Professional Documents
Culture Documents
Qu es Seis Sigma?
Una iniciativa estratgica para impulsar la
rentabilidad, incrementar la participacin
de mercado y mejorar la satisfaccin del
cliente a travs de herramientas
estadsticas que pueden conducir a
fabulosas ganancias en calidad
(1998)
1.0Introduccinaseissigma
Mikel Harry
2
03/02/2015
Qu es Seis Sigma?
Un paradigma estratgico de innovacin gerencial para
la sobrevivencia de las compaas en el siglo XXI, que
implica tres cosas: medicin estadstica, una
estrategia gerencial y una cultura de calidad
(Park, 1999)
1.0Introduccinaseissigma
Incrementar la
participacin
de Mercado
1.0Introduccinaseissigma
Mejorar la
rentabilidad de la
empresa
4
03/02/2015
Enfoque en el Cliente
Pasin por la mejora continua y la calidad
Disciplina metodolgica
Pensamientos analticos
Trabajo en equipo
Promocin de la creatividad e innovacin
Reconocimientos y recompensas basados
en logros
1.0Introduccinaseissigma
Cmo lograrlo?
A travs de la disciplina metodolgica, la
cuantificacin, el anlisis riguroso, el uso
de herramientas estadsticas, la
experimentacin, la evaluacin de los
resultados y el riguroso control para
mantener los beneficios alcanzados.
1.0Introduccinaseissigma
03/02/2015
El quin:
Lo humano
Necesarioequilibrioentrelostrescomponentes
7
1.0Introduccinaseissigma
Historia de la calidad
Dnde se encuentra tu
empresa ahora?
6
1980
TQM
3P2P
Control
TQC
Poka Yoke
Crculos de calidad
Influencia decisiones
directivas en calidad
1950
Aseguramiento
Contencin
CEP
Cartas de control
1920
muestreo de aceptacin
XIX
Inspeccin al 100%
Diseo
del producto
1.0Introduccinaseissigma
Diseo
del proceso
Fabricacin
Embarque
8
03/02/2015
1.0Introduccinaseissigma
Qu es Sigma?
Letra del alfabeto griego
Una medida de la consistencia de un proceso
o de la funcin que proporciona un producto
Calidad es consistencia!
1.0Introduccinaseissigma
10
03/02/2015
19 20
21
22
23
24 25
26
27
28
ValorPromedio23.5
Pasospara
completar
una
transaccin
1.0Introduccinaseissigma
11
Distribucin de probabilidad
reabajolacurva
representalaprobabilidad
Puntodeinflexin
dispersin
(X )
i
i 1
100%
( x x)
localizacin
Dimetrodebarreno
Caracterizacindeunadistribucin:localizacin,dispersinyforma
1.0Introduccinaseissigma
12
03/02/2015
Comportamiento de un proceso
Defectos
Defectos
Meta
1.0Introduccinaseissigma
Tolerancia
LIE
13
LSE
Comportamiento
delProceso
LIE
Meta
LSE
= Desviacin Estndar
14
03/02/2015
Comportamiento
delProceso
1.5
LIE
Defectos
LSE
Meta
Desplazamiento del proceso 1.5
15
1.0Introduccinaseissigma
Nmerode
2
3
4
5
6
Defectospor
milln
Disminucin
deDefectos
308,537
66,807
6,210
23
3.4
1/5
1/11
Decrecimiento
1/26 Exponencial
1/68
Capacidad
delProceso
1.0Introduccinaseissigma
16
03/02/2015
Motorola
IBM
Kodak, DEC
TI, ABB
GE, Allied Signal
Toshiba, Whirlpool, Sony, LG, Samsung
Mabe, NEC, DuPont, Dow Chemical
1999 AMEX, J&J, Ericsson, VCR, Nokia, Philips,
Solectron, Correo EEUU
17
Crculo virtuoso
Mejora
de
procesos
Mejorade
Rentabilidad
Incremento
deVentas
1.0Introduccinaseissigma
Mejorade
Costos
Incrementode
participacinde
mercado
18
03/02/2015
Enfoque en el cliente
Cul cliente? Externo o Interno?
Ambos! El que est adelante en el proceso interno en la
organizacin y el o los externos a la organizacin
1.0Introduccinaseissigma
19
Enfoque en el cliente
El cliente, consumidor o usuario final tiene requerimientos
de nuestros productos o servicios. Por ejemplo:
20
10
03/02/2015
QFD = Despliegue de la
Funcin de la Calidad
Requerimientos tcnicos
21
1.0Introduccinaseissigma
Requerimiento Tcnico
1. El tiempo de salida del
autobs no deber exceder 5
minutos del horario
programado.
2. Al menos 98% de los
productos entregados deben
estar libres de defectos.
3. No haya presencia de fruta
mayor a 1 mm
4. Entregas de producto en
almacenes de Distribuidor
dentro de la ventana de
tiempo asignada.
5. Contestar 95% de las
llamadas antes del 4 timbre.
6. Facturas libres de defectos el
99.8% de las veces.
7. Apoyo inmediato a dudas
tcnicas por medio de
telfono o e-mail.
CTQ
1. Porcentaje de salidas de
autobs: 0 a 5 min. de la
hora programada
2. Porcentaje de defectos en
productos
3. Velocidad de rotacin de
aspas 4,500 RPM
4. Porcentaje de entregas de
producto dentro de las
ventanas de tiempo
asignadas.
5. Porcentaje de llamadas contestadas antes del 4 timbre
6. % de errores en los campos
crticos de las facturas.
7. Minutos para responder a
dudas tcnicas.
22
11
03/02/2015
23
Mtodo
Conjunto de pasos rigurosos y sistemticos
diseados para eliminar posibles sesgos, y otras
influencias subjetivas en la bsqueda,
identificacin, medicin y validacin de hechos y
establecimiento de relaciones causa efecto, para
la generacin de conocimiento para la toma de
decisiones con un fin especfico.
Tcnicas o herramientas:
No tienen necesariamente un propsito determinado
No tienen la complejidad de un mtodo
Ms acotadas en su influencia
1.0Introduccinaseissigma
24
12
03/02/2015
Caso de
Negocio
Definicin: Se
relacionan los CTQs y el
caso de negocio para
definir un proyecto
Definicin
Control
Medicin: Se definen
la Y y las mediciones,
se asegura su validez
y se estima la
capacidad del proceso.
Medicin
Mtodo Seis
Sigma
DMAIC
Mejora: Se confirman
las relaciones causales
de las Xs con la Y. Se
identifican las acciones
de mejora y se ponen
en prctica.
Mejora
Anlisis
1.0Introduccinaseissigma
Anlisis: Se
identifican las Xs que
definen la Y y las
relaciones causales
entre ellas.
25
Cartografa del
Mtodo 6 Sigma
26
13
03/02/2015
Definir
Escuchar la Voz del Cliente:
Cules son las quejas del Cliente?
Qu requiere el Cliente? Cules son los
Crticos para la Calidad? CTQ's.
Cules son sus especificaciones?
Se define el Problema
Se define el Proyecto
El objetivo y las metas a alcanzar
Equipo de apoyo; fechas
Se elabora el Project Charter
27
Medir
Acordar la o las mediciones que representarn los
CTQs (Y)
Analizar el sistema de medicin para las Y
28
14
03/02/2015
Analizar
Analizar la lnea base para detectar relaciones que
pudieran sugerir causalidad
29
Mejorar
Contener provisionalmente el problema que se pretende
resolver.
Cartografa
30
15
03/02/2015
Controlar
Decidir cules acciones son necesarias para
mantener las mejoras a largo plazo:
Documentar la mejora
31
1.0Introduccinaseissigma
32
16
03/02/2015
Definir
Entrenamiento para
GB Transaccional
Desempeo (Voz)
del Proceso
Estrategia (Voz)
del Negocio
QFD
CTQs
Definicin de
Equipo de Apoyo
Identidad
Ubicacin
Temporalidad
Magnitud
Definicin de
Proyecto LSS
Medidas de
contencin
1.1Definicin
03/02/2015
1.1Definicin
3. Si se realiza el proyecto
a.
b.
Qu estrategia se seguira?
Cul es el plan de negocio?
1.1Definicin
03/02/2015
1.1Definicin
03/02/2015
Modelo Kano
Nivel Satisfaccin Cliente
cliente
satisfecho
no hablada
no esperada
desconocida
necesidades de excitacin
no tiene
no hace
incluidas
se hacen
bien
Caractersticas
cliente
insatisfecho
1.1Definicin
Puntualidad en la entrega
Rapidez en el servicio de atencin
Documentacin (facturas, recibos, etc.) sin errores.
Rapidez al contestar una llamada telefnica.
03/02/2015
En
En
En
En
En
1.1Definicin
1.1Definicin
10
03/02/2015
Formato preimpreso
Prdida o extravio de la
factura
Capacitacin
Carga de trabajo
3
1
Distribucin de la factura
Direccin de mejora
CTQs
Imprimirlafacturaoriginalenellugar
1
requerido
Teneratiempolafacturaoriginalpara
2
entregarlaalcliente
Distribucinautomticadelascopiasdela
3
factura
Reduccindecostos
Mayorproductividad(reduccindepasos)
1.1Definicin
3
11
casa de la
calidad
#2
caractersticas del
Proceso CTPs
(cmos)
funcionalidad del
producto
(qus)
casa de la
calidad
#1
funcionalidad del
producto CTQs
(cmos)
elementos del sistema
(qus)
qu quiere el cliente
(qus)
elementos del
sistema
(cmos)
casa de la
calidad
#3
1.1Definicin
12
03/02/2015
13
Ejemplo de CTQ
Voz del Usuario: una lavadora que no maltrate la ropa
delicada.
Caracterstica del producto: programa de lavado para ropa
delicada
Medicin: nivel de maltrato de ropa con patrones para la
medicin de maltrato
Valor Nominal: No hay. Slo lmite superior
Lmite de especificacin: menos de un hilo desprendido
Tasa tolerada: 2% de defectos
1.1Definicin
14
03/02/2015
Ejemplo de CTQ
Voz del Usuario: una especificacin del proyecto sin errores
y a tiempo.
Caracterstica del servicio: especificacin con la solucin
tcnica a los problemas del proyecto.
Medicin: nivel de adecuacin de las soluciones propuestas
en la especificacin.
Valor Nominal: Cero errores en las especificaciones.
Tasa tolerada: 0% de defectos
1.1Definicin
15
Caso del
Negocio
Estrategia del
Negocio
Requerimientos
del Cliente
CTQs
Problema
1.1Definicin
16
03/02/2015
Problema
Consideraremos que hay un problema cuando:
Existe una desviacin en el desempeo de un proceso o
producto, respecto del nivel esperado.
Cuando desconocemos sus causas raz y las acciones
necesarias para resolver dicha desviacin.
1.1Definicin
17
Ubicacin
Dnde lo observamos.
Dnde no lo observamos.
Temporalidad
Cundo ocurre.
Cundo no ocurre.
Magnitud
1.1Definicin
18
03/02/2015
Cundo apareci la desviacin por primera vez? Si fuese cclico o recurrente Cundo
aparece la desviacin en el proceso u objeto? En qu horarios? Cundo no aparece
la desviacin en el proceso u objeto?
1.1Definicin
19
1.1Definicin
20
10
03/02/2015
1.1Definicin
21
1.1Definicin
22
11
03/02/2015
1.1Definicin
23
24
12
03/02/2015
1.1Definicin
25
1.1Definicin
26
13
03/02/2015
Equipo de Apoyo
Para la ejecucin de su proyecto
deber contar con un equipo de
personas que puedan contribuir en la
orientacin de la ejecucin de mismo.
Personas que por su conocimiento y
experiencia tcnica puedan contribuir
al xito del proyecto seis sigma.
1.1Definicin
27
28
14
03/02/2015
1.1Definicin
29
a.
30
15
03/02/2015
Necesario Contener?
Evaluar el nivel de impacto del problema para el
Cliente y para el negocio:
Si es potencialmente de mediano o alto impacto,
contener el problema en la planta u oficina.
Cuestionarse si se puede seguir operando el proceso.
1.1Definicin
31
1.1Definicin
32
16
03/02/2015
Procedimiento (cont.):
2. Continuar con la ejecucin del proceso antes de resolver el
problema de raz?
Parar el proceso y cuestionarse si se conocen las causas raz que
originaron el problema.
Si se conocen las causas raz Se puede regresar a la condicin
anterior?
Si se desconocen las causas que provocan el problema, se debe
cuestionar la conveniencia de reiniciar la ejecucin del proceso
1.1Definicin
33
Estimar beneficios
Estimar los beneficios financieros esperados, si se
llega a la clausura exitosa y sostenida del proyecto
Seis Sigma. Considerar ahorros en:
Procesos ms simples / Menor cantidad de trabajo /
Menor tiempo respuesta / Mayor satisfaccin del Cliente
Oportunidad:
Ms ventas
Menos inversin
Almacenamiento
Transportacin
Materiales
Mano de Obra
Energa
Administracin de la no
calidad
1.1Definicin
34
17
03/02/2015
Estimar beneficios
Los beneficios financieros los debieran validar en
el rea financiera
Hay ms beneficios que no siempre pueden ser
expresados o estimados en forma financiera,
como pudieran ser:
1.1Definicin
35
Project Charter
Project Name:
Organization:
Project Belt:
Date:
Champion:
Project Sponsor:
Business Impact
Goal Statement
Problem / Opportunity Statement
Project Scope
Project Plan
Team Selection
1.1Definicin
36
18
03/02/2015
Qu es la
variacin?
Origen Distribucin
Normal
La variacin vs. la
calidad y la
productividad
Distribucin
Probabilidad
Tipos de
variacin
Caractersticas de Distr.
Prob.: localizacin, dispersin
y forma
Medidas de la
variacin
1.2Variacindelosprocesos
03/02/2015
1.2Variacindelosprocesos
Variacin
Hay fluctuaciones de todos los factores que inciden en
un proceso: Insumos, el proceso mismo, las personas
y el ambiente.
Insumos: informacin, documentacin, condiciones, etc.
Procesos: el personal que opera el proceso, los equipos de
cmputo, programas computacionales, etc.
Condiciones Externas al proceso: medio ambiente, poca
del ao, promociones propias y de la competencia, nuevas
tecnologas, nuevos productos en el mercado, desempeo
de la economa nacional, etc.
1.2Variacindelosprocesos
03/02/2015
Variacin
Insumos
MedioAmbiente
Datos
Personal
Transacciones
Softwareyequipo
LSE
Documentos
nominal
MedicionesyControles
Promociones
LIE
tiempo
Proceso
Estasvariacionesprovocanvariacionesenlascaractersticasdelassalidas
1.2Variacindelosprocesos
03/02/2015
comunes (aleatorias)
especiales (atribuibles)
1.2Variacindelosprocesos
Enequiposdedospersonasescribirsila
causadevariacinesEspecialoComn
Tipo de
causa
Genricas
Usualmente este tipo de causas de variac in no estn presentes, pero pueden aparecer espordicamente.
Muchas de estas causas contribuyen con pequeas variaciones.
Cuando este tipo de causas de variacin estn presentes, el proceso es inestable, o impredec ible.
La variacin observada se debe a la tecnologa del proceso
El proceso es estable cuando estn presentes estas causas de variacin.
Este tipo de causas de variacin son resultado de algo especfico y tienen un fuerte efec to en el proceso.
Este tipo de causas de variacin no las podemos predecir.
Existe una diferencia importante en el tiempo de atencin a clientes en la zona norte y la zona sur de la ciudad de
Mxico
Las vacantes se cubren c on las personas que llega, sin capacitarlos.
Especficas
1.2Variacindelosprocesos
En tiempos de lluvia en el almacn de producto terminado se cen las cajas estibadas con los productos.
03/02/2015
1.2Variacindelosprocesos
1.2Variacindelosprocesos
10
03/02/2015
1.2Variacindelosprocesos
11
Distribucin Normal
Simtrica
Asinttica
Unimodal
171
175
1.2Variacindelosprocesos
178
181
184
187
190
193
196
12
03/02/2015
Prctica 2:
1.
2.
3.
4.
1. quforma
tieneeste
histograma?
2. qu
caractersticas
tieneel
mismo?
10
Nmerodesellos
1.2Variacindelosprocesos
13
Distribucin de probabilidad
reabajolacurva
representalaprobabilidad
Puntodeinflexin
dispersin
100%
localizacin
Dimetrodebarreno
Caracterizacindeunadistribucin:localizacin,dispersinyforma
1.2Variacindelosprocesos
14
03/02/2015
x x x ... x
1
Localizacin=Mediaaritmtica
i 1
N = tamao de la poblacin
Muestral:
(x )
N
(x )
i
i 1
n= tamao de la muestra
15
(x
N
Muestral:
Dispersin=DesviacinEstndar
x)
n 1
(x
1.2Variacindelosprocesos
16
03/02/2015
N.guilas
Sellos
N.
# Veces
%B
A*B
xixbarra
E2 =(xi -xbarra)2
B*(xixbarra)2
0
1
2
3
4
5
6
7
8
9
10
SUMA
1.2Variacindelosprocesos
Xbarra =
s=
17
Medidas de dispersin:
Rango: El valor mximo menos el valor mnimo
Hay muchas variantes en la forma de calcular el rango.
1.2Variacindelosprocesos
18
03/02/2015
Prctica 4
1.Calcular la media =
2.Calcular la mediana =
3.Cul es la moda? =
4.Cul es el Rango?=
5.Qu conclusiones puede
sacar de los clculos
anteriores?
_______________________
_______________________
_______________________
1.2Variacindelosprocesos
Acumulado
X* nm X
10
11
20
14
18
12
20
12
13
16
15
17
16
20
19
17
17
15
16
9
15
10
14
12
18
19
17
12
16
15
21
15
Nmero de X
12
20
27
22
23
20
26
29
17
17
24
21
21
21
24
27
20
22
24
27
18
16
19
24
19
29
21
17
25
22
29
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
Suma
19
Media
Prctica 4
continua.
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
________________________________________________________
________________________________________________________
1.2Variacindelosprocesos
20
10
03/02/2015
Distribucin de Probabilidad
Normal
Cuandounavariableestinfluidaporpequeascontribucionesdemuchosfactores,
elcomportamientodedichavariablegeneralmentesepuedemodelarconuna
1.2Variacindelosprocesos
21
distribucindeprobabilidadNormal
Comportamiento Natural de un
proceso
Cuando en un proceso no hay presentes causas
el proceso
procesoest
estbajo
bajo
especiales de variacin, se dice que el
control.
control. En este caso la variacin del proceso slo se debe
a causas comunes. Por lo que slo estar presente la
variacin natural del proceso, y por ello, el comportamiento
de la variable del proceso tendr una distribucin de
probabilidad Normal.
1.2Variacindelosprocesos
22
11
03/02/2015
Funcindedensidad
1.2Variacindelosprocesos
23
Comportamiento de un proceso
Defectos
Defectos
1.2Variacindelosprocesos
LIE
Meta
Tolerancia
LSE
24
12
03/02/2015
Valores estandarizados: Z
= 0, = 1 .
=169, =10
=0, =1
=1
1.2Variacindelosprocesos
25
Ejercicios:
Estimar la probabilidad de tener
valores de x mayores a 185. Es decir,
calcular el rea bajo la curva normal
de valores de x mayores de 185
=169, =10
185 169
1.6
10
x
185
1.2Variacindelosprocesos
z = 1.6
0.0548
26
13
03/02/2015
Prctica 5: clculo de
probabilidades
Fuerza de separacin de piezas soldadas
=169, =10
x
Dos piezas son soldadas y el Cliente requiere que la fuerza para separarlas sea siempre
mayor a 145 kgf. Asuma que la fuerza de separacin se comporta como una distribucin
de probabilidad normal de media 169 y desviacin estndar de 10:
1. Cul es la probabilidad de tener valores de fuerza de separacin mayores a 145 kgf?
2. Estimar la probabilidad de tener valores de fuerza de separacin mayores a 173 kgf.
3. Estimar la probabilidad de tener valores de fuerza menores a 150 kgf
4. Cul es la probabilidad de tener valores de fuerza entre 150 y 173?
5. Cul es la probabilidad de tener valores de fuerza menores a 200?
1.2Variacindelosprocesos
27
1.2Variacindelosprocesos
28
14
03/02/2015
Z
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2.0
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
3.0
3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8
0.01
0.02
0.5000
0.4960
0.4920
0.4602
0.4562
0.4522
0.4207
0.4168
0.4129
0.3821
0.3783
0.3745
0.3446
0.3409
0.3372
0.3085
0.3050
0.3015
0.2743
0.2709
0.2676
0.2420
0.2389
0.2358
0.2119
0.2090
0.2061
0.1841
0.1814
0.1788
0.1587
0.1562
0.1539
0.1357
0.1335
0.1314
0.1151
0.1131
0.1112
0.0968
0.0951
0.0934
0.0808
0.0793
0.0778
0.0668
0.0655
0.0643
0.0548
0.0537
0.0526
0.0446
0.0436
0.0427
0.0359
0.0351
0.0344
0.0287
0.0281
0.0274
0.0228
0.0222
0.0217
0.0179
0.0174
0.0170
0.0139
0.0136
0.0132
0.0107
0.0104
0.0102
0.0082
0.0080
0.0078
0.0062
0.0060
0.0059
0.0047
0.0045
0.0044
0.0035
0.0034
0.0033
0.0026
0.0025
0.0024
0.0019
0.0018
0.0018
0.0013
0.0013
0.0013
0.0010
0.0009
0.0009
0.0007
0.0007
0.0006
0.0005
0.0005
0.0005
0.0003
0.0003
0.0003
0.0002
0.0002
0.0002
0.0002
0.0002
0.0001
1.2Variacindelosprocesos
0.0001
0.0001
0.0001
0.0001
0.0001
0.0001
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.4880
0.4483
0.4090
0.3707
0.3336
0.2981
0.2643
0.2327
0.2033
0.1762
0.1515
0.1292
0.1093
0.0918
0.0764
0.0630
0.0516
0.0418
0.0336
0.0268
0.0212
0.0166
0.0129
0.0099
0.0075
0.0057
0.0043
0.0032
0.0023
0.0017
0.0012
0.0009
0.0006
0.0004
0.0003
0.0002
0.0001
0.0001
0.0001
0.4840
0.4443
0.4052
0.3669
0.3300
0.2946
0.2611
0.2296
0.2005
0.1736
0.1492
0.1271
0.1075
0.0901
0.0749
0.0618
0.0505
0.0409
0.0329
0.0262
0.0207
0.0162
0.0125
0.0096
0.0073
0.0055
0.0041
0.0031
0.0023
0.0016
0.0012
0.0008
0.0006
0.0004
0.0003
0.0002
0.0001
0.0001
0.0001
0.4801
0.4404
0.4013
0.3632
0.3264
0.2912
0.2578
0.2266
0.1977
0.1711
0.1469
0.1251
0.1056
0.0885
0.0735
0.0606
0.0495
0.0401
0.0322
0.0256
0.0202
0.0158
0.0122
0.0094
0.0071
0.0054
0.0040
0.0030
0.0022
0.0016
0.0011
0.0008
0.0006
0.0004
0.0003
0.0002
0.0001
0.0001
0.0001
0.4761
0.4364
0.3974
0.3594
0.3228
0.2877
0.2546
0.2236
0.1949
0.1685
0.1446
0.1230
0.1038
0.0869
0.0721
0.0594
0.0485
0.0392
0.0314
0.0250
0.0197
0.0154
0.0119
0.0091
0.0069
0.0052
0.0039
0.0029
0.0021
0.0015
0.0011
0.0008
0.0006
0.0004
0.0003
0.0002
0.0001
0.0001
0.0001
0.4721
0.4325
0.3936
0.3557
0.3192
0.2843
0.2514
0.2206
0.1922
0.1660
0.1423
0.1210
0.1020
0.0853
0.0708
0.0582
0.0475
0.0384
0.0307
0.0244
0.0192
0.0150
0.0116
0.0089
0.0068
0.0051
0.0038
0.0028
0.0021
0.0015
0.0011
0.0008
0.0005
0.0004
0.0003
0.0002
0.0001
0.0001
0.0001
0.4681
0.4286
0.3897
0.3520
0.3156
0.2810
0.2483
0.2177
0.1894
0.1635
0.1401
0.1190
0.1003
0.0838
0.0694
0.0571
0.0465
0.0375
0.0301
0.0239
0.0188
0.0146
0.0113
0.0087
0.0066
0.0049
0.0037
0.0027
0.0020
0.0014
0.0010
0.0007
0.0005
0.0004
0.0003
0.0002
0.0001
0.0001
0.0001
0.4641
0.4247
0.3859
0.3483
0.3121
0.2776
0.2451
0.2148
0.1867
0.1611
0.1379
0.1170
0.0985
0.0823
0.0681
0.0559
0.0455
0.0367
0.0294
0.0233
0.0183
0.0143
0.0110
0.0084
0.0064
0.0048
0.0036
0.0026
0.0019
0.0014
0.0010
0.0007
0.0005
0.0003
0.0002
0.0002
0.0001
0.0001
0.0001
Tabla de
Distribucin de
Probabilidad
Normal Estndar
29
Identificar
CTQ
Especificaciones
delCliente
Modelarel
comportamientode
CTQcondistribucin
deprobabilidad
Estimar
tasade
Defectosen
Poblacin
Identificary
Contar#
Defectosen
Muestra
1.2Variacindelosprocesos
30
15
03/02/2015
1.2Variacindelosprocesos
31
LSE
LIE
Y
LIE
1.2Variacindelosprocesos
LSE
32
16
03/02/2015
En este ejemplo, la
capacidad del proceso
es de 2 veces .
Es decir, hay un valor
estandarizado de Z = 2
LIE
1.2Variacindelosprocesos
LSE
Y
33
17
MapadelaCadena deValor(VSM)
Herramienta originada en Toyota: utilizada para mostrar los
estados actual y futuro como parte del proceso de
transformacin lean.
Discutido en: Pensamiento Lean; adems desarrollado y
documentado en: Learning to See y Complete Lean
Enterprise..
0441
4-1
Qu es el mapa de la
Cadena de Valor?
Es una grfica que muestra todas las acciones
necesarias para transformar la materia prima y
la informacin hasta entregar el producto
terminado o el servicio que el cliente quiere.
CadenadeValor
Son todas las acciones, las que agregan valor y las que no agregan valor,
requeridas para transformar la informacin o la materia prima en un servicio o
producto terminados y entregarlos al cliente.
Mapa de la Cadena de Valor
0442
4-2
Cadena de Valor
Diseo
lean
Compras
lean
Ventas
lean
Manufactura Almacenes
lean
lean
Distribucin Servicio al
lean
cliente lean
Cobranza
lean
0443
4-3
Sobreproduccin
Esperas
Inventarios
Productos
defectuosos
Procesos deficientes
Movimientos
Innecesarios
Transporte
Subutilizacin
de las
personas
8
0444
4-4
los 7 desperdicios
Sobreproduccin
Consumerecursosquenosernutilizadosenelcortoplazo
Escondeproblemascomo:malacalidad,parosdemaquinaria,
programacinyentregadeficiente.
Fabricaproductosqueelclientenodesea
Ejemplos:
Produciradicionalmentealprograma
Producirpiezasequivocadas
Enlafechaequivocada
Mapa de la Cadena de Valor
los 7 desperdicios
Inventarios
Implicainversinencapitaldetrabajo
Requieremovimientoadicionalnoprogramado
Utilizaexcesodeespacio
Generaobsolescenciayproblemasdecalidad
Prdidaspordaoenelmanejo
Requiereseradministrado
Ejemplos:
trabajarconlotesgrandes
tiempodeentregalargo
Mapa de la Cadena de Valor
10
0445
4-5
los 7 desperdicios
Procesosdeficientes
Consumerecursosdemaneraequivocada
Crearetrasosenlaproduccin
Existelaoportunidaddegenerardefectos
Ejemplos:
Aprobacionesinnecesarias
Procesosfueradeespecificacionesoque
incumplenlosrequerimientosdelcliente
(procesosincapacesqueproducendefectos)
Registrosinnecesarios
Mapa de la Cadena de Valor
11
los 7 desperdicios
Productosdefectuosos
Crearycorregirdefectosconsumerecursos,loque
generainterferenciaconelflujo,porloquedebeser
eliminadoestedesperdicio.
Ejemplos:
Partesdefectuosasdelproveedor
Informacinincorrectaoincompleta
Retrabajo
12
0446
4-6
los 7 desperdicios
Transporte
Consumerecursosytiempo
Creaproblemasdeseguridad
Generainversindecapital
Puedeaumentareldaoenlosproductos
Ejemplos:
Utilizargras,polipastos,montacargas,enel
manejodematerialesquenoagreganvalor
Malaplaneacindesurtimientodemateriales
13
los 7 desperdicios
Esperas
Aumentaeltiempociclodeloperador
Consumerecursos
Aumentaelinventarioenproceso
Generaunalentarespuestaalcliente
Ejemplos:
Operacionesnobalanceadasaltiempotakt
Tiemposmuertosdebidoalafaltade
operacionesestndar
Mapa de la Cadena de Valor
14
0447
4-7
los 7 desperdicios ms
1
Subutilizacindelaspersonas
Noutilizatotalmentelashabilidades,conocimientos,
ideas,ypropuestasdelaspersonas
Desincentivalamejora
Desaprovechaelconocimientoyexperiencia
acumulados
Limitalasmejorasdelprocesopornocontarconel
compromisoconlasmismas.
Ejemplos:
Superiorleindicaasubalternoqu,cmoy
cundodebehaceruntrabajoounamejora.
15
Nivelesdemapeo
Nivel Proceso
Vamos a
comenzar aqu
Mltiples Plantas
La Compaa
Mapa de la Cadena de Valor
16
0448
4-8
Cmo empezar ?
1
Familia de Productos
Implementar
Plan
90/60/30
pronstico
Control de
produccin
MRP
CLIENTE
Pedido
diario
18,400 piezas/mes
-12,000 izquierdos
-6,400 derechos
Fax
semanal
PROVEEDOR
Programa semanal
500 lingotes
Tarima = 20 piezas
Programa
expedicin
diaria
2 turnos
Martes y jueves
Fundicin
200 T
1 x da
Maquinado
4,600 I
2,400 D
Ensamble
1,200 I
6,40 D
I
2,700 I
1,440 D
Expedicin
preparacin
I
piezas
5 das
TC=1 segundo
TCP=1 hora
TF = 85%
27,600 segundos
disponibles
CPC=2 semanas
5 das
TC=39 segundos
TCP=10 minutos
TF=100%
2 turnos
27,600 segundos
disponibles
7.6 das
1 segundo
TC=40 segundos
TCP=0 minutos
TF=100%
2 turnos
27,600 segundos
disponibles
4.5 das
1.8 das
39 segundos
40 segundos
Tiempo de
entrega = 18.9
das
Tiempo valor
agregado=80
segundos
18
0449
4-9
19
PROVEEDOR
Pedidos 2
semanas
Control de
produccin
MRP
CLIENTE
18,400 piezas/mes
-12,000 izquierdos
-6,400 derechos
Fax
semanal
Tarima=20 piezas
2 turnos
Martes y jueves
1 x da
Fundicin
200 T
Maquinado
I
136 I
73 D
lingotes
1 da
TC=1 segundo
TCP=10 min
TF = 95%
27,600 segundos
disponibles
CPC=2 semanas
1 das
29 I
16 D
TC=39 segundos
TCP=10 minutos
TF=100%
2 turnos
27,600 segundos
disponibles
1.72 das
1 segundo
Ensamble
Expedicin
71 I
38 D
Preparacin
TC=40 segundos
TCP=0 minutos
TF=100%
2 turnos
27,600 segundos
disponibles
Plazo de
entrega =
3.98das
0.9 das
0.36 das
39 segundos
Tiempo valor
agregado = 80
segundos
40 segundos
20
% va = va / tiempo de entrega *100 =.023
04410
4-10
03/02/2015
PrincipiosdelaMedicin
EntrenamientoparaGB
Esquemaconceptual
Escalasde
Medicin
Distribucionesde
Probabilidad
(Normal)
TiposdeDatos
Quesunamedicin?
Quseesperade
unamedicin?
Repetibilidady
Reproducibilidad
Datoscontinuos/
Medicionesno
destructivas
DatosDiscretos
Resolucin
Linealidady
Exactitud
Datoscontinuos/
Mediciones
destructivas
Pruebasde
LinealidadySesgo
Estabilidad
2.0PrincipiosdelaMedicin
03/02/2015
Quesunamedicin?
2.0PrincipiosdelaMedicin
Atributoocualidad
Cul es el atributo o cualidad que se
cuantifica de:
la distancia?
la masa?
la temperatura?
el tiempo?
la dureza?
la viscosidad?
la satisfaccin del Cliente?
2.0PrincipiosdelaMedicin
03/02/2015
EscalasdeMedicin
Nominal: slo se identifica si un atributo est o no presente. P.e. los colores, las
placas de los autos, un cdigo de barras, etc.
Intervalar: los intervalos en esta escala representan cantidad del atributo, pero un
valor absoluto en esta escala no representa la cantidad absoluta del atributo. Por
ejemplo, la diferencia cuantitativa del atributo entre los valores 6 y 7, es igual a la
cantidad entre 12 y 13. Sin embargo, un valor de 3, no representa la magnitud
absoluta de la caracterstica. Es decir, no se cuenta con un cero absoluto. Por ejemplo
una escala de temperatura en grados Fahrenheit o Celsius. El cero no representa la
ausencia de la cualidad temperatura.
Razn: Esta escala tiene las caractersticas ordinal e intervalar y adems cuenta con
un cero absoluto. P.e.: longitud, peso, masa, fuerza, etc.
2.0PrincipiosdelaMedicin
1.2Variacindelosprocesos
03/02/2015
TiposdeDatos
Continuos (o Variables): Datos que pueden tomar
cualquier valor en una escala continua. Entre un valor y
otro en la escala puede haber un nmero infinito de datos.
Por ejemplo: voltaje, distancia, peso, temperatura, ngulo,
tiempo, beneficios en pesos, costo, etc.
