Co to jest karta kontrolna?
Karta kontrolna (ang. control chart) to wykres kolejnych pomiarów procesu z linią centralną i granicami kontrolnymi. Pomaga odróżnić zwykłą, losową zmienność od zmiany, która ma konkretną przyczynę. To główne narzędzie statystycznego sterowania procesem (SPC). Benneyan i in. (2003) opisują SPC jako połączenie analizy szeregów czasowych z czytelną grafiką, które w ochronie zdrowia pozwala szybciej ocenić skutki zmian w opiece niż porównanie danych zagregowanych.
Karta Shewharta
Karta Shewharta pokazuje pojedyncze pomiary albo średnie z podgrup. Linia centralna to wartość docelowa μ0 lub średnia z okresu stabilnego, a granice leżą zwykle w odległości ±3σ, gdzie σ to odchylenie standardowe procesu (dla średnich z podgrup – błąd standardowy). Sygnałem jest punkt poza granicami. Karta szybko wykrywa duże skoki, ale małe przesunięcie średniej może długo przeoczyć, bo ocenia każdy punkt osobno.
Karta CUSUM
Karta CUSUM (cumulative sum), zaproponowana przez Page’a (1954), sumuje odchylenia od wartości docelowej. W wersji tabelarycznej C+t = max[0, xt − (μ0 + k) + C+t−1], analogicznie C− dla spadków. Sygnał pojawia się, gdy suma przekroczy próg h. Często przyjmuje się k = 0.5σ i h = 4σ–5σ. Grigg i in. (2003) wyprowadzają CUSUM z sekwencyjnego testu ilorazu wiarygodności, projektują karty na podstawie średniej długości przebiegu (ARL) i stosują je do monitorowania śmiertelności po operacjach. Zaznaczają, że to, która karta wypada lepiej, zależy od definicji stanu „poza kontrolą”.
Przykład
W symulacji proces ma 20 pomiarów ze średnią 50 i σ = 2, a potem 15 pomiarów ze średnią 52, czyli przesunięcie o 1σ. Żaden punkt nie wychodzi poza granice Shewharta 44–56. CUSUM z k = 1 i h = 10 daje sygnał w 34. pomiarze. Karta Shewharta z regułą punktu poza granicami przeoczyła więc małe przesunięcie, a CUSUM je wykrył dzięki sumowaniu – choć z opóźnieniem.
Na rysunku
set.seed(618)).Co widać. Panel A to seria z przykładu. Od 21. pomiaru (trójkąty) średnia rośnie z 50 do 52, ale wszystkie punkty mieszczą się w granicach 44–56; najwyższy ma 54.17. Widać jedynie, że po zmianie 12 z 15 punktów leży nad linią centralną. Panel B pokazuje te same dane jako sumy skumulowane. Każdy pomiar powyżej 51 (μ0 + k) dokłada się do C+, więc suma po 20. pomiarze rośnie i w 34. pomiarze przekracza próg h = 10. C− (linia przerywana) rośnie tylko na początku, po dwóch niskich pomiarach, i nie dochodzi do progu.
Czy to nie przypadek jednej serii? W 5000 seriach o tej samej budowie karta Shewharta wykryła zmianę w pomiarach 21–35 w 28.4% serii, a CUSUM (sygnał z C+ lub C−) w 85.1% (błąd Monte Carlo 0.6 i 0.5 pp). Fałszywy alarm jeszcze przed zmianą dała karta Shewharta w 5.2% serii, a CUSUM w 2.9%.
Na co uważać. Sygnał to nie moment zmiany: CUSUM odezwał się dopiero w 14. pomiarze po niej, a w praktyce samego momentu zmiany nie znamy. Wyniki symulacji dotyczą jednego scenariusza: przesunięcia o 1σ i parametrów k = 0.5σ, h = 5σ, dobranych właśnie pod takie przesunięcie. Inne k i h, inna wielkość zmiany albo dłuższy okres bazowy dadzą inne odsetki wykryć i fałszywych alarmów. Karta nie wskazuje przyczyny zmiany.
Podpis do pracy:
Kod rysunku ma jedno ziarno (set.seed(618), to samo co w przykładzie, niezmieniane); symulacja 5000 serii korzysta z dalszej części tego samego strumienia losowań. Ręcznie ustalono: długość okresów (20 i 15 pomiarów), wielkość przesunięcia (1σ) oraz k i h. Rysunek na stronie powstał z tego samego obiektu p1 z motywem serwisu; dane, geometrie i skale są identyczne.
