Implementación de cartas de control en el paquete estadístico R para el monitoreo de procesos en media con datos autocorrelacionados.

• Joaquín González ^[1] ; Alex Zambrano ^[1]
  1. [1] Universidad del Tolima

     Universidad del Tolima

     Colombia

     
• Localización: Comunicaciones en Estadística, ISSN 2027-3355, ISSN-e 2339-3076, Vol. 4, Nº. 1, 2011, págs. 7-28
• Idioma: español
• DOI: 10.15332/s2027-3355.2011.0001.01
• Títulos paralelos:
  • mplementation of Control Charts in the Statistical Packag e R for Monitoring Processes in Media with Autocorrelated Data.
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Las cartas de control estadístico son gráficos que dentro del control de proceso estadístico permiten monitorear la(s) característica(s) de calidad de un proceso industrial o de servicios y son ampliamente usadas en la actualidad. Para la implementación de las cartas usuales se asume que las observaciones no presentan una estructura de autocorrelación, pero en la práctica esta condición es violada con frecuencia. La presencia de autocorrelación tiene un serio impacto sobre el incremento sustancial en la frecuencia de falsas alarmas en dichas cartas. En los últimos 20 años, varias propuestas de cartas de control se han presentado tenien en cuenta la estructura de autocorrelación en los datos para su construcción. En este artículo se presenta la construcción y comparación en forma ilustrativa de dos de dichas propuestas, una dada por Alwan & Roberts (1988) basada sobre losresiduales del modelo tipo ARMA que mejor se ajuste a los datos, y la otra dada por Montgomery & Mastrangelo (1991) basada sobre la estadística EWMA, con el objeto de que sirvan como instrumento de enseñanza y aprendizaje de este tipo de cartas, ya que paquetes especializados en control estadístico de la calidad no tienen implementadas estas cartas. Tal es el caso del paquete estad ́ıstico R (R Development Core Team 2009), el cual es usado en este trabajo pa ra la programación e implementación de las cartas mencionadas.

  • English

    Statistical control charts are graps in statistical process control can monitoring quality characteristic(s) of an industrial process or service and are widely used today. To implement these assumes that the observations do not present an autocorrelation structure, but in practice this condition is violated frequently. The presence of autocorrelation has a serious impact on a substantial operation in the frequency of false alarms. Montgomery & Mastrangelo (1991) presents the construction of a control chart for autocorrelated data keeping in mind the structure of the EWMA statistic that is a good predictor one step ahead of the observations given. This control chart presents inconveniences when the autocorrelation is negative. In this paper we consider an alternative control chart which takes into account the data model through a time series ARMA family, for the construction of appropriate control limits from the negative correlation structure doesn’t cause problems.

• Referencias bibliográficas
  • Adams, B. M. & Tseng, I.-T. (1998), ‘Robustness of Forecast-Based Monitoring Schemes’, Journal of Quality Technology 30, 328–339.
  • Alwan, L. C. & Roberts, H. V. (1988), ‘Time-Series Modeling for Statistical Process Control’, Journal of Business and Economic Statistics...
  • Basseville, M. & Nikiforov, I. V. (1993), Detection of Abrupt Changes: Theory and Applications, Prentice-Hall, Engelwoold Cliffs, NJ.
  • Box, G. E. P. & Jenkins, G. M. (1976), Time Series Analysis, Forecasting, and Control, Holden Day, Oakland, C.A.
  • Brockwell, P. J. & Davis, R. A. (1996), Introduction to Time Series and Forecas- ting, Springer-Verlag, New York.
  • Faltin, F. W., Mastrangelo, C. M., Runger, G. C. & Ryan, T. P. (1997), ‘Considerations in the Monitoring of Autocorrelated and Independent...
  • Girshick, M. A. & Rubin, H. (1952), ‘A Bayes Approach to a Quality Control Model’, The Annals of Mathematical Statistics 23, 114–125.
  • J., G. B. & J., P. P. (2008), ‘Estudio de la carta EWMA en presencia de datos autocorrelacionados’, Entre Ciencia e Ingeniería (3), 11–25.
  • Jiang, W., Tsui, K.-L. & Woodall, W. H. (2000), ‘A New SPC Monitoring Method: The ARMA Chart’, Technometrics 42(4), 399–410.
  • Lu, C. W. & Reynolds, Jr., M. R. (1999a), ‘Control Charts for Monitoring the Mean of Autocorrelated the Mean and Variance Processes’,...
  • Lu, C. W. & Reynolds, Jr., M. R. (1999b), ‘EWMA Control Charts for Monitoring the Mean of Autocorrelated Processes’, Journal of Quality...
  • Montgomery, D. C. (2004), Control Estadístico de la Calidad, 3a. edn, Limusa Wiley, M´exico.
  • Montgomery, D. C. & Mastrangelo, C. M. (1991), ‘Some Statistical Process Control Methods for Autocorrelated Data’, Journal of Quality...
  • Page, E. S. (1954), ‘Continuous Inspection Schemes’, Biometrika 41, 100–114.
  • R Development Core Team (2009), R: A Language and Environment for Statistical Computing, R Foundation for Statistical Computing, Vienna, Austria.
  • Reynolds, M. R., Amin, R. W. & Arnold, J. C. (1990), ‘CUSUM Charts With Variable Sampling Intervals’, Technometrics 32, 371–384.
  • Roberts, S. W. (1959), ‘Control Chart Tests Based on Geometrics Moving Averages’, Technometrics 1, 239–250.
  • Schmid, W. (1997), On EWMA Charts for Time Series, Vol. 5, Frontiers in Statistical Quality Control, Physica-Verlag.
  • Sheu, S.-H. & Lu, S.-L. (2008), ‘Monitoring Autocorrelated Process Mean and Variance using a GWMA Chart based on Residuals’, Asia - Pacific...
  • Stoumbos, Z. G. & Jones, L. A. (2000), ‘On the Properties and Design of Individuals Control Charts Based on Simplicial Depth’, Nonlinear...
  • Trapletti, A. & Hornik, K. (2009), Tseries: Time Series Analysis and Computational Finance. R package version 0.10-22. *http://CRAN.Rproject.org/package=tseries
  • Wardell, D. G., Moskowitz, H. & Plante, R. D. (1992), ‘Control Charts in the Presence of Data Correlation’, Management Science 38, 1084–1105.
  • Zhang, N. F. (1998), ‘A Statistical Control Chart for Stationary Process Data’, Technometrics 40, 24–38.