2.0PrincipiosdelaMedicin
Prctica1:clasificacinentiposdedatos
Clasificar los siguientes datos por tipo: continuo
o discreto
1. Presin atmosfrica . ______________
2. Probabilidad de lluvia . ______________
3. Nmero de personas infectadas con sida en una ciudad.. _____________
4. Porcentaje de personas infectadas con sida en una ciudad _____________
5. Distancia entre centros de distribucin y almacn del Cliente __________
6. Nmero de personas casadas en cada estado de la Nacin _____________
7. Porcentaje de partes rechazadas en inspeccin recibo... _____________
8. Temperatura de un horno de esmaltado . _____________
9. Nmero de cables de un conductor _____________
10. Rugosidad de la superficie de un cilindro . _____________
11. Nmero de partes defectuosas producidas en un mes . _____________
12. Nmero promedio de defectos por turno producidos en un mes ________
13. Claro de separacin entre electrodos medida con lainas _____________
14. Clasificacin de partes por apariencia del color ______________
15. Tiempo promedio por llamada en el Centro de llamadas _____________
2.0PrincipiosdelaMedicin
03/02/2015
TiposdeDatos
Los datos discretos puede ser que no reflejen la cantidad de una cualidad.
P.e.: la preferencia por un partido poltico: amarillo, rojo, verde o azul;
una escala pasa no pasa
Cuando los datos discretos reflejan alguna cantidad, se debe tener mucho
cuidado si se quiere transformar a datos tipo continuo: No siempre son
vlidas estas transformaciones. P.e. escala de dureza de un material
cuando se compara con la dureza de un diamante, de un acero, de un
lpiz, de una tiza, etc.
2.0PrincipiosdelaMedicin
Prctica2:escalasvstipodedatos
1.
2.
3.
4.
Nominal __________________________________
Intervalar __________________________________
Razn
__________________________________
10
03/02/2015
2.0PrincipiosdelaMedicin
11
p=tasadedefectuosas;ppm=partespormilln
p=
ppm = p * 1,000,000
Defecto:atributoquenocumpleconla
especificacindelCliente
Defectuosoodefectivo:producto,objetoo
partequetieneunoomsdefectos
2.0PrincipiosdelaMedicin
12
03/02/2015
Oportunidadesdedefectos
Ejemplo: en el mes pasado se produjeron 455,000 pernos. Cada perno tiene 4 oportunidades de defecto:
dimetro, longitud, tipo de rosca y sentido de la rosca. Se encontraron 2,356 defectos en el total de pernos
producidos. Calcular: DPO, DPMO y DPU. Con esta informacin se pudieran calcular: p y ppm?
Nmero de Oportunidades de defecto= 455,000 * 4 = 1,820,000
DPO = 2,356 / (1,820,000) = 0.001295 = 0.1295%
DPMO = (2,356*1,000,000) / (1,820,000) = 1,295
DPU = 2,356 / 455,000 = 0.005178
2.0PrincipiosdelaMedicin
13
Prctica3:medidasdecalidad
En el ltimo semestre, en una empresa se generaron 3,783 facturas.
Los crticos de calidad de cada factura son 5. Cada crtico de calidad
se considera una oportunidad de falla. Se encontraron 168 facturas
defectuosas y 287 defectos en total. Calcular las siguientes medidas
de calidad:
a. p
b. ppm
c. DPO
d. DPM
e. DPU
2.0PrincipiosdelaMedicin
14
03/02/2015
MedicindeCTQs
Se identifican los CTQs para cumplir con la voz del Cliente.
Se especifica:
2.0PrincipiosdelaMedicin
15
03/02/2015
Herramientasparaelanlisis:
Minitab
EntrenamientoparaGBTransaccional
Propsitodelcaptulo
Enestecaptulosepresentarelprograma
denominadoMinitab
Sedescribirsuestructura,sulgicayalgunasdesus
funcionesyserealizarnejerciciosparaempezara
familiarizarseconesteprograma
2.1Herramientasparaelanlisis
03/02/2015
Datos
Presentalosdatosen
unahojadetrabajo
HojaTrabajo
Presentaunresumen
simpledelosdatosen
unahojadetrabajo
Sesin
Lasecuenciadelos
comandosutilizados
Lasadvertenciasy
Losresultadosdelos
anlisisrealizados
Historia
Presentaunresumen
detalladodelas
seleccionesenlosmens
ysubmensdel
programa
Grficas
Presentalasgrficas
generadasdurantelos
anlisis.
Ventanasde
Minitab
2.1Herramientasparaelanlisis
03/02/2015
Introduccindedatos
Tiposdedatos
Datos
Manipulacindedatos
Clculoscondatos
Borraryguardardatos
2.1Herramientasparaelanlisis
MoverseaventanaSesinoDatos
AdministrarhojasdatosoGrficas
Columnas
Renglndettulo
decolumnas
ColumnaTexto
ColumnaFecha
Columnanumrica
Barradeiconosy
funcionesigualpara
todaslasventanas
Renglones
2.1Herramientasparaelanlisis
Direccindeavance
conteclaEnter
03/02/2015
IntroducirDatos
Manualmentetecleandolosdatos
Copiandolosdatosdealgunahoja
detrabajoypegando
Importando unarchivodedatosde
algunahojadetrabajo
GenerandodatosporMinitab
Conjuntodedatossimples
Conjuntodedatosarbitrarios
Aleatoriosconalgncomportamiento
probabilstico
Apilandoodesapilandodatos
Haciendoclculos
7
2.1Herramientasparaelanlisis
Prctica1:Introduccinde
datos
Unacompaaregistraelnmerodevisitasadosde
suspginasdeInternetcomounamedidadela
efectividaddepromocindesusproductosatravs
deestemedio.Laprctica1consistesolamenteen
capturarlosdatosenMinitabquesemuestranen
estamismapgina.
2.1Herramientasparaelanlisis
Pgina A Pgina B
153
154
102
96
110
85
118
124
45
93
81
113
136
94
92
48
55
164
104
130
125
71
146
75
94
116
109
47
83
107
130
92
59
70
105
111
64
116
115
138
64
61
30
86
56
110
90
111
112
137
70
113
39
146
48
116
25
145
153
84
47
117
65
131
03/02/2015
2.1Herramientasparaelanlisis
ManipulacindeDatos
Cuandosetienencapturadosdatosenla
hojadetrabajo,sepuedenmanipulary
generarnuevascolumnasdedatos:
Ordenar(Sort)
Generarcolumnadeorden(Rank)
Borrarrenglones(Delete Rows)
Borrarvariables(EraseVariables)
CopiarColumnas
Apilarcolumnas/Desapilar
Cambiareltipodedatos(Textoa
numrico,Fechaanumrico)
Partirlahojadetrabajo
Generarcdigos
2.1Herramientasparaelanlisis
10
03/02/2015
ClculodeDatos
Sepuedengenerarnuevascolumnasdedatosatravsdeclculos:
HayunaCalculadora parahacerclculosconfuncionesencolumnas,equivalentealasfuncionesdecelda
deExcel.
Clculodeestadsticosporcolumnayporrengln:suma,media,mediana,desviacinestndar,
etc.
Transformacin de datos a
desviaciones y a datos
Estandarizados.
2.1Herramientasparaelanlisis
11
Clculode
Datos
Sepuedengenerarnuevas
columnasdedatosaleatorios
apartirdedistribucionesde
probabilidad:
2.1Herramientasparaelanlisis
12
03/02/2015
ClculodeDatos
Sepuedenhacerclculosdereas
bajocurvasdedistribucionesde
probabilidad:
LecturasdeMatrices,transponer,
invertir,copiar,operacionescon
matrices.
2.1Herramientasparaelanlisis
13
Prctica2:Manipulardatos
Introduzca,atravsdelamanipulacin delos
datos:
Lafechaenqueseregistrelnmerode
visitas:empezel2deenerod2014y
termineledefebrerodel2014.
Introduzcaelnmerodedadelasemana
enqueinicielregistro:del1al7.
ApilelosdatosdelasvisitasalapginaAy
debajodeelloalapginaB.registrecada
datoaqupginacorresponde.
Nota:Observequelascolumnasnopueden
tenerelmismonombre.
2.1Herramientasparaelanlisis
14
03/02/2015
Prctica3:Hacerclculoscondatos
Realizarlossiguientesclculos:
1. (PginaA+PginaB)/2
2. MediaderenglonesPginaAyPginaB
3. MediayDesviacinestndardecolumnasPginaAyPginaB
4. Generar32datosNormalesaleatoriosdemedia=150ydesv.estd.=35
5. Generar32datosaleatoriosdeunadistribucinuniformede100a200.
6. CalcularelreabajolacurvaNormaldemayor de:
1.
2.
3.
4.
5.
0desv.estd.
1desv.estd.
2desv.estd.
3desv.estd.
4.5desv.estd.
2.1Herramientasparaelanlisis
15
2.1Herramientasparaelanlisis
16
03/02/2015
AnlisisEstadsticos
ConMinitabsepuedenhacergrancantidaddeanlisisestadsticos(Stat).En
estosmomentosnosconcentraremosenlaestadsticabsicayenlaestadstica
descriptiva.
Los resultados de cada
anlisis estadstico los
reporta:
La parte numrica, en
la ventana Sesin
(Session)
Por lo general, cada
anlisis estadstico es
acompaado de un
resultado grfico.
17
2.1Herramientasparaelanlisis
AnlisisEstadsticos
Laestadsticadescriptivabsicamuestra:
Unhistogramadelosdatos
UnapruebadeNormalidad/Anderson
Darling)
Parmetrosestadsticosdescriptivos
tantoenlagrfica,comoenlaventana
Sesin
Descriptive Statistics:Par1
VariableNN*Mean SEMeanStDev Minimum
Par1 200 432.960.0586 0.262432.38
Q1
MedianQ3
432.72433.00433.07
VariableMaximum
Par1 433.48
2.1Herramientasparaelanlisis
18
03/02/2015
Procedimientosgenerales
Crearunnuevoproyectouhojadetrabajo
Guardar(save):
Proyecto(guardatodasventanasy
grficas)
HojadeTrabajo(Guardaslodatos)
Abrirhojadetrabajo
Imprimir
CtrlTabCambiadeventana
CtrlEregresaalaltimaventanade
dilogo
OprimirF3paraborrartodaslas
seleccionesprevias.
Nota:todaslasanteriores,exceptolaltima,se
puedenrealizarconiconosdelabarrade
herramientas
19
2.1Herramientasparaelanlisis
Prctica4:AnlisisEstadsticos
SolicitaraMinitabquerealiceanlisisdeestadsticabsicaparalaslas visitasalaPgina
AyalaPginaB.IncluirgrficasenelbotnGraphs.
VentanaSesin:
N
32
32
N*
0
0
Variable
Pgina A
Pgina B
Maximum
153.00
164.00
Mean
88.28
106.28
SE Mean
6.43
5.23
StDev
36.40
29.60
Minimum
25.00
47.00
Q1
56.75
85.25
Median
91.00
111.00
Q3
114.25
128.50
Boxplot of Pgina A
160
140
Pgina A
120
100
80
60
40
20
2.1Herramientasparaelanlisis
20
10
03/02/2015
Prctica4:AnlisisEstadsticoscont.
Todaslasgrficasquepuedenacompaaralaestadsticadescriptivabsica
21
2.1Herramientasparaelanlisis
Grficas
Minitabtieneunagrancoleccindegrficas
disponibles.Lamayora,deusogeneral,bajo
eltrminoGraphsenlabarrade
herramientas.Otrasmsespecficas,
disponiblesconlosanlisisestadsticos
(Stat).
Lasgrficaspuedenadministrarse:
Traersealfrente
Colocarsevariassimultneamenteenla
mismaventana(Tile)
Borrarse
2.1Herramientasparaelanlisis
22
11
03/02/2015
Grficas
Lamayoradelasgrficastienen
cincoconceptos(botones)en
suscuadrosdedilogo
respectivos:
1. Escala(Scale)
2. OpcionesGrficas(Multiple
Graphs)
3. Etiquetas(Labels)
4. OpcionesdeDatos(Data
Options)
5. VisualizacindelosDatos(Data
View)
23
Herramientasparaelanlisis
Opcionesengrficas
Enelbotnopcin,se
caracterizalagrfica
Defineneltipodegrficaolo
quesevaagraficar
TransposicionesentreXyY
Modificacionesnumricasalas
variables(p.e.escala
logartmica)
Formadedefinirlosintervalos
enhistograma
Coloresengrfica
Evitaempalmede
observaciones(Jitter)
Etc.
2.1Herramientasparaelanlisis
24
12
03/02/2015
Opcionesengrficas
EnelbotnEscala,sedefine:
1. Losejesdelagrficaylos
smbolosdelascurvas.
2. LneasenlosejesXyY
3. Laslneasdereferencia
especficas.Porejemplo,para
unaespecificacin.
2.1Herramientasparaelanlisis
25
Especificacionesengrficas
Puedesgenerarvariasgrficas
yempalmarlas,presentarlas
separadasenlamismahojao
simplementeseparadasen
diferenteshojas.
Puedescolocarlettuloo
subttulosonotasdepiede
pginaalasgrficas.
Puedesseleccionarqudatos
graficardelamatrizdedatos.
2.1Herramientasparaelanlisis
26
13
03/02/2015
Visualizacindelosdatosengrficas
VisualizacindelosDatos(Dataview)definelaformaenquesemostrarnlosdatos:
Conunsmbolo
Unalneaqueconectalosdatos;lneasverticalesquebajandelosdatos.
Porunasombraquellenelapartebajadelalneaqueconectalosdatos,etc.
27
EdicindeaparienciadeGrficas
Haciendodobleclicsobreloselementosdelagrficaaparecenmensparaeditar
ttulos,etiquetas,insertartextos,lneasyfiguras;colorearfondos,lneas,textos,
etc.
2.1Herramientasparaelanlisis
28
14
03/02/2015
Grficasmodificadas
29
2.1Herramientasparaelanlisis
GrficadeBarras
GrficadeBarrasdelas
mediasdeFuerzaporHora
2.1Herramientasparaelanlisis
GrficadeBarrasdelasmediasdeFuerza
porHora,agrupadosporPrensautilizada
30
15
03/02/2015
Prctica5:ElaboracindeGrficas
Elaborelasgrficassiguientes:
1.
2.
3.
4.
5.
Dispersin(plot)dePginaAvsPginaB
Seriesdetiempo(Timeseriesplot)dePginaB
HistogramadeVisitas(Histogram)
CajadePginaByPginaA(BoxPlot)
Modificaloscolores,espesoresdelneas,rellenade
colores,dalestextura,colocattulos,cambialoscolores,
modificalospuntosdelasgrficasporcruces,
asteriscos,crculos,agrandaeltamaodelasletras,
colocamarcoalagrfica,etc.
2.1Herramientasparaelanlisis
31
HojadeTrabajo:Minitabvs.Excel
Altadedatosigualenambos,exceptoenlacreacindevaloresaleatoriosde
acuerdoaunadistribucindeprobabilidadyalageneracindepatronesdedatos.
EnExcellosclculosyfuncionessonaniveldecelda;enMinitabsiempreanivel
columna.
EnExcelpermanecelafrmulaenlaceldayseactualizaelclculocuando
cambiansusdatos;enMinitabnoseactualizaelclculo.
Excelnonecesariamentetieneencabezadounacolumna,enMinitabsecuenta
conunaceldaespecialparaelencabezado.
EnMinitablosdatosdebenestarcolocadosapartirdelrengln1
2.1Herramientasparaelanlisis
32
16
03/02/2015
Prctica6
Las ventas por zona del pas en promedio semanal por familia de productos se
comporta de la manera en que se muestra en el archivo Datos Ejercicios y
Prcticas 2 Trns.xls . Graficar los datos y hacer observaciones provisionales.
Realizar esta prctica de manera individual o en pareja por computadora
disponible.
2.1Herramientasparaelanlisis
33
17
03/02/2015
AnlisisdeSistemasdeMedicin
Entrenamiento para GB
AnlisisdeSistemasdeMedicin
Propsito: Proporcionar un mtodo objetivo para analizar la validez de
los sistemas de medicin.
Objetivos:
1. Identificar y comprender los componentes de la variacin de la medicin.
2. Realizar un estudio de Repetibilidad y Reproducibilidad (RyR)
Comprender la diferencia entre % de estudio y % de tolerancia
Mtodos: Corto y ANOVA
2.2AnlisisdeSistemasdeMedicin
03/02/2015
1.
2.
Contenidos:
3.
4.
5.
2.2AnlisisdeSistemasdeMedicin
Quesunamedicin?
Comparar la cantidad de una caracterstica cualitativa
contra un estndar: clasificar o cuantificar.
Ejemplos:
2.2AnlisisdeSistemasdeMedicin
03/02/2015
Preguntasfundamentalessobremedicin
Por qu necesitamos medir?
Para tomar decisiones acerca de la aceptacin de productos o de
los procesos
El producto es aceptable o no para el cliente?
El proceso necesita algn ajuste?
Se ha mejorado el proceso?
El proceso es rentable?
2.2AnlisisdeSistemasdeMedicin
03/02/2015
Exactitud
Exactitud
- La diferencia entre el promedio observado
de las mediciones y el valor real.
Promedio
Observado
Precisin
Repetibilidad
- Variacin de la medicin cuando una misma
persona usa el mismo instrumento para
medir varias veces la misma parte.
Repetibilidad
Medicionesdel
operadorB
Medicionesdel
operadorA
Reproducibilidad
- Variacin en el promedio de las
mediciones obtenidas cuando dos o ms
personas usan el mismo instrumento para
medir las mismas partes.
Reproducibilidad
7
2.2AnlisisdeSistemasdeMedicin
A=2
B=2
Parte B
1
Parte A
A = 2.25
B = 2.0
Parte B
1
2.2AnlisisdeSistemasdeMedicin
03/02/2015
2EntrenamientoPB:ASM
2EntrenamientoPB:ASM
10
03/02/2015
2.2AnlisisdeSistemasdeMedicin
11
2EntrenamientoPB:ASM
12
03/02/2015
Sistema de Medicin
Qu es?
Todo lo asociado al proceso de comparacin que nos lleva a la medicin: Las personas que
miden, la herramienta de medicin, el material, la preparacin de la medicin, el
procedimiento y el ambiente, todo esto se conoce como:
El Sistema de Medicin
El Sistema de Medicin es un proceso que siempre agrega variacin a los datos de
medicin. El objetivo es desarrollar un sistema de medicin que arroje la menor cantidad
de error de medicin.
14
03/02/2015
15
2.2AnlisisdeSistemasdeMedicin
16
03/02/2015
2. Datos Discretos
Binarios
Ms de dos categoras
17
64.5
63.4
65.8
66.6
65.1
66.9
59.9
66.6
64.4
67.7
61.2
66.4
62.8
62.4
67
67.4
66.6
64.2
64.8
66.3
2.2AnlisisdeSistemasdeMedicin
18
03/02/2015
Gente
Caractersticas
yhabilidadesdel
Personal
Recolectorde
datos
EquipoMedicin
Instrumento
demedicin
Estndares
visuales
Recolectoresdedatos
Definic.Operacionales
Procedimientosmedic.
Tcnicasmedicin
Mtodo
Materiales
Partesmedidas
Escantillones
Adaptadores
Sujeciones
Temperatura
Iluminacin
Humedad
Polvo
Variacinenla
Medicin
Medioambiente
2.2AnlisisdeSistemasdeMedicin
19
Datos Discretos
Seleccionar piezas dentro y fuera de especificacin
Seleccionar algunas muestras cercanas al lmite de especificacin (zona marginal)
2.2AnlisisdeSistemasdeMedicin
20
10
03/02/2015
Mida 10 unidades o ms
Cada unidad ser medida 2 o 3 veces por cada operador.
21
2.2AnlisisdeSistemasdeMedicin
cont
Muestra
10
10
2.2AnlisisdeSistemasdeMedicin
22
11
03/02/2015
2.2AnlisisdeSistemasdeMedicin
23
Datos Discretos
Datos Binarios
Datos Discretos
conteos
2.2AnlisisdeSistemasdeMedicin
24
12
03/02/2015
25
2EntrenamientoPB:ASM
Reprodu
cibilidad
15.5
Espesor
Operador
1
2
3
15.0
14.5
14.0
13.5
Repetibilidad
13.0
1
5
6
Parte: Tabla
10
26
13
03/02/2015
2EntrenamientoPB:ASM
27
Realizalas
siguientes
selecciones.
2EntrenamientoPB:ASM
28
14
03/02/2015
DF
9
2
18
30
59
SS
37.8822
0.0365
0.0610
0.1242
38.1039
MS
4.20913
0.01823
0.00339
0.00414
F
1242.29
5.38
0.82
P
0.000
0.015
0.667
Gage R&R
Source
Total Gage R&R
Repeatability
Reproducibility
Operador
Part-To-Part
Total Variation
VarComp
0.004578
0.003859
0.000719
0.000719
0.700879
0.705457
%Contribution
(of VarComp)
0.65
0.55
0.10
0.10
99.35
100.00
gage
repetibilidad
reproducibilidad
Process tolerance = 1
Source
Total Gage R&R
Repeatability
Reproducibility
Operador
Part-To-Part
Total Variation
StdDev (SD)
0.067659
0.062121
0.026810
0.026810
0.837185
0.839915
29
2EntrenamientoPB:ASM
Aceptable<
20%
Condi
cional
20%a
30%
Inaceptable>30%
30
15
03/02/2015
LIE
LSE
Distribucin del
error de medicin
99%
5.15
5.15
Tolerancia
5.15
5.15
En este ejemplo %GRyR respecto de la tolerancia fue 34.84 %. Por lo tanto, el sistema
de medicin no es aceptable para determinar la aceptacin o rechazo del producto 31
2EntrenamientoPB:ASM
gage
variacin total
32
16
03/02/2015
Variacindelproceso
Rangodelproceso
Intervalodeconfianzadel
95%delerrorenlamedicin
33
2.2AnlisisdeSistemasdeMedicin
1=No 2o3Categoras
acep Sloparadatos
table
Bimodales
4omscategorasdistintivases
suficienteresolucinparatomar
decisionessobreelproceso
34
17
03/02/2015
LasGrficasdelAnlisisRyR
Lmitedeaceptacin20%
1.
2.
3.
La barra en negro representa el porcentaje de la varianza de las partes respecto de la varianza total
medida.
La siguiente barra muestra el porcentaje de la desviacin estndar de las partes vs. la desv. estd medida .
La tercer barra muestra el porcentaje del ancho del proceso vs. la tolerancia.
Se observa en este ejemplo que todos los componentes son aceptables, puesto que estn abajo del 20%
2.2AnlisisdeSistemasdeMedicin
35
LasGrficasdelAnlisisRyR
Esta grfica de control muestra tres secciones con 10 puntos cada una: estas secciones representan a cada
operador, y los puntos, el promedio de las dos mediciones que hizo cada uno de los operadores de cada
parte. La grfica Xbarra muestra que la mayora de los puntos estn fuera de control. En este caso la
interpretacin es que es una buena seal, ya que la variacin entre operadores es muy pequea, y por lo
tanto, los lmites de control estn muy cercanos entre s. La mayora de los puntos en esta grfica debieran
estar fuera de control.
Debido a lo anterior, tambin los lmites de control de la grfica de rangos estn muy estrechos. Por lo que el
rango relativamente grande de las mediciones de la muestra de color nmero 8 por parte del operador 3, se
sale de control. Todos los puntos en esta grfica debieran estar bajo control.
2.2AnlisisdeSistemasdeMedicin
36
18
03/02/2015
LasGrficasdelAnlisisRyR
Esta grfica muestra en puntos negros todas las mediciones realizadas por cada uno de los
operadores y en rojo los promedios respectivos. Se observa que los tres promedios estn muy
cercanos entre s: mostrando que no hay mucha diferencia promedio entre las 20 mediciones de
los operadores. Se observa que la dispersin de los datos del operador 3 es mayor que las del
resto.
37
2.2AnlisisdeSistemasdeMedicin
LasGrficasdelAnlisisRyR
2.2AnlisisdeSistemasdeMedicin
38
19
03/02/2015
2.2AnlisisdeSistemasdeMedicin
Riesgosdetomarunadecisinequivocadaporelerrordemedicin
Variacindelas
partesdelproceso
LIE
Distribucin
delerrorde
medicin
LSE
Probabilidadde
unamala
decisin
Probabilidadde
unamala
decisin
Valorverdadero
deunaparte
conforme
Distribucin
delerrorde
medicin
Valorverdadero
deunaparteno
conforme
Tolerancia
2.2AnlisisdeSistemasdeMedicin
40
20
03/02/2015
41
2.2AnlisisdeSistemasdeMedicin
42
21
03/02/2015
gage = __________
= __________
= __________
________________
________________
43
2.2AnlisisdeSistemasdeMedicin
Equipo: _____
______________________________________________________________
______________________________________________________________
____________________________________________________________________
gage = __________
= __________
44
22
03/02/2015
2.2AnlisisdeSistemasdeMedicin
45
Pruebasdestructivas
Son aquellas que cuando se realiza la medicin,
se destruye o modifica aquella caracterstica que
se pretende medir.
Por lo anterior, no es posible hacer mediciones
subsecuentes porque ya no existe la
caracterstica en estudio o se ha modificado.
2.2AnlisisdeSistemasdeMedicin
46
23
03/02/2015
Procedimientoenpruebasdestructivas
Dado que no se puede medir la misma parte o
muestra, se deber seleccionar del proceso, grupos de
muestras (o partes) que sean muy homogneas entre
s.
Sin embargo, la diferencia entre los grupos de partes
(muestras) deber ser representativa de la
variabilidad del proceso en estudio.
Sugerencia:
Seleccionar partes que hayan sido producidas una despus
de la otra en el proceso para asegurar la estabilidad de
condiciones del proceso.
Si es un producto relativamente grande, y slo se requiere
una pequea porcin para realizar la medicin, se
selecciona una pieza y se divide en tantas partes como
mediciones se vayan a realizar.
Nota: Dado que no se medir exactamente la misma muestra, la variabilidad en las mediciones dentro de cada
grupo de la muestra estar contaminada por la variacin de las partes dentro del grupo de la muestra. Sin
embargo, esperamos que esta ltima variacin sea pequea, por la forma de seleccionar las partes.
2.2AnlisisdeSistemasdeMedicin
47
Procedimientoenpruebasdestructivas
Suponga que el CTQ para un Cliente es la dureza superficial de una lmina de acero, que se
utiliza para la fabricacin de un componente de la suspensin automotriz. Se desea
desarrollar un sistema de medicin de la dureza superficial vlido y con una repetibilidad y
reproducibilidad adecuadas. Considere 3 inspectores de calidad recibo que efectan dos
mediciones de cada muestra cada uno de ellos.
Considere que la medicin de la dureza superficial, ya sea siguiendo el protocolo Rockwell o Brinell, consiste
en deformar la superficie metlica aplicando una fuerza constante. La medicin de la dureza est en funcin
de la deformacin sobre el metal. Por lo que esta medicin es definitivamente del tipo destructivo.
_____________________________________________
____
_____________________________________________
____
_____________________________________________
____
_____________________________________________
____
2.2AnlisisdeSistemasdeMedicin
48
24
03/02/2015
AnlisisdelSistemadeMedicin
deDatosDiscretos
AnlisisdelasMedicionescondatos
tipoDiscreto
Conceptualmente se hacen los mismos anlisis de
2.2AnlisisdeSistemasdeMedicin
50
25
03/02/2015
AnlisisdelasMedicionescondatostipo
Discreto
Si hubiese una forma de medir un atributo en cuestin, que
fuese altamente confiable, por ejemplo un instrumento o un
experto o un patrn, se puede medir el grado de acuerdo
de las mediciones (juicios) de los inspectores con respecto
de dicho instrumento confiable o inspector experimentado.
El grado de acuerdo en este caso sera una estimacin de la
Exactitud de las mediciones realizadas por los
inspectores.
2.2AnlisisdeSistemasdeMedicin
51
Estimacindelgradodeacuerdo
Abrir el archivo titulado: Datos Atributo Gage R&R
EPM.xls
En este archivo se pueden hacer estimaciones de
consistencia RyR (Precisin de la medicin) y de la
Exactitud. Este archivo slo sirve para clculos de
consistencia de mediciones binarias: tipo pasa-no
pasa; bueno-malo; defecto-no defecto; etc.
Este archivo estima la consistencia de 2, 3 o 5
inspectores y el grado de acuerdo con el juicio de un
experto.
Idealmente, el grado de concordancia que se desea es
del 100% pero pudiera ser aceptable un 95%,
dependiendo del atributo a medir.
2.2AnlisisdeSistemasdeMedicin
52
26
03/02/2015
Prctica4:
36
37
38
39
40
Experto
No Aceptable
Aceptable
Aceptable
Aceptable
Aceptable
Operador 1
Juicio 1
Juicio 2
No Aceptable
No Aceptable
Aceptable
No Aceptable
No Aceptable
No Aceptable
Aceptable
Aceptable
Aceptable
Aceptable
Operador 2
Juicio 1
Juicio 2
No Aceptable
No Aceptable
No Aceptable
No Aceptable
Aceptable
No Aceptable
No Aceptable
No Aceptable
Aceptable
Aceptable
53
2.2AnlisisdeSistemasdeMedicin
Prctica4:
1. Cul es el grado de Repetibilidad de los dos enlogos novatos?
2. Cul es el grado de Reproducibilidad de los dos enlogos
novatos?
3. Cul es la exactitud en la clasificacin del enlogo novato 1?
4. Cul es la exactitud en la clasificacin del enlogo novato 2?
5. Qu conclusiones puede extraer de esta prctica?
____________________________________________________________
____________________________________________________________
2.2AnlisisdeSistemasdeMedicin
54
27
03/02/2015
Prctica4
55
2.2AnlisisdeSistemasdeMedicin
Prctica4
Within Appraisers
Assessment Agreement
Appraiser
1
2
# Inspected
40
40
# Matched
35
37
Percent
87.50
92.50
95% CI
(73.20, 95.81)
(79.61, 98.43)
Response
0
1
0
1
Kappa
0.749844
0.749844
0.845261
0.845261
SE Kappa
0.158114
0.158114
0.158114
0.158114
Z
4.74243
4.74243
5.34590
5.34590
P(vs > 0)
0.0000
0.0000
0.0000
0.0000
Estadstico Kappa:
Assessment Agreement
Appraiser
1
2
# Inspected
40
40
# Matched
28
23
Percent
70.00
57.50
95% CI
(53.47, 83.44)
(40.89, 72.96)
# Matched: Appraiser's assessment across trials agrees with the known standard.
2.2AnlisisdeSistemasdeMedicin
28
03/02/2015
Prctica4
Between Appraisers
Assessment Agreement
# Inspected
40
# Matched
21
Percent
52.50
Semejante a la
Reproducibilidad
95% CI
(36.13, 68.49)
Kappa
0.430128
0.430128
SE Kappa
0.0645497
0.0645497
Z
6.66351
6.66351
P(vs > 0)
0.0000
0.0000
# Matched
17
Las comparaciones
entre los enlogos
(reproducibilidad), son
estadsticamente
significativas.
Estimador de la Exactitud de la
medicin
95% CI
(27.04, 59.11)
Percent
42.50
Z
4.59068
4.59068
P(vs > 0)
0.0000
0.0000
57
ValidezdeDatosNoMedibles
29
03/02/2015
60
30
03/02/2015
Ejemplo:InventarioenAlmacndePT
Se realiz una auditora fsica en un almacn de
materiales de 230 registros diferentes en el
sistema SAP. Se encontr lo siguiente:
Materiales
Observados
230
Bienubicadosrespectode Materialesubicadosen
Materialesnolocalizados
loregistradoenSAP
posicinequivocada
171
74.3%
18
7.8%
41
17.8%
2.2AnlisisdeSistemasdeMedicin
61
Resumendeconceptos:
Antesderecopilardatos,verificarlaconfiabilidaddel sistemade
medicin.
Lasmuestrasdebencontenerpartesquecubranelrangocompletodelasmedidas
potenciales,incluyendopuntosfueradelrangoesperadodevalores.
Laresolucindelinstrumentodemedicindebesermenordel10%delrango
potencialdelamedicinesperadaodelatolerancia.
CalculelaRyR delamedicincomo%delestudiodevariacincuandolamedicin
vaaserutilizadaparatomardecisionesacercadelproceso.Tendremosuna
medicinconfiablesiesteporcentajeesmenora20%.
Calculeel%delerrordelamedicinrespectodelatoleranciacuandolamedicin
seusaparaaceptarorechazarpartes.Tendremosunamedicin
UnRyR deMedicinentre20y30%,esprovisionalmenteaceptable,perosies>
30%requieremejora.
confiablesiesteporcentajeesmenora20%.
2.2AnlisisdeSistemasdeMedicin
62
31
03/02/2015
ResumendeConceptos:
ElEstudioCortoesunmtodorpidoparadeterminarRyR total:esdecir,
nosepuedediferenciarlaRepetibilidaddelaReproducibilidad.Seusa
paratenerunaprimeraaproximacinalaestimacindelerrorenla
medicin.
ProcedimientolargoqueusaelANOVAesunprocedimientomsexactoy
proporcionaunaestimacindelaRepetibilidad,Reproducibilidad,RyR
TotaleInteraccinOperador*Parte.
ElAnlisisRyR deberealizarseenlasmedicionesdelaYy delasXs
potenciales.
ElNmerodeCategorasDistintivasdebenser>4paramedicionesde
procesos.
