Para obtener un análisis de capacidad de proceso se espe-
cifica la función process.capability, tal como se aprecia
en la figura 29.
Figura 29: Función capacidad de proceso.
En la figura 29, xbarr corresponde al objeto que se definió
previamente con la función qcc, spec.limits corresponde a
las especificaciones límites las cuales se crean mediante
un vector con la función c, para el caso de estudio, el
límite inferior es 11 y el superior 21, breaks dibuja el
histograma en el gráfico donde sturges corresponde a
la función de Sturges para determinar el tamaño de los
datos, las otras opciones son Scott que se usa para una
distribución normal basada en la estimación del error
estándar y FD que usa la regla de Freedman-Diaconis
que se basa en el rango intercuartílico, add.stats es un
valor lógico que indica si las estadísticas y los índices de
capacidad deben agregarse en la parte inferior del gráfico,
print es un valor lógico que indica que hay que imprimir
las estadísticas y los índices de proceso y restore.par es
un valor lógico que indica si hay que restaurar los valores
anteriores, en caso afirmativo se digita FALSE.
2. Se ejecuta el código con el fin de obtener el gráfico
correspondiente al análisis de capacidad de proceso.
IV-D2. Resultados y Análisis: El análisis de capacidad de
proceso se aprecia en la figura 30.
En la figura 30, las estadísticas que se aprecian en el
gráfico son el número de datos de la tabla I, la media de los
promedios de cada muestra, la desviación estándar, los límites
de especificación superior e inferior junto con el objetivo
(target), los índices de capacidad de proceso, el vector Exp
cuyos valores corresponden, basados en una aproximación
normal, a la fracción esperada de las observaciones menores
al límite LSL y mayores al límite USL y el vector Obs cuyos
datos hacen referencia a la fracción de observaciones menores
INGENIERÍA DE MANUFACTURA, 2019-I
Figura 30: Análisis de capacidad de proceso.
a LSL y mayores USL. El índice Cpm corresponde al índice
de Taguchi [1], el cual se emplea cuando el objetivo (Target)
no está centrado entre las especificaciones técnicas.
El valor de Cpk = 1,03 indica que el proceso requiere de
un estricto control puesto que el valor es cercano a uno [8], lo
anterior, de igual forma se ratifica al apreciar la carta de control
de medias donde se observa que no hay estabilidad de la media
respecto al tiempo y las cartas de rango y desviación estándar
donde el subgrupo 19 supera el límite superior de control. Con
el fin de obtener un proceso bajo control, se requiere tomar
medidas correctivas en el proceso de monitoreo de la fuerza de
tracción en el cable para así disminuir los límites de tolerancia
natural y por ende aumentar el índice de capacidad de proceso.
IV-E. Diagrama de Pareto
Los diagramas de espina de pescado y las hojas de verifica-
ción usualmente son representados mediante un diagrama de
Pareto. Este diagrama se representa mediante barras verticales
ordenadas de manera descendente según la frecuencia de los
eventos identificados en las causas que generan un efecto. El
análisis de Pareto se basa en el principio de Pareto o regla 80
- 20, el cual consiste en identificar las pocas causas vitales
(20 %) que producen la parte principal de problema, con el fin
de evitar la asignación de recursos a varias causas triviales (co-
rrespondiente al 80 % restante). Este tipo de análisis se emplea
para enfocar los principales proyectos de mejoramiento con el
objetivo de establecer mayores ahorros. La implementación en
R se describe a continuación:
IV-E1. Código computacional: Para realizar el diagrama
de Pareto en R, con el paquete qcc se realizan los siguientes
pasos:
1. En el data.frame correspondiente a la hoja de verificación
se ingresa la información correspondiente a la frecuencia de
cada causa según la información recolectada por la figura
20. La asignación de los datos se realiza como se aprecia
en la figura 31.
2. El paquete qcc cuenta con la función pareto.chart cuya
salida corresponde al diagrama de Pareto y las entradas, a
10
Figura 31: Asignación de información.
los datos organizados. Para el caso de estudio, los datos se
organizaron según se aprecia en la figura 32.
Figura 32: Organización datos de entrada para la función
parteo.chart.
En la figura 32 se crea la variable Datos_Pareto en la cual se
va a organizar la hoja de verificación en orden descendente
según las causas que presentan mayor frecuencia. Para ello,
se llama el data.frame Hoja, seguido se abren paréntesis
cuadrados puesto que se va a hacer referencia a una
posición del objeto, en este, en la primera posición se
llama la función order(x,y) en donde x hace referencia a
la columna Hoja$Registro y y corresponde al comando
que ordena hacer la organización de manera descendente
mediante el comando decreasing = TRUE. Definida la
primera posición de los paréntesis cuadrados, la segunda
se deja vacía con el fin de organizar todas las columnas.
3. Organizada la información se crea una variable en la
cual se va a guardar la información correspondiente a
la columna Registro, para este caso corresponde a Pare-
to_columna_total.