Kod R rysunku 1
# Rysunek 1. Ta sama seria 35 pomiarów na karcie Shewharta i na karcie CUSUM (dane symulowane)
suppressPackageStartupMessages({library(ggplot2); library(patchwork)})
kol <- c(przed = "#0072B2", po = "#D55E00", granica = "grey30") # Okabe–Ito
motyw <- theme_minimal(base_size = 13) + theme(panel.grid.minor = element_blank(), legend.position = "bottom")
set.seed(618)
x <- c(rnorm(20, mean = 50, sd = 2), rnorm(15, mean = 52, sd = 2)) # od 21. pomiaru średnia rośnie o 1 SD
mu0 <- 50; sigma <- 2; k <- 0.5 * sigma; h <- 5 * sigma # jak w przykładzie: k = 1, h = 10
Cp <- Cm <- numeric(35)
for (i in 1:35) {
Cp[i] <- max(0, x[i] - (mu0 + k) + if (i == 1) 0 else Cp[i - 1])
Cm[i] <- max(0, (mu0 - k) - x[i] + if (i == 1) 0 else Cm[i - 1])
}
d <- data.frame(t = 1:35, x = x, Cp = Cp, Cm = Cm,
okres = factor(ifelse(1:35 <= 20, "przed zmianą (μ = 50)", "po zmianie (μ = 52)"),
levels = c("przed zmianą (μ = 50)", "po zmianie (μ = 52)")))
sygnal <- which(Cp > h)[1]
p_a <- ggplot(d, aes(t, x)) +
geom_hline(yintercept = c(mu0 - 3 * sigma, mu0 + 3 * sigma), colour = kol[["granica"]], linetype = "dashed") +
geom_hline(yintercept = mu0, colour = kol[["granica"]]) +
geom_vline(xintercept = 20.5, colour = "grey60", linetype = "dotted") +
geom_line(colour = "grey60") +
geom_point(aes(colour = okres, shape = okres), size = 2.4) +
annotate("text", x = 35.5, y = c(44, 50, 56), label = c("DGK = 44", "linia centralna = 50", "GGK = 56"),
hjust = 1, vjust = -0.5, size = 3.6, colour = kol[["granica"]]) +
scale_colour_manual(values = unname(kol[c("przed", "po")]), name = NULL) +
scale_shape_manual(values = c(16, 17), name = NULL) +
coord_cartesian(ylim = c(42, 58)) +
labs(title = "A. Karta Shewharta: żaden punkt poza granicami ±3σ", x = "Pomiar", y = "Wartość pomiaru")
dc <- rbind(data.frame(t = d$t, C = d$Cp, suma = "C+ (wzrosty)"),
data.frame(t = d$t, C = d$Cm, suma = "C− (spadki)"))
p_b <- ggplot(dc, aes(t, C, linetype = suma, shape = suma)) +
geom_hline(yintercept = h, colour = kol[["po"]], linetype = "dashed") +
geom_vline(xintercept = 20.5, colour = "grey60", linetype = "dotted") +
geom_line(colour = "grey25") + geom_point(colour = "grey25", size = 1.8) +
annotate("point", x = sygnal, y = Cp[sygnal], colour = kol[["po"]], size = 5, shape = 1, stroke = 1.3) +
annotate("text", x = sygnal, y = Cp[sygnal] + 1.2, label = paste0("sygnał: pomiar ", sygnal),
hjust = 1, colour = kol[["po"]], size = 3.8) +
annotate("text", x = 1, y = h, label = "próg h = 10", hjust = 0, vjust = -0.5, colour = kol[["po"]], size = 3.6) +
scale_linetype_manual(values = c("solid", "longdash"), name = NULL) +
scale_shape_manual(values = c(16, 1), name = NULL) +
coord_cartesian(ylim = c(0, 12)) +
labs(title = "B. CUSUM (k = 1, h = 10): suma przekracza próg", x = "Pomiar", y = "Suma skumulowana")
p1 <- (p_a / p_b) & motyw
round(c(min_x = min(x), max_x = max(x), srednia_po = mean(x[21:35]), sygnal_CUSUM = sygnal,
punkty_po_nad_mu0 = sum(x[21:35] > mu0)), 2)
# Czy to przypadek tej jednej serii? 5000 serii o tej samej budowie (20 + 15 pomiarów)
pierwszy <- function(v) { w <- which(v); if (length(w)) w[1] else NA }
sym <- t(replicate(5000, {
y <- c(rnorm(20, 50, 2), rnorm(15, 52, 2))
cp <- cm <- numeric(35)
for (i in 1:35) {
cp[i] <- max(0, y[i] - (mu0 + k) + if (i == 1) 0 else cp[i - 1])
cm[i] <- max(0, (mu0 - k) - y[i] + if (i == 1) 0 else cm[i - 1])
}
c(shewhart = pierwszy(abs(y - mu0) > 3 * sigma), cusum = pierwszy(cp > h | cm > h))
}))
wynik <- sapply(c("shewhart", "cusum"), function(m) {
s <- sym[, m]
c(alarm_przed_zmiana = mean(!is.na(s) & s <= 20), wykrycie_w_21_35 = mean(!is.na(s) & s > 20))
})
round(wynik, 3)
round(sqrt(wynik[2, ] * (1 - wynik[2, ]) / 5000), 3) # błąd Monte Carlo odsetka wykryć
p1Wynik w R
min_x max_x srednia_po sygnal_CUSUM
44.60 54.17 51.42 34.00
punkty_po_nad_mu0
12.00
shewhart cusum
alarm_przed_zmiana 0.052 0.029
wykrycie_w_21_35 0.284 0.851
shewhart cusum
0.006 0.005 Na co uważać
- Granice to nie normy. Granice kontrolne opisują zachowanie procesu, a nie wymagania wobec niego.
