Notas del Curso Gestión de la calidad y control estadístico de procesos
Ibeth Vergara Baquero
ivergara@uco.edu.co
Universidad Católica de Oriente
Facultad de ingenierías
Rionegro, Colombia
Objetivo de la práctica: Desarrollar Scripts para la elaboración de diagramas causa-efecto, diagramas Pareto, diagramas dispersión e histogramas en R.
Bibliografía.
A continuación se presentará el taller propuesto para complementar los temas vistos en clase con la programación en R.
1. Luego de una lluvia de ideas para la identificación de posibles causas asociadas a los defectos superficiales que se encuentran comúnmente en los productos de determinada compañía, se logró organizar dicha información de la siguiente manera
Realice el diagrama causa- efecto
Para realizar el diagrama Causa- Efecto podemos hacer uso de dos dos librerias disponibles en R, una es "qcc" y la otra "SixSigma".
In [41]:
require(qcc)
cause.and.effect(cause = list(Mediciones = c("Micrómetros", "Microscopios", "Inspector"), # se comienzan a listar las causas
Materiales = c("Aleaciones", "Lubricante", "Suplementos"),
Personal = c("Turnos", "Supervisores", "Formadores", "Operadores"),
Medioambiente = c("Condensación", "Humedad"),
Metodos = c("Freno", "Enganchado", "Angulo"),
Maquinas = c("Velocidad", "Tornos", "Enchufes", "Rutina")),
effect="Defectos \nsuperficiales", # Efecto
title = "Causa- efecto\n de defectos superficiales")
## la cantidad de categoria de causas deberá ser siempre un número par para que la función pueda ejecutarse correctamente.
## Las categorias de causas no deben tener espacios en sus nombre
2. El mismo estudio realizado en la empresa anterior se llevó acabo en otra organización para determinar las causas asociadas al efecto del tiempo de vuelo para el proyecto de helicópteros de papel y la información que se encontró se presenta a continuación:
In [42]:
## También se puede realizar el diagrama con la libreria SixSigma
require(SixSigma)
effect <- "Tiempo de vuelo"
## Categorias de causas
causes.gr <- c("Operadpr", "Medioambiente", "Herramientas", "Diseño","Materia.prima", "Herramientas\n.de.medición")
##
# Causas para cada una de esas categorias
causes <- vector(mode = "list", length = length(causes.gr)) # creamos un vector del tamaño de las categorias de causas
causes[1] <- list(c("Operador1", "Operador2", "Operador3")) # Causas asociadas a la primera categoria
causes[2] <- list(c("Altura", "Limpieza"))
causes[3] <- list(c("Tijeras", "Cinta.adhesiva"))
causes[4] <- list(c("Longitud.del.rotor", "Ancho.del.rodillo","Sujetador.de.papeles"))
causes[5] <- list(c("Espesor","Marca"))
causes[6] <- list(c("Calibre", "Modelo"))
# se indica las caracteristicas del diagrama y se realiza
ss.ceDiag(effect, causes.gr, causes, sub = "Proyecto helicoptero de papel", main="Causa- efecto\n en el tiempo de vuelo")
3. Ejercicio Realice el diagrama de causa efecto de la clase 3
In [ ]:
In [29]:
## Recuerde siempre explorar sus datos para saber como estan estructurados
s=read.csv("datos1.csv",header=T) # los datos contiene las etiquetas de los defectos en la columna Defecto
Tipo <- s$Cantidad
names(Tipo) <- s$Defecto
tabla <- pareto.chart(Tipo, ylab = "Frecuencia", ylab2 = "porcentaje acumulado", main="Grafico pareto")
Como se puede notar la mayor cantidad de defectos que se encuentran estan asociados a el "Reventado de piel" , este análisis se puede acompañar de un estudio de costo o ponderación de estos defectos.
In [44]:
r=read.csv("datos2.csv",header=T)
Tabla_efectos <- table(r) # en este caso los datos se fueron listando conforme se presentaban, se elabora una tabla
pareto.chart(Tabla_efectos) # realizar el pareto
5. Analizar la correlación entre la variable Ozono y temperatura de la base de datos airquality. ¿Cómo es la correlación entre Ozono, temperatura y la radiación solar? Concluir sobre cada uno de los gráficos.
In [47]:
# airquality es una base de datos almacenada en R
plot(airquality$Ozone~airquality$Temp,
main="Diagra de dispersión y correlación \nentre las variables temperatura y Ozono pra airquality",
xlab="Temperatura" , ylab="Ozono")
abline(lm(airquality$Ozone~airquality$Temp)) # para mostrar la línea de tendencia, lm indica regresión líneal
Se observa que existe un grado de correlación positiva.
In [54]:
###Crear varios diagramas
pairs(~airquality$Ozone+airquality$Temp+airquality$Solar.R)
Cada intersección corresponde a la correlación entre dos variables, por ejemplo, el recuadro ubicado al lado de Ozone corresponde a la correlación de esta variable y la temperatura, se nota que existe una correlación fuerte positiva entre estas dos variables
In [57]:
### analisis de correlación
require(psych)
pairs.panels(airquality[c(1,2,4)])
Este análisis nos permite obtener los grados de correlación entre dos variables, por ejemplo, para el caso de Ozone y Temperatura la correlación entre ellas es de 0.70. Recordemos que cuando se tiene una correlación perfecta, su coeficiente de correlación siría 1
6. Elaborar un histograma para la variable temperatura de la base de datos airquality.
In [40]:
hist(airquality$Temp, # variable a la cual le realizare el histograma
main="Histograma de la variable Temperatura \npara labase de datos airquality", # título del diagrama
col=4, # color del grafico en este caso será azul
breaks=13, # numero de barras en el histograma, R no generara las barras que no permitan una buena elaboración del grafico
xlim=c(50,100),
xlab = "Temperatura",
ylab = "Frecuencia") # Limites del eje x