63
2.2AnlisisdeSistemasdeMedicin
Z
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2.0
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
3.0
3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8
0.01
0.02
0.03
0.5000
0.4960
0.4920
0.4880
0.4602
0.4562
0.4522
0.4483
0.4207
0.4168
0.4129
0.4090
0.3821
0.3783
0.3745
0.3707
0.3446
0.3409
0.3372
0.3336
0.3085
0.3050
0.3015
0.2981
0.2743
0.2709
0.2676
0.2643
0.2420
0.2389
0.2358
0.2327
0.2119
0.2090
0.2061
0.2033
0.1841
0.1814
0.1788
0.1762
0.1587
0.1562
0.1539
0.1515
0.1357
0.1335
0.1314
0.1292
0.1151
0.1131
0.1112
0.1093
0.0968
0.0951
0.0934
0.0918
0.0808
0.0793
0.0778
0.0764
0.0668
0.0655
0.0643
0.0630
0.0548
0.0537
0.0526
0.0516
0.0446
0.0436
0.0427
0.0418
0.0359
0.0351
0.0344
0.0336
0.0287
0.0281
0.0274
0.0268
0.0228
0.0222
0.0217
0.0212
0.0179
0.0174
0.0170
0.0166
0.0139
0.0136
0.0132
0.0129
0.0107
0.0104
0.0102
0.0099
0.0082
0.0080
0.0078
0.0075
0.0062
0.0060
0.0059
0.0057
0.0047
0.0045
0.0044
0.0043
0.0035
0.0034
0.0033
0.0032
0.0026
0.0025
0.0024
0.0023
0.0019
0.0018
0.0018
0.0017
0.0013
0.0013
0.0013
0.0012
0.0010
0.0009
0.0009
0.0009
0.0007
0.0007
0.0006
0.0006
0.0005
0.0005
0.0005
0.0004
0.0003
0.0003
0.0003
0.0003
0.0002
0.0002
0.0002
0.0002
0.0002
0.0002
0.0001
0.0001
0.0001
0.0001
0.0001
0.0001
2.2AnlisisdeSistemasdeMedicin
0.0001
0.0001
0.0001
0.0001
0.04
0.05
0.06
0.07
0.08
0.09
0.4840
0.4443
0.4052
0.3669
0.3300
0.2946
0.2611
0.2296
0.2005
0.1736
0.1492
0.1271
0.1075
0.0901
0.0749
0.0618
0.0505
0.0409
0.0329
0.0262
0.0207
0.0162
0.0125
0.0096
0.0073
0.0055
0.0041
0.0031
0.0023
0.0016
0.0012
0.0008
0.0006
0.0004
0.0003
0.0002
0.0001
0.0001
0.0001
0.4801
0.4404
0.4013
0.3632
0.3264
0.2912
0.2578
0.2266
0.1977
0.1711
0.1469
0.1251
0.1056
0.0885
0.0735
0.0606
0.0495
0.0401
0.0322
0.0256
0.0202
0.0158
0.0122
0.0094
0.0071
0.0054
0.0040
0.0030
0.0022
0.0016
0.0011
0.0008
0.0006
0.0004
0.0003
0.0002
0.0001
0.0001
0.0001
0.4761
0.4364
0.3974
0.3594
0.3228
0.2877
0.2546
0.2236
0.1949
0.1685
0.1446
0.1230
0.1038
0.0869
0.0721
0.0594
0.0485
0.0392
0.0314
0.0250
0.0197
0.0154
0.0119
0.0091
0.0069
0.0052
0.0039
0.0029
0.0021
0.0015
0.0011
0.0008
0.0006
0.0004
0.0003
0.0002
0.0001
0.0001
0.0001
0.4721
0.4325
0.3936
0.3557
0.3192
0.2843
0.2514
0.2206
0.1922
0.1660
0.1423
0.1210
0.1020
0.0853
0.0708
0.0582
0.0475
0.0384
0.0307
0.0244
0.0192
0.0150
0.0116
0.0089
0.0068
0.0051
0.0038
0.0028
0.0021
0.0015
0.0011
0.0008
0.0005
0.0004
0.0003
0.0002
0.0001
0.0001
0.0001
0.4681
0.4286
0.3897
0.3520
0.3156
0.2810
0.2483
0.2177
0.1894
0.1635
0.1401
0.1190
0.1003
0.0838
0.0694
0.0571
0.0465
0.0375
0.0301
0.0239
0.0188
0.0146
0.0113
0.0087
0.0066
0.0049
0.0037
0.0027
0.0020
0.0014
0.0010
0.0007
0.0005
0.0004
0.0003
0.0002
0.0001
0.0001
0.0001
0.4641
0.4247
0.3859
0.3483
0.3121
0.2776
0.2451
0.2148
0.1867
0.1611
0.1379
0.1170
0.0985
0.0823
0.0681
0.0559
0.0455
0.0367
0.0294
0.0233
0.0183
0.0143
0.0110
0.0084
0.0064
0.0048
0.0036
0.0026
0.0019
0.0014
0.0010
0.0007
0.0005
0.0003
0.0002
0.0002
0.0001
0.0001
0.0001
Tablade
Distribucinde
ProbabilidadNormal
Estndar
1
2
f ( z)
z
e1/2 z2
f ( x)
x 2
1
1
e2
2
64
32
03/02/2015
EntrenamientoparaGB
Muestreo
Variablesque
afectanunCTQ
Subgrupos
racionales
Lnea
Base
Caracterizacindelproceso
Indicadoresde
CortoPlazoyde
LargoPlazo
RuidosBlancoy
Negro
Capacidaddel
procesosegn
CEP
Zdesplazamiento
Capacidaddel
procesosegn
6Sigma
2.3PrincipiosdelaMedicin
Diagramade
4Bloques
2
03/02/2015
Qu es la Lnea Base?
El estado de las variables que representan
los CTQs, antes de las mejoras propuestas
por el proyecto Seis Sigma.
Es una referencia inicial para comparar las
mejoras
Se recaban datos para realizar los
primeros anlisis
Se caracteriza el proceso en funcin de las
variables que representan los CTQs.
3
2.3PrincipiosdelaMedicin
proveedores
entradas
proceso
salidas
clientes
Mediciones
de la
m
entrada
Mediciones
del
m
Proceso
Mediciones
de la m
salida
03/02/2015
proveedores
entradas
Variaciones en los
procesos de los
proveedores
Variaciones en las
entradas
P
proceso
Cambios
en el proceso
salidas
clientes
Y
5
Relacin media
Relacin dbil
Y1
Y2
Yn
03/02/2015
dbil
# de facturas no
entregadas a tiempo
media
# de Facturas con
errores
fuerte
2.3PrincipiosdelaMedicin
03/02/2015
Muestreo
Muestreo es el procedimiento para extraer una muestra de
una poblacin. Es decir, es el procedimiento de extraer una
parte que represente el todo.
En estadstica al todo se le conoce como poblacin o
universo. A la parte se le conoce como muestra.
En el propsito del muestreo subyace el principio inductivo:
Se desea estudiar una parte del todo (muestra), para hacer
inferencias (inductivas) sobre el todo (la poblacin).
Hay tcnicas de muestreo que, con cierto grado de
certidumbre, permiten seleccionar una muestra que
represente el universo o poblacin.
2.3PrincipiosdelaMedicin
Porqu Muestrear?
Porque la poblacin puede ser:
Inaccesible
Inexistente (hipottica, excluyente, futura)
Se requeriran muchos recursos para estudiar la
poblacin
2.3PrincipiosdelaMedicin
10
03/02/2015
Tipos de muestreo
Aleatorio
Utilizauncriterioaleatorio(sinsesgo)paralaseleccindelos
elementosdelamuestraapartirdelapoblacin.
Estratificado
Formacindeestratosrelativamentehomogneos.Semuestrea
aleatoriamentedentrodelosestratos.
Sistemtico
Deunlistadooenumeracindelapoblacinseseleccionacada
elementodelamuestrausandounaconstante.P.e.Cada250
partesseseleccionaunaunidadparalamuestra.
Probabilstico
Juicio
2.3PrincipiosdelaMedicin
2.3PrincipiosdelaMedicin
FasesMltiples
Seseleccionanaleatoriamenteestratosenprimernivel,en
seguidaotraseleccindesubestratos,yassucesivamentehasta
seleccionaraleatoriamenteunamuestra.
Cuotas
Sesubdivideporestratosyseselecciona,noaleatoriamenteuna
muestraproporcionalaltamaodelestratoenlapoblacin.
BolaNieve
Primerosmuestreados,sugierenalossegundosmuestreados
Decisinrazonada
Seleccindeloselementosdelamuestraenfuncindealgn
criteriorazonado,noaleatorio.
11
12
03/02/2015
Subgrupos Racionales
Las partes en cada Subgrupo Racional se seleccionan
lo ms cercanas, considerando el momento en que
fueron producidas. Esto con el objeto de que tengan
condiciones homogneas: es decir, (casi) las mismas
condiciones que determinan los CTQs (causas
especiales de variacin): las 6 Ms.
13
2.
3.
2.3PrincipiosdelaMedicin
14
03/02/2015
15
3. Planee su muestreo de tal forma que el tamao del subgrupo no sea tan grande, para
evitar que contenga causas especiales de variacin. (Sugerencia: subgrupos de 4 a 8
partes (facturas, recibos, envos, llamadas, ect.), seleccionadas en forma secuencial durante un corto
perodo de tiempo contienen slo Ruido Blanco: causas comunes dentro del subgrupo)
4. Registre tanta informacin como le sea posible acerca del muestreo: fechas, turnos,
nombres de empleados, lnea de transporte, nombre del chofer, ruta, regin, cliente,
distribuidor, etc. Esta informacin le pudiera ayudar en la fase de Anlisis.
5. Si en los subgrupos se recolectarn datos discretos, el tamao de las muestras en los
mismos deber ser tan grande que permita identificar al menos 5 defectos o
defectuosos. P.e.: Si la probabilidad de encontrar defectuosos es de p=2%. Entonces se requerir
de una muestra de n=250 partes para encontrar 5 defectuosos (np5).
03/02/2015
Subgrupos racionales
tiempo
Subgrupos racionales
tiempo
t1
ta
t2
tb
t3
tc
t4
td
t5
te
t6
tf
t7
tg
t8
03/02/2015
Subgrupos racionales
Distribucionesdentrode
subgrupos
tiempo
t1
ta
t2
tb
t3
tc
t4
td
t5
te
t6
tf
t7
tg
t8
tipos de datos
variacin
sobre el tiempo
discretos
continuos
Diagrama Pareto
Grficas de barras
Grfico de pastel
Histogramas/
diagramas de
frecuencia
Grfica de puntos
(Scatter plot)
Grficas de cajas
Grficas multi-vari
Grfica de rachas
Grfica de control
grfico-p
grfico-c
grfico-u
mediciones
individuales
Grfica de rachas
Grfica de control
mediciones
individuales
grfico x-r
20
2.3PrincipiosdelaMedicin
10
03/02/2015
AnlisisdelaLneaBase
EntrenamientoparaGB
MapaConceptual
SecuentaconlosdatosdelaLnea
Baseysehancalculado:Zcp,Zlp,
Zdesp ysehaelaboradoeldiagrama
de4bloques
DatosContinuos
DatosDiscretos
Sehacepruebade
Normalidaddelos
Datos.
Setransformanlos
datosparalograr
normalidad
Indicadoresde
CortoPlazoyde
LargoPlazo
RuidosBlancoy
Negro
Capacidaddel
procesosegn
CEP
Capacidaddel
procesosegn
6Sigma
2.4AnlisisdelaLneaBase
Z
desplazamiento
Diagramade4
Bloques
03/02/2015
AnlisisdelaLneaBase
Porqu se desea analizar la lnea base?
LosdatosdelaLneaBasesonNormales?
La primera pregunta que nos hacemos es: si
los datos de la Lnea Base se comportan como
una distribucin de probabilidad Normal:
Porqu es importante que sean Normales?
Porque si han Normalidad, podemos inferir que hay
ciertos comportamientos del proceso, que son de
nuestro inters identificar (se ver ms adelante).
Porque una gran parte de la estadstica inferencial se
basa en el comportamiento Normal.
El clculo de los valores Z implica que haya un
comportamiento Normal ( ~N)
2.4AnlisisdelaLneaBase
03/02/2015
PruebadeNormalidad
Summary for Dimtero
En el programa Minitab se
hacen las siguientes
selecciones: Stat/Basic
Statistics/ Graphical
summary.
Se despliega la siguiente
grfica
Se presenta el resultado de
una prueba de normalidad
de Anderson-Darling. La
interpretacin del valor de p
es la siguiente:
Si p< 0.05 concluimos que
los datos no son normales
Si p> 0.05 no podemos
concluir que los datos no
sean normales
En este ejemplo, la p> 0.05,
por lo que no podemos
concluir que los datos no
sean Normales.
-3
-2
-1
A -Squared
P -V alue
0.39
0.386
M ean
S tDev
V ariance
S kew ness
Kurtosis
N
0.00829
0.94111
0.88568
-0.195436
-0.094901
500
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
-2.94273
-0.62094
0.03461
0.68744
2.57035
0.09098
0.13707
0.88617
1.00336
Mean
Median
-0.10
-0.05
0.00
0.05
0.10
0.15
2.4AnlisisdelaLneaBase
QupasacuandolosdatossonNoNormales?
Summary for Tiempo
A nderson-D arling N ormality Test
En el ejemplo, el valor de
p < 0.05, por lo tanto,
concluimos que los datos no
tienen un comportamiento
de tipo Normal.
3.6
7.2
10.8
14.4
18.0
A -S quared
P -V alue <
33.76
0.005
M ean
S tDev
V ariance
S kew ness
Kurtosis
N
2.9520
2.4400
5.9536
2.00140
5.36907
500
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
1.0000
1.0000
2.0000
4.0000
18.0000
3.1664
2.0000
2.2976
2.6014
Mean
Median
2.0
2.2
2.4
2.6
2.8
3.0
3.2
03/02/2015
QuhacercuandolosdatossonNoNormales?
Son
Normales los
datos de la
Lnea Base?
SI
Continua con la
caracterizacin del
proceso
Opciones No
Paramtricas
NO
Tienen
suficien
-tes
datos?
NO
SI
Los
datos
tienen
problem
as?
Hay ruido
NO
negro que
cause no
normalidad?
NO
SI
SI
Tomar ms datos
para la Lnea Base
Trabaja para
eliminarlos
Trabaja para
eliminar el
ruido negro
Transforma los
datos para hacerlos
Normales
2.4AnlisisdelaLneaBase
2.4AnlisisdelaLneaBase
03/02/2015
Losdatostienenproblemas?
Correr la siguiente seleccin en Minitab: Stat/Basic Statistics/ Display
descriptive statistics
Algunos datos pueden estar registrados incorrectamente: revisar
mximos y mnimos, N y medias, en la ventana Sesin.
10
03/02/2015
Transformarlosdatoscontinuos
Si la no normalidad de los datos persiste,
entonces una alternativa es la transformacin de
los mismos para lograr la normalidad de los datos
transformados.
Las transformaciones ms usadas:
11
2.4AnlisisdelaLneaBase
Paratransformarlosdatoscontinuos
Minitab cuenta con una funcin para facilitar la transformacin de los datos:
Stat/Control Charts/Box Cox Transformation. Esta funcin nos arroja la siguiente
grfica.
La sugerencia es utilizar algn valor de que se encuentre dentro del intervalo
de confianza. Observe que dependiendo del valor de que se utilice para la
transformacin, ser la desviacin estndar de la Y transformada.
12
03/02/2015
Ejemplo:Transformacindedatos
Un CTQ para el Cliente de un producto es la planicidad de una superficie. La
especificacin es LSE = 5. Los datos que se muestran a continuacin corresponden a la
planicidad de la superficie de dicha pieza. Compruebe la Normalidad de los datos: si no
es normal, transfrmelos y transforme la especificacin.
Planicidad
2.50834
1.03667
9.43275
2.29262
2.46300
3.97976
3.34789
1.19505
1.84770
4.68151
0.42259
1.32914
2.22766
1.66507
8.65292
5.68595
2.69418
7.78219
2.71844
0.43154
3.73116
1.77002
0.13772
1.23037
9.64758
3.34102
2.26029
6.07401
3.95039
1.22795
2.68848
3.47215
1.29825
0.76327
1.46147
7.08828
8.97631
1.32058
4.71895
1.57770
A -S quared
P -V alue <
2.03
0.005
M ean
S tDev
V ariance
S kew ness
Kurtosis
N
3.3283
2.6487
7.0155
1.16210
0.37861
40
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
10
Como se podra
esperar, la Planicidad
no es Normal:
p< 0.05
0.1377
1.3227
2.4857
4.5061
9.6476
4.1754
3.4211
2.1697
3.4010
Mean
Median
2.0
2.5
3.0
3.5
4.0
4.5
13
2.4AnlisisdelaLneaBase
Ejemplo:Transformacindedatos
cont
Dado que los datos no son Normales, los transformamos
a travs del valor de sugerido por Box-Cox.
Box-Cox Plot of Planicidad
Lower CL
Upper CL
Lambda
Lower CL
Upper CL
StDev
Rounded Value
0.21
-0.11
0.59
0.00
5
4
3
Limit
2
-1
2.4AnlisisdelaLneaBase
1
Lambda
14
03/02/2015
Ejemplo:Transformacindedatos
cont
Hacemos una prueba de Normalidad Anderson-Darling a los datos recin
transformados y se obtiene una p = 0.640, por lo que concluimos que no
podemos rechazar que no sean Normales: Es decir, los consideraremos como
Normalmente distribuidos.
Summary for C4
A nderson-D arling Normality Test
0.8
1.0
1.2
1.4
A -S quared
P -V alue
0.28
0.640
M ean
S tDev
V ariance
S kew ness
Kurtosis
N
1.2195
0.2218
0.0492
-0.123898
-0.054553
40
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
1.6
0.6595
1.0605
1.2107
1.3713
1.6096
Ahora transformamos
el lmite Superior de
Especificacin, que
originalmente era de
5.
LSE2 = 50.21 = 1.402
1.2905
1.2947
0.1817
0.2848
Mean
Median
1.10
1.15
2.4AnlisisdelaLneaBase
1.20
1.25
1.30
15
2.4AnlisisdelaLneaBase
16
03/02/2015
17
2.4AnlisisdelaLneaBase
CortoPlazoenlaLneaBase
t1
x )
n * m 1
j m i n
scp sst
(x
j 1 i 1
ta
t2
tb
t3
tc
t4
td
t5
te
t6
2.4AnlisisdelaLneaBase
Nominal
18
03/02/2015
DistribucindeCortoPlazo
scp
Zcp
LIE
Nominal
LSE
19
2.4AnlisisdelaLneaBase
DistribucindeCortoPlazo:causascomunes
La variacin debida a causas comunes
Zcp
LIE
scp
Nominal
LSE
20
10
03/02/2015
Ejemplo:capacidaddecortoplazoinsuficiente
21
2.4AnlisisdelaLneaBase
Distribucindelargoplazo
Nominal
t1
ta
t2
tb
j m i n
(xj
j 1 i 1
x)
tc
n * m 1
t3
slp slt
t4
slp slt
x) ( x x )
m 1
n * m 1
(x
j 1
Variabilidad
entre
subgrupos
j m in
j 1 i 1
ji
Variabilidad
dentrode
subgrupos
td
t5
2
te
t6
Tiempo
22
11
03/02/2015
DistribucindeLargoPlazo
Representa la variabilidad de las causas
comunes, as como de las causas especiales.
Distribucindelargo
plazodescentrada
Desv.Estd.delargoplazo
Zdelargoplazo
slp
Zlp
LIE
Nominal
LSE
Zlp esunindicadordelacapacidaddelprocesoalargoplazo
23
Causasespecialesdevariacin
Zlp = LE-
slp
2.4AnlisisdelaLneaBase
Ppk = LE-
3slp
Zlp = 3* Ppk
24
12
03/02/2015
ControldelProceso:ZdeDesplazamiento
Definicin:
25
2.4AnlisisdelaLneaBase
Caracterizacindelalneabase
Zdesp
Mal
Cuatro Bloques
6.0
5.0
Control
4.0
Mal ControlBuena
Tecnologa
Buen ControlBuena
Tecnologa
3.0
2.0
1.5
1.0
Zcp
Buen
0
Mala
1.0
2.0
3.0
Tecnologa
4.0
4.5
5.0
6.0
Buena
LocalizarlaL.B.conunpuntoenlagrficadecuatrocuadrantes
26
13
03/02/2015
Interpretacin
Siempre es deseable tener un proceso en el cuadrante verde:
con buen control y buena tecnologa.
Los proyectos 6 Sigma son para mover los procesos de los
cuadrantes amarillos y rojo hacia el verde.
Un proceso con Zcp < 4.5 requiere ser rediseado, modificar su
tecnologa, para incrementar Zcp > 4.5
Un proceso con Zdesp > 1.5 requiere ser centrado o disminuir o
eliminar las causas de variacin especiales (atribuibles).
Zdesp
Mal 6.0
Control
5.0
4.0
Mal ControlBuena
Tecnologa
Buen ControlBuena
Tecnologa
3.0
2.0
1.5
1.0
Zcp
Buen
Mala
1.0
2.0
3.0
4.0
4.5
5.0
Tecnologa
6.0
Buena
27
2.4AnlisisdelaLneaBase
USL
W ithin
Ov erall
P rocess Data
LS L
15
Target
*
USL
22
S ample M ean
19.7733
S ample N
800
S tD ev (Within)
3.00234
S tD ev (O v erall) 3.04789
Ejemplode
lneabase:
alturadevanado
9
O bserv ed P erformance
P P M < LS L
65000.00
P P M > U S L 223750.00
P P M Total
288750.00
Exp.
PPM
PPM
PPM
12
15
Within P erformance
< LS L
55934.27
> U S L 229144.67
Total
285078.94
18
21
24
0.38
0.52
0.24
0.24
*
27
Zdesp
Mal
6.0
Control
5.0
4.0
Cul es la conclusin?
3.0
2.0
1.5
1.0
Buen
0
Mala
1.0
2.0
3.0
4.0
Tecnologa
4.5
5.0
6.0
Buena
Zcp
28
14
03/02/2015
Target
USL
Within
Overall
P rocess Data
LS L
22
Target
24.5
USL
27
S ample Mean
22.461
S ample N
305
S tD ev (Within) 1.25645
S tD ev (O v erall) 1.64051
Ejemplode
lneabase:
Densidad
18.0
O bserv ed P erformance
P PM < LS L 383606.56
P PM > U S L
0.00
P PM Total
383606.56
Zdesp
Exp.
PPM
PPM
PPM
19.5
21.0
Within P erformance
< LS L 356834.49
> U SL
151.61
Total
356986.10
22.5
24.0
25.5
0.27
0.28
2.77
0.09
0.32
27.0
Mal 6.0
Control
5.0
4.0
3.0
2.0
1.5
Cul es la conclusin?
1.0
Buen
0
Mala
1.0
2.0
3.0
4.0
4.5
5.0
Tecnologa
Zcp
6.0
Buena
29
2.4AnlisisdelaLneaBase
EjemplodeanlisisdeLneaBase
Existe una medida en una parte que el Cliente considera como CTQ. Se trata de un
claro (gap). El cliente tiene como meta nominal 9.25 mm y lmites de especificacin
de 6 y 12.5 mm. Los datos de 30 subgrupos racionales (de tamao 4) se
encuentran en el archivo Anlisis LB.MPJ . Realizar el anlisis de dicha lnea base.
Summary for Claro
6.0
7.5
9.0
10.5
12.0
A -S quared
P -V alue
0.39
0.372
M ean
S tD ev
V ariance
S kew ness
Kurtosis
N
10.588
1.602
2.566
-0.230447
-0.358034
120
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
13.5
6.060
9.567
10.675
12.010
14.110
10.877
10.982
1.422
1.835
Mean
2.4AnlisisdelaLneaBase
Median
30
10.2
10.4
10.6
10.8
11.0
15
03/02/2015
EjemplodeanlisisdeLneaBase
2 Se hace un anlisis de capacidad del proceso considerando que los datos se comportan como
Normales.
Stat / Quality Tools / Capability Analysis / Normal
Seleccionar
31
2.4AnlisisdelaLneaBase
Ejemplode
anlisisde
LneaBase
USL
Within
Ov erall
P rocess D ata
LSL
6
Target
*
USL
12.5
S ample M ean
10.5877
S ample N
120
S tDev (Within)
1.40971
S tDev (O v erall) 1.60194
6.0
O bserv ed P erformance
P P M < LS L
0.00
P P M > U S L 108333.33
P P M Total
108333.33
7.5
9.0
10.5
12.0
0.68
0.95
0.40
0.40
*
13.5
2.4AnlisisdelaLneaBase
32
16
03/02/2015
EjemplodeanlisisdeLneaBase
4 Se interpretan los resultados:
Zdesp
Mal 6.0
Control
5.0
4.0
3.0
2.0
1.5
1.0
Buen
0
Mala
1.0
2.0
3.0
4.0
Tecnologa
4.5
5.0
6.0
Buena
Zcp
2.4AnlisisdelaLneaBase
2.4AnlisisdelaLneaBase
34
17
03/02/2015
ZCompuesta(Bench)
Zlp=1.88
Zlp=1.48
LSE
0.07
0.03
Nominal
Tolerancia
0.10
2.4AnlisisdelaLneaBase
Zlpcomp=1.285
35
Prctica1:ZComparacinoBench
Para el ejercicio anterior, calcule las Z
compuesta o bench del proceso tanto para
el corto como para el largo plazos.
2.4AnlisisdelaLneaBase
36
18
03/02/2015
Prctica2:MedicinyAnlisisdeLneaBase
En equipo de 4 o 5 personas realizar una lnea base de la variable continua:
distancia de lanzamiento del proyectil. Esta distancia se medir a partir de
la base de la catapulta hasta el primer impacto del proyectil en el piso medida
en centmetros. Las especificaciones son de 120 15 cms.
1.
2.
3.
4.
5.
6.
7.
8.
9.
2.4AnlisisdelaLneaBase
37
38
19
03/02/2015
Recordemos:IndicadoresDiscretos
Defecto:atributoquenocumpleconlaespecificacindelCliente
Defectuoso:producto,objetoopartequetieneunoomsdefectos
2.4AnlisisdelaLneaBase
39
RendimientoCombinadodelProcesoYRT
La tasa de partes o productos que pasan a travs
del proceso, sin que se desechen o se retrabajen,
y que cumplen con los requerimientos del Cliente.
Una medida combinada de la calidad de todo el
proceso, no slo la tasa de productos buenos a la
salida del proceso, como es el Rendimiento YFT.
Conocida tambin como RTY (Rolled Throughput
Yield).
2.4AnlisisdelaLneaBase
40
20
03/02/2015
Efectosgeomtricosenlacalidad
Supongamossetieneel95%decalidadencadaunadelasoperacionesdeunproceso
decuatropasos:laminacin,impresin,corteyengomado.
1000
lamina
cin
950
defectuosos 50
impre
sin
48
902
corte
857
45
engo
mado
814
43
Sinosedesechanlosdefectuosos,alclientelellegaran=(0.95)4 =.95*.95*.95*.95
=0.814
81%deproductososerviciossatisfactorios
19%dedefectos
ElRendimientoCombinadodelProceso=YRT=81.4%
41
ClculodelYRT
En un proceso en serie, YRT se calcula a travs del
producto de sus rendimientos individuales de
cada paso.
2.4AnlisisdelaLneaBase
42
21
03/02/2015
EjemplosdeclculodelYRT
87%
84%
Fabricacin
98%
Acabados
Ensamble
99%
Empaque
99%
Envo
93%
Inspeccin
Recibo
Elrendimientocombinadodelprocesoes:
YRT =0.87*0.84*0.98*0.99*0.99=0.7019=70.19%
ElClientehizounainspeccinreciboal100%delosproductos
recibidosydetectqueel93%destosfueronconformesconsus
especificaciones,porloquelacalidadpercibidaporelClientees
YFT=93%.
43
2.4AnlisisdelaLneaBase
EjemplosdeclculodelYRT
C
84%
C
87%
Acabados
Fabricacin
Lavado
Soldado
98%
99.6%
95%
Troque
lado
93%
Deca
pado
99%
Hornea
do
Esmal
tado
Ensamble
97.7%
86%
99.7%
Empaque
C
99%
93%
Envo
Inspeccin
Recibo
Transpor 99.5%
tacin
Almace
naje
99.5%
ClculodeYRT desubprocesos.
YRTFab =.99*.93*.95*.997=87%
YRTAcab =.977*.86=84%
YRTEnvo=.995*.995=99%
HubiramosobtenidoelmismoresultadoparaelRendimientoCombinadode
todoelprocesosihubisemosmultiplicadotodoslossubprocesosYRT
YRT =.99*.93*.95*.996*.977*.86*.98*.997*.995*.995=70.8%
2.4AnlisisdelaLneaBase
44
22
03/02/2015
EjemplosdeclculodelYRT
Acabado:
Fabricacin
Productos:
A10%Y=0.73
B50%Y=0.92
C40%Y=0.843
87%
Esmaltado
35%de
partesY=
0.743
Ensamble
Empaque
Envo
Inspeccin
Recibo
Pintura65%
Y=0.892
84%
98%
99%
99%
2.4AnlisisdelaLneaBase
AproximacinPoissonparaelclculodeYRT
Cuando se cuenta con la tasa de defectos de un proceso (DPU), se puede utilizar
la distribucin de probabilidad Poisson para calcular de manera aproximada la YRT
Distribucin Poisson:
Se cuenta con un lote con muchas partes y hay DPU tasa de defectos, se extraen N
partes: la distribucin de probabilidad de Poisson hace referencia a la probabilidad
de extraer r defectos. Su expresin matemtica es la siguiente:
Pr(r defectos en N partes seleccionadas) = (DPU)r
e DPU
r!
En este caso N = Nmero de pasos del proceso
DPU = tasa de defectos en todo el proceso
Para calcular YRT la r debiera ser 0.
Pr(0 defectos en N pasos) = (DPU)0
e DPU
=e
DPU
YRT
0!
Ejemplo: un proceso que tiene DPU = 0.3415 tiene una YRT
2.4AnlisisdelaLneaBase
23
03/02/2015
RendimientoNormalizadodelProcesoYNA
2.4AnlisisdelaLneaBase
47
RendimientoNormalizadodelProcesoYNA
87%
84%
98%
Fabri
cacin
Acaba
dos
Ensam
ble
93.17%
93.17%
93.17%
2.4AnlisisdelaLneaBase
99%
Empa
que
93.17%
99%=YRT =70.19%
Envo
93.17%
48
24
03/02/2015
ValoresZyelYNA
Los valores Z del proceso se calculan a partir de los valores de Rendimiento
Normalizado del proceso. Es decir, de los valores de rendimiento promedio de cada
paso del proceso.
0.0683
2.4AnlisisdelaLneaBase
Z =1.49
49
Ejemplo:ClculodelRendimientoNormalizadodelProcesoYNA
Z (0.0342) = 1.82
Z (0.0835) = 1.38
2.4AnlisisdelaLneaBase
50
25
03/02/2015
Presentacingrficaparadatosdiscretos
Abrir archivo Excel Tabla Desempeo Producto.xls en la pestaa Tabla y capturar los datos
tal y como se describe en el procedimiento incluido en el archivo. Consultar la tabla
de probabilidades de la distribucin Normal Estndar y capturar los datos en la tabla
de Excel.
Consultar los valores Z calculados en la tabla y los grficos que se generan en las
pestaas adjuntas.
Desempeo del Producto o Subproceso
Partes Defectuosas
Defectos
Partes
Defectuosas
Total
OportuniOportunidades
dades
ZLP
ZCP
Compuesta
Compuesta
Caracterstica o
Subproceso
Defectos
Fabricacin
420
130
1,000
7,000
0.420
0.0600
130,000
1.5
1.126391 2.626391
Acabados
307
160
1,000
3,000
0.307
0.1023
160,000
1.5
0.994458 2.494458
Ensamble
61
20
1,000
4,000
0.061
0.0153
20,000
1.5
2.053749 3.553749
Empaque
12
10
1,000
2,000
0.012
0.0060
10,000
1.5
2.326348 3.826348
Envo
18
10
1,000
3,000
0.018
0.0060
10,000
1.5
2.326348 3.826348
Total
818
330
1,000
0.0431
330,000
1.5
Unidades
19,000
DPU
DPO
0.818
PPM
Z desp
0.44
1.94
EstatablamuestralosvaloresZcalculadosconbaseenlosPPM'sdepartesdefectuosas.Silosdatosdedefectuosas
esdelargoplazo,selesumalaZdesp paraestimarlaZdecortoplazo.
51
2.4AnlisisdelaLneaBase
Prctica3:ClculodelosRendimientosCombinadoyNormalizado
Cargar
Ordenen
Sistema
Levantar
Pedido
Recabar
firma 99%
Cliente
Tecleado
en
97.5%
Sistema
Llenado 96%
formato
Consulta 96.9%
nmeros
de
Producto
Revisin
Inventario
del Cliente
97%
Comprasde
Materiales
93%
4pasosdelproceso
decompras
2.4AnlisisdelaLneaBase
Produccin
15pasosdel
procesode
Produccin.
Productosy
Rendimientos:
A15% Y=78%
B24% Y=82%
C58% Y=85%
D3% Y=91%
Envoal
Cliente
Empaque
Etique
tado
Embalaje
Empaque
99.5%
99.5%
Transpor 99.5%
tacin
Almace
naje
98.5%
97%
Facturacin
98%
2pasosdelproceso
defacturacin
52
26
03/02/2015
Prctica4:Cartasenprocesoenserie
1.
2.
3.
Se tiene un proceso de tres pasos, representados por tres hojas tamao carta. Las hojas se colocan
en el piso en serie, una despus de la otra.
Se forma un equipo de 5 personas entre los que se selecciona a tres tiradores de cartas, un
inspector y un contador. Se les entrega un mazo de cartas.
El 1er tirador de cartas lanza 10 cartas, de una en una, hacia el primer paso del proceso (la primera
hoja). El inspector determina:
a. Cules cartas cayeron fuera de la hoja y las retira
b. Cules cayeron totalmente dentro de la hoja y las deja
c. Cules tocan la hoja y tocan el piso simultneamente y las retira. Comunica su fallo al resto del equipo.
4.
5.
6.
7.
8.
Las que estn completamente sobre la primera hoja, las recoge el 2 tirador y las lanza a la segunda
hoja. El inspector emite y comunica su fallo y el tercer tirador recoge las hojas que estn
completamente sobre la 2 hoja y las lanza hacia la 3er hoja.
El inspector emite su fallo y lo comunica al contador. El contador registra paso a paso cuntas cartas
cayeron en cada clasificacin y en cada paso del proceso.
Las cartas que caen parcialmente sobre la hoja y sobre el piso se recogen y pueden volver a lanzar
en un segundo intento (retrabajo). Esto tambin se registra.
Las cartas que caen completamente sobre el piso se desechan.
El ejercicio termina cuando se completan 20 cartas en el tercer paso del proceso o cuando se les
terminan las cartas del mazo.