- Okres bazowy. Granic nie wyznacza się z danych, które już zawierają zmianę.
- Zależność pomiarów. Przy silnej autokorelacji granice ±3σ dają za dużo fałszywych alarmów.
- Wiele reguł naraz. Każda dodatkowa reguła sygnału zwiększa liczbę fałszywych alarmów, podobnie jak w problemie wielokrotnych porównań.
- Inne pytanie. Średnia ruchoma wygładza szereg, ale nie daje reguły decyzji. Efekt interwencji w znanym momencie lepiej ocenia przerwany szereg czasowy.
Karta Shewharta i CUSUM w R
Kod wyznacza granice Shewharta i tabelaryczny CUSUM ręcznie w bazowym R, a potem powtarza obliczenia funkcjami qcc() i cusum() z pakietu qcc. qcc podaje k i h w jednostkach σ: se.shift = 1 oznacza k = 0.5σ, a decision.interval = 5 – h = 5σ, czyli przy σ = 2 te same k = 1 i h = 10.
Małe przesunięcie średniej: Shewhart a CUSUM
R
# Karta Shewharta (pojedyncze obserwacje) i tabelaryczny CUSUM
set.seed(618)
x <- c(rnorm(20, mean = 50, sd = 2), rnorm(15, mean = 52, sd = 2)) # od 21. pomiaru średnia rośnie o 1 SD
mu0 <- 50; sigma <- 2 # wartość docelowa i znane SD procesu
GKK <- mu0 + 3 * sigma; DKK <- mu0 - 3 * sigma
shewhart <- which(x > GKK | x < DKK)
k <- 0.5 * sigma; h <- 5 * sigma # typowe k = 0.5 SD i h = 5 SD
Cplus <- Cminus <- numeric(length(x))
for (i in seq_along(x)) {
prevp <- if (i == 1) 0 else Cplus[i - 1]
prevm <- if (i == 1) 0 else Cminus[i - 1]
Cplus[i] <- max(0, x[i] - (mu0 + k) + prevp)
Cminus[i] <- max(0, (mu0 - k) - x[i] + prevm)
}
cat("Granice Shewharta:", DKK, "-", GKK, "\n")
cat("Punkty poza granicami Shewharta:", if (length(shewhart)) shewhart else "brak", "\n")
cat("Pierwszy sygnal CUSUM (C+ > h): pomiar", which(Cplus > h)[1], "\n")
print(round(data.frame(pomiar = c(20:24, 30:35), x = x[c(20:24, 30:35)], C_plus = Cplus[c(20:24, 30:35)]), 2), row.names = FALSE)
# To samo w pakiecie qcc; k i h podaje się w jednostkach σ (se.shift = 1 -> k = 0.5σ, decision.interval = 5 -> h = 5σ)
suppressPackageStartupMessages(library(qcc))
pdf(NULL) # wykresy qcc niepotrzebne w wyniku tekstowym
s <- qcc(x, type = "xbar.one", center = mu0, std.dev = sigma, plot = FALSE)
cat("qcc: granice", s$limits, "| punkty poza granicami:", length(s$violations$beyond.limits),
"| naruszenia reguly serii:", s$violations$violating.runs, "\n")
q <- cusum(x, center = mu0, std.dev = sigma, decision.interval = 5, se.shift = 1, plot = FALSE)
cat("qcc: pierwszy sygnal CUSUM: pomiar", q$violations$upper[1], "| C+ w pomiarze 34 (x sigma):", round(q$pos[34] * sigma, 2), "\n")Wynik w R
Granice Shewharta: 44 - 56
Punkty poza granicami Shewharta: brak
Pierwszy sygnal CUSUM (C+ > h): pomiar 34
pomiar x C_plus
20 50.43 2.60
21 52.01 3.61
22 52.82 5.43
23 53.75 8.18
24 47.99 5.18
30 50.01 5.64
31 51.16 5.81
32 52.47 7.27
33 51.76 8.03
34 53.38 10.41
35 49.49 8.90
qcc: granice 44 56 | punkty poza granicami: 0 | naruszenia reguly serii: 34
qcc: pierwszy sygnal CUSUM: pomiar 34 | C+ w pomiarze 34 (x sigma): 10.41 Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (pakiet qcc; rysunek 1 – pakiety ggplot2 i patchwork). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).