4. Definido el vector se realiza la etiqueta del conjunto de
datos de la variable mencionada anteriormente, para ello
se utiliza la función names a la cual se le asigna la infor-
mación correspondiente a las causas mediante el comando
Datos_Pareto$Causa.
5. Organizados los parámetros de entrada, se define la función
pareto.chart tal como se aprecia en la figura 33.
Figura 33: Definición función parteo.chart.
IV-E2. Resultados y Análisis: El objeto Datos_P areto
con la información organizada se aprecia en la figura 34, este
se puede visualizar en el panel superior derecho en el ambiente
del entorno de variables.
.
Al ejecutar el código, se obtiene el diagrama de Pareto que
se observa en la figura 35.
Con la ejecución del código, se obtiene a su vez información
del gráfico el cual aparece en la consola (panel inferior
izquierdo). El resultado se aprecia en la figura 36.
INGENIERÍA DE MANUFACTURA, 2019-I
Figura 34: Objeto Datos_Pareto.
Figura 36: Información diagrama de Pareto.
En la figura 35, se observa que la causa que genera
un bajo valor en la fuerza de tracción del cable unido al
circuito integrado corresponde a la falta de soldadura en la
unión (25,71 %), razón por la cual, del diagrama se puede
establecer como prioridad un proyecto que garantice un mejor
procedimiento de soldadura junto con un equipo de calidad,
garantizando así una asignación adecuada de recursos.
IV-F. Diagrama de dispersión
El diagrama de dispersión se emplea para determinar re-
laciones entre variables. Una vez identificadas las relaciones
potenciales entre las causas y efectos, reflejadas en el diagrama
de espina de pescado es necesario validar tal información
mediante un diseño experimental.
Para el presente caso de estudio, se supuso que el diámetro
del cable era un parámetro que también se puede monitorear,
por lo cual, con el fin de obtener una muestra de 20 datos,
para el subgrupo x1 con base a la figura suministrada en [9] se
seleccionaron tales valores. La implementación en R se realiza
como explica a continuación:
IV-F1. Código Computacional: Para realizar su imple-
mentación en el código computacional se siguen los siguientes
pasos:
11
1. Con el fin de agregarle ruido al vector correspondiente a
la lectura de diámetros se define la función que se aprecia
en la figura 37.
Figura 37: Vector de ruido.
En la figura 37 set.seed es una función con un conjunto de
valores semilla que permite hacer el ejemplo reproducible,
(para mayor información ver ?RN G para obtener ayuda
relacionada con la generación de números aleatorios con
R). El vector Ruido se crea mediante la función rnorm la
cual retorna un conjunto de 20 valores aleatorios de una
distribución normal, esto con el objetivo de agregarle ruido
al vector de diámetros.
2. Se crea un data.frame cuyas columnas se componen por la
suma del vector de ruido y diámetros y el subgrupo x1 , tal
como se observa en la figura 38.
Figura 38: Creación variables para análisis de dispersión.
En la figura 38, el data.frame que se crea se llama DataDisp
cuya primera columna es el diámtro del cable (variable
independiente) y la segunda la fuerza a tracción (variable
dependiente), la unión de estas dos columnas se relaiza
mediante la función cbind.
3. Se define la función plot con el fin de observar el compor-
tamiento entre el diámetro del cable y la fuerza de tracción.
La función se declara como se aprecia en la figura 39.
Figura 39: Función plot.
Los parámetros de entrada que se definieron para la función
plot son el color, el símbolo de las marcas mediante el
comando pch, donde 19 corresponde a un sólido círculo
(para mayor información digitar pch en la pestaña help),
el título del gráfico y las etiquetas de los ejes horizontal y
vertical.
4. Se ejecuta el código computacional a fin de obtener el
diagrama de dispersión entre el diámetro y la fuerza a
tracción.
IV-F2. Resultados y Análisis: El diagrama de dispersión
entre el diámetro del cable y la fuerza de tracción se aprecia
en la figura 40.
INGENIERÍA DE MANUFACTURA, 2019-I
Figura 35: Diagrama de Pareto.
Figura 40: Diagrama de dispersión.
Del diagrama de dispersión de la figura 40 se aprecia que
la relación entre el diámetro del cable y la fuerza a tracción
no es lineal. El procedimiento anterior se puede emplear
para establecer la relación entre la fuerza a tracción y la
temperatura, entre otras variables.
12
IV-G. Estratificación
En varios casos, algunas variables numéricas han sido me-
didas por diferentes grupos, también conocidos como factores.
Cuando la información está disponible, el análisis de control
de calidad debe realizarse para cada grupo (estratos). Una
herramienta útil para visualizar para cada estrato corresponde
al diagrama de cajas. Para cada factor, es de vital importancia
registrar toda la información posible, tal como maquinaria em-
pleada, operario, laboratorio, entre otros, esto con el objetivo
de detectar los posibles problemas y evitar errores debidos
al cruce entre factores. El análisis de estratificación permite
mejorar las estimaciones y predicciones relacionadas con el
proceso.
Para el presente caso de estudio se supusieron tres máquinas
diferentes, para ello se tomaron los datos de los subgrupos
de la tabla I a los cuales se les agregó ruido con la función
rnorm. La implementación en R y su resultado se describen a
continuación:
IV-G1. Código computacional: En el Scrpit, se realizan
los siguientes pasos:
1. Se crea un nuevo data.frame con los datos de la tabla I y
nuevos nombres para cada columna, tal como se aprecia
en la figura 41.
INGENIERÍA DE MANUFACTURA, 2019-I
Figura 41: Definición data.frame.
La asignación de los nuevos nombres se hace mediante
la función names.
2. Se agrega ruido a cada columna según lo establece la
figura 42.
Figura 42: Agregación de ruido.
Dado que los nombres de las columnas presentan espa-
cios, estos se deben escribir entre apóstrofes graves (‘).
3. Se define la función para crear un diagrama de cajas tal
como se aprecia en la figura 43.
Figura 43: Función diagrama de cajas.
En la figura 43, se declaran las variables a graficar, para
ello el data.frame SinMuestra2 se debe ingresar como
matriz, se define el color del diagrama, así como el
nombre principal y la etiqueta del eje y.
IV-G2. Resultados y Análisis: Al ejecutar el código se
obtiene el diagrama de cajas que se aprecia en la figura 44.
Figura 44: Diagrama de cajas.
Del diagrama de cajas de la figura 44 se observa que los da-
tos de las tres máquinas presentan una distribución asimétrica
negativa dado que los valores se encuentran concentrados hacia
el tercer cuartil Q3 , la máquina 1 presenta valores atípicos
a diferencia de las demás, los bigotes inferior y superior
de la máquina 2 son lo que están más alejados del rango
13
intercuatílico y la máquina 3 presenta una mayor dispersión
de datos que las demás entre el 25 % y 50 %.
V. C ONCLUSIONES
El análisis de control de calidad expuesto en el documento
se realizó a los ejercicios 15,9 y 15,39 dados en el decimo-
quinto capítulo, en la página 681 y 694 respectivamente, del
libro Applied Statistics and Probability for Engineers [5]. Para
su implementación en R es necesario descargar los paquetes
xlsx, SixSigma, qcc y xtable los cuales permiten definir de
manera práctica los parámetros de entrada.
El índice de capacidad de proceso Cpk = 1,03 permite
evidenciar que el proceso requiere de un estricto control puesto
que el valor es cercano a uno [8], lo anterior, de igual forma
se ratifica al apreciar la carta de control de medias donde se
observa que no hay estabilidad de la media respecto al tiempo
y las cartas de rango y desviación estándar donde el subgrupo
19 supera el límite superior de control. Con el fin de obtener
un proceso bajo control, se requiere tomar medidas correctivas
en el proceso de monitoreo de la fuerza de tracción en el cable
para así disminuir los límites de tolerancia natural y por ende
aumentar el índice de capacidad de proceso.
Según los supuestos planteados para el análisis, de las
herramientas del diagrama de espina de pescado, la hoja de
verificación y el diagrama de Pareto, la causa vital que genera
un bajo valor en la fuerza de tracción del cable unido al
circuito integrado es la falta de soldadura en la unión, por lo
cual, se requiere priorizar un proyecto que mejore la calidad
en el proceso de soldadura, permitiendo así una asignación
adecuada de recursos.
R EFERENCIAS
[1] E. L. Cano, J. M. Moguerza, and M. P. Corcoba, Quality Control with R
An ISO Standards Approach. Springer, 2015.
[2] “The R project for statistical computing,” Recuperado el 19 de mayo de
2019 de: https://www.r-project.org/.
[3] “RStudio Open Source and Enterprise-ready professional software for R,”
Recuperado el 29 de mayo de 2019 de: https://www.rstudio.com/.
[4] “BIOGRAFÍA DE KAORU ISHIKAWA,” Recuperado el 12 de junio de
2019 de: https://historia-biografia.com/kaoru-ishikawa/.
[5] D. C. Montgomery and G. C. Runger, APPLIED STATISTICS AND
PROBABILITY FOR ENGINEERS, 6th ed. WILEY, 2014.
[6] “The LATEX project,” Recuperado el 26 de junio de 2019 de: https://www.
latex-project.org/get/.
[7] “Shewhart control chart rules,” Recuperado el 02 de julio de
2019 de: https://analyse-it.com/docs/user-guide/process-control/
shewhart-control-chart-rules.
[8] PhD. I.M. Carlos J. Cortés R., “Gestión de Calidad en Fabricación,”
Universidad Nacional de Colombia - Sede Bogotá, p. 6.
[9] Dr.-Ing. M. Schneider-Ramelow, “Wire Bonding Quality Assurance and
Testing Methods,” Fraunhofer-Institut für Zuverlässigkeit und Mikrointe-
gration (IZM), p. 23.