Nota: El lanzamiento de las cartas se tiene que hacer siempre por encima de la cintura del tirador. Sin
modificar, deformar o aadir algo a las cartas, ni utilizar algn aditamento extra aparte de la mano
del tirador. La distancia del lanzamiento ser de 50 cms. de la hoja medidos en el piso.
1.
Cunto es el rendimiento de cada uno de los pasos?
2.
Cunto es el rendimiento combinado del proceso?
3.
Cunto es el rendimiento normalizado del proceso?
4.
Cuntos son los DPU, DPO y ppm?
2.4AnlisisdelaLneaBase
53
VISUALIZACINDELAVARIACIN
2.4AnlisisdelaLneaBase
54
27
03/02/2015
EjemplodelaVariacinqupresentanlasventasdela
empresaApicom.
Qu nos comunica la grfica?
$ ventas
miles
500,000
400,000
300,000
2010
2011
2012
ao
55
2.4AnlisisdelaLneaBase
TiposdeDatos
Recordemos la importancia del tipo de datos en la
seleccin apropiada de las herramientas de anlisis
Continuos (o Variables): Datos que pueden tomar
cualquier valor en una escala continua. Entre un valor y
otro en la escala puede haber un nmero infinito de datos.
1.2Variacindelosprocesos
56
28
03/02/2015
Variacinenunperododetiempoy
variacinsobreeltiempo
Las herramientas son poderosas en la etapa de
anlisis, pero su poder depende del buen uso que
hagamos de cada una de ellas.
Tengamos cuidado en diferenciar:
Variacin en un perodo especfico de tiempo.
Variacin sobre el tiempo
57
2.4AnlisisdelaLneaBase
HerramientasparaelanlisisdelaVariacindelosprocesos.
(dependiendodeltipodedatos,paraunperododetiempoysobreeltiempo)
Variacin por un
Periodo de Tiempo
Tipos de Datos
Continuos
Discretos
2.3Variacindelosprocesos
Histogramas
Diagrama de cajas
Diagrama Pareto
Grfico de Barras
Grfico de Pastel
Variacin
Sobre el Tiempo
Grfica de Rachas
Grfica de Control
Grfica de Rachas
Grfica de Control
58
29
03/02/2015
Variacinporunperododetiempo.Histograma
El Histograma de las ventas de la Planta La Herradura en
Septiembre del 2013 muestra:
la forma de la distribucin de las ventas, se aproxima a una
distribucin normal.
la tendencia central de las ventas, alrededor de $ 4,520,000
y la dispersin o variabilidad en las ventas, se observa grande.
Ventas de la Planta "La Herradura": Septiembre del 2013
12
10
Frequencia
8
6
4
2
0
4516
4518
4520
4522
Ventas en miles de pesos
4524
59
2.4AnlisisdelaLneaBase
Variacinsobreeltiempo
Proceso del departamento de Finanzas Tiempo requerido para
procesar las cuentas por pagar.
El Grfico de control muestra un problema: el proceso bajo estudio
presenta los dos tipos de variacin:
Variacin natural o controlada (dentro de los lmites)
Variacin atribuible o no controlada (fuera de los lmites)
Caracterstica
de calidad
LSC
LC
LIC
tiempo
2.4AnlisisdelaLneaBase
60
30
03/02/2015
Variacinsobreeltiempo.GrficadeRachas
La grfica de rachas, es sencilla de construir, sencilla de
interpretar y el resultado del anlisis, provee la respuesta a la
pregunta existe evidencia de causas especiales de variacin
(atribuibles)?.
Una racha se define como un punto solo o bien una serie de
puntos consecutivos sin puntos en el otro lado de la mediana. En
esta grfica se identifican 12 rachas, las cules aparecen
sombreadas.
U
T
I
L
I
D
A
D
E
S
Mediana
Meses del ao
61
2.4AnlisisdelaLneaBase
Pasosenlaconstruccineinterpretacin
delaGrficadeRachas
1.
2.
3.
4.
5.
U
T
I
L
I
D
A
D
E
S
Mediana
Meses del ao
62
31
03/02/2015
InterpretacingrficadeRachas
Objetivo: identificar la existencia de causas especiales de variacin,
utilizando la grfica de rachas.
Mostramos 2 criterios formales:
I.
2.4AnlisisdelaLneaBase
63
64
32
03/02/2015
II.Utilizandoelsegundocriterio,podemosconcluirqueel
procesopresentaCausasEspecialesdeVariacin,sysolos.
Nmero
De Puntos o de Datos
Usted Ve Menos
Rachas Que Esto
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
3
3
3
4
4
4
5
5
6
6
6
7
7
8
8
9
9
9
10
10
11
11
Usted Ve Ms
Rachas Que Esto
Nmero
De Puntos de Datos
8
9
10
10
11
12
12
13
13
14
15
25
16
26
17
17
18
19
19
20
20
21
22
22
Usted Ve Menos
Rachas Que Esto
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
60
70
80
90
100
110
120
8
23
23
24
25
25
26
26
26
27
27
28
29
30
30
31
31
32
37
43
48
54
59
65
70
11
11
12
13
13
13
14
14
15
16
16
17
17
17
17
18
18
19
19
24
28
33
37
43
46
51
65
2.4AnlisisdelaLneaBase
Prctica6.GrficadeRachas
Se reporta el precio de venta del
producto ms importante de la
Empresa en los ltimos 50 meses.
1. Elabore la grfica de rachas.
2. Existe evidencia de causas
especiales de variacin? Utilice el
criterio 2 para contestar la pregunta.
3. Existe evidencia de cambios
constantes de precio?
2.4AnlisisdelaLneaBase
Usted Ve Ms
Rachas Que Esto
709
682
731
704
685
696
688
690
692
716
659
666
685
681
632
720
678
735
718
701
663
695
682
688
720
692
708
723
702
691
702
711
687
729
721
725
753
716
730
724
693
723
653
634
670
698
713
690
66
33
03/02/2015
Prctica6GrficadeRachas
Utilizando el Minitab:
1.
2.
3.
4.
2.4AnlisisdelaLneaBase
Quality tools
Run chart
67
34
03/02/2015
Introduccin al Anlisis
EntrenamientoparaGBTransaccional
Definir:
Medir:
Seleccionarel
Proyecto
EscucharVoces
delCliente
(CTQ),del
Negocioydel
Proceso(CTP)
Mapearlos
Procesos
Seleccionar
Medicin(Y)
AnalizarSistema
deMedicin
Recolectardatos
AnalizarLnea
Base
Entender
variacinysus
causas
Analizar:
Analizarla
lneabase
paradefinir
lasXs
Potenciales
Identificar
lascausas(X
vitales)
Cuantificary
verificarlas
causas.
03/02/2015
Causas Comunes:
Causas
Especiales:
Observacin del
proceso
Opinin de
expertos
AMEF, Ishikawa
Grficos
descriptivos:
Multivari, CEP,
Series de
Tiempo, etc.
Leyes determinsticas
Opinin de expertos
Observacin del proceso
Grficos descriptivos
Xs Potenciales
Confirmar Causalidad
(Xs Vitales):
Experimentacin: DOE
Inferencia Estadstica:
ANOVA, Grficos
Leyes Determinsticas
3.0IntroduccinalAnlisis
Observar la realidad:
el proceso / producto
Teorizar sobre:
el proceso / producto
03/02/2015
3.0IntroduccinalAnlisis
Opinin de Expertos
Los expertos en un proceso o producto pueden
aportar opiniones valiosas acerca de posibles
causas especiales de variacin de la Y.
Diagrama de Ishikawa
Diagrama de causalidad tipo rbol
Es no Es: Identidad, Ubicacin, Temporalidad y Magnitud
AMEF
Lluvia de ideas
3.0IntroduccinalAnlisis
03/02/2015
Causas especiales
Observacin acuciosa
del Proceso o Producto
Opiniones de
Expertos
Verificar Causalidad
Verificar cules de las causas especiales
potenciales, identificadas previamente, son
efectivamente Causas de variacin de la Y.
Para determinar cules son las causas ms
importantes habra que:
Verificar causalidad (en la medida de lo posible)
Identificar cules causas son las que tienen mayor
contribucin a la variabilidad de la Y
Pruebas de hiptesis estadsticas
Diseos Experimentales
Leyes determinsticas
03/02/2015
3.0IntroduccinalAnlisis
10
03/02/2015
Verificar Causalidad
Verificar cules de las causas potenciales
comunes, identificadas previamente, son
efectivamente las Causas Vitales de variacin
de la Y.
Para determinar cules son las causas vitales (Xs
vitales) habra que:
Verificar causalidad
Diseos Experimentales
11
03/02/2015
InferenciaEstadstica
EntrenamientoparaGBTransaccional
MapaContenidos
InferenciaLgica:
Inductiva
Estrategiade
Muestreo
Muestreo
Tamao
Muestral
Tiposdeerror
Distribuciones
deProbabilidad
TeoremaLmite
Central
3.1InferenciaEstadstica
Modelos:
Probabilsticos
Muestrales
Inferencia
Estadstica
03/02/2015
MapaConceptual
Muestra 1
Muestra 3
Muestra 2
Muestra 4
Modelo
Probabilstico
Muestral
Realidad
(Poblacin)
Inferencia
3.1InferenciaEstadstica
InferenciaLgica
Inferencia: Proceso lgico o razonamiento que permite
derivar una consecuencia de una o ms premisas
Inferencia Inductiva: proceso lgico que de lo particular
arriba a conclusiones generales.
A partir de varias observaciones (muestra) se formula una
conclusin.
No se puede asegurar con certeza de que esa conclusin sea
cierta, pero la verificacin de ms casos particulares, y el
conocimiento del tema, hacen que la conclusin propuesta
sea ms creble.
3.1InferenciaEstadstica
03/02/2015
Logeneral:Poblacin
Un conjunto de elementos con caractersticas o
condiciones semejantes constituyen una poblacin:
Tipos de Poblaciones:
Finitas; Infinitas
Accesibles; Inaccesibles
Hipotticas
3.1InferenciaEstadstica
Loparticular:Muestra
Una parte de la poblacin es una muestra
Condicin necesaria para poder aplicar la
inferencia inductiva:
Lo particular represente la realidad
Muestra representativa de la poblacin
Estrategia de Muestreo
3.1InferenciaEstadstica
03/02/2015
EstrategiasdeMuestreo
paralograrrepresentatividad
Probabilstico:
Aleatorio Simple:
Cada elemento de la poblacin tiene la misma
probabilidad de ser seleccionado.
Estratificado:
Se subdivide la poblacin en estratos o categoras
(homogneas) y posteriormente se hace un muestreo
aleatorio simple dentro de cada una de las categoras.
Sistemtico:
De un listado o enumeracin de la poblacin, se
selecciona cada elemento de la muestra usando una
constante. P.e. Cada 250 partes se selecciona una
unidad para la muestra.
3.1InferenciaEstadstica
Sepuedeinferirapartirdeunamuestra?
Lo que se observa en una muestra es lo que existe en
la poblacin?
Con qu certidumbre podemos inferir a partir de una
muestra?
03/02/2015
DistribucinMuestral
x , S
1
Poblacin
x , S
2
x , S
3
x , S
x , S
N
3.1InferenciaEstadstica
TeoremadeLmiteCentral
DistribucindelaPoblacin
x
X
n=4
n=2
n=10
3.1InferenciaEstadstica
10
03/02/2015
Tamaodelamuestra
De acuerdo al TLC mientras mayor sea n, la distribucin de las
medias muestrales estar ms cerca de la Normal (,
)
Una n grande genera una x pequea, o sea, menor
variabilidad de la x, por lo tanto, mayor certidumbre en la
inferencia.
Generalmente los recursos son los que limitan tener un
tamao de muestra muy grande.
De qu depender el tamao de muestra ptimo?
De la variabilidad que se encuentre en la poblacin
De qu tanto error en la estimacin estemos dispuestos a tomar
como riesgo: del costo del muestreo.
3.1InferenciaEstadstica
11
Tamaodelamuestra
De qu depender el tamao de muestra ptimo?
De la variabilidad que se encuentre en la poblacin
De qu tanto error en la estimacin estemos dispuestos a
tomar como riesgo ().
De la resolucin que deseamos en nuestra inferencia: Es
decir, de la mnima diferencia que deseamos detectar ().
Del costo del muestreo.
De qu tan difcil es recolectar los datos
Cunto se conoce ya de la poblacin
De los parmetros poblacionales que queremos estimar.
3.1InferenciaEstadstica
12
03/02/2015
Tamaodelamuestra
/2
n=2
3.1InferenciaEstadstica
13
Ejemplo1:Muestreo
Se desea realizar una auditora para establecer el promedio de fallas
en el seguimiento de un procedimiento especfico de control interno.
Por experiencia el auditor estima una desviacin estndar del
nmero de fallas igual a 0.15. Qu tamao de muestra se requiere
para detectar diferencias de 0.02, con un nivel de confianza de
90%?
Suponemos que la poblacin es infinita:
.
.
=152.2
Conclusin:
Para lograr un nivel de confianza de 90%, de estimar el promedio
de fallas con una resolucin del 0.02 de su valor verdadero, se
necesita un tamao de muestra de 152.
3.1InferenciaEstadstica
14
03/02/2015
TamaodelaMuestra
Las frmulas ms comunes para determinar el tamao de
la muestra en variables discretas (dicotmicas):
PQ
Poblacin finita
Donde:
N es el tamao de la poblacin
n es el tamao de muestra
PQ
es el valor de la normal estndar para el nivel de confianza deseado
15
Prctica1Muestreo:
Un gran envo de filtros de aire se recibe en la compaa
Peques S.A. de C.V. Los filtros de aire deben muestrearse con
el fin de estimar la proporcin de filtros de aire que no son
utilizables. De experiencias pasadas, la proporcin de filtros
de aire no utilizables se estim en 0.10. Qu tamao de
muestra se requiere para lograr una resolucin de muestra de
2% con un porcentaje de confiabilidad de 95%?
1.
2.
p(1-p)
3.1InferenciaEstadstica
16
03/02/2015
Lineamientosgeneralesparatamaos
mnimosdemuestra
Para estimar o graficar:
La media
La desviacin estndar
La proporcin de defectuosos (p)
Un histograma o diagrama de Pareto
Un diagrama de dispersin
Una grfica de control
Tamao
mnimo de la
muestra
8 a 15
25 a 30
100 cuando np 5
70
25 pares de datos
20 subgrupos de 5
3.1InferenciaEstadstica
17
Estimacinpuntualointervalar
s es un estimador puntual de
- Z/2* ;
+Z/2 ]
Por ejemplo:
3.1InferenciaEstadstica
18
03/02/2015
Estimacinpuntualointervalar
Si no se conoce la , el intervalo de confianza del 95% se
calcular con la s y estar basado en la distribucin de
probabilidad t de Student de la . Esta nueva distribucin ser
descrita ms adelante.
[
+ t0.025* s ;
+t0.975 s ]
3.1InferenciaEstadstica
19
Ejemplo2deEstimacinPuntualeIntervalar
Se desea saber el tiempo qu se utiliza en realizar las solicitudes
de Notas de Crdito en USG.
Aleatoriamente se extrae una muestra de 15 solicitudes de Notas
de Crdito, se miden siguiendo un procedimiento estndar que
asegura su validez. Los datos que se muestran a continuacin
estn expresados en minutos. Estimar el tiempo promedio qu se
utiliza para generar las solicitudes de Notas de Crdito en USG.
Dado que es un estimador puntual de calculamos la media
aritmtica de los datos obtenidos: = 25.106
A partir de los 15 datos seleccionados aleatoriamente, nuestra
mejor estimacin puntual es que el tiempo promedio de la
poblacin () de solicitudes realizadas en USG ser de 25.106
minutos.
3.1InferenciaEstadstica
Tiempo
25.38
25.32
25.27
25.16
25.12
25.10
25.09
25.08
25.07
25.06
25.04
25.03
25.01
24.93
24.93
20
10
03/02/2015
Ejemplo2deEstimacinPuntualeIntervalar
Sin embargo, esta estimacin puntual no toma en consideracin la
variabilidad del tiempo en realizar las solicitudes de Notas de Crdito. Si
queremos hacer esta consideracin, deberemos hacer una estimacin
intervalo:
La desviacin estndar de los datos es sx= 0.130
Por lo que La desviacin estndar de las medias muestrales es:
s = 0.01303/ 15 = 0.00336
La estimacin intervalo de 95% de confianza = [ +t0.025*s ; +t0.975s ]
= [25.106 -2.145 *0.03356; 25.106+2.145 0.03356]
= [25.034; 25.178]
Conclusin:
Tenemos la confianza del 95% de encontrar la
de
21
Estimacinintervalar
OneSample T:Tiempo
Variable
Tiempo
N
15
Mean
25.1060
StDev
0.1300
SE Mean
0.0336
95% CI
(25.0340, 25.1780)
El estimador puntual de la
22
11
03/02/2015
Prctica2:Estimacionespuntualeseintervalares
Ventas/Distr
$
10,953.80
Se desea estimar el monto promedio diario de
$12,766.03
las ventas de productos USG en una ciudad.
$10,811.51
Se recaban los montos de las ventas diarias de
$11,106.85
$11,336.86
20 locales de distribucin diferentes.
$11,653.63
$10,977.23
$11,856.69
Haga estimaciones puntual e intervalar de las
$10,984.48
ventas diarias promedio por distribuidor en esa
$13,057.64
ciudad.
$12,111.42
$11,565.22
$10,773.86
$11,560.48
$12,055.63
$11,438.57
$11,373.31
$11,437.61
$11,795.48
$11,359.11
3.1InferenciaEstadstica
TOTAL $230,975.42
Hiptesis
3.1InferenciaEstadstica
24
12
03/02/2015
HiptesisEstadstica
3.1InferenciaEstadstica
25
Ejemplos:HiptesisEstadstica
La Hiptesis Nula (Ho):
expresa una igualdad,
es decir, que no hay
diferencia entre dos
situaciones. P.e.:
1. La proporcin de entregas con
error al cliente es igual a 3%.
2. La cantidad de desperdicio del
proceso (en kgs.) es igual antes
y despus de implementadas las
mejoras del proceso.
3. El nmero de errores en la
nmina quincenalmente es igual
a cero.
3.1InferenciaEstadstica
26
13
03/02/2015
Prctica3:
Escribiralmenostresparejasdehiptesis(nulayalternativa)relativasa
procesosdetucompetencia:
Hiptesis Nulas:
Hiptesis Alternativas:
1.______________________
1.______________________
_______________________
_______________________
_______________________
_______________________
_______________________
_______________________
_______________________
_______________________
2.______________________
2.______________________
_______________________
_______________________
_______________________
_______________________
_______________________
_______________________
3.______________________
3.______________________
_______________________
_______________________
_______________________
_______________________
_______________________
_______________________
3.1InferenciaEstadstica
27
Hiptesisnulayalternativa
3.1InferenciaEstadstica
28
14
03/02/2015
DecisionesenlapruebadeHiptesis
Realidad
Culpable
Culpable
Inocente
Ha verdadero
Ho Verdadero
Acierto
Rechaza Ho
Decisin
No culpable
(Inocente)
No se rechaza Ho
Error tipo II
Error tipo I
Acierto
3.1InferenciaEstadstica
29
SignificanciaEstadsticavs.Prctica
Cuando se rechaza la hiptesis nula se considera que hay
evidencia suficiente para considerar como verdadera la
hiptesis alterna.
Es decir, se concluye que hay diferencia estadsticamente
significativa entre el comportamiento de dos poblaciones o
dos situaciones o eventos diferentes respecto de una variable.
Sin embargo, la diferencia estadstica no implica que haya
una diferencia prctica entre las dos poblaciones.
En la prctica qu tanta diferencia (precisin, resolucin)
entre poblaciones es importante considerar?
El valor de debe determinarse desde el punto de vista del Cliente
3.1InferenciaEstadstica
30
15
03/02/2015
PotenciadePrueba
Distr.Medias
muestralessiHo
cierta
Distr.Medias
muestralessi
Hacierta
=5%
3.1InferenciaEstadstica
31
Ejemplo3:pruebadehiptesis
Se obtiene una muestra aleatoria de 10 partes de una poblacin, de la que se desea
saber la media aritmtica de una dimensin crtica para la calidad (CTQ). El Cliente desea
un valor nominal promedio de 42 mm para esta dimensin crtica. Se desea inferir con
los valores obtenidos en la muestra si hay evidencia suficiente para afirmar
estadsticamente si se cumple con el CTQ del Cliente. A continuacin se presentan los
datos individuales de las 10 partes.
42.79 Ho:Lapoblacindepartestieneunadimensin iguala42mm
44.96 Ha:Lapoblacindepartestieneunadimensin diferentea42mm
47.63
47.82
X=44.63
43.97
Hocierta
sx =3.24
49.18
sx =3.24/10=1.02
40.08
40.64
41.99
47.27
QutanprobableesobservarlaXobservadade44.63silaHofuesecierta?
tobservada=(44.6342)/1.02=2.567
p=0.01517suponiendoqueHofuesecierta.Culesladecisindela
estadsticainferencial?HayevidenciasuficientepararechazarlaHo?
3.1InferenciaEstadstica
tobs=2.567
p=0.01517
X
=42
Xobservada=44.63
32
16
03/02/2015
ReglasdedecisinenpruebasdeHiptesis
= 2.5%
1.96
1.96
= 2.5%
ZX
Hocierta
RechazodeHo
NorechazodeHo
1.645
= 5%
ZX
RechazodeHo
Zcrit
Zcrit
NorechazodeHo Z RechazodeHo
crit
33
Distribucint
Normal
t g.l.=5
t g.l.=3
gradosdelibertad=g.l.=n1
t
5.04.03.02.01.001.02.03.04.05.0
3.1InferenciaEstadstica
34
17
03/02/2015
Pruebadehiptesisdedospoblaciones
Se desea comparar las ventas promedio por persona en dos sucursales de
una tienda. Se muestrean las ventas a 15 personas seleccionadas
aleatoriamente en cada una de las tiendas: A y B. Se desea saber si la media
aritmtica de las ventas por persona en las tiendas A y B son diferentes.
Ho:ElpromediodelasventasporpersonaenlatiendaAesigualaladelatiendaB
Ha:ElpromediodelasventasporpersonaenlatiendaAesdiferentealasventaspromedio
porpersonadelatiendaB
A191.1192.8197.8188.0201.7179.6195.2177.0185.7195.5192.2185.0193.0188.3 193.3
B197.0184.6195.4191.8206.8200.7182.0193.4191.3191.3186.1186.5185.8181.1 204.3
IntroducimoslosdatosenMinitabyhacemosunanlisisdeestadsticabsicacongrficas
decajadeambasmuestras:
3.1InferenciaEstadstica
35
Pruebadehiptesisdedospoblaciones
=190.4
sA =6.61
sA =6.6/15=1.704
200
Data
B=191.9
sB =7.84
sB =7.84/15=2.024
205
195
190
185
180
3.1InferenciaEstadstica
36
18
03/02/2015
Pruebadehiptesisdedospoblaciones
Ho:ElpromediodelasventasporpersonaenlatiendaAesigualaladelatiendaB
Ha:ElpromediodelasventasporpersonaenlatiendaAesdiferentealasventaspromediopor
personadelatiendaB
=190.4
sA =6.621
sA =6.621/15=1.709
B=191.9
sB =7.85
sB =7.85/15=2.026
Distr.MediasmuestralesA
Distr.MediasmuestralesB
1.5
Ventasporpersona
Observamos que las dos distribuciones muestrales de las ventas por persona de las
sucursales A y B slo difieren en 1.5 y sus respectivas desviaciones estndar muestrales
son de 1.7 y 2.0. Podemos concluir, tentativa e intuitivamente, que no tendremos
informacin suficiente para declarar que las ventas por persona son diferentes entre las
dos tiendas A y B.
37
3.1InferenciaEstadstica
Pruebadehiptesisdedospoblaciones
A
B
tA-B
Con nA+nB-2 grados de libertad
Corremos la prueba estadstica de comparacin de las dos medias
con ayuda de Minitab:
N
15
15
Mean
190.41
191.87
StDev
6.62
7.85
SE Mean
1.7
2.0
3.1InferenciaEstadstica
P-Value = 0.586
DF = 27
38
19
03/02/2015
Pruebadehiptesisdedos
poblaciones
Hocierta
= 2.5%
= 2.5%
tAB
RechazodeHo
NorechazodeHo
RechazodeHo
-0.55
3.1InferenciaEstadstica
39
Tomadedecisiones
Las Hiptesis estadsticas estrictamente no deben
aceptarse, slo pueden rechazarse o no rechazarse.
Esto se puede hacer a travs de uno de los siguientes
procedimientos equivalentes:
Hocierta
= 5%
ZX
NorechazodeHo Z RechazodeHo
crit
Zobs
Zobs
40
20
03/02/2015
Tomadedecisiones
Si el valor p, de la probabilidad de encontrar
un valor mayor (o menor) al estadstico
observado es:
Hocierta
p
= 5%
ZX
NorechazodeHo
RechazodeHo
Zobs
Zobs
41
Tomadedecisiones
La Hiptesis nula por lo general = 0 o 1.
Por ejemplo:
[H0: = 75; H0: 75 = 0; H0: = 1]
Si el valor, de la H0:
a) Est contenido dentro del Intervalo de
Confianza, No se rechaza la Ho.
[I.C.
RechazodeHo
NorechazodeHo
H0
RechazodeHo
H0
42
21
03/02/2015
Nuevepasospararealizarpruebasdehiptesis
1. Selecciona una variable (continua o discreta) (o estadstico) a travs de la
que quieras hacer alguna inferencia estadstica hacia la poblacin de la
que surge dicho estadstico o variable (p.e.: x)
2. A partir del problema que se est estudiando, transfrmalo a una
expresin estadstica y formula las hiptesis nula Ho y alternativa Ha.
3. Identifica el estadstico ms apropiado, su distribucin de probabilidad y
tipo de prueba que usars.
4. Determina los niveles de riesgo que ests dispuesto a asumir en la
prueba: los errores tipos I y II: Los valores de (usualmente 5%)
5. Determina el tamao de la muestra que utilizars y la estrategia de
muestreo.
6. Realiza la prueba con ayuda de Minitab o de manera directa haciendo los
clculos manualmente.
7. Una vez hecha la prueba, determina el valor de p, a partir del valor del
estadstico calculado con los datos observados.
8. Compara el valor p con y decide si rechazas o dejas de rechazar Ho.
9. Re-interpreta el resultado estadstico en uno prctico.
43
Pruebadehiptesisdecontrastedevarianzas
44
22
03/02/2015
Pruebadehiptesisdenormalidad
3.1InferenciaEstadstica
45
Pruebadehiptesisdenormalidad
Noserechaza
laHo
3.1InferenciaEstadstica
46
23
03/02/2015
Homogeneidaddevarianzas
Bartlett
Levene
3.1InferenciaEstadstica
47
Homogeneidaddevarianzas
Noserechaza
laHo
3.1InferenciaEstadstica
48
24
03/02/2015
Ejemplo4:Pruebadehiptesis
3.1InferenciaEstadstica
49
Ejemplo4:Pruebadehiptesis
Tiempo en minutos
4.52
4.50
4.48
4.46
4.44
4.42
4.40
Telef1
3.1InferenciaEstadstica
Telef2
Telef3
Telef4
Telef5
Telef6
50
25
03/02/2015
Ejemplo4:Pruebadehiptesis
Se hace la prueba de normalidad para los tiempos de llamadas de cada uno
de los seis telefonistas. (Stat / Basic Statistics / Normality Test)
Normal
Normal
99
Mean
StDev
N
AD
P-Value
95
90
80
80
70
70
60
50
40
30
20
10
10
4.44
4.45
4.46
4.47
4.48
4.49
4.46
Telef2
4.482
0.01033
15
1.100
<0.005
60
50
40
30
20
Mean
StDev
N
AD
P-Value
95
Percent
Percent
90
99
4.467
0.009043
15
0.407
0.306
4.47
4.48
Telef3
4.49
4.50
4.51
3.1InferenciaEstadstica
51
Ejemplo4:Pruebadehiptesis
Telefonista
Telef2
Bartlett's Test
Test Statistic
P-Value
12.50
0.029
1.42
0.227
Telef3
Telef4
Telef5
Telef6
Telef1
Telef2
Telef3
Telef4
Telef5
Telef6
Desv. Estd.
0.0131196
0.0090433
0.0103293
0.0191784
0.0161077
0.0098923
3.1InferenciaEstadstica
52
26
03/02/2015
Ejemplo4:Pruebadehiptesis
H0: 42 = 62
H1: 42
62
StDev
0.019
0.010
Sigma(Telef4) / Sigma(Telef6) = 1
Sigma(Telef4) / Sigma(Telef6) not = 1
Alpha = 0.05
Variance
0.000
0.000
CI for StDev
Ratio
(1.110, 3.307)
(1.063, 3.740)
CI for
Variance
Ratio
(1.233, 10.937)
(1.131, 13.989)
Prctica2:Pruebadehiptesis
Probar las hiptesis siguientes:
H 0 : 1 2 = 2 2
H 0 : 2 2 = 4 2
3.1InferenciaEstadstica
54
27
03/02/2015
Ejemplo4:Pruebadehiptesis
_
X
Ho
One-Sample T: Telef4
Test of mu = 4.5 vs not = 4.5
Variable
N
Mean
StDev
Telef4
15 4.43467 0.01918
4.40
SE Mean
0.00495
4.42
4.44
Telef4
95% CI
(4.42405, 4.44529)
4.46
4.48
T
-13.19
4.50
P
0.000
3.1InferenciaEstadstica
55
Prctica3:Pruebadehiptesis
Probar las hiptesis siguientes:
H0 : 1 = 4.50
H0 : 3 = 4.50
3.1InferenciaEstadstica
56
28
03/02/2015
Ejemplo5:Pruebadehiptesisdedospoblaciones
3. Dado que hay normalidad y las varianzas son iguales, con la ayuda de
Minitab contrastamos H0 : 4 = 1 ; H1: 4 1
1.
3.1InferenciaEstadstica
57
Ejemplo5:Pruebadehiptesisdedospoblaciones
Las salidas de la sesin de Minitab son las siguientes:
Boxplot of Telef1, Telef4
StDev
0.0131
0.0192
4.54
SE Mean
0.0034
0.0050
4.52
4.50
4.48
Da t a
Telef1
Telef4
N
15
15
4.46
4.44
P4.42
4.40
Telef1
Telef4
58
29
03/02/2015
Prctica5:Pruebasdehiptesisdedos
poblaciones
Probar las hiptesis de igualdad de medias
poblacionales de los tiempos de llamadas de los
telefonistas 1 y 2 y 2 y 5
Formulen las hiptesis estadsticas
correspondientes.
Primeramente comprueben los requisitos
para efectuar las pruebas de hiptesis
estadsticas.
3.1InferenciaEstadstica
59
Prueba
Normalidad
Pruebade
Normal
proporciones
Pruebas
paramtricas
Varianzas
Homogeneidad
devarianzas
(Levene)
Pruebas no
paramtricas
PruebadeSignos
Wilcoxon 1muestra
MannWhitney 2
muestras
KruskalWallis2oms
muestras
De relacin
Correlacinderangos
(Spearman)
2 Pruebadeindependencia
Medias
Varianzas
PruebaF
Homogeneidad
devarianzas
(Bartlett)
Tablasde
Contingencia
Correlacin
RegresinLogstica
Pruebat
1 muestra
2 muestrasindependientes
2 muestrasrelacionadas
ANOVA
Unava(tresomsmuestras)
Dosomsvas(dosoms
categoras)
De relacin
CorrelacinPearson
RegresinSimple(Lineal)
RegresinMltiple
30
03/02/2015
PruebasParamtricas
Las pruebas estadsticas en las que se conocen las
distribuciones, pero se desconocen los parmetros de
las mismas (como y ), se conocen como Pruebas
Paramtricas.
Condiciones para que puedan ser aplicadas estas pruebas:
1. La distribucin de probabilidad de las poblaciones tiene que tener
una forma conocida (normal en muchos casos)
2. Los parmetros de escala homogneos (en algunos casos: = )
3. Los datos tienen que ser independientes y estar medidos en una
escala intervalar o de razn.
3.1InferenciaEstadstica
61
PruebasNoParamtricas
Las pruebas conocidas como No Paramtricas
contrastan distribuciones y no parmetros.
Por lo general estn libres de restricciones acerca
de la distribucin de probabilidad de las
poblaciones que se contrastan: forma y escala.
Slo se asume que los datos son independientes y
que provienen de una misma forma de
distribucin.
3.1InferenciaEstadstica
62
31
03/02/2015
PruebasNoParamtricas
Caractersticas de las pruebas No Paramtricas:
Pros:
Usualmente ms fcil de recabar los datos y en ocasiones
de hacer las mediciones
Algunas pruebas pueden usar datos en escalas ordinales
e incluso de tipo nominal
Contrastes ms sencillos
Menos restricciones de las pruebas
Contras:
Pierden informacin de los datos recabados.
Menos potentes (1-) que las pruebas paramtricas
3.1InferenciaEstadstica
63
Ejemplo6dePruebaNoParamtrica
Dado que los tiempos del telefonista 5 no son normales, probar la hiptesis
de que las medianas de los tiempos de llamadas de los telefonistas 2 y 5
son iguales
H0: 2= 5; H1: 2 5
Recurrimos a la Prueba Mann Whitney para contrastar dos medianas:
Minitab: Stat / Nonparametric / Mann Whitney
N Median
Telef2 15 4.4690
Telef5 15 4.4950
Point estimate for ETA1-ETA2 is -0.0230
95.4 Percent CI for ETA1-ETA2 is (-0.0290,-0.0170)
W = 138.0
Test of ETA1 = ETA2 vs ETA1 not = ETA2 is
significant at 0.0001
4.47
4.46
4.45
Conclusin:
Las medianas de los tiempos son diferentes en sus
Poblaciones.
Prctica: hacer prueba de hiptesis estadstica donde
contrasten las medianas de: Telefonista 1 versus 4;
Telefonista 3 versus 5
3.1InferenciaEstadstica
4.44
4.43
Telef2
Telef5
64
32
03/02/2015
Ejemplo7dePruebaNoParamtrica
Boxplot of TmpoLlmda
Z
5.87
-1.15
1.41
-5.51
2.83
-3.45
H = 73.36 DF = 5 P = 0.000
4.52
4.50
TmpoLlmda
Telefonist
Telef1
Telef2
Telef3
Telef4
Telef5
Telef6
Overall
4.54
4.48
4.46
4.44
4.42
4.40
Telef1
Telef2
Telef3
Telef4
Telefonista
Telef5
Telef6
3.1InferenciaEstadstica
65
3.1InferenciaEstadstica
66
33
03/02/2015
Pruebasdehiptesisparmetrosdeformayescala
Qu se prueba?
Prueba
Estadstica
Se compara la
distribucin de los
datos observados
en la muestra vs la
curva normal
Prueba
normalidad
Grfica
GrficadeCajas
Las varianzas de
dos o ms
poblaciones son
iguales
Homogeneidad
de varianzas
GrficadeDispersindePuntos
La relacin lineal
entre dos o ms
variables
Correlacin de
Pearson
67
Pruebasdehiptesisparamtricas:2
Qu se prueba?
Prueba
Estadstica
La desviacin
estndar de la
poblacin es
diferente de una
meta establecida
Prueba /g.l.
para una
muestra
Las desviaciones
estndar de las
dos poblaciones
consideradas son
diferentes
Prueba F para 2
muestras
Levene
(No normales)
Bartlett
(Normales)
Grfica
2/gl
68
34
03/02/2015
Pruebasdehiptesisparamtricas:medias
Qu se prueba?
La media de la
poblacin es
diferente de una
meta establecida
Prueba
Estadstica
Grfica
Histograma
Meta
Prueba t para
una muestra
Histogramas
Prueba t para 2
muestras
Histogramas
ANOVA de una
va
69
Pruebasdehiptesisderelacin
Qu se prueba?
Prueba
Estadstica
Grfica
GrficadeDispersindePuntos
La relacin lineal
entre dos o ms
variables continuas
Correlacin de
Pearson
GrficadeDispersindePuntos
Grado de
asociacin entre
dos variables
continuas
Regresin Lineal
Asociacin de dos
variables
categricas (X, Y)
en la poblacin
Prueba 2 de
independencia
70
35
03/02/2015
Pruebasdehiptesisnoparamtricas:medianas
La mediana de la
poblacin es
diferente de una
meta establecida
Prueba
Estadstica
Grfica
49
48
47
Prueba Wilcoxon
Meta
46
Partes
Qu se prueba?
45
Grfica
Cajas
44
43
42
41
40
Las medianas de
las dos poblaciones
son diferentes
Esp1
Prueba Mann
Whitney
Esp2
Grfica Cajas
2.45
2.47
2.48
2.49
2.50
Data
2.51
2.52
2.53
2.54
Grfica Cajas
2.52
Kruskal Wallis
2.50
Data
La mediana de al
menos una
poblacin es
diferente de las del
resto de las
poblaciones
2.46
2.48
2.46
2.44
Esp1
Esp2
Esp6
71
Pruebasdehiptesisdedatosdiscretos
Qu se prueba?
Prueba
Estadstica
Que las
proporciones de
dos o ms
poblaciones sean
diferentes
Prueba de
proporciones
Asociacin de dos
variables
categricas (X, Y)
en la poblacin
Prueba 2 de
independencia
Datos aleatorios
No
paramtrica
Prueba de
Corridas
Grfica
72
36
03/02/2015
%probabilidad
tStudent(unilateral)
g.l.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
90.0%
3.078
1.886
1.638
1.533
1.476
1.440
1.415
1.397
1.383
1.372
1.363
1.356
1.350
1.345
1.341
1.337
1.333
1.330
1.328
1.325
1.323
1.321
1.319
1.318
1.316
1.315
1.314
1.313
1.311
1.310
1.309
1.309
1.308
95.0%
6.314
2.920
2.353
2.132
2.015
1.943
1.895
1.860
1.833
1.812
1.796
1.782
1.771
1.761
1.753
1.746
1.740
1.734
1.729
1.725
1.721
1.717
1.714
1.711
1.708
1.706
1.703
1.701
1.699
1.697
1.696
1.694
1.692
97.5%
12.706
4.303
3.182
2.776
2.571
2.447
2.365
2.306
2.262
2.228
2.201
2.179
2.160
2.145
2.131
2.120
2.110
2.101
2.093
2.086
2.080
2.074
2.069
2.064
2.060
2.056
2.052
2.048
2.045
2.042
2.040
2.037
2.035
99.0%
31.821
6.965
4.541
3.747
3.365
3.143
2.998
2.896
2.821
2.764
2.718
2.681
2.650
2.624
2.602
2.583
2.567
2.552
2.539
2.528
2.518
2.508
2.500
2.492
2.485
2.479
2.473
2.467
2.462
2.457
2.453
2.449
2.445
3.1InferenciaEstadstica
99.5%
63.657
9.925
5.841
4.604
4.032
3.707
3.499
3.355
3.250
3.169
3.106
3.055
3.012
2.977
2.947
2.921
2.898
2.878
2.861
2.845
2.831
2.819
2.807
2.797
2.787
2.779
2.771
2.763
2.756
2.750
2.744
2.738
2.733
99.9% g.l.
318.313 34
22.327 35
10.215 36
7.173 37
5.893 38
5.208 39
4.782 40
4.499 41
4.296 42
4.143 43
4.024 44
3.929 45
3.852 46
3.787 47
3.733 48
3.686 49
3.646 50
3.610 51
3.579 52
3.552 53
3.527 54
3.505 55
3.485 56
3.467 57
3.450 58
3.435 59
3.421 60
3.408 61
3.396 62
3.385 63
3.375 64
3.365 65
3.356 66
67
90.0%
1.307
1.306
1.306
1.305
1.304
1.304
1.303
1.303
1.302
1.302
1.301
1.301
1.300
1.300
1.299
1.299
1.299
1.298
1.298
1.298
1.297
1.297
1.297
1.297
1.296
1.296
1.296
1.296
1.295
1.295
1.295
1.295
1.295
1.294
95.0%
1.691
1.690
1.688
1.687
1.686
1.685
1.684
1.683
1.682
1.681
1.680
1.679
1.679
1.678
1.677
1.677
1.676
1.675
1.675
1.674
1.674
1.673
1.673
1.672
1.672
1.671
1.671
1.670
1.670
1.669
1.669
1.669
1.668
1.668
tcrit entabla
97.5%
2.032
2.030
2.028
2.026
2.024
2.023
2.021
2.020
2.018
2.017
2.015
2.014
2.013
2.012
2.011
2.010
2.009
2.008
2.007
2.006
2.005
2.004
2.003
2.002
2.002
2.001
2.000
2.000
1.999
1.998
1.998
1.997
1.997
1.996
99.0%
2.441
2.438
2.434
2.431
2.429
2.426
2.423
2.421
2.418
2.416
2.414
2.412
2.410
2.408
2.407
2.405
2.403
2.402
2.400
2.399
2.397
2.396
2.395
2.394
2.392
2.391
2.390
2.389
2.388
2.387
2.386
2.385
2.384
2.383
99.5%
2.728
2.724
2.719
2.715
2.712
2.708
2.704
2.701
2.698
2.695
2.692
2.690
2.687
2.685
2.682
2.680
2.678
2.676
2.674
2.672
2.670
2.668
2.667
2.665
2.663
2.662
2.660
2.659
2.657
2.656
2.655
2.654
2.652
2.651
99.9%
3.348
3.340
3.333
3.326
3.319
3.313
3.307
3.301
3.296
3.291
3.286
3.281
3.277
3.273
3.269
3.265
3.261
3.258
3.255
3.251
3.248
3.245
3.242
3.239
3.237
3.234
3.232
3.229
3.227
3.225
3.223
3.220
3.218
3.216
g.l.
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
inf.
90.0%
1.294
1.294
1.294
1.294
1.293
1.293
1.293
1.293
1.293
1.293
1.292
1.292
1.292
1.292
1.292
1.292
1.292
1.292
1.291
1.291
1.291
1.291
1.291
1.291
1.291
1.291
1.291
1.291
1.290
1.290
1.290
1.290
1.290
1.282
95.0%
1.668
1.667
1.667
1.667
1.666
1.666
1.666
1.665
1.665
1.665
1.665
1.664
1.664
1.664
1.664
1.663
1.663
1.663
1.663
1.663
1.662
1.662
1.662
1.662
1.662
1.661
1.661
1.661
1.661
1.661
1.661
1.660
1.660
1.645
97.5%
1.995
1.995
1.994
1.994
1.993
1.993
1.993
1.992
1.992
1.991
1.991
1.990
1.990
1.990
1.989
1.989
1.989
1.988
1.988
1.988
1.987
1.987
1.987
1.986
1.986
1.986
1.986
1.985
1.985
1.985
1.984
1.984
1.984
1.960
99.0%
2.382
2.382
2.381
2.380
2.379
2.379
2.378
2.377
2.376
2.376
2.375
2.374
2.374
2.373
2.373
2.372
2.372
2.371
2.370
2.370
2.369
2.369
2.368
2.368
2.368
2.367
2.367
2.366
2.366
2.365
2.365
2.365
2.364
2.326
99.5%
2.650
2.649
2.648
2.647
2.646
2.645
2.644
2.643
2.642
2.641
2.640
2.640
2.639
2.638
2.637
2.636
2.636
2.635
2.634
2.634
2.633
2.632
2.632
2.631
2.630
2.630
2.629
2.629
2.628
2.627
2.627
2.626
2.626
2.576
73
99.9%
3.214
3.213
3.211
3.209
3.207
3.206
3.204
3.202
3.201
3.199
3.198
3.197
3.195
3.194
3.193
3.191
3.190
3.189
3.188
3.187
3.185
3.184
3.183
3.182
3.181
3.180
3.179
3.178
3.177
3.176
3.175
3.175
3.174
3.090
37
03/02/2015
Pruebasdehiptesiscondatos
discretos
EntrenamientoparaGBTransaccional
MapaConceptualparaDatosDiscretos
Datos No Continuos:
Discretos, de Conteo
Proporciones
Datos de conteo
Distribucin
Binomial
Aproximacin a
la Normal
Aproximacin
Poisson
Distribucin
3.2Pruebahiptesiscondatosdiscretos
Contraste
Una proporcin vs.
Constante
Dos proporciones
Ms de dos
proporciones
2
2
03/02/2015
Pruebascondatosnocontinuos
En ocasiones es de inters recabar informacin no continua,
como nmero de defectos, nmero de productos
defectuosos, nmero de facturas con al menos un defecto,
nmero de errores al capturar informacin de clientes, etc.
O se puede expresar la magnitud de una cualidad en una
escala de datos discretos.
Con estos datos se pueden formar indicadores tales como:
proporciones (o porcentajes) que tengan algn sentido para
el anlisis, o tablas donde se agrupen de manera
descriptiva los datos en forma cruda (conteo).
3.2Pruebahiptesiscondatosdiscretos
Pruebasdeproporciones
Podra ser de inters realizar pruebas estadstica
para inferir a travs de una o varias muestras:
Si la proporcin en la poblacin es igual a un valor
constante
Si se toman muestras de dos poblaciones, se desea
saber si ambas poblaciones tienen la misma proporcin
de alguna cualidad. Por ejemplo, de un defecto en
especfico.
Si se tienen ms de dos muestras, se desea saber si sus
proporciones en sus poblaciones respectivas tienen la
misma magnitud.
3.2Pruebahiptesiscondatosdiscretos
03/02/2015
Diagramaparapruebasconproporciones
Proporcin (p)
!
!
Binomial
AproximacinalaNormal
Tamaodemuestranomuypequea
Proporcinnomuygrande,nimuypequea
Np>10yN(1p)>10
. .
i (1 / 2) 22k , / 2
AproximacindePoisson
s (1 / 2) 22( k 1),1 / 2
3.2Pruebahiptesiscondatosdiscretos
Ejemplo1:contrasteunaproporcinvs.constante
Se extrae una muestra aleatoria de 15 notas de crdito. Se inspeccionan, y de acuerdo a
las polticas para la emisin de notas de crdito, una de las 15 no cumple con las
mismas. La poblacin de notas de crdito que representa la muestra tiene un
porcentaje de defectos igual a 7%?
H0: p = 0.07 ; H1: p 0.07
categoras: cumplen, no cumplen; buena o mala; pasa no pasa; blanco, rojo, etc.
Cero: SC, SC, SC, SC, SC, SC, SC, SC, SC, SC, SC, SC, SC, SC, SC Pr = (0.93)15 = 0.3367
Una: SC, SC, SC, NC, SC, SC, SC, SC, SC, SC, SC, SC, SC, SC, SC Pr = 15 0.9314 0.07 = 0.380146
Dos: SC, SC, NC, SC, SC, SC, SC, NC, SC, SC, SC, SC, SC, SC, SC Pr = 1415 0.9313 0.072 = 0.200292
!
!
03/02/2015
Ejemplo1:contrasteunaproporcinvs.constante
En Minitab:
Calc / Probability Distributions /Binomial
Para Ho: p = 0.07
#Defectos
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Probabilidad ProbAcumul.
0.336700862
0.336700862
0.380146135
0.716846997
0.200292049
0.917139046
0.065328231
0.982467277
0.014751536
0.997218813
0.002442727
0.999661541
0.000306435
0.999967976
2.9655E05
0.999997631
2.2321E06
0.999999863
1.30672E07
0.999999994
5.90134E09
1
2.01903E10
1
5.06567E12
1
8.79893E14
1
9.46121E16
1
4.74756E18
1
3.2Pruebahiptesiscondatosdiscretos
Prctica1:contrastedeunaproporcinvs.constante
donde = estimador de p
3.2Pruebahiptesiscondatosdiscretos
03/02/2015
Ejemplo2:Contrastededosproporciones
Se desea comparar las regiones Norte y Centro para determinar cul de las dos genera facturas
con menor porcentaje de no conformidades (NC). Definamos p como la proporcin de facturas con
alguna o varias NC (es decir, defectuosas).
H0: pN-pC = 0 y H1: pN-pC 0
Se generan las facturas con el mismo programa computacional y las mismas condiciones de
operacin en ambas regiones. En el Norte se observan 4 facturas defectuosas de 80 muestreadas y
en el Centro se observan 14 facturas defectuosas de 150 muestreadas.
N = 0.050 y C = 0.0933
Se recurre a Minitab para hacer la prueba estadstica correspondiente a la comparacin de 2
proporciones: Stat / Basic Statistics / 2p
Test and CI for Two-Sample Poisson Rates
Total
Rate of
Sample Occurrences N
Occurrence
1
4
80
0.0500000
2
14
150
0.0933333
Difference = rate(1) - rate(2)
Estimate for difference: -0.0433333
95% CI for difference: (-0.112551, 0.0258848)
Test for difference = 0 (vs not = 0): Z = -1.12
P-Value = 0.263
Exact Test: P-Value = 0.388
* NOTE * The normal approximation may be inaccurate for small total number of occurrences.
3.2Pruebahiptesiscondatosdiscretos
Ejemplo3:Contrastededosproporciones
Si en vez de haber sacado 80 y 150 facturas en las muestras respectivamente, hubiramos
sacado 400 y 750 facturas y las proporciones de NC observadas fuesen las mismas (0.05 y
0.09333, equivalente a 20 y 70 facturas NC) Cul hubiese sido su decisin prctica?
H0: pA-pB = 0 y H1: pA-pB 0
Mintab: Stat / Basic Statistics / 2p
Salida de Minitab:
Test and CI for Two Proportions
Sample X N Sample p
1
20 400 0.050000
2
70 750 0.093333
Difference = p (1) - p (2)
-0.07316
Estimate for difference: -0.0433333
95% CI for difference: (-0.0731596, -0.0135071)
Test for difference = 0 (vs not = 0): Z = -2.85 P-Value = 0.004
Fisher's exact test: P-Value = 0.011
Ho cierta = 0
0.01351
pA-pB
3.2Pruebahiptesiscondatosdiscretos
10
03/02/2015
Prctica2:contrastededosproporciones
Se desea saber si en las oficinas de ventas del Norte se producen
menos errores en la elaboracin de Notas de Crdito que en la oficina
del Centro. Se sacan muestras aleatorias de 400 Notas de Crdito del
Norte y 400 del Centro. Se inspeccionan para determinar si son
conformes o no. De la oficina del Norte se observaron 15 NC (No
Conformes) y de la del Centro 25 NC.
1.
2.
3.
4.
11
3.2Pruebahiptesiscondatosdiscretos
Comparacindemsdedosproporciones
Se desea saber si los distribuidores de productos, por zonas geogrficas
(Norte, Centro y Sur), hacen entregas con diferentes proporciones de
defectos. Se hacen muestreos y se registran los hallazgos en la tabla
siguiente.
Ho: pN = pC = PS ; H1: alguna proporcin diferente
Datos Observados
Zona
Defec
tuosos
NoDefec
tuosos
Total
Zona
Defec
tuosos
NoDefec
tuosos
Total
Norte
29
30
Norte
27
30
Centro
36
40
Centro
36
40
Sur
25
30
Sur
27
30
Total
10
90
100
Total
10
90
100
12
03/02/2015
Comparacindemsde2proporciones.
La suma de ese indicador de diferencias en cada celda, se le conoce como Ji
(o Chi) cuadrada y su distribucin es conocida y su forma dependiente de los
grados de libertad de la tabla de datos.
Grados de libertad = g.l. = (renglones-1)*(columnas -1)
2000
r
Fij
ij
4 g.l.
1500
Fij
i 1 j 1
Donde:
Oij = frecuencia observada en celda ij
Fij = frecuencia esperada en celda ij
10 g.l.
1000
20 g.l.
500
16
24
32
40
48
56
13
3.2Pruebahiptesiscondatosdiscretos
Ejemplo4:contrasteconmsde2proporciones.
Se desea comparar la precisin de cinco capturistas de pedidos. Se obtienen
muestras del registro de pedidos y varios jueces clasifican los pedidos como
No Conformes (NC) y S Conformes (SC). Los resultados se presentan a
continuacin:
Capturista
1
2
3
4
5
NC
20
15
9
21
18
SC
455
340
421
503
390
2
i 1 j 1
ij
Fij
Fij
3.2Pruebahiptesiscondatosdiscretos
14
03/02/2015
Ejemplo4:contrastedemsde2proporciones.
Cargamos en Minitab los datos y corremos el anlisis: Stat / Tables / 2
Chi-Square Test: NC, SC
NC
20
17.99
0.226
SC
455
457.01
0.009
15
13.44
0.181
340
341.56
0.007
9
16.28
3.257
421
413.72
0.128
430
21
19.84
0.068
503
504.16
0.003
524
18
15.45
0.421
390
392.55
0.017
408
Total
83
2109
2192
Total
475
Frec. Observada
Frec. Esperada
355 Contribucin a 2
0.045
0.040
0.035
p
0.030
0.025
0.020
101
Proporciones
0.03786
0.96214
102
103
Mquina
104
105
Valor Observado de 2
3.2Pruebahiptesiscondatosdiscretos
Chi-Sq
= 4.315, DF = 4, P-Value = 0.365
Prctica3:contrastedemsde2proporciones.
Se clasifican los defectos encontrados en el surtimiento de pedidos en cuatro
almacenes diferentes: la clasificacin se presenta en la tabla mostrada abajo.
Se desea saber si se producen defectos en proporciones diferentes en los cuatro
almacenes en estudio.
1. Plantee las hiptesis estadsticas correspondientes.
2. Decida qu distribucin de probabilidad deber usarse para someter a
prueba las hiptesis anteriores.
3. Realice la prueba de hiptesis con ayuda de Minitab y compruebe que se
cumplan las condiciones para utilizar la distribucin de probabilidad que
haya seleccionado.
4. Saque conclusiones prcticas de la prueba y argumente correctamente.
Almacn
1
2
3
4
3.2Pruebahiptesiscondatosdiscretos
Conforme
125
158
162
184
16
03/02/2015
Prctica3:contrasteconmsde2proporciones.
Solucin:
H0: p11 = p12 = p13 = p14 y p41 =
p42 = p43 = p44
H1: Al menos una p es diferente del
resto de los almacenes.
2. Graficar los datos: Graph /
Scatterplot / with connecting lines /
Multiple Graphs / Overlaid
3. Distribucin de probabilidad 2 .
4. Con ayuda de Minitab se hace el
anlisis estadstico: Stat / Tables / 2
1.
5. En la pgina siguiente se muestra la tabla para 2 que arroja Minitab. En esta se observa
que en slo 3/20 celdas se tienen frecuencias esperadas menores de 5. Es decir en el
15%, por lo que s se puede utilizar la prueba de 2.
6. El valor 2 para toda la tabla es de 19.233 con 12 grados de libertad y tiene asociado un
valor de p = 0.083. Esto nos indica que no tenemos informacin suficiente para rechazar
H0. Es decir, no se pueden detectar diferencias estadsticamente significativas entre los
cuatro almacenes.
7. No podemos afirmar que los porcentajes de defectos en el surtimiento de pedidos sea
diferente entre los cuatro almacenes estudiados.
17
3.2Pruebahiptesiscondatosdiscretos
Prctica3:contrasteconmsde2proporciones.
Chi-Square Test: DDimens, DAcabado, DResist,
DEspesor, Conforme
Expected counts are printed below observed counts
Chi-Square contributions are printed below expected counts
DDimens
5
7.58
0.879
DAcabado
10
4.51
6.690
DResist
4
3.89
0.003
DEspesor
6
5.12
0.150
Conforme
125
128.89
0.118
Total
150
9
9.20
0.004
3
5.47
1.115
4
4.72
0.111
8
6.22
0.512
158
156.39
0.017
182
15
9.81
2.751
3
5.83
1.374
5
5.04
0.000
9
6.63
0.851
162
166.70
0.133
194
8
10.41
0.559
6
6.19
0.006
6
5.35
0.080
2
7.04
3.604
184
177.01
0.276
206
Total
37
22
19
25
629
732
18
03/02/2015
Tablade
probabilidad
para2
2crit
19
10
03/02/2015
Anlisis:
PuertadelProceso
EntrenamientoparaGBTransaccional
RutaAnlisis
Identificar
y formular
causas
Anlisis
Observacin
del proceso
Cuantificar y
verificar causas
3.3PuertadeProceso
03/02/2015
ParaquobservarelProceso,ProductooServicio?
Para detectar:
La presencia de irregularidades que pudieran ser causas especiales de
variacin
Bajo qu condiciones (Causas especiales) a lo largo del tiempo, surge una
variacin anormal del proceso.
Qu?
Imposible
Esperar
tanto!
3.3PuertadeProceso
EnfoquedeAnlisisenProyectosSeisSigmaTransaccional
Puerta de datos
Situacin
Qu
Cmo
Herramientas
Puerta de proceso
Identificar y formular
causas
Cuantificar y verificar
causas
Estratificacin
Regresin-Correlacin
Anlisis Multivari
ANOVA
Diagrama de
Dispersin
Anlisis Datos
Discretos
Momentos de Verdad
Mapear Subprocesos
DOE
Accin
3.3PuertadeProceso
Buscar los problemas comunes del cmo todas las unidades son
procesadas.
03/02/2015
Puertadeproceso.Versindeunproceso
Los procesos transaccionales, al tener un fuerte ingrediente
de Actividad Humana, deben definir:
Resultado de
Especulacin
Prctica1.ElaboreelDiagramadeflujodelproceso:
SolicitarFactura.
Objetivo: hacer evidente la diferencia entre: Cmo se piensa que
es?, Cmo es realmente?, Cmo debera ser?, y Cmo podra ser?
el proceso.
Instrucciones:
1. Integre un equipo de 5 personas.
2. Elabore el diagrama de flujo del proceso de Solicitar Factura cmo
piensa el equipo que es el proceso.
3. Elabore el diagrama de flujo del proceso de Solicitar Factura, cmo
realmente es.
4. Elabore el diagrama de flujo del proceso de Solicitar Factura, de
como debera ser.
5. Reflexionemos 5 minutos en el Diagrama de como podra ser.
6. Comparta con el grupo los 3 diagramas.
7. Son diferentes?, comntelos.
8. Sobre cul Diagrama de Flujo del Proceso debemos trabajar en la
etapa de Anlisis? Porqu?
3.3PuertadeProceso
03/02/2015
Prctica1.Pasosdecomoesrealmenteelproceso:SolicitarFactura.
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
Tiempo: 20 minutos
3.3PuertadeProceso
Puertadeproceso:Trestiposdemapadel
proceso.
El tipo de mapa del proceso que se seleccione, obedece al
propsito por el que se desea analizar y los aspectos que se
pretende destacar del proceso.
1. Diagrama de Flujo del Proceso
2. Mtodo del Camino Alternativo
3. Despliegue del Diagrama de Flujo o Mapa Funcional-cruzado
03/02/2015
Puertadeproceso:Tresformasdelmapadelproceso.
Diagrama
Descripcin
Observaciones
Flujo de Proceso
Tradicional
Flujo Camino
Alternativo
Funcional Cruzado
3.3PuertadeProceso
PuertadeProceso:MapeodelProceso
Independientemente del tipo que se seleccione para mapear el
proceso, se recomienda observar los siguientes puntos en su
elaboracin:
1. Acotar las Fronteras del Proceso.
2. Involucrar a las Personas que conocen el Cmo es: no slo
las que tengan tiempo.
3. Identificar y escribir los pasos antes de construir el mapa.
10
03/02/2015
1.MapadeFlujodelProceso
Los Mapas de flujo facilitan la comprensin del proceso al
mostrar visualmente el flujo de lo que se hace.
La
lmpara
no
enciende
Encender
Lmpara
Inicio
Est
conectada?
Si
Cambiar
el foco
Encender
lmpara
Enciende
Si
No
conectar
Fin
3.3PuertadeProceso
11
2.MapadeFlujo:CaminoAlternativo
El mtodo del camino alternativo surge despus de la aplicacin de acciones de
mejora de procesos: no utiliza los smbolos de decisin por considerarlos ms
un obstculo para la representacin visual, que una ayuda, sobre todo al
mapear procesos muy grandes.
Dejar
Mensaje
Contestadora
Colgar
58%
Decidir
a quin
Llamar
30 %
15%
Marcar
27%
Decir
Hola
Conversar
Colgar
70 %
Buscar
nmero
3.3PuertadeProceso
Colgar
12
Porcentajes
03/02/2015
3.MapaFuncionalCruzado.
Esta forma de mapeo hace nfasis en quin ejecuta cada tarea, su secuencia en
el tiempo y cules son las interacciones entre los actores del procesos.
Responde
Cliente
Contrato
Admn..
Inicia
Llamada
Discute
Discute
Llega a
un
acuerdo
Llega a
un
acuerdo
Cuelga
Redacta
Contrato
Cuelga
Revisa
Contrato
Comisionado
Negociante
Escribe
Contrato
Quin
TIEMPO
13
Anlisisdelmapadeproceso
Procedimiento
1. Desconectar el
proceso
2. Momentos de verdad
3.3PuertadeProceso
Qu es?
Cualquier instante
en el que el cliente
puede emitir un
juicio positivo o
negativo, sobre el
servicio.
Cmo lo hace?
Criterio
Identifica:
Impacto al cliente
a) Brechas
Demoras
b) Redundancias
Retrabajos
c) Requerimientos no claros
Costos
d) Objetivos en conflicto
Errores potenciales
Observando al cliente.
Satisfaccin de las
necesidades del cliente.
Preguntando al cliente.
14
03/02/2015
1.Desconectarelproceso:Matriz
Las desconexiones son puntos del proceso donde el trabajo puede ser
interrumpido, demorado o generar defectos.
Causas de la
Desconexin
Impacto
cliente
Demoras
Genera
Retrabajo
Costos
Errores
potenciales
a) Brechas
b) Redundancias
c) Requerimientos
no claros
d) Objetivos en
conflicto
3.3PuertadeProceso
15
Prctica2:Desconectarelproceso.
Instrucciones
1. Integre un equipo de 5 personas.
2. Dibuje el diagrama de flujo del proceso de uno de los participantes.
3. Identifiquen:
1. Brechas
2. Redundancias
3. Requerimientos no claros
4. Objetivos en conflicto
Impacto al cliente
Demoras
Retrabajos
Costos
Errores potenciales
5. Elaboren la matriz.
6. Presenten al grupo.
TIEMPO 15 minutos
3.3PuertadeProceso
16
03/02/2015
Prctica3:MomentosdeVerdad
Instrucciones:
En el mismo equipo que integraron para la Prctica 1.
Identificar en un paso del Proceso Solicitar Factura, un
Momento de Verdad.
Identifiquen 2 expectativas del cliente para ese
momento de Verdad.
Compartir su respuesta con el grupo.
Tiempo: 5 Minutos
3.3PuertadeProceso
17
Anlisisdelmapadeproceso
Nombre mtodo
Qu es?
Cmo lo hace?
Tipificando las
actividades en que:
3. Naturaleza del
trabajo
La aplicacin del
Anlisis de valor
Se agrega valor
No se agrega valor
Criterio
Si el cliente esta
dispuesto a pagar por
la realizacin de la
actividad
Se habilita valor
3.3PuertadeProceso
Caracteriza el trabajo
en relacin al tiempo
18
03/02/2015
3.Naturalezadeltrabajo.
Recordemos: Si un paso de trabajo transforma la informacin o el servicio, la
pregunta clave que considera el Anlisis del valor en el Mtodo de la
Naturaleza del Trabajo es:
El Cliente est dispuesto a pagar por ello?
La respuesta puede ser:
S
NO
Responda NO, si los pasos analizados del proceso son considerados como
no esenciales para producir y entregar el Producto o Servicio para
satisfacer los Requerimientos del Cliente.
NAV = No Agrega Valor.
3.3PuertadeProceso
19
3.Naturalezadeltrabajo.
HV = Habilita valor.
3.3PuertadeProceso
20
10
03/02/2015
SmbolosdelDiagramadeFlujodelproceso
Los smbolos utilizados internacionalmente en el diagrama de flujo,
se presentan en la siguiente tabla.
actividad
smbolo
resultado
Operacin
Transporte
Se cambia de lugar o se
mueve un objeto
Inspeccin
Se verifica la calidad o la
cantidad del producto
Demora
Se interfiere o se retrasa el
paso siguiente
Almacenaje
Se guarda o se protege el
producto o los materiales
Actividad
combinada
3.3PuertadeProceso
21
Prctica4:FlujodetrabajoLevantar
Instrucciones:
En el mismo equipo que integraron para la Prctica 1.
1. Revisar el mapa de proceso de la siguiente hoja.
2. Obtener los tiempos acumulados.
3. Calcular el tiempo ciclo.
4. Vaciar la informacin en el formato F1
5. Colocar un asterisco en la celda que corresponde: valor agregado,
22
11
03/02/2015
Prctica4.FlujodetrabajoLevantar
Esperar
para
levantar
Almacn
de
Formas
tiempo
horas
12
10
10
20
10
10
20
tiempo
Acum.
horas
tiempo
ciclo
horas
3.3PuertadeProceso
23
Prctica4formatoF1
Pasos
10
Tiempo
12
10
10
20
10
10
20
Valor
agregado
Inspeccin
Demora
Movimiento
Habilita valor
Total
3.3PuertadeProceso
24
12
03/02/2015
Anlisis:
PuertadeDatos
EntrenamientoparaGBTransaccional
EnfoquedeAnlisisenProyectosSeisSigmaTransaccional
Puerta de datos
Situacin
Qu
Cmo
Herramientas
Puerta de proceso
Identificar y formular
causas
Cuantificar y verificar
causas
Estratificacin
Regresin-Correlacin
Anlisis Multivari
ANOVA
Diagrama de
Dispersin
Anlisis Datos
Discretos
Momentos de Verdad
Mapear Subprocesos
DOE
Accin
3.4PuertadeDatos
Buscar los problemas comunes del cmo todas las unidades son
procesadas.
03/02/2015
QueslaEstratificacin?
La estratificacin:
Es la clasificacin en categoras o estratos de los elementos de una
poblacin por su afinidad para facilitar el anlisis, y determinar
causas comunes de su comportamiento al interior de cada estrato.
Permite encontrar diferencias entre estratos que pueden ser
indicativos de causas especiales.
Facilita establecer prioridades para profundizar en el anlisis.
Permite identificar las causas con mayor contribucin a la
variabilidad, por lo que contribuye a enfocar los esfuerzos de
mejora sobre los factores que tienen el mayor impacto sobre el
problema.
3.4PuertadeDatos
FactoresComunesusadosparalaEstratificacin
Factor
Ejemplos
Qu
Defectos, Devoluciones,
Quejas
Cundo
Dnde
Quin
Proveedor, cliente
Magnitud
3.4PuertadeDatos
3.4PuertadeDatos
03/02/2015
Prctica1:Estratificar
Instrucciones
1. Integre un equipo de 5 personas.
2. Leer el siguiente caso:
La Compaa Herradura est preocupada por la gran cantidad de
devoluciones debido a que algunas cajas con 6 espacios, en ocasiones
llegan con menos producto. Se analizaron todas las devoluciones de
acuerdo a los requerimientos de los clientes, para estar seguros si las
entregas estaban dentro de lo especificado. Los resultados del anlisis
fueron documentados. En un Perodo de Tiempo determinado se
registraron las correcciones debidas a errores en las entregas originales.
Los datos mostraron que el nmero de correcciones fueron
incrementndose, pero no mostraron en dnde estaba el problema.
3. Recomendar los factores que a su juicio deben utilizarse para estratificar
los datos.
Tiempo 15 minutos
5
3.4PuertadeDatos
FactoresparalaEstratificacin
3.4PuertadeDatos
03/02/2015
Prctica2:FactoresparalaEstratificacin
Instrucciones
1.
2.
3.
4.
3.4PuertadeDatos
TabladelosTiemposparaHacerPedidosenempresaPrincess.
1
producto
en
existencia
si
tarde
baja
telfono
no
maana
baja
telfono
no
tarde
alta
si
maana
baja
telfono
si
tarde
alta
telfono
no
tarde
alta
telfono
no
maana
baja
telfono
si
tarde
alta
si
maana
baja
telfono
10
nmero de
pedido
Regin
No. de pedidos
Horario
Estadstica
de compra
Medio
Catlogo
tiempo en das
s
s
s
s
s
s
s
s
s
s
s
n
n
n
n
n
n
n
n
n
n
n
n
24
16
42
34
24
30
14
44
22
48
14
20
18
20
36
42
16
28
34
16
16
22
14
si
11
no
maana
alta
telfono
12
si
maana
alta
telfono
13
si
maana
alta
telfono
14
no
maana
alta
telfono
15
si
tarde
alta
16
no
tarde
baja
baja
17
tarde
alta
no
maana
18
no
maana
alta
telfono
19
no
tarde
alta
telfono
telfono
20
si
maana
baja
telfono
21
si
maana
alta
telfono
22
no
maana
baja
telfono
23
si
maana
alta
telfono
3.4PuertadeDatos
Continua
03/02/2015
ContinuaTabladeTiemposparaHacerPedidosenempresaPrincess
24
si
maana
alta
25
si
maana
baja
telfono
26
no
maana
alta
telfono
telfono
27
no
maana
alta
telfono
28
no
maana
baja
telfono
29
si
tarde
baja
30
no
maana
alta
telfono
31
no
maana
alta
telfono
32
no
maana
baja
telfono
33
no
maana
baja
telfono
34
si
maana
baja
telfono
35
no
maana
baja
36
no
tarde
baja
telfono
37
si
maana
baja
telfono
38
si
maana
baja
39
si
tarde
baja
40
si
maana
baja
telfono
41
si
maana
alta
telfono
42
si
tarde
alta
43
si
maana
alta
telfono
44
no
maana
baja
telfono
telfono
s
s
s
s
s
s
s
s
s
s
s
n
n
n
n
n
n
n
n
n
n
n
n
n
n
n
n
telfono
45
si
maana
alta
46
no
tarde
alta
47
no
maana
baja
telfono
48
no
maana
baja
49
no
maana
baja
50
no
maana
alta
telfono
telfono
18
12
14
16
10
32
10
18
16
26
22
12
28
22
28
36
20
26
38
28
24
24
26
16
16
22
32
3.4PuertadeDatos
Grficadelafrecuencia
Frecuencia
15
13
11
1
9
3.4PuertadeDatos
11
13 15
17
19
21
23
25
27
29
31
33
35
37
39
41
43
45 47 49
03/02/2015
Puertadedatos:QueslaGrficaMultiVari?
O
O
O
+
3.4PuertadeDatos
O
+
O
+
O
+
O
+
O
+
O
O
+
O
O
+
O
+
+
O
O
+
E
Mejor tiempo
hacer pedido
Tiempo Medio
para hacer pedido
O
+
O
+
O
Mes
CmoseconstruyelaGrficaMultiVari?
1. Se coloca la caracterstica de calidad tiempo,
en el eje de las y, con su escala.
2. El factor considerado importante en el anlisis se
coloca en el eje de las x; meses del ao.
3. El tiempo promedio de los datos disponibles, se
utiliza el smbolo .
4. Para representar los niveles de otro factor se
+
utilizan smbolos diferentes O y O.
5. Se unen los promedios con lneas.
3.4PuertadeDatos
12
03/02/2015
InterpretacindelaGrficaMultiVari
Hay que considerar las buenas prcticas de enero para lograr reducir la
variacin y las buenas prcticas de septiembre y diciembre de mantener
tiempos de hacer pedidos bajos, an en el peor de los tiempos.
3.4PuertadeDatos
13
Ejemplo1:GrficaMultivariconMinitab
Paso 1. Abrir el archivo en excel Princessmulti
Paso 2. seleccionar: Stat/Quality Tools/ Multi-Vari Chart
Paso 3. Alimentar la informacin cmo se indica abajo. Dar ok
3.4PuertadeDatos
14
03/02/2015
Ejemplo1:GrficaMultiVarideTiempoparahacerPedidos
Paso 4. Interpretar la Grfica que se muestra.
3.4PuertadeDatos
15
CmoconstruyeMinitablaGrficaMultiVari?
1.
2.
3.
4.
3.4PuertadeDatos
16
03/02/2015
InterpretacindelaGrficaMultiVari
Nuestro inters est en representar el rango de variacin de la
variable de calidad, con relacin a varios factores de manera
simultnea.
1. En la grfica anterior se consideraron los factores:
a.
b.
Medio utilizado y
Regin
17
Prctica3:GrficaMultivarideltiempoparahacerPedidos
Ahora es tu turno! Sigue las
Instrucciones:
18
03/02/2015
Ejemplo2:Grficadeefectosprincipales
Para los mismos datos del archivo en Excel Datos Anlisis Trnsc
pestaa: Princess 3.2. dar clic en: Stat/ANOVA/Main Effects Plot
Alimentar la informacin
siguiente:
19
3.4PuertadeDatos
Puertadedatos:InterpretacinGrficadeEfectos
Principales
Main Effects Plot for tiempo en das
Data Means
Regin
36
No. de pedidos
Horario
32
28
Mean
24
20
36
C
N
Estadstica de compra
2
Medio
maana
tarde
C atlogo
32
28
24
20
alta
baja
telfono
20
10
03/02/2015
Lluviadeideas
Recomendaciones para esta tcnica:
El objetivo de la lluvia de ideas debe estar perfectamente
claro y especfico.
Todos los miembros del equipo generan ideas de posibles
causas del problema sin restriccin alguna.
No se critican, ni discuten, ni se rechazan las ideas
Siempre registrar las ideas en algn pizarrn, pintarrn,
hoja de rotafolio, etc.
Variantes:
Los participantes registran las causas potenciales por escrito
en algn papel con adhesivo (post-it).
21
3.4PuertadeDatos
Lluviadeideas
El objetivo es: generar todas las ideas posibles para
encontrar causas potenciales del desperdicio durante
los arranques.
Registren sus ideas en papeles con adhesivo (postits). No mezclar dos ideas en un mismo papel.
El instructor toma los papeles y los clasifica en
grupos.
Comunica a los participantes los resultados del
ejercicio.
3.4PuertadeDatos
22
11
03/02/2015
Tabladeregistrodedatos
Lunes
Viernes
Sbado
Preciodeproductomalasignado
RFCsinhomoclave
RFCequivocado
Cantidadesdeproductosenfacturanocorrespondenaloentregadoalcliente
Productosenfacturanocorrespondenaloentregadoalcliente
Direccinfiscalequivocada
RaznSocialconerror
SinOrdendeCompra
Condicionesdepagoequivocadas
23
3.4PuertadeDatos
Sinespecificarformadepago
GrficadePareto
La grfica de Pareto, facilita entender por dnde empezar
para mejorar un proceso o producto. Separa grficamente
algunos de los factores ms importantes del resto de
factores menos importantes.
Qu necesito para hacerlo?.datos
Qu tipo de datos?.defectos, desperdicio, causas
de rechazo, costo de la no calidad,
etc. y su frecuencia
Hagmoslo!
Suponga que nos interesa saber, cules son
los defectos ms comunes que se presentan
en la operacin?
3.4PuertadeDatos
24
12
03/02/2015
Grfica de Pareto
Pasos para su construccin
1.
2.
3.
4.
5.
3.4PuertadeDatos
GrficadePareto
Se desea saber por dnde debemos empezar para disminuir el nmero de
errores en la elaboracin de facturas. Para ello construiremos una grfica de
Pareto.
Paso 1. Recolectamos datos de las causas de los errores en las facturas
generados de enero a abril del 2014. Registramos los datos en un formato.
Nmerodedefectosencontradospormes
DefectosenFacturas
ene
feb
mar
abr
Total
RFCsinhomoclave
32
18
11
68
RFCequivocado
18
15
43
Cantidadesdeproductosenfacturanocorrespondenaloentregadoalcliente
17
50
Productosenfacturanocorrespondenaloentregadoalcliente
12
13
14
11
Direccinfiscalequivocada
21
Preciodeproductomalasignado
16
26
32
45
119
RaznSocialconerror
10
11
17
43
SinOrdendeCompra
1
0
0
0
3
3
0
4
4
109
5
96
7
96
9
96
397
Condicionesdepagoequivocadas
Sinespecificarformadepago
Total
3.4PuertadeDatos
4
25
26
13
03/02/2015
GrficadePareto
Paso 2. Ordenamos los datos de mayor a menor, respecto del
total de defectos durante los cuatro meses considerados, como se
muestra en la tabla de abajo.
Nmerodedefectosencontradospormes
DefectosenFacturas
ene
feb
mar
abr
Total
Preciodeproductomalasignado
16
26
32
45
119
RFCsinhomoclave
32
18
11
68
Productosenfacturanocorrespondenaloentregadoalcliente
12
13
14
11
50
RFCequivocado
18
15
43
RaznSocialconerror
10
11
17
43
Sinespecificarformadepago
25
Direccinfiscalequivocada
21
Cantidadesdeproductosenfacturanocorrespondenaloentregadoalcliente
9
0
5
0
2
3
1
4
17
1
109
0
96
3
96
0
96
Condicionesdepagoequivocadas
SinOrdendeCompra
Total
7
4
397
27
3.4PuertadeDatos
GrficadePareto
Paso 3. Calculamos las frecuencias acumuladas y los porcentajes:
DefectosenFacturas
Total
Acum.
Preciodeproductomalasignado
119
119
30.0%
%Acum
30.0%
RFCsinhomoclave
68
187
17.1%
47.1%
Productosenfacturanocorrespondenaloentregadoalcliente
50
237
12.6%
59.7%
RFCequivocado
43
280
10.8%
70.5%
RaznSocialconerror
43
323
10.8%
81.4%
Sinespecificarformadepago
25
348
6.3%
87.7%
Direccinfiscalequivocada
21
369
5.3%
92.9%
Cantidadesdeproductosenfacturanocorrespondenaloentregadoalcliente
17
7
386
4.3%
97.2%
393
1.8%
99.0%
397
1.0%
100.0%
100.0%
Condicionesdepagoequivocadas
SinOrdendeCompra
Total
3.4PuertadeDatos
4
397
28
14
03/02/2015
Paso 4.
a. Trazar los ejes; horizontal y vertical
b. Registrar en el eje horizontal el tipo de defecto en el orden de
importancia del mismo tamao.
c. Registrar los porcentajes acumulados de los defectos
En Minitab: Stat/Quality Tools/Pareto Chart
29
3.4PuertadeDatos
PrincipiodePareto
La grfica de Pareto parte de la relacin que Wilfrido Pareto
formul sealando que la mayora de los problemas tienen
pocas causas.
Esto se suele expresar como que el 80% de los problemas
estn causados por 20% de las causas. En realidad no
siempre es as de exacto!
En este ejemplo la interpretacin debiera ser que: los errores
en los que se debe enfocar la mejora del proceso de
elaboracin de facturas debieran ser: Precio de producto mal
asignado, RFC sin homoclave, Productos en factura no
corresponden a lo entregado al cliente, RFC equivocado y
Razn Social con error
3.4PuertadeDatos
30
15
03/02/2015
Principio de Pareto
20% del
Desperdicio
Muchas
causas
Triviales
El 80% de
las causas
(Poco
importantes)
80% de los
Desperdicios
Pocas
Causas
Vitales
El 20% de las
causas
(Muy
importantes)
31
3.4PuertadeDatos
3.4PuertadeDatos
Mtodos de trabajo
Maquinaria o equipo
Mediciones
Material utilizado
Mano de obra
Medio ambiente
Las 6 Ms !
32
16
03/02/2015
33
3.4PuertadeDatos
3.4PuertadeDatos
34
17
03/02/2015
3.4PuertadeDatos
Material
Personnel
N o hay
procedimiento estd.
N o entrenadas
C digos de barras se
daan
N o hay un G age Ry R
de mediciones
3.4PuertadeDatos
Methods
E quipo de Radio
F recuencia de corto
alcance
S e bloquea con las altas
temperaturas
Environment
Baja
confiabilidad
de
inv entario
en almacn.
Machines
36
18
03/02/2015
Cause-and-Effect Diagram
Measurements
Material
Personnel
n
i
cc
du
In
fic
de
ls
at
e
nt
ie
No hay
procedimiento estd.
o
.n
c
as
tr
c. o
es aj
ab
tr
so
pa
c
en
d
en
as
rg
ca
ta
on
M
n
te
su
s is
re
No entrenadas
ia
de
Cdigos de barras se
daan
Environment
Methods
Baja
confiabilidad
de
inventario
en almacn.
Machines
37
3.4PuertadeDatos
Porqullueve?
.... porque:
38
19
03/02/2015
CadenasCausales
Todas los efectos tienen al menos una causa
Todas las causas a su vez son efectos, por lo
que tambin tiene una causa propia (o varias)
As que se forman cadenas de causas y efectos.
39
3.4PuertadeDatos
CadenasCausales
Queremos eliminar de raz un efecto como el
desperdicio, por lo que tenemos que eliminar
su(s) causa(s).
Qu eslabn de la cadena debemos atacar?
Atacar el eslabn de la cadena de causas que
est dentro de su competencia atacar. A esta le
llamamos Causa Raz.
3.4PuertadeDatos
40
20
03/02/2015
rboldelos5porqus
41
3.4PuertadeDatos
rboldelos5porqus
3.4PuertadeDatos
42
21
03/02/2015
Ejemplorboldelos5porqus
Nohaysuficientes
antenasdeRF.
Cuandoseubicafsicamente
unmaterial,noseregistra
correctamentelaubicacin.
Hayreasenelalmacnenlasqueno
haysealderadiofrecuencia(RF)yno
seenvalaubicacinalSistema.Se
teclealaubicacinmanualmenteyen
ocasionessehaceerroneamente.
AntenasdeRFno
cubrentodaslasreas
delospasillosdel
almacn.
Algunoscdigosdebarrasdelas
ubicacionesestnrayadosoborrosos.
Seteclealaubicacinmanualmentey
enocasionessehaceerroneamente.
Lostecleadosdelas
pistolasdeRFestn
desgastados.
Materialesno
encontradosenla
ubicacinregistrada
enelSistema.
Materialesenalmacn
provocan"sombras"de
lasealdeRF.
Pistolaslectorasde
cdigosdebarrasson
decortoalcance.
Algunoscdigosdebarrasdelas
ubicacionesestnlejanosparael
alcancedelapistoladeRF.Setecleala
ubicacinmanualmenteyen
ocasionessehaceerroneamente.
Baja
confiabilidad
delinventario
enelalmacn.
Cdigosdebarras
alejadosdelavistadel
montacarguista
provocalecturasy
tecleadoerrneos.
Cdigosdebarrasno
resistentesalpasode
losmontacargas.
Enubicacin
registradaenel
Sistemaseencuentra
unmaterialdiferente.
3.4PuertadeDatos
Enocasionessemueveun
materialparasacarelmaterial
quesedeseasurtir.Elmaterial
movidoinicialmentenose
regresaasuubicacinoriginal.
Nosecuentaconunprocedimiento
estndarparacuandosemueveun
materialparasurtirotromaterial.
Nohayestantessuficientespara
ubicarmaterialesyesnecesario
apilarlos.
43
Prctica4
En equipos de tres personas los participantes
harn un ejercicio de 5 porqus para una falla
sencilla dentro de su rea.
Se seleccionarn dos equipos para que
presenten su rbol de 5 porqus.
3.4PuertadeDatos
44
22
03/02/2015
CuantificaryVerificarlasCausas
EntrenamientoparaGBTransaccional
Puertadedatos:Cuantificaryverificarlacausa
Nos interesa saber qu Variables de Entrada y de Proceso son las pocas
vitales Xs, que afectan los CTQs de Desempeo del Proceso o
Resultado(s) Medible(s) Ys.
Recordemos la relacin del resultado medible Y y las pocas variables
vitales X.
03/02/2015
VerificarlasCausasPotencialespara:
Considerar la Opinin de las Personas que viven
los problemas, sobre las Causas Potenciales
Determinar y Confirmar las Causas con el
impacto ms grande en los Resultados del
problema
Desarrollar Soluciones sobre las Causas
Verificadas
Enfocarse slo en el ataque a las causas vitales,
ya que los recursos son escasos.
3.5CuantificaryVerificarlasCausas
GuaparalaVerificacin
1. Las Opiniones y el Consenso pudieran ayudar a determinar
cual es la principal sospechosa, pero no pueden verificar
la causa.
2. Usar la Causa Existente del diagrama Causa y Efecto puede
ayudar a enfocar la Verificacin sobre las Causas ms
importantes.
3.
03/02/2015
MtodosdeVerificacin
Examinar los Datos Existentes y Analizarlos
Completar el Anlisis Adicional sobre los Datos
Existentes usando algunas de las siguientes
herramientas:
Diagrama de Pareto
Grfica de Corridas
Colectar Datos Adicionales
Grfica de Dispersin
Planear para Experimentar y Conducir pruebas
Diseo de Experimentos
Acordar y declarar sobre las Pocas Vitales finales
3.5CuantificaryVerificarlasCausas
MtodosparaverificacindeCausaRaz
Existen muchos mtodos de verificacin que
la Causa Raz es verdaderamente la Causa
Raz.
Por ejemplo, para colectar datos de defectos
adicionales (quizs una muestra pequea de
defectos), uno puede ver, en los hechos, si la
causa raz fue la culpable. En algunos casos,
puede ser fcil observarlo, otras veces ser
necesario utilizar Diseos Experimentales y
Herramientas Estadsticas, el objetivo es
tener una alta confianza de que la verdadera
causa ha sido identificada.
3.5CuantificaryVerificarlasCausas
03/02/2015
PruebasdeHiptesis
Qu se prueba?
Prueba
Estadstica
Grado de
asociacin entre
dos variables
continuas
Regresin Lineal
Grfica
Diagrama o
grfica de
Dispersin
Coeficiente de
Correlacin
Fuerte Correlacin
Positiva
3.5CuantificaryVerificarlasCausas
DiagramadeDispersin
1. Qu es un Diagrama o Grfica de Dispersin?
Es una grfica til para identificar la relacin entre dos
variables. Las relaciones pueden ser entre:
Una causa y un efecto.
Una causa y otra causa.
Un efecto y otro efecto. Un problema y otro problema. Una
caracterstica de calidad del producto y otra caracterstica de
calidad del producto.
Es una herramienta indispensable, antes de buscar la solucin
a un problema.
3.5CuantificaryVerificarlasCausas
03/02/2015
DiagramaoGrficadeDispersin
2. Cmo se construye el Diagrama de Dispersin?
1. Se recolectan datos por pares de las dos variables (Xi,Yi)
2. Se grafica cada yi con su correspondiente xi, cuidando
utilizar la misma escala para las dos variables
3. Se etiqueta cada eje, registrando la unidad de medida.
4. Se coloca ttulo al Diagrama de dispersin.
3.5CuantificaryVerificarlasCausas
DiagramadeDispersin
3.
4.
3.5CuantificaryVerificarlasCausas
10
03/02/2015
InterpretacindelDiagramadeDispersin
No Correlacin
Otros Patrones
3.5CuantificaryVerificarlasCausas
11
DiagramadeDispersindelarelacindeltiempodel
productoenelmercadoyelnmerodeclientesque
locompran.
200
150
# Clientes
100
(Y)
50
10
3.5CuantificaryVerificarlasCausas
20
30
50
40
Tiempo (X)
12
03/02/2015
Ejemplo1:DiagramadeDispersin
El Administrador de una cadena de almacenes
departamentales desea:
1. Verificar la relacin entre las ventas semanales y el
nmero de clientes.
1. Las ventas semanales se representan por la variable Y a
la que denominamos variable dependiente.
2. El nmero de clientes se representa por la variable X, a la
que denominamos variable independiente, o variable
explicatoria.
3. Se recolectan 20 datos, que representan el registro de las
ltimas 20 semanas. Los datos se muestran en la tabla
siguiente:
3.5CuantificaryVerificarlasCausas
13
Almacn
Ejemplo1:Tabla
dedatos
3.5CuantificaryVerificarlasCausas
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Nmero de
Clientes (X)
907
926
506
741
789
889
874
510
529
420
679
872
924
607
452
729
794
844
1,010
621
Ventas (miles)
(Y)
11.2
11.05
6.84
9.15
9.42
10.08
9.45
6.73
7.24
6.12
7.63
9.43
9.46
7.64
6.92
8.95
9.39
10.23
12
7.41
14
03/02/2015
Ejemplo1:DiagramadeDispersin
3.5CuantificaryVerificarlasCausas
15
Ejemplo1:DiagramadeDispersin
1. Calcular la mediana para X y para Y.
1. Ordenar de menor a mayor
2. Dado que el nmero de datos son pares, se obtiene el
promedio de los dos valores centrales.
1. Med X =
765
2. Med Y =
9.27
3.5CuantificaryVerificarlasCausas
16
03/02/2015
Ejemplo1:DiagramadeDispersin(Minitab)
Paso 1. Abrir el archivo en excel Datos Anlisis Trnsc
Paso 2. seleccionar: Graph/Satterplot / Simple
Paso 3. Alimentar la informacin cmo se indica abajo. Hacer clic en
Aceptar (OK)
3.5CuantificaryVerificarlasCausas
17
Ejemplo1:DiagramadeDispersin
Scatterplot of Ventas (miles) (Y) vs Nm. Clientes (X)
12
11
10
9
8
7
6
400
500
3.5CuantificaryVerificarlasCausas
600
700
800
Nm. Clientes (X)
900
1000
18
03/02/2015
Ejemplo1:DiagramadeDispersin
Para trazar lneas en la grfica, hacer clic en Scale y luego escribir el nivel
donde se desea se tracen las lneas: en las medianas correspondientes.
3.5CuantificaryVerificarlasCausas
19
Ejemplo1:DiagramadeDispersin
3.
12
11
10
9.27
9
8
7
6
400
500
3.5CuantificaryVerificarlasCausas
600
700
800
Nm. Clientes (X)
900
1000
20
10
03/02/2015
Ejemplo1:DiagramadeDispersin
4. Contar el nmero de puntos (datos) en cada cuadrante.
I = 10
II = 0
III= 10
IV = 0
Scatterplot of Ventas (miles) (Y) vs Nm. Clientes (X)
765
12
11
II
10
9.27
III
IV
7
6
400
500
600
700
800
Nm. Clientes (X)
900
1000
3.5CuantificaryVerificarlasCausas
21
Ejemplo1:DiagramadeDispersin
5.
Total N = 20
S I + III es mayor que II + IV , la correlacin ser
positiva, de otra forma la correlacin ser negativa.
La incertidumbre de qu tanto es mayor uno que otro, se
minimiza utilizando la tabla de los signos con un nivel de
significancia del 5%.
3.5CuantificaryVerificarlasCausas
22
11
03/02/2015
Tablapara
Diagramade
Dispersin
inf
sup
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
0
0
0
1
1
1
2
2
2
3
3
4
4
4
5
5
5
6
6
7
7
7
8
8
9
5
6
7
8
8
9
10
10
11
12
12
13
13
14
15
15
16
17
17
18
18
19
20
20
21
21
3.5CuantificaryVerificarlasCausas
23
Ejemplo1:DiagramadeDispersin
Dado que el nmero de datos son 20, se busca el valor inferior y
superior de la tabla en ese rengln.
Inferior = 5
Superior = 15
Se compara el total menor vs. El valor inferior de la tabla:
II + IV = 0 + 0 = 0
Total menor
24
12
03/02/2015
Ejemplo1:DiagramadeDispersin
Paso 4. Interpretar la grfica.
Se observa claramente una relacin entre el nmero de clientes
y las ventas en miles de pesos, en los 20 almacenes.
Se observa que a medida que el nmero de clientes crece, las
ventas en miles de pesos crecen.
Se observa una relacin positiva, a mayor nmero de clientes,
mayores ventas en miles de pesos.
3.5CuantificaryVerificarlasCausas
25
Prctica1:DiagramadeDispersin
El Gerente de Comercializacin de la empresa Herradura, debe decidir si es
necesario o no, ampliar el espacio de los anaqueles que ocupan actualmente sus
productos en la cadena de supermercados en los que se venden.
El equipo formado por 5 personas tiene la tarea de analizar la situacin y
demostrar s hay evidencia que muestre mayores ventas en relacin al espacio
en pies de los anaqueles.
La informacin disponible aparece en el archivo excel Datos Anlisis Trnsc.
Ahora es tu turno! Sigue las Instrucciones:
1. Genere un diagrama de dispersin para los datos proporcionados.
2. Interprete la grfica
3. Debe el Gerente de Comercializacin ampliar el espacio de los anaqueles
que ocupan sus productos? porqu?
3.5CuantificaryVerificarlasCausas
26
13
03/02/2015
Prctica1:diagramadedispersin
3
Tienda
Espacio estante (m )
(X)
Ventas Semanales
(Y)
1600
2200
1400
10
1900
10
2400
10
2600
15
2300
15
2700
15
2800
10
20
2600
11
20
2900
12
20
3300
3.5CuantificaryVerificarlasCausas
27
ErroresComunesenlaConstruccindel
DiagramadeDispersin
3.5CuantificaryVerificarlasCausas
X y Y
28
14
03/02/2015
Escalainapropiada:DiagramadeDispersin.
Error
Amplio rango en el
eje de las Xs
Grfica
I
n
g
r
e
s
o
s
en$MM
140
120
100
80
60
40
20
00
%DisminucindePrecio
140
Amplio rango en el
eje de las Ys
130
120
Ganacia
En $MM 110
100
90
80
70
60
10
15
% Disminucin de Precio
3.5CuantificaryVerificarlasCausas
29
CoeficientedeCorrelacin:Medidadelaintensidad
delaasociacinentredosvariables
Los valores van desde -1, lo que significa una fuerte correlacin
negativa a +1, lo que significa una fuerte correlacin positiva.
3.5CuantificaryVerificarlasCausas
30
15
03/02/2015
CoeficientedeCorrelacin
La intensidad de la relacin entre dos variables de una muestra
se mide mediante el coeficiente de correlacin r.
El coeficiente de correlacin de la muestra se calcula mediante la
siguiente expresin:
3.5CuantificaryVerificarlasCausas
31
CoeficientedeCorrelacin
Otra manera de calcular el coeficiente de correlacin
cuando se utiliza una calculadora es usando la siguiente
frmula:
3.5CuantificaryVerificarlasCausas
32
16
03/02/2015
CuantificarlaFortalezadelaRelacin
y
r = -1.0
r= 0
r = +1.0
r= 0
3.5CuantificaryVerificarlasCausas
33
Ejemplo2:CoeficientedeCorrelacin.
El Administrador de una cadena de almacenes
departamentales desea conocer la fortaleza de la relacin
entre las variables:
Las ventas semanales en miles de pesos, que es la variable
dependiente Y
3.5CuantificaryVerificarlasCausas
34
17
03/02/2015
Ejemplo2:coeficientedecorrelacin.
Paso 1. Abrir el archivo en excel Datos Anlisis Trnsc en pestaa
Ventas Clientes 3.5-E1
Paso 2. seleccionar: Stat/Basic Statistics/Correlation
Paso 3. Alimentar la informacin cmo se indica abajo. Dar aceptar
3.5CuantificaryVerificarlasCausas
35
Ejemplo2:coeficientedecorrelacin.
Paso 4. Obtener el coeficiente de correlacin:
r = + 0.955
Paso 5. Obtener la conclusin.
Comparamos el valor r calculado vs. El valor referencia.
Valor referencia: Si hubiese una perfecta correlacin positiva
r = +1.0
Valor obtenido: + 0.955
Dado que el valor obtenido es 0.955 y se aproxima al valor
referencia 1.0, podemos concluir que el grado de asociacin entre
las variables: Ventas en miles de pesos y el nmero de clientes es
fuerte.
3.5CuantificaryVerificarlasCausas
36
18
03/02/2015
Ejemplo2.ClculodelCoeficientede
Correlacin,utilizandolafrmula
rXY =
,
.
.
.
= 0.954
37
Precaucin:LaCorrelacinnoimplica
Causalidad!
100
80
Poblacin
(en miles)
200
300
80
70
70
60
60
50
100
200
Correlacin entre
el nmero de
Cigeas y la
Poblacin
Humana
50
300
Nmero de Cigeas
Source:Box,Hunter,Hunter.Statistics For Experimenters.NewYork,NY:JohnWiley &Sons.1978
3.5CuantificaryVerificarlasCausas
38
19
03/02/2015
Precaucin!LaCorrelacinnoimplicaCausalidad
No caigamos en el error de confundir
Correlacin con Causalidad.
La manera recomendable para verificar
causalidad es mediante la
experimentacin.
Veremos ms adelante el Diseo de
Experimentos.
3.5CuantificaryVerificarlasCausas
39
ModelosdeRegresin
1
b1
b0 + b1X1
Ecuacin de Regresin
Y = b0 + b1X1
Donde
b0 = Prediccin Valor de Y cundo X1 = 0
(Intercepcin)
b1 = Pendiente de la lnea
Cambio en Y por unidad de cambio
en X1 (Coeficiente de Regresin)
b0
X1
3.5CuantificaryVerificarlasCausas
40
20
03/02/2015
TiposdemodelosdeRegresin
La naturaleza de la relacin puede tomar muchas formas, que van
de lo ms sencillo, hasta lo ms complicado. Lo ms sencillo
consiste en una relacin lineal. El modelo de la lnea recta se
representa por: Yi= +
+
Regresin de Ventas (miles) (Y) vs Nm. Clientes (X)
12
11
10
9
8
7
6
400
500
600
700
800
Nm. Clientes (X)
900
1000
3.5CuantificaryVerificarlasCausas
41
Anlisisderegresinlinealsimple
El objetivo es buscar la lnea recta que mejor se
ajusta a los datos.
El mejor ajuste significa que deseamos encontrar
la lnea recta para la cual las diferencias entre los
valores reales (Yi) y los valores que seran
predichos a partir de la lnea ajustada de
regresin ( ) sean lo ms pequeas posibles.
Dado que las diferencias sern positivas y
negativas el valor deseado de las diferencias es
aproximadamente cero.
3.5CuantificaryVerificarlasCausas
42
21
03/02/2015
Ejemplo3:anlisisderegresin.
Paso 1. Abrir la tabla de datos: Nmero de clientes y monto de las Ventas
utilizados en ejemplos anteriores
Paso 2. seleccionar: Stat/Regression/Regression
Paso 3. Alimentar la informacin cmo se indica abajo. Dar ok
3.5CuantificaryVerificarlasCausas
43
Diagramadedispersinconlnea
deregresinajustada
3.5CuantificaryVerificarlasCausas
44
22
03/02/2015
AnlisisdeRegresin:ventasenmilesvs.Nmerodeclientes
Regression Analysis:Ventas(miles)(Y)versusNm.Clientes(X)
The regression equation is
Ventas(miles)(Y)=2.42+0.00873Nm.Clientes(X)
Predictor Coef
SECoef
TP
Constant 2.41930.47925.050.000
Nm.Clientes(X)0.00873450.000637313.71 0.000
S=0.499612RSq=91.3%RSq(adj)=90.8%
Analysis ofVariance
Source
DFSSMS
FP
Regression
146.88946.889187.850.000
ResidualError 184.4930.250
Total
1951.382
Unusual Observations
Nm.Ventas
Clientes(miles)
Obs
(X)(Y)FitSEFitResidualStResid
139249.46010.4900.1661.0302.19R
3.5CuantificaryVerificarlasCausas
45
Interpretacindelaecuacinlinealsimple
=2.4193+0.00873
3.5CuantificaryVerificarlasCausas
46
23
03/02/2015
Interpretacindelaecuacinlinealsimple
La ecuacin que mejor se ajusta a los datos es:
=2.42+0.00873
Por cada aumento de un cliente, el modelo
ajustado predice una estimacin de un aumento
de las ventas semanales de 0.00873 miles de
pesos o $ 8.73. Dicho de otra manera por cada
aumento de 100 clientes, se espera que las
ventas semanales aumenten en $ 873.
3.5CuantificaryVerificarlasCausas
47
Interpretacindelaecuacinlinealsimple
La interseccin en Y, bo de 2.42 (miles de pesos),
=2.42+0.00873
Representa el valor promedio de Y cuando X es igual a
cero. Puesto que es improbable que el nmero de
clientes sea cero, este valor puede verse como la
expresin de la porcin de las ventas semanales que
se estiman varan con respecto a factores diferentes
al nmero de clientes.
El modelo ajustado puede utilizarse para predecir las
ventas semanales.
3.5CuantificaryVerificarlasCausas
48
24
03/02/2015
Ejemplo3:prediccinventassemanales
Predecir las ventas semanales (en miles de pesos) si el nmero
de clientes es igual a 600.
Sustituimos en la ecuacin ajustada el valor de 600
= 2.42 + 0.00873(600) = 7.658 miles de pesos
Las ventas semanales promedio predichas para una tienda
de 600 clientes es de $ 7,658 pesos.
49
ConclusinCausaRaz
3.5CuantificaryVerificarlasCausas
50
25
03/02/2015
Ejemplo4.PedidoenempresaHerradura
Qu pasa internamente en la empresa Herradura al recibir la
llamada del cliente solicitando un pedido.
El flujo del proceso es tortuoso y lento. Para muestra un botn:
Se recibe orden pedido.
Se turna a la fbrica.
Existe un mayorista, detallista y el cliente esperando.
La ventaja de utilizar los mtodos estadsticos es la imparcialidad
Hay evidencia estadstica de que existe un problema?. Qu tal si
cuantificamos la contribucin de cada subproceso a la Y,
recordemos que lo que el cliente quiere es el producto.
3.5CuantificaryVerificarlasCausas
51
CadenadesuministrosLaHerradura
52
26
03/02/2015
3.5CuantificaryVerificarlasCausas
53
CadenadesuministrosLaHerradura
Calcular los tiempos de
ciclo de los subprocesos:
AB, BC, CD y el valor de
la variable Y :
Consecutivo
BA
CB
DC
16
3.5CuantificaryVerificarlasCausas
54
27
03/02/2015
CadenadesuministrosLaHerradura
Coinciden tus resultados con los de esta tabla ?
B-A
C-B
D-C
16
12
33
34
27
30
11
10
10
15
20
11
12
10
13
33
30
10
15
11
10
11
3.5CuantificaryVerificarlasCausas
55
CadenadesuministrosLaHerradura
1. Alimentar la informacin de la tabla en la hoja de datos del
Minitab.
2. Seleccionar: Stat/Regression/Regression
3. Seleccionar como predictores A-B, B-C y C-D y la Y como
variable de respuesta. Dar Aceptar
3.5CuantificaryVerificarlasCausas
56
28
03/02/2015
ResultadoMinitab
Regression Analysis:YversusAB,BC,CD
The regression equation is
Y= 26.7+2.46AB 0.799BC+0.642CD
Predictor
Constant
AB
BC
CD
Coef
26.735
2.4629
0.7988
0.6417
SECoef
6.731
0.4290
0.8464
0.1591
T
3.97
5.74
0.94
4.03
Interpretacin
P
0.003
0.000
0.368
0.002In
S=5.28558RSq=80.0%RSq(adj)=73.9%
Analysis ofVariance
Source
Regression
ResidualError
Total
DFSS
MSF P
31114.05371.3513.290.001
10279.3727.94
131393.53
3.5CuantificaryVerificarlasCausas
57
29
03/02/2015
IntroduccinalaMejora
EntrenamientoparaGBTransaccional
CartografadelMtodo
Definir:
Medir:
Seleccionarel
Proyecto
EscucharVoces
delCliente
(CTQ),del
Negocioydel
Proceso(CTP)
Mapearlos
Procesos
Seleccionar
Medicin(Y)
AnalizarSistema
deMedicin
Recolectardatos
AnalizarLnea
Base
Entender
variacinysus
causas
4.0IntroduccinalaMejora
Analizar:
Analizarla
lneabase
paradefinir
lasXs
Potenciales
Identificar
lascausas(X
vitales)
Cuantificary
verificarlas
causas.
Mejorar:
Encontrar
valoresdelasX
vitalesque
optimizanlaY:
reducenla
variacin,
mejoranla
calidad,
disminuyenel
desperdicio.
03/02/2015
ObjetivodelafaseMejorar
Mejorar la operacin del proceso para:
Mejorar la calidad de los productos o servicios
Incrementar la satisfaccin del Cliente
Reducir los costos
4.0IntroduccinalaMejora
Laoscuridadnosenvuelveatodos,pero
mientraselsabiotropiezaenalguna
pared,elignorantepermanecetranquilo
enelcentrodelaestancia.
Jacques Anatole
03/02/2015
MejoraIncrementalvs.MejoraExponencial
Mejora Incremental:
La mejora incremental acepta los supuestos actuales del proceso.
Cuando el proceso tiene todava una oportunidad atractiva de
mejorar (Capacidad)
Inicialmente las mejoras son grandes, sin embargo las mejoras
posteriores son menores: Ley de rendimientos decrecientes.
Mejora exponencial:
La mejora exponencial desafa los supuestos del proceso y establece
nuevos supuestos (Nuevo paradigma).
Busca establecer una nueva (mayor) capacidad de proceso.
Corre riesgos mayores
4.0IntroduccinalaMejora
MejoraIncrementalvs.MejoraExponencial
Mejora
mejoras
incrementales
mejora
exponencial
Tiempo
4.0IntroduccinalaMejora
03/02/2015
DFSSvs.DMAIC
definir
Re / disear el
proceso
DFSS
no
Existe un
proceso?
medir
medir
analizar
analizar
disear
verificar
4.0IntroduccinalaMejora
Es
suficiente
la mejora potencial
incremental para
cumplir con
Si el proceso ha alcanzado el
CTQs?
no
D
M
A
I
C
lmite de su capacidad
tecnolgica, o si no puede
cumplir lo que el Cliente
quiere en alguno o varios
CTQs, la mejora incremental
probablemente no ser
suficiente y habr que
redisear el proceso.
mejorar
controlar
7
SeutilizaDFSS
Cuando se introduce un nuevo producto o
servicio que requiere un nuevo proceso.
Cuando no existe un proceso estandarizado
Cuando el proceso actual no cumple con
algn(os) CTQs del cliente
Cuando el proceso ha alcanzado el mximo de
su Capacidad tecnolgica
8
03/02/2015
Fase Mejorar
Generacin de soluciones
MapaConceptualparaMejorar
CuandoNOhaycontroldelproceso
Se han identificado causas
especiales de variacin
que afectan al proceso y
no permiten su control
Filtrar ideas y
seleccionar las mejores:
las de mayor impacto y
menor dificultad
Confirmar la mejora en la
Y
4.0IntroduccinalaMejora
10
03/02/2015
Fase Analizar
Fase Mejorar
Proceso Convergente:
Seleccionar ideas ms
promisorias: las de mayor
impacto y menor dificultad o
menor inversin, o ms seguras.
Piloto: Aplicar la o las soluciones
propuestas de manera piloto.
Evaluar y seleccionar la solucin
propuesta
Implementar la solucin y confirmar
que se cumple con los CTQs.
11
MapaConceptualparaMejorar
Cuandohaycontroldelproceso
Se han identificado los
factores vitales (Xs) del
comportamiento de Y
(CTQs)
Centrar el proceso
(acercar la a la
especificacin)
Si no alcanza la Zlp
requerida
Disminuir la variabilidad
de la Y
4.0IntroduccinalaMejora
12
03/02/2015
FaseMejorar
CausasEspeciales
EntrenamientoGBTransaccional
CausasEspeciales
Recordamosquelascausasespecialesdevariacinsoneventosque:
Nodependendeldiseodelproceso
Sonnoaleatoriasnipredecibles
Enprocesostransaccionaleslamayoradelavariacinporlo
generaldependedefactoresexternosaldiseomismodel
proceso.
LasCausasEspecialesdeVariacinnopermitenmantenerelcontroldel
proceso.
!Notienesentidocaracterizarelproceso Esdecir,notienensentidocalcular,
niinterpretarlamedia,ladesviacinestndar,losvaloresZ,PPMs,Cp,Cpk, etc.
!Primerodebemoscontrolarelproceso,antesdeintentaroptimizarlo
4.1MejoraCausasEspeciales
03/02/2015
AtaqueaCausasEspeciales
Lasaccionesparaeliminarocontrarrestarlascausasespeciales
devariacindebern:
Atacarlacausaquehemosdenominadocomoraz:esdecir,elolos
eslabonesdelacadenacausalenlosqueesfactibleinfluir.
Ademsestasaccionesobviamentedebensercongruentesconla
naturalezadedichascausas.Porejemplo:
1. Siobservamosquenohayunprocedimientoestndarenalgunapartedelproceso.Es
probablequeestocausequeelmismoseejecutedemanerairregulary
consecuentemente,seprovoquequehayavariacinenelproductooservicio.
Obviamentequelaaccinparacontrarrestarestacausadevariacinserladedefinirun
procedimientoestndardemaneraconsensuada,capacitaralpersonalycomunicar
ampliamentelaexistenciadeesteprocedimientoestndaryregistrarloenelsistemade
calidad.
2. Siseobservaqueunacausaesqueelpersonalnotengaelentrenamientonecesario,es
obvioquelasaccionesdebenserentrenaralpersonalocontrataranuevopersonalconel
perfilrequerido.
3. Sinoexisteundispositivoenunequipooestdaadoounprogramacomputacionalest
fallando,lasaccionessernobviamenteelreemplazooreparacindelosmismos.
4.1MejoraCausasEspeciales
Prctica1.Proponermejorasacausasespeciales
Nohaysuficientes
antenasdeRF.
Cuandoseubicafsicamente
unmaterial,noseregistra
correctamentelaubicacin.
Hayreasenelalmacnenlasqueno
haysealderadiofrecuencia(RF)yno
seenvalaubicacinalSistema.Se
teclealaubicacinmanualmenteyen
ocasionessehaceerroneamente.
AntenasdeRFno
cubrentodaslasreas
delospasillosdel
almacn.
Algunoscdigosdebarrasdelas
ubicacionesestnrayadosoborrosos.
Seteclealaubicacinmanualmentey
enocasionessehaceerroneamente.
Lostecleadosdelas
pistolasdeRFestn
desgastados.
Materialesno
encontradosenla
ubicacinregistrada
enelSistema.
Materialesenalmacn
provocan"sombras"de
lasealdeRF.
Pistolaslectorasde
cdigosdebarrasson
decortoalcance.
Algunoscdigosdebarrasdelas
ubicacionesestnlejanosparael
alcancedelapistoladeRF.Setecleala
ubicacinmanualmenteyen
ocasionessehaceerroneamente.
Baja
confiabilidad
delinventario
enelalmacn.
Cdigosdebarras
alejadosdelavistadel
montacarguista
provocalecturasy
tecleadoerrneos.
Cdigosdebarrasno
resistentesalpasode
losmontacargas.
Enubicacin
registradaenel
Sistemaseencuentra
unmaterialdiferente.
4.1MejoraCausasEspeciales
Enocasionessemueveun
materialparasacarelmaterial
quesedeseasurtir.Elmaterial
movidoinicialmentenose
regresaasuubicacinoriginal.
Nosecuentaconunprocedimiento
estndarparacuandosemueveun
materialparasurtirotromaterial.
Nohayestantessuficientespara
ubicarmaterialesyesnecesario
apilarlos.
03/02/2015
AtaqueaCausasEspeciales
Erroresrepetitivos:
Sienunprocesotransaccionalseincurreenunmismotipodeerrordemanera
repetitiva,comopudieraserenelllenadodeunformatocondatos;enelregistro
delnmerodepartesenunalmacn,enlaclasificacindeunacaractersticadeun
producto,etc.
Enestosltimoscasossepuedehacerusodelaprogramacinde
mecanismosenprogramascomputacionalesqueayudenalusuarioa
disminuirlaprobabilidaddeerrorodefinitivamenteevitarlosdefectos.
Siobservamosenunprocesoqueconrelativafrecuenciaelcampodelpreciodelos
productosenlasfacturassellenademaneraequivocada.
Culoculessonlosposibleseslabonesdelacadenadecausas?
Culessernlascausasraz?
Cmopodemosatacarlascausasraz?
Consultar a los miembros del equipo tcnico de apoyo
4.1MejoraCausasEspeciales
APruebadeError
MecanismosPoka Yoke
03/02/2015
DispositivosAPruebadeError:PokaYoke
Dispositivossimplesyeconmicos
Evitanerroresodefectos(oalertan)
100%deinspeccinenelorigen
Retroalimentacinyaccionesinmediatas
4.1MejoraCausasEspeciales
TiposdePokaYoke
1. Aquellosqueslodanavisosobreloqueescorrecto,o
incorrectoocuandohayundefecto
2. Aquellosqueevitaneldefecto
3. Aquellosqueevitanelerrorantesdequeseconviertaen
defecto.
Poka
yoke
3
Ins
pec
ci
n
Poka
yoke
2
Error
Defecto
Tiempo
03/02/2015
Tipo1:SealanoAlertan
Colores,lucesosmbolosquesealanoalertanalgoparaevitarel
errorodefecto,masnoloimpiden.
4.1MejoraCausasEspeciales
Tipo2:EvitanelDefecto
Permitenelerrorperonopermitensegenereeldefecto.
10
03/02/2015
Tipo3:EvitanelError
Nopermitenelerror,porloquenosegeneraeldefecto.La
mayoradelosmecanismosutilizalaasimetradelaspartes
paraobligaralaorientacin,posicionamientoogua
correctasparaimpedirelerroryconelloevitareldefecto.
4.1MejoraCausasEspeciales
11
Asegurarposicincorrecta
4.1MejoraCausasEspeciales
12
03/02/2015
Diferencias en Dimensiones
13
EjemplodePokaYokeenunalmacndemateriales
AlmacndeMateria
Prima(100)recibe
ordendesurtimiento
deMP
Seidentifica
localizacinde
MateriaPrimaen
almacn(100)
SetomaMateria
Primadealmacn
ysellevaalpiso
deproduccin
(300)
SeregresaMateria
Primasobrante
delpiso(300)al
almacn(100)
Problema:Congranfrecuencia,hayfaltantesdemateriaprimay
nohayconcordanciaentrelamateriaprimaquehasurtidoel
proveedordelamismaalalmacn,elproductoterminadoyla
materiaprimarestantetantoenelpiso(300),comoenel
almacndemateriaprima(100).
4.1MejoraCausasEspeciales
14
03/02/2015
EjemplodePokaYokeenunalmacndemateriales
Posiblescausasraz:
Olvidodelsurtidoral
dardebajalaMPen
elprogramaERP
cuandolotomade
unaubicacindel
almacn
Olvidodel
surtidoral
registrarelretiro
delaMPdel
almacn(100)
Olvidodelsurtidor
alregistrar la
colocacinenel
pisoproductivo
(300)
Olvidodelsurtidor
dardealtalaMP
sobranteretirada
delpiso(300)y
ubicarlaenel
almacn(100)
PropuestasPokaYoke:
1.
Colocarcdigosdebarrasencadaubicacindelalmacn,alasalidadelalmacnyalaentradadel
almacn.
Desarrollarunprocedimientoestndarparaqueseregistrenconlecturadecdigosdebarrasdela
MPylaubicacindelaqueseretiralaMP,unalecturadelcdigodebarrasdesalidaalpiso
productivoytodaslasentradasdelaMPsobranteyelcdigodebarrasdeentrada.
ProgramarcandadosenelprogramadelERPparaquemarqueerrorcuandofalteunalecturade
ubicacindealgnmaterial.
2.
3.
4.1MejoraCausasEspeciales
15
BsquedadeComponentes
ParailustrarlatcnicadeBsquedadeComponentes,recurrimos
aunejemplodeundispositivofsico(unproducto).Aunquelos
principiosdeestatcnicatambinsepuedenaplicaraprocesos
transaccionales.
Siundispositivotieneundesempeobajo,yestedispositivoest
constituidoporpartesensambladas,sepuederecurriralatcnica
conocidacomobsquedadecomponentes,paraidentificarcul
componenteestprovocandoelbajodesempeoyeslacausa
especialdevariacin.
Demanerasimilar,siunprocesotienebajodesempeoyotro
semejantetienealtodesempeo,sepuedencompararpara
detectarlasdiferencias.
4.1MejoraCausasEspeciales
16
03/02/2015
BsquedadeComponentes
Procedimiento:
1. Seseleccionaundispositivoconbuendesempeo(Bueno)yundispositivoconmal
desempeo(Malo).
1.
2.
Paradeterminarsiesbuenoomaloserequierequehayaunsistemademedicinvlido
y
Serequierenespecificacionesdelclientecontraloquesecompararasiesbuenoo
maloeldesempeo
BuenoMalo
4.1MejoraCausasEspeciales
17
BsquedadeComponentes
Procedimiento:
2. Ambosdispositivossedesensamblancompletamenteyensamblanenporlo
menostresocasiones.Despusdecadareensamblesemideeldesempeotanto
deldispositivobuenocomodelmalo.
1.
2.
Sieldesempeocambiasignificativamentedespusdelreensambleentonces
sospechamosqueelensambleeselcausantedelmaldesempeo.
Sinohaycambiosignificativo,sospechamosquealgncomponentepodraserel
causantedelmaldesempeo.
4.1MejoraCausasEspeciales
18
03/02/2015
BsquedadeComponentes
Procedimiento:
3. Seidentificanlosprobablescomponentesquepuedanfallar
4. Seintercambiauncomponentealavez.Elcomponentedeldispositivobuenoenel
dispositivomaloyelcomponentedeldispositivomaloeneldispositivobueno.
4.1MejoraCausasEspeciales
19
BsquedadeComponentes
Procedimiento:
5. Hubocambiosignificativo?Esdecir,eldispositivobuenoahoratienemal
desempeoyelmaloahoratienebuendesempeo?
1. Sinohaycambioenambosdispositivos,esecomponentenoparecesercausantedelmal
desempeo.Seprocedeaintercambiarotrocomponente.
2. Sihaycambioeneldesempeodeambosdispositivosensentidoinverso,entonceshay
unagransospechadequeeseseaelcomponentecausantedelmaldesempeo.
4.1MejoraCausasEspeciales
20
10
03/02/2015
BsquedadeComponentes
Procedimiento:
6. Confirmar queelcomponentequeseintercambi,ycausqueseinvirtierael
sentidodeldesempeoenlosdispositivos,seaelcausantededichoefecto:
Probarlointercambiandoconotrosdispositivosbuenos
4.1MejoraCausasEspeciales
21
EjemplodeBsquedadeComponentesenprocesotransaccional
Setienendosdistribuidores deproductosdeUSG,unodeventaaltayotrodeventa
bajayhaymuchassimilitudesentrelosdosdistribuidores.Cmosepudieranutilizar
losprincipiosdelatcnicaBsquedadeComponentes?
Procedimiento:
1.
2.
3.
4.
5.
Confirmarquesecomparanlosmismosindicadores,medidosdelamismaforma:De
serposible,realizarunanlisisdelsistemademedicin.Esperamosquelasmediciones
tenganunaltoporcentajederepetibilidadyreproducibilidad.
SugerirXsqueexpliquenpotencialmentelavariacin
CompararlasXsenambosdistribuidores:lasdiferenciaspuedenguiarnosaencontrar
lasXsvitales.
CambiarlasXsdeldistribuidordebajodesempeoenelmismosentidoquetienenlas
Xseneldistribuidordealtodesempeo.
Sihayuncambiosignificativoypositivoeneldesempeodeldistribuidordeventabaja
ystesemantienealtoTenemoslasXsvitales!
4.1MejoraCausasEspeciales
22
11
03/02/2015
Losfactoresquedestruyenalserhumano:
LaPolticasinprincipios,elPlacersincompromiso,la
Riquezasin trabajo,laSabidurasincarcter,los
Negociossinmoral,laCienciasin humanidadyla
Oracinsincaridad.
MahatmaGandhi
4.1MejoraCausasEspeciales
23
12
03/02/2015
FaseMejorar
CausasComunes
EntrenamientoGBTransaccional
MapaConceptualparaMejorar
Cuandohaycontroldelproceso
Se han identificado los
factores vitales (Xs) del
comportamiento de Y
(CTQs)
Se ha confirmado que
hay control del proceso.
Centrar el proceso
(acercar la a la
especificacin)
Si no alcanza la Zlp
requerida
Disminuir la variabilidad
de la Y
4.2Mejoracausascomunes
03/02/2015
Optimizacin
Enprocesosenlosquehaycontroldelosmismos,esdecir,
dondenoestnpresentescausasespecialesdevariacin,se
tienequedeterminarlosnivelesdelosfactoresvitales(Xs)
queoptimizanlaY:
.
1. Poroptimizacinentendemosaqualcanzarlosvalores
deZlp quedeseeelCliente.Esdecir,alcanzarlosppmsde
defectosqueestdispuestoatolerar.
2. Otraformadeconceptualizarlaoptimizacin,quenose
trataenestecursodeSeisSigma,esconrespectoal
costodelosinsumos;orespectodelaestabilidaddela
solucin;olaoptimizacinsimultneadevariasYs,etc.
4.2Mejoracausascomunes
4.2Mejoracausascomunes
03/02/2015
ProcesodeOptimizacin
Silasprdidasparalasociedadson
proporcionalesalcuadradodeladesviacin
respectodelameta(ym)2,tendramosque
trabajarparaincrementarlacalidaddelproducto,
acercandolaYlomsposiblealameta:aesto
selellamaCentrado.
Deacuerdoaesto,nobastaconquelaYest
dentrodelasespecificacionesdelCliente,sino
hayquecentrarlomsposibleelproceso.
4.2Mejoracausascomunes
VerificacindelaMejoraatravsdela
experimentacin
Comosesealanteriormente,unadelas
formasdeverificacindequesehan
encontradoefectivamentelasXvitalesesa
travsdelaexperimentacin.
Ilustrmosloconelsiguienteejemplo!
4.2Mejoracausascomunes
03/02/2015
Ejemplo:DOETransaccional
Sedeseasabersihayalgunainfluenciaeneltiempodeaprobacindelcrditoaprospectosde
clientesdediferenteszonasgeogrficasdelpas(Norte;Sur),dediferentevolumendecompra
(Grandes;Pequeos)ydediferentecanaldedistribucin(Productosestndar;productos
especiales).SerecopilainformacindelabasededatosdeUSGlaculsepresentaenlatabla
siguiente.
Tiempode
Respuestaen
das
Promediodedasparala
aprobacindecrdito=31.8
4.2Mejoracausascomunes
X1=Zona
Geogrfica
X2=Tamao
Cliente
X3=Canal
Distribucin
Ypromedio
Norte
Pequeo
Estndar
31.4
Norte
Pequeo
Especial
34.1
Norte
Grande
Estndar
29.9
Norte
Grande
Especial
31.7
Sur
Pequeo
Estndar
26.9
Sur
Pequeo
Especial
37.8
Sur
Grande
Estndar
27.4
Sur
Grande
Especial
34.9
Grficasdeinteracciones
Interaccin
importante:Zona
Canal.Elrestoson
interaccionespoco
importantes
aparentemente
4.2Mejoracausascomunes
03/02/2015
GrficasdeEfectosPrincipales
Aparentementeelefecto
principalimportanteesel
canaldedistribucindel
producto.
4.2Mejoracausascomunes
GrficadeCubo
Cube Plot (data means) for MediaDas
34.1
37.8
31.4
Mayornmerode
dasparala
aprobacindel
crditoenlazona
Sur,canales
especialesyclientes
pequeos
26.9
Pequeo
Cliente
31.7
34.9
Especial
29.9
27.4
Grande
Canal
Estndar
Norte
4.2Mejoracausascomunes
Zona
Menornmerode
dasparala
aprobacindel
crditoenlazona
Norte,clientes
grandesycanal
productosestndar
Sur
10
03/02/2015
ANOVA
S = *
Effect
-0.0250
1.5750
5.7250
-0.3750
3.4750
1.0750
0.6250
Coef
31.7625
-0.0125
0.7875
2.8625
-0.1875
1.7375
0.5375
0.3125
Lassalidadesesinde
Minitabmuestraquenohay
suficientesgradosde
libertad.Esdecir,quehay
slo8datosparapredecir
loscoeficientesperonohay
formadeestimarelerror.
Porloque,basadosenlas
grficas,eliminamos
interaccionesdetercer
ordenyalgunasdesegundo
ordenyobtenemosloque
semuestraenlasiguiente
diapositiva.
PRESS = *
DF
3
1
1
1
3
1
1
1
1
1
0
7
Seq SS
70.5138
0.0013
4.9613
65.5512
26.7437
0.2813
24.1512
2.3113
0.7813
0.7813
*
98.0387
Adj SS
70.5138
0.0013
4.9612
65.5512
26.7437
0.2813
24.1512
2.3113
0.7813
0.7813
*
Adj MS
23.5046
0.0013
4.9612
65.5512
8.9146
0.2813
24.1512
2.3113
0.7813
0.7813
*
F
*
*
*
*
*
*
*
*
*
*
P
*
*
*
*
*
*
*
*
*
*
11
4.2Mejoracausascomunes
ANOVA
Factorial Fit: MediaDas versus Zona, Cliente, Canal
Estimated Effects and Coefficients for MediaDas (coded units)
Eltiempo
promediode
aprobacindel
crdito.
Esdecir,losdos
explicanel96.6%
delavariabilidad
deltiempo
promediode
aprobacindel
crdito.
Term
Constant
Zona
Cliente
Canal
Zona*Canal
Effect
-0.0250
1.5750
5.7250
3.4750
S = 1.06046
R-Sq = 96.56%
Coef
31.7625
-0.0125
0.7875
2.8625
1.7375
SE Coef
0.3749
0.3749
0.3749
0.3749
0.3749
PRESS = 23.9911
R-Sq(pred) = 75.53%
T
84.72
-0.03
2.10
7.63
4.63
P
0.000
0.975
0.127
0.005
0.019
R-Sq(adj) = 91.97%
4.2Mejoracausascomunes
DF
3
1
1
1
1
1
3
7
Seq SS
70.5138
0.0013
4.9613
65.5512
24.1512
24.1512
3.3738
98.0388
Adj SS
70.5138
0.0013
4.9612
65.5512
24.1512
24.1512
3.3738
Adj MS
23.5046
0.0013
4.9612
65.5512
24.1512
24.1512
1.1246
F
20.90
0.00
4.41
58.29
21.48
21.48
ElANOVAmuestra
queelfactorCanal
deDistribuciny
quelasinteraccin
entrelaZonayel
Canaltienen
valoresp<5%
porloqueson
relevantes
estadsticamente
hablando.
P
0.016
0.975
0.127
0.005
0.019
0.019
12
03/02/2015
Ejemplo1:
DadoqueseencontrqueelmodelodelfactorCanalylaInteraccinentreCanalyZona
explicanel97%,delavarianza,deltiempodeaprobacindelcrdito.Sereneelequipotcnico
deapoyoconelGByproponenvariasaccionesparamejorarlostiemposdeaprobacinde
crditos.
SiUds.fueranmiembrosdeesteequipodeapoyo,Quaccionespropondran?
1. SeanalizaquesloquehacenbienenelNorte,conlaaprobacindeloscrditosconlos
canalesEspeciales,yquesloquedejandehacerenelSur.
2. Ademsseobservacomparativamenteelprocedimientodeaprobacinencanalesde
productosEstndar,versuslosdeproductosEspeciales,yseestableceunnuevo
procedimientoespecficodeaprobacindecrditoparalosclientesdeloscanales
Especiales.
3. Seobservanoportunidadesdemejoraenelprocedimientoparacanalesdeproductos
Estndar,yseaprovechalaocasinpararedefinirunnuevoprocedimientoestndarparalos
mismos.
Seaplicanlosnuevosprocedimientosdurante2mesesyseobtienenlossiguientesdatos:
13
4.2Mejoracausascomunes
Ejemplo1:Aprobacincrditoconproceso
mejorado
Das
aprobacin
conMejora
deProceso
4.2Mejoracausascomunes
X1=Zona
Geogrfica
X2=Tamao
Cliente
X3=Canal
Distribucin
Ypromedio
Norte
Pequeo
Estndar
22.3
Norte
Pequeo
Especial
24.5
Norte
Grande
Estndar
23.4
Norte
Grande
Especial
25.3
Sur
Pequeo
Estndar
21.2
Sur
Pequeo
Especial
22.7
Sur
Grande
Estndar
19.8
Sur
Grande
Especial
20.5
DasPromedio=
22.5
14
03/02/2015
GrficadeCuboprocesomejorado
Cube Plot (data means) for Das2Meses
24.5
22.7
22.3
21.2
Pequeo
Cliente
25.3
20.5
Especial
23.4
Canal
19.8
Grande
Estndar
Norte
Sur
Zona
15
4.2Mejoracausascomunes
GrficaInteraccionesproceso
mejorado
Interaction Plot for Das2Meses
Data Means
G rande
P equeo
E stndar
E special
24
Zona
Zona
Norte
Sur
22
20
24
C liente
Estainteraccinaparece
comoposiblemente
importante
4.2Mejoracausascomunes
C liente
Grande
Pequeo
22
20
C anal
16
03/02/2015
Grficadeefectosprincipales:proceso
mejorado.
Main Effects Plot for Das2Meses
Data Means
AhoraelSur
tienemejor
desempeo
queelNorte.
Zona
24
Cliente
23
Mean
22
21
Norte
Sur
Grande
Canal
24
23
22
21
Estndar
Pequeo
EltamaodeClienteno
aparececomoimportantey
tantoelCanalcomolaZona
aparecenconposibilidadse
serimportantesenla
prediccindeltiempode
aprobacindelcrdito.
Especial
17
4.2Mejoracausascomunes
SesindeMinitab
Factorial Fit: Das promedio despus de 2Meses versus Zona, Cliente, Canal
Loms
importante
esque
mejorel
promediode
dasde
aprobacin
delos
crditos.
S = 0.459619
R-Sq = 97.53%
Effect
Coef
22.462
-1.412
0.212
0.788
0.687
-2.825
0.425
1.575
1.375
SE Coef
0.1625
0.1625
0.1625
0.1625
0.1625
PRESS = 4.50667
R-Sq(pred) = 82.46%
T
138.23
-8.69
1.31
4.85
4.23
P
0.000
0.003
0.282
0.017
0.024
R-Sq(adj) = 94.25%
ElCanalsiguesiendo
importanteestadsticamente
hablando,laZonayla
interaccinZonaCliente
tambinsonimportantes.
Mejorla
prediccin
delModeloa
97.5%.
Source
Main Effects
Zona
Cliente
Canal
2-Way Interactions
Zona*Cliente
Residual Error
Total
4.2Mejoracausascomunes
DF
3
1
1
1
1
1
3
7
Seq SS
21.2838
15.9613
0.3613
4.9613
3.7812
3.7812
0.6338
25.6988
Adj SS
21.2838
15.9613
0.3612
4.9613
3.7812
3.7812
0.6338
Adj MS
7.0946
15.9613
0.3612
4.9613
3.7812
3.7812
0.2113
F
33.58
75.56
1.71
23.49
17.90
17.90
P
0.008
0.003
0.282
0.017
0.024
0.024
Se Confirma la Mejora!
18
03/02/2015
10
03/02/2015
FaseControlar
Introduccin
Entrenamiento GB Transaccional
CartografadelMtodo
Definir:
Medir:
Seleccionarel
Proyecto
EscucharVoces
delCliente
(CTQ),del
Negocioydel
Proceso(CTP)
Mapearlos
Procesos
Seleccionar
Medicin(Y)
AnalizarSistema
deMedicin
Recolectardatos
AnalizarLnea
Base
Entender
variacinysus
causas
Analizar:
Analizarla
lneabase
DefinirXs
Potenciales
Identificarde
lascausas(X
vitales)
Cuantificary
verificarlas
causas.
Mejorar:
Encontrar
valoresdelasX
vitalesque
optimizanlaY:
reducenla
variacin,
mejoranla
calidad,
disminuyenel
desperdicio.
Controlar:
Determinar
accionesque
mantienenlos
beneficios
alcanzados:
Estandarizar,
Documentary
Monitorear
(Indicadores,
CEP)
03/02/2015
MapaConceptualparaControlar
Se ha mejorado el
proceso y confirmado
la mejora
Sostener la
mejora:
Estandarizar,
Documentar,
Comunicar y
Capacitar en el
nuevo proceso
Monitorear el
proceso
AMEF
CEP
Planear la
reaccin
5.0IntroduccinalControl
EstandarizarelProceso
Todos los procesos deben estandarizarse para reducir
la variabilidad de sus salidas, debida a la variabilidad
de la ejecucin de los procesos (causa especial).
Toda mejora implica un cambio en el proceso
An cuando sean slo nuevos parmetros de operacin;
Un nuevo proveedor de algn material;
La eliminacin de algn paso del proceso, o cambios en los
criterios de aceptacin/rechazo, etc.
03/02/2015
QueslaEstandarizacindeProcesos?
Es definir al detalle paso a paso el proceso o las diferentes
versiones del mismo, dependiendo del producto o
circunstancia:
Cmo se ejecuta cada paso.
Quin ejecuta cada paso.
Cules son los parmetros de los factores controlables
del proceso.
Cules son los CTQ's y los CTP's.
Cuales son las especificaciones.
Cules son los criterios de aceptacin o rechazo.
La estandarizacin no debe ser tan laxa que permita variacin,
ni tan rgida que impida o inhiba futuras mejoras
5.0IntroduccinalControl
DocumentacindelaMejora
Para
Para
Para
Para
Formas de documentacin:
Por escrito apoyado con imgenes (fotografas/diagramas)
En esquemas o diagramas visuales
03/02/2015
ComunicaryCapacitarenloscambiosalproceso
El proceso ha cambiado, ahora hay que buscar la adhesin
disciplinada al mismo: tanto de los que operan el proceso,
como los que son Proveedores o Clientes del mismo.
Comunicar y Capacitar a quien corresponda:
Porqu ha cambiado
Qu se espera de los involucrados: nuevas funciones
Cules son los nuevos parmetros de operacin del proceso
Cules son las (nuevas) mediciones y sus especificaciones
Cules son las formas de su monitoreo y frecuencia
Cules es el plan de reaccin ante:
Cualquier contingencia
Cambios en los factores no controlables del proceso
Algn comportamiento determinado de los datos recabados durante el
monitoreo.
5.0IntroduccinalControl
Monitorearelproceso
Se pretende ser proactivos y no reactivos, por lo que se
privilegiar el monitoreo del proceso, que asegurar el
cumplimiento de los CTQ's del Cliente.
Monitorear los Crticos del Proceso (CTPs) que asegurarn
los crticos de la calidad (CTQs).
Qu tan bien pueden controlar el nivel de las Xs en su
proceso?
Pueden mantenerlas bajo control?
Pueden mantenerlas dentro de especificacin?
5.0IntroduccinalControl
03/02/2015
Monitorearlaadhesinalosnuevos
ProcedimientosEstndar
Se sugiere monitorear estrechamente la adhesin a los
nuevos procedimientos estndar por parte de las personas
que operan el proceso.
Siguen los nuevos pasos del proceso como lo indica el
estndar?
Se toman y registran las mediciones de los indicadores con la
frecuencia indicada? A partir de estos indicadores se toman
las decisiones adecuadas?
Se siguen los procedimientos estndar para reducir los
errores de medicin?
Se siguen los pasos estndar determinados por el Plan de
Reaccin cuando hay una anormalidad?
5.0IntroduccinalControl
ComponenteCultural
Se ha mencionado reiteradamente que el Componente de
transformacin ms complejo es el Cultural. Es decir, la
transformacin cultural del ser humano.
Apoyados en la cultura y valores de la empresa u organizacin, en
la Visin de transformacin que se persigue y en otros
argumentos, se debe buscar la adhesin del personal a las
transformaciones propuestas.
Se sugiere una supervisin muy estrecha y frecuente a los
procedimientos estndar al inicio de la transformacin y, cuando
la cultura est cambiando, puede reducirse la intensidad y
frecuencia de la supervisin. Cuando haya un cambio cultural
slido, entonces tener una supervisin slo basada en los
indicadores ms importantes.
5.0IntroduccinalControl
10
03/02/2015
CerrarelProyecto
Las acciones de la fase de Control son las adecuadas
y suficientes para sostener las mejoras? Pnganlas a
prueba!:
Cerrar el proyecto Seis Sigma. Es decir, no volver a
intervenir en el proceso despus del cierre.
Slo dejar las acciones de Control establecidas:
nicamente interviniendo quien se indique en estas
acciones de Control.
Observar (desde lejos) el desempeo de los indicadores
por al menos ocho semanas. Es decir, con una presencia
discreta, tratando de no ser un factor que influencie la
toma de decisiones de los que ejecutan el proceso.
Se mantuvieron las mejoras en el nivel esperado?
Si no se mantuvieron:
5.0IntroduccinalControl
11
SemantuvieronlasMejoras?!
Felicidades!
Clausurar el proyecto
Dar por terminada la fase del proyecto.
Obtener la validacin de Finanzas acerca de los beneficios
econmicos logrados y proyectados con el proyecto.
Documentar lo que se hizo en las cinco fases del proyecto:
Para dejar memoria y orientar futuras mejoras en otros procesos.
Para poder replicar el proyecto en procesos semejantes.
Para regresar a este documento si se desease mejorar el mismo
proceso en una etapa posterior o si se desea hacer algunos ajustes
al proceso, por cambios en las especificaciones, en los materiales,
por causas especiales no consideradas, etc.
5.0IntroduccinalControl
12
03/02/2015
QuesunaRplica?
Se refiere a la posibilidad de implantar la mejora
en procesos semejantes, sin la ejecucin de un
nuevo proyecto.
5.3PlandeReaccin
13
CondicionesparaReplicar:
Para replicar proyectos enfocados en la eliminacin (o
disminucin) de las causas de variacin:
No es necesario que haya gran semejanza entre
procesos: donde se realiz el proyecto y donde se
pretende replicar.
Se requiere que las mismas causas de variacin que se
atacaron en el proyecto original, se encuentren
presentes en el proceso donde se pretende replicar.
Que los procedimientos estndar que se hayan generado
en el proyecto original, sean aplicables al proceso al que
se pretende hacer la rplica.
Necesario validar la mejora una vez aplicada la rplica.
5.3PlandeReaccin
14
03/02/2015
EntregablesporfaseDMAIC
Definicin
Medicin
Anlisis
(3semanas)
(5semanas)
(4semanas)
Situacinactual
Situacindeseada
Alcancedel
proyecto
Variable
dependiente
Variables
independientes
Equipodeapoyo
Mapeodelproceso
Beneficios
esperados
Anlisisdelsistema
demedicin
Lneabase
Capacidaddel
proceso
Objetivodel
proyecto
Hiptesisaprobar
Comprobacinde
lashiptesis
Variables
dependientes
significativa
Mejora
Control
Monitoreo
(5semanas)
(4semanas)
(8semanas)
Propuestasde
mejora(sobrelas
variables
significativas)
Datosmejorados
delavariable
dependiente
Nuevacapacidad
delproceso
Plandecontrol
Documentos
modificados
Planesde
capacitacin
Identificacinde
procesossimilares
Consistenciaenla
nuevacapacidad
delproceso
15
03/02/2015
ObjetivosdelControlEstadsticodel
Proceso(CEP)
Evaluar la variacin de los procesos, para determinar si su
comportamiento es el esperado estadsticamente, o si
existe algo que est afectando al proceso, que ocasione que
el comportamiento sea diferente al esperado. En caso de
ser necesario, tomar acciones correctivas en el proceso,
antes que se produzcan defectos.
Evaluar la capacidad del proceso para cumplir con los
requerimientos del Cliente
5.1ControlEstadsticodelProceso
03/02/2015
Concepcindelacalidad:
Por la forma en que se pretende alcanzarla
Inspeccin
Contencin
Control
Aseguramiento
Calidad en el origen!
5.1ControlEstadsticodelProceso
Concepcindelacalidad:
Cuntas e hay en el siguiente texto?
03/02/2015
Queslacalidad?
Segn Jurn (1990): Calidad es que un producto sea
adecuado para su uso consiste de las caractersticas
que satisfacen al cliente y de la ausencia de
deficiencias
NOM-CC: el conjunto de propiedades y
caractersticas de un producto o servicio que le
confieren la aptitud para satisfacer las necesidades
implcitas o explcitas preestablecidas
5.1ControlEstadsticodelProceso
Queslacalidad?
es satisfacer al cliente
Respecto de lo que esperaba
De acuerdo a sus necesidades
Su expectativa con relacin al:
Contexto, publicidad, precio, tecnologa,
5.1ControlEstadsticodelProceso
03/02/2015
Calidadvs.Variacin
La variacin es enemiga de la calidad
Cunta variacin est dispuesto el Cliente a aceptar en el
producto?
PrincipalherramientadelCEP:Grficasde
Control
Las grficas o cartas de control fueron desarrolladas por
Walter Shewhart en los aos veintes.
Objetivo: Tomar acciones correctivas en el proceso, antes
que se produzcan defectos.
El concepto central de estas grficas es la evaluacin de la
variacin de los procesos, para determinar si stos estn
operando con el comportamiento estadstico esperado, o si
existe algo que est afectando al proceso que ocasiona que
el comportamiento sea diferente al esperado.
5.1ControlEstadsticodelProceso
03/02/2015
ControldelProceso
Proceso
est
bajo
control:
cuando
el
comportamiento del proceso es el esperado, de
acuerdo a lo que se conoce como variacin natural
o estadstica.
El proceso no est bajo control: cuando el
comportamiento de la variacin del proceso no es
la esperada.
5.1ControlEstadsticodelProceso
CausasdelaVariacindelosProcesos
Dos tipos: comunes (aleatorias, ruido
especiales (atribuibles, ruido negro)
blanco)
5.1ControlEstadsticodelProceso
10
03/02/2015
TiposdegrficasdeControl
Se agrupan por la naturaleza de los datos del
proceso que se estudia:
Datos Continuos: Tiempo, pesos, desempeo, etc.
Datos Discretos: pasa no pasa, cumple no cumple,
proporciones, nmero de defectos, Si-No, Bueno-Malo,
Aceptable-Inaceptable, etc.
5.1ControlEstadsticodelProceso
11
Muestreoracional
Diseo de los subgrupos racionales para capturar
toda la variabilidad del proceso.
Tanto la: Debida a causas especiales como a
Debida a causas comunes
Propias del diseo del proceso
5.1ControlEstadsticodelProceso
12
03/02/2015
DistribucindeprobabilidadNormal
Teorema del Lmite Central
a) Si una variable se obtiene como una suma de muchas causas
independientes, siendo cada una de ellas de poca importancia respecto al
conjunto, entonces su Distribucin es asintticamente normal.
X1,S1
X2,S2
X4,S4
X5,S5
X3,S3
X6, S6
PoblacindelasX()
X
13
5.1ControlEstadsticodelProceso
TeoremadelLmiteCentral
Distribucindela
variableoriginalX
X1,S1
X2,S2
X4,S4
X5,S5
X3,S3
X6, S6
X X X
X SX
SX
n
Distribucindelas
mediasmuestralesX
X
14
03/02/2015
Componentesdeunagrficadecontrol
grfica de control de X para las Variables de Salida Clave
LSC
Media del
proceso
X
0.27%
LIC
0
10
Tiempo
20
15
GrficadeControlx,S
Cada punto representa el promedio del tiempo de cambio de troquel en cada da,
durante 25 das consecutivos. Las lneas horizontales de arriba y de abajo
representan los lmites de control (superior e inferior). La lnea central representa el
promedio del promedio de los datos observados ( X ).
Lmite Superior de Control (LSC) =X 3S
Veralfinaldecaptulo
Lmite Inferior de Control (LIC) =X 3S X
5.1ControlEstadsticodelProceso
frmulasdeotrasGrficas
16
03/02/2015
CmoseelaboraunaGrficadeControl?
1. Mediciones confiables: precisas, exactas, lineales,
repetibles y reproducibles.
2. Plan de muestreo representativo de la operacin del
proceso y un tamao de muestra (n).
3. Se mide cada elemento de la muestra, en la variable
en donde se representa el problema.
4. Se obtiene la media y la desviacin estndar de
cada muestra Sx.
5. Se calcula X
y con sta se estima el promedio del
proceso (). Se calcula S X.
6. Se traza la grfica de Control con LIE, LSE y la Lnea
Central
5.1ControlEstadsticodelProceso
17
Procesofueradecontrol
1. Que un punto se salga de los lmites de Control
2. Que 7 puntos consecutivos se mantengan por encima (o por abajo) de la
lnea Central.
3. 6 puntos consecutivos ascendiendo o descendiendo o formando un patrn.
LC
5.1ControlEstadsticodelProceso
18
03/02/2015
LIE
19
Ejemplo1
El peso de cubetas de pintura es una medida de calidad, por lo que se desea mantener
en un peso nominal N=20 kg. con una especificacin de 19 a 21 kg. Se hace un plan de
recoleccin de datos en subgrupos de tamao 3 y se registran los datos de peso en las
columnas C de la matriz que se muestra abajo:
5.1ControlEstadsticodelProceso
20
10
03/02/2015
Ejemplo:GrficadeControl
LIE
LSE
scp = 0.768
Cp=
=(2119)/(6*0.768)=0.434
Ancho del proceso = 6s
ElprocesoNOtienecapacidadparasurtirlorequeridoporelcliente
21
DatosAtributooCategricos:
DistribucindeprobabilidadBinomial
La distribucin binomial es til para modelar eventos que sean del tipo Pasa - No
pasa, Falla no Falla,
Bueno Malo, Falso Verdadero, etc.
La probabilidad del evento que se
considera, se llama p = Proporcin
de fallas, falsos, etc.
Su media = = p
Su desviacin estndar s = p (1p)
Su desv. estd. muestral =
5.1ControlEstadsticodelProceso
p (1p)
22
11
03/02/2015
Ejemplo2:
Errneos 23 13 14 23 17 11 19 21 17 17 17 31 35 32 39 38 41 40 41 44
5.1ControlEstadsticodelProceso
23
Ejemplo2:
Carta Control nmero de registros errneos
1
45
UCL=41.82
Nmero de Errneos
40
35
30
__
NP=26.65
25
20
15
LCL=11.48
10
11
Muestra
13
15
17
19
24
12
03/02/2015
Ejemplo2:
Se encuentran las causas del incremento de los registros errneos en la elaboracin
quincenal de la nmina y se atacan las mismas. Se elabora la grfica de control para los
registros errneos en la nmina para las siguientes 20 quincenas. Sin embargo, dado
que el nmero de personas en la nmina esta vez no se mantuvo estable durante este
segundo periodo, se opta por la grfica p, en vez de la np (Stat/Grficas de Control/ Grfica
de Atributos/P).
23
16
21
18
18
24
27
27
21
28
17
22
19
25
26
23
18
17
25
17
P Chart of Errneos
Nm.
Emplds.
642
645
641
645
645
640
639
647
640
636
647
651
642
641
639
651
646
639
639
642
0.06
UCL=0.05494
0.05
Proportion
Errneos
0.04
_
P=0.03360
0.03
0.02
LCL=0.01226
0.01
1
11
Sample
13
15
17
19
Ejemplo2:
Dado que el proceso est bajo control, ahora podemos calcular el Cp y Cpk del
proceso considerando que la especificacin es de 0 a 3% registros errneos.
La grfica de control nos muestra que = 0.0336
Por lo que la desviacin de corto plazo de p es:
.
.
= 0.007107
Cpk =
26
13
03/02/2015
EstabilidadyCapacidad
El hecho que un proceso sea estable (bajo control), no
implica que tenga la capacidad para cumplir con las
especificaciones del cliente.
El proceso es estable?
El proceso es capaz?
No
No
Enfocaresfuerzosen
mejoradela
productividaddel
proceso
Enfocaresfuerzosen
mejoradelatecnologa
oenredefinirel
proceso
Enfocaresfuerzosenla
eliminacindelas
causasespeciales
presentesenelproceso
Enfocaresfuerzosen
mejoradelatecnologa
delprocesoyenla
eliminacindelas
causasespeciales
5.1ControlEstadsticodelProceso
27
continuos
variables
medicin
individual o
subgrupos
individuales
brusco
cambios
bruscos o
graduales de
media?
X, R
gradual
MA
EWMA
CUSUM
no
datos
normalmente
distribuidos?
si
Inicio
tipo
datos
X, RM
si
C
discretos
atributos
defectos
oportunidad
constante de
muestra a
muestra?
defectos o
defectivos
no
no
defectivos
(defectuosos)
5.1ControlEstadsticodelProceso
tamao
subgrupo
constante?
p, np
si
28
14
03/02/2015
Prctica1
Se ha mejorado un proceso de embarque y se propone dejar una grfica de
control para detectar si hay algn comportamiento no esperado en dicho
proceso y si se mantiene la mejora de menos de 15 % de embarques con
falla. Se hace un muestreo racional y se toman 20 muestras de diferente
tamao (n). Se encuentran los siguientes datos de los Embarques con falla en
las 20 muestras tomadas.
Falla
n
1.
2.
2
4 3 2 2 1 2 0 4 2 1 2 0 2 1 1 0 3 2
11 10 15 12 10 10 12 13 10 11 12 15 10 12 11 11 13 10 12
2
12
5.1ControlEstadsticodelProceso
29
30
15
03/02/2015
TabladeclculodelmitesdeControldedatostipo
VariablesoContinuos
Carta
LSC
LC
LIC
Xbarra
(usandoR)
Xbarra
(usando)
Xbarra
(usandos)
LC=
Xindividual
R=Rango
3
3
5.1ControlEstadsticodelProceso
31
TablaclculolmitesdeControldedatostipo
AtributooCategrico
Carta
LSC
LC
LIC
np
C
U
Subgrupodetamaoconstante:
c=nmerodedefectosporsubgrupo
C =nmeropromediodedefectosporsubgrupo
5.1ControlEstadsticodelProceso
LC U
Subgrupodetamaonoconstante:
=nmeropromediodedefectosporunidad
=nmerodefectostotalesensubgrupo/
tamaodelsubgrupo
32
16
03/02/2015
FactoresparaElaborarGrficasdeControl
Nmero
de
observaciones en
la
Muestra
n
Cartas de Promedios
Factores para lmites de
Control
A1
A2
A3
c2
2
2.1210 3.7600 1.8800 2.6590 0.5642
3
1.7320 2.3940 1.0230 1.9540 0.7236
4
1.5000 1.8800 0.7290 1.6280 0.7979
5
1.3420 1.5960 0.5770 1.4270 0.8407
6
1.2250 1.4100 0.4830 1.2870 0.8686
7
1.1340 1.2770 0.4190 1.1820 0.8882
8
1.0610 1.1750 0.3730 1.0990 0.9027
9
1.0000 1.0940 0.3370 1.0320 0.9139
10
0.9490 1.0280 0.3080 0.9750 0.9227
11
0.9050 0.9730 0.2850 0.9270 0.9300
12
0.8660 0.9250 0.2660 0.8860 0.9359
13
0.8320 0.8840 0.2490 0.8500 0.9410
14
0.8020 0.8480 0.2350 0.8170 0.9453
15
0.7750 0.8160 0.2230 0.7890 0.9490
16
0.7500 0.7880 0.2120 0.7630 0.9523
17
0.7280 0.7620 0.2030 0.7390 0.9551
18
0.7070 0.7380 0.1940 0.7180 0.9576
19
0.6880 0.7170 0.1870 0.6980 0.9599
20
0.6710 0.6970 0.1800 0.6800 0.9619
21
0.6550 0.6790 0.1730 0.6630 0.9630
22
0.6400 0.6620 0.1670 0.6470 0.9655
23
0.6260 0.6470 0.1620 0.6330 0.9670
24
0.6120 0.6320 0.1570 0.6190 0.9684
5.1ControlEstadsticodelProceso
25
0.6000 0.6190 0.1530 0.6060 0.9696
>25
3/n 3/n
c4
0.7979
0.8862
0.9213
0.9400
0.9515
0.9594
0.9650
0.9693
0.9727
0.9754
0.9776
0.9794
0.9810
0.9823
0.9835
0.9845
0.9854
0.9862
0.9869
0.9876
0.9882
0.9887
0.9892
0.9896
B1
B2
B3
B4
B5
B6
d2
d3
D1
D2
D3
D4
0.000
0.000
0.000
0.000
0.029
0.113
0.179
0.232
0.276
0.313
0.346
0.374
0.399
0.421
0.440
0.458
0.475
0.490
0.504
0.516
0.528
0.539
0.549
0.559
2.606
2.276
2.088
1.964
1.874
1.806
1.751
1.707
1.669
1.637
1.610
1.585
1.563
1.544
1.526
1.511
1.496
1.483
1.470
1.459
1.448
1.438
1.429
1.420
1.128
1.693
2.059
2.326
2.534
2.704
2.847
2.970
3.078
3.173
3.258
3.336
3.407
3.472
3.532
3.588
3.640
3.689
3.735
3.778
3.819
3.858
3.895
3.931
0.853
0.888
0.880
0.864
0.848
0.833
0.820
0.808
0.797
0.787
0.778
0.770
0.762
0.755
0.749
0.743
0.738
0.733
0.729
0.724
0.720
0.716
0.712
0.709
0.000
0.000
0.000
0.000
0.000
0.205
0.387
0.546
0.687
0.812
0.924
1.026
1.121
1.207
1.285
1.359
1.426
1.490
1.548
1.606
1.659
1.710
1.759
1.804
3.686
4.358
4.698
4.918
5.078
5.203
5.307
5.394
5.469
5.534
5.592
5.646
5.693
5.737
5.779
5.817
5.854
5.888
5.922
5.950
5.979
6.006
6.031
6.058
0.000
0.000
0.000
0.000
0.000
0.076
0.136
0.184
0.223
0.256
0.284
0.308
0.329
0.348
0.364
0.379
0.392
0.404
0.414
0.425
0.434
0.443
0.452
33
0.459
3.267
2.575
2.282
2.115
2.004
1.925
1.864
1.816
1.777
1.744
1.716
1.692
1.671
1.652
1.636
1.621
1.608
1.596
1.586
1.575
1.566
1.557
1.548
1.541
Relacionesparaclculodelmites
5.1ControlEstadsticodelProceso
34
17
03/02/2015
Z
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2.0
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
3.0
3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8
0.01
0.02
0.03
0.5000
0.4960
0.4920
0.4880
0.4602
0.4562
0.4522
0.4483
0.4207
0.4168
0.4129
0.4090
0.3821
0.3783
0.3745
0.3707
0.3446
0.3409
0.3372
0.3336
0.3085
0.3050
0.3015
0.2981
0.2743
0.2709
0.2676
0.2643
0.2420
0.2389
0.2358
0.2327
0.2119
0.2090
0.2061
0.2033
0.1841
0.1814
0.1788
0.1762
0.1587
0.1562
0.1539
0.1515
0.1357
0.1335
0.1314
0.1292
0.1151
0.1131
0.1112
0.1093
0.0968
0.0951
0.0934
0.0918
0.0808
0.0793
0.0778
0.0764
0.0668
0.0655
0.0643
0.0630
0.0548
0.0537
0.0526
0.0516
0.0446
0.0436
0.0427
0.0418
0.0359
0.0351
0.0344
0.0336
0.0287
0.0281
0.0274
0.0268
0.0228
0.0222
0.0217
0.0212
0.0179
0.0174
0.0170
0.0166
0.0139
0.0136
0.0132
0.0129
0.0107
0.0104
0.0102
0.0099
0.0082
0.0080
0.0078
0.0075
0.0062
0.0060
0.0059
0.0057
0.0047
0.0045
0.0044
0.0043
0.0035
0.0034
0.0033
0.0032
0.0026
0.0025
0.0024
0.0023
0.0019
0.0018
0.0018
0.0017
0.0013
0.0013
0.0013
0.0012
0.0010
0.0009
0.0009
0.0009
0.0007
0.0007
0.0006
0.0006
0.0005
0.0005
0.0005
0.0004
0.0003
0.0003
0.0003
0.0003
0.0002
0.0002
0.0002
0.0002
0.0002
0.0002
0.0001
0.0001
5.1ControlEstadsticodelProceso
0.0001
0.0001
0.0001
0.0001
0.0001
0.0001
0.0001
0.0001
0.04
0.05
0.06
0.07
0.08
0.09
0.4840
0.4443
0.4052
0.3669
0.3300
0.2946
0.2611
0.2296
0.2005
0.1736
0.1492
0.1271
0.1075
0.0901
0.0749
0.0618
0.0505
0.0409
0.0329
0.0262
0.0207
0.0162
0.0125
0.0096
0.0073
0.0055
0.0041
0.0031
0.0023
0.0016
0.0012
0.0008
0.0006
0.0004
0.0003
0.0002
0.0001
0.0001
0.0001
0.4801
0.4404
0.4013
0.3632
0.3264
0.2912
0.2578
0.2266
0.1977
0.1711
0.1469
0.1251
0.1056
0.0885
0.0735
0.0606
0.0495
0.0401
0.0322
0.0256
0.0202
0.0158
0.0122
0.0094
0.0071
0.0054
0.0040
0.0030
0.0022
0.0016
0.0011
0.0008
0.0006
0.0004
0.0003
0.0002
0.0001
0.0001
0.0001
0.4761
0.4364
0.3974
0.3594
0.3228
0.2877
0.2546
0.2236
0.1949
0.1685
0.1446
0.1230
0.1038
0.0869
0.0721
0.0594
0.0485
0.0392
0.0314
0.0250
0.0197
0.0154
0.0119
0.0091
0.0069
0.0052
0.0039
0.0029
0.0021
0.0015
0.0011
0.0008
0.0006
0.0004
0.0003
0.0002
0.0001
0.0001
0.0001
0.4721
0.4325
0.3936
0.3557
0.3192
0.2843
0.2514
0.2206
0.1922
0.1660
0.1423
0.1210
0.1020
0.0853
0.0708
0.0582
0.0475
0.0384
0.0307
0.0244
0.0192
0.0150
0.0116
0.0089
0.0068
0.0051
0.0038
0.0028
0.0021
0.0015
0.0011
0.0008
0.0005
0.0004
0.0003
0.0002
0.0001
0.0001
0.0001
0.4681
0.4286
0.3897
0.3520
0.3156
0.2810
0.2483
0.2177
0.1894
0.1635
0.1401
0.1190
0.1003
0.0838
0.0694
0.0571
0.0465
0.0375
0.0301
0.0239
0.0188
0.0146
0.0113
0.0087
0.0066
0.0049
0.0037
0.0027
0.0020
0.0014
0.0010
0.0007
0.0005
0.0004
0.0003
0.0002
0.0001
0.0001
0.0001
0.4641
0.4247
0.3859
0.3483
0.3121
0.2776
0.2451
0.2148
0.1867
0.1611
0.1379
0.1170
0.0985
0.0823
0.0681
0.0559
0.0455
0.0367
0.0294
0.0233
0.0183
0.0143
0.0110
0.0084
0.0064
0.0048
0.0036
0.0026
0.0019
0.0014
0.0010
0.0007
0.0005
0.0003
0.0002
0.0002
0.0001
0.0001
0.0001
Tablade
Distribucinde
ProbabilidadNormal
Estndar
1
2
f ( z)
z
e1/2 z2
f ( x)
x 2
1
1
e2
2
35
18
Entrenamiento GB Transaccional
Registro pblico derecho de autor nmero: 03-2014-062010530600-01
QueselAMEF?
Anlisis del Modo y Efecto de la Falla
(FMEA = Failure Mode and Effect Analysis)
Una herramienta que ayuda a:
Sirve para:
Identificar las formas en las que un proceso puede fallar
Estimar el riesgo de los efectos de las fallas si llegasen a ocurrir
Evaluar el plan de control actual para prevenir las fallas
AMEF
Historia
AMEF fue formalmente introducido hacia finales de los aos cuarenta, del siglo
pasado, con motivos militares por las Fuerzas Armadas de los EE.UU.
Hacia el final de los 70s la Ford introdujo el AMEF en la industria automotriz para
evitar problemas regulatorios y de seguridad. Posteriormente lo utiliz para
mejorar la produccin y el diseo.
AMEF
TiposdeAMEF
AMEF de Producto: Analiza los Modos de Falla Potencial del
producto debido al Proceso de Diseo.
AMEF de Proceso: Analiza los Modos de Falla Potencial
debido a la ejecucin del proceso.
AMEF de Servicio: Analiza los Modos de Falla Potencial de
los procesos de Servicio al Cliente
AMEF de Seguridad: Analiza los Modos de Falla Potencial de
los procesos o productos que afectan la seguridad de los
usuarios o trabajadores.
4
Esquema AMEF
Prevencin Prevencin
Causa
3
Causa
2
Deteccin
Causa 1
Entrada
Proceso
Deteccin
Modo de
la Falla
(Defecto)
Salida
Cliente:
Efecto en
el CTQ
Proceso
AMEF
DefinicindeTrminos
Causa: Alguno de los eslabones de la cadena causal que ocasiona
el Modo de Falla.
Modo de la Falla: La forma en que falla una entrada o paso del
proceso especfico.
Efecto sobre los requerimientos del cliente interno o externo.
Controles: Acciones, inspecciones, pruebas de laboratorio,
mediciones, dispositivos poka yoke colocados para detectar los
modos de falla o las causas (antes de ocasionar los efectos) o los
defectos mismos.
AMEF
Efecto 1
Modo de
Falla 2
Efecto 1
Modo de
Falla 1
Efecto 1
Efecto 2
Modo de
Falla 1
Modo de
Falla 2
Efecto 1
Dos o ms Modos de Falla
simultneos producen un efecto
AMEF
PasosdelAMEFdeProceso
1. Forme un equipo de personas adecuado. Incluya en el
equipo:
Uno o varios expertos en el proceso
Personal crtico / analtico que no sea parte del proceso:
proveedores y clientes del proceso
Recibos de
Cobro
Entrega tarda
de los
documentos al
cliente.
Factura
Aplicacin
incorrecta de
cargos al cliente
en el sistema SAP
Atraso en el pago
de la factura, al
contar el perido
del crdito a partir
de que el cliente
recibe todos los
documentos.
Entrega tarda
de mercacas al
Atraso en el pago
cliente en las
de la factura
fechas cercanas
correspondiente.
a los cierres de
mes.
Saldos vencidos
que no se
comunican al
Desconocimiento cliente.
por parte de
clientes del
vencimiento de
Bloqueo del
sus facturas.
crdito de
clientes.
Cargo
AMEF
En el formato de
recibo no se
identifica el
nmero de
factura.
Revisin de
recibos por
parte de jefe
de ventas.
Control propuesto
448
432
Programa computacional
Inlcuir un campo obligatorio para que obligue a llenar el campo de
en el recibo se registre el nmero de nmero de factura y que
contenga la esctructura de
la factura.
los nmeros de factura.
Obligatoriedad de dicho
campo
Incluir un campo obligatorio para que Que el jefe de ventas y de
se identifiquen las bonificaciones y
CxC hagan auditoras para
cartas de crdito.
revisar que se ent
cumpliendo con los registros
de los campos anteriores
Hacer que los transportistas
firmen de recibido por los
Hacer un formato que incluya una
docuementos incluidos en la
lista de confirmacin con todos los
lista y fincar
documentos que deben entregrsele
responsabilidades si no
a los transportistas.
entrega los documentos al
cliente.
Falta identificar
en el recibo los
descuentos o
promociones que
se aplican.
Aplicacin
incorrecta de
cargos al cliente
en el sistema SAP
No se le entrega
toda la
documentacin al
transportista que
entrega los
productos.
Ninguno
10
540
Se acumulan
entregas en
fechas cercanas a
los cierres
contables.
Ninguno
10
150
Ninguno
10
640
Ninguno
10
560
Cliente no tiene
certidumbre de a
partir de qu
momento inicia el
periodo del
crdito.
Entrega tarda
de los
documentos al
cliente.
Factura
Aplicacin
incorrecta de
cargos al cliente
en el sistema SAP
Atraso en el pago
de la factura, al
contar el perido
del crdito a partir
de que el cliente
recibe todos los
documentos.
Entrega tarda
de mercacas al
Atraso en el pago
cliente en las
de la factura
fechas cercanas
correspondiente.
a los cierres de
mes.
Cargo
Saldos vencidos
que no se
comunican al
Desconocimiento cliente.
por parte de
clientes del
vencimiento de
Bloqueo del
sus facturas.
crdito de
clientes.
AMEF
Falta de
conocimiento de
los descuentos o
promociones que
se acuerdan con
los clientes.
Controles
actuales en
el proceso
Deteccin
Causa (s) de la
falla potencial
Ocurrencia
Severidad
8
Recibos de
Cobro
No cuadran las
cantidades
incluidas en el
recibo.
Efecto en los
CTQs
N
P
R
En recibo no se
identifican las
bonificaciones.
Nombre de
Modo de Falla
la variable
de Entrada de la Entrada
Deteccin
Acciones recomendadas
Severidad
Deteccin
Ocurrencia
7
Revisin de
recibos por
parte de jefe
de ventas.
Prioridad
de riesgo
(NPR)
Revisin de
recibos por
parte de jefe
de ventas.
En el formato de
recibo no se
identifica el
nmero de
factura.
Revisin de
recibos por
parte de jefe
de ventas.
En recibo no se
identifican las
bonificaciones.
Ninguno
Prioridad
de riesgo
(NPR)
Acciones recomendadas
Control propuesto
Deteccin
No cuadran las
cantidades
incluidas en el
recibo.
Falta de
conocimiento de
los descuentos o
promociones que
se acuerdan con
los clientes.
Controles
actuales en
el proceso
Severidad
Aplicacin
incorrecta de
cargos al cliente
en el sistema SAP
Causa (s) de la
falla potencial
Ocurrencia
Falta identificar
en el recibo los
descuentos o
promociones que
se aplican.
Efecto en los
CTQs
Severidad
Nombre de
Modo de Falla
la variable
de Entrada de la Entrada
Ocurrencia
Nueva
estimacin
N
P
R
448
432
Programa computacional
Inlcuir un campo obligatorio para que obligue a llenar el campo de
en el recibo se registre el nmero de nmero de factura y que
contenga la esctructura de
la factura.
los nmeros de factura.
Obligatoriedad de dicho
campo
4. Identifique
los efectos sobre
los
Incluir un campo obligatorio para que Que el jefe de ventas y de
identifiquen las bonificaciones y
CxC hagan auditoras para
CTQs10de450
los se
Modos
de Falla Potenciales
cartas de crdito.
revisar que se ent
No se le entrega
toda la
documentacin al
transportista que
entrega los
productos.
Ninguno
10
540
Se acumulan
entregas en
fechas cercanas a
los cierres
contables.
Ninguno
10
150
Ninguno
10
640
Ninguno
10
560
Cliente no tiene
certidumbre de a
partir de qu
momento inicia el
periodo del
crdito.
10
Falta identificar
en el recibo los
descuentos o
promociones que
se aplican.
Aplicacin
incorrecta de
cargos al cliente
en el sistema SAP
Entrega tarda
de los
documentos al
cliente.
Factura
Aplicacin
incorrecta de
cargos al cliente
en el sistema SAP
Atraso en el pago
de la factura, al
contar el perido
del crdito a partir
de que el cliente
recibe todos los
documentos.
Entrega tarda
de mercacas al
Atraso en el pago
cliente en las
de la factura
fechas cercanas
correspondiente.
a los cierres de
mes.
Cargo
Saldos vencidos
que no se
comunican al
Desconocimiento cliente.
por parte de
clientes del
vencimiento de
Bloqueo del
sus facturas.
crdito de
clientes.
AMEF
Falta de
conocimiento de
los descuentos o
promociones que
se acuerdan con
los clientes.
Acciones recomendadas
Control propuesto
Deteccin
Prioridad
de riesgo
(NPR)
Severidad
Deteccin
Controles
actuales en
el proceso
N
P
R
448
432
Programa computacional
Inlcuir un campo obligatorio para que obligue a llenar el campo de
en el recibo se registre el nmero de nmero de factura y que
contenga la esctructura de
la factura.
los nmeros de factura.
Revisin de
recibos por
parte de jefe
de ventas.
En el formato de
recibo no se
identifica el
nmero de
factura.
Revisin de
recibos por
parte de jefe
de ventas.
En recibo no se
identifican las
bonificaciones.
Ninguno
No se le entrega
toda la
documentacin al
transportista que
entrega los
productos.
Ninguno
10
540
Se acumulan
entregas en
fechas cercanas a
los cierres
contables.
Ninguno
10
150
Ninguno
10
640
Ninguno
10
560
Recibos de
Cobro
No cuadran las
cantidades
incluidas en el
recibo.
Causa (s) de la
falla potencial
Ocurrencia
Efecto en los
CTQs
Severidad
Nombre de
Modo de Falla
la variable
de Entrada de la Entrada
Ocurrencia
Nueva
estimacin
Cliente no tiene
certidumbre de a
partir de qu
momento inicia el
periodo del
crdito.
11
CriteriosparalacuantificacindelaSeveridad
AMEF
12
Falta identificar
en el recibo los
descuentos o
promociones que
se aplican.
Aplicacin
incorrecta de
cargos al cliente
en el sistema SAP
Recibos de
Cobro
No cuadran las
cantidades
incluidas en el
recibo.
Entrega tarda
de los
documentos al
cliente.
Factura
Aplicacin
incorrecta de
cargos al cliente
en el sistema SAP
Atraso en el pago
de la factura, al
contar el perido
del crdito a partir
de que el cliente
recibe todos los
documentos.
Entrega tarda
de mercacas al
Atraso en el pago
cliente en las
de la factura
fechas cercanas
correspondiente.
a los cierres de
mes.
Saldos vencidos
que no se
comunican al
Desconocimiento cliente.
por parte de
clientes del
vencimiento de
Bloqueo del
sus facturas.
crdito de
clientes.
Cargo
AMEF
Falta de
conocimiento de
los descuentos o
promociones que
se acuerdan con
los clientes.
N
P
R
448
432
Programa computacional
Inlcuir un campo obligatorio para que obligue a llenar el campo de
en el recibo se registre el nmero de nmero de factura y que
contenga la esctructura de
la factura.
los nmeros de factura.
En el formato de
recibo no se
identifica el
nmero de
factura.
Revisin de
recibos por
parte de jefe
de ventas.
En recibo no se
identifican las
bonificaciones.
Ninguno
10
450
No se le entrega
toda la
documentacin al
transportista que
entrega los
productos.
Ninguno
10
540
Se acumulan
entregas en
fechas cercanas a
los cierres
contables.
Cliente no tiene
certidumbre de a
partir de qu
momento inicia el
periodo del