- R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
- qcc (wersja 2.7): Scrucca, L. (2004). qcc: An R package for quality control charting and statistical process monitoring. R News, 4(1), 11–17. https://CRAN.R-project.org/doc/Rnews/
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
- patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
Najczęstsze pytania
Czym różni się karta Shewharta od karty CUSUM?
Karta Shewharta ocenia każdy pomiar osobno i dobrze wykrywa duże, nagłe skoki. CUSUM sumuje odchylenia od wartości docelowej, więc szybciej wychwytuje małe, ale trwałe przesunięcia średniej.
Jak dobrać parametry k i h w karcie CUSUM?
Wartość k to zwykle połowa przesunięcia, które chcesz wykryć (np. 0.5σ dla przesunięcia o 1σ), a h – próg decyzji, często 4σ–5σ. Wyższe h oznacza rzadsze fałszywe alarmy, ale późniejsze wykrycie zmiany.
Czy karta kontrolna zastępuje test statystyczny?
Nie. To narzędzie monitorowania kolejnych pomiarów, a nie test jednej hipotezy. Do oceny efektu interwencji wprowadzonej w znanym momencie lepiej pasuje analiza przerwanego szeregu czasowego.
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Regresja segmentowa i przerwany szereg czasowy
Zmiana poziomu i nachylenia, gls z AR(1), sezonowość, szereg kontrolny, nieznany punkt załamania z bootstrapem, przykład w R i wzór opisu.
Czytaj →PoradnikAnomalie w KPI – karta kontrolna
Sklep sportowy i dzienna konwersja: karta p, dzień tygodnia, poprawka Laneya, EWMA, CUSUM i symulacja fałszywych alarmów – pięć rysunków z kodem R.
Czytaj →PoradnikZdolność procesu – Cp i Cpk
Toczenie wałków: karta X̄–R, Cp, Cpk, Pp, Ppk, ppm, przedziały ufności dla Cpk z symulacją i rozkład skośny – pięć rysunków z kodem R.
Czytaj →Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Wyceń analizęOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- Benneyan, J. C., Lloyd, R. C., & Plsek, P. E. (2003). Statistical process control as a tool for research and healthcare improvement. Quality and Safety in Health Care, 12(6), 458–464. https://doi.org/10.1136/qhc.12.6.458 ● Otwarty dostęp
- Grigg, O. A., Farewell, V. T., & Spiegelhalter, D. J. (2003). Use of risk-adjusted CUSUM and RSPRT charts for monitoring in medical contexts. Statistical Methods in Medical Research, 12(2), 147–170. https://doi.org/10.1177/096228020301200205
- Page, E. S. (1954). Continuous inspection schemes. Biometrika, 41(1–2), 100–115. https://doi.org/10.1093/biomet/41.1-2.100
Cytowania BibTeX
@article{benneyan2003statistical, author={Benneyan, James C. and Lloyd, Robert C. and Plsek, Paul E.}, title={{Statistical process control as a tool for research and healthcare improvement}}, journal={Quality and Safety in Health Care}, year={2003}, volume={12}, number={6}, pages={458--464}, doi={10.1136/qhc.12.6.458}}@article{grigg2003use, author={Grigg, Olivia A. and Farewell, Vernon T. and Spiegelhalter, David J.}, title={{Use of risk-adjusted CUSUM and RSPRT charts for monitoring in medical contexts}}, journal={Statistical Methods in Medical Research}, year={2003}, volume={12}, number={2}, pages={147--170}, doi={10.1177/096228020301200205}}@article{page1954continuous, author={Page, E. S.}, title={{Continuous inspection schemes}}, journal={Biometrika}, year={1954}, volume={41}, number={1–2}, pages={100--115}, doi={10.1093/biomet/41.1-2.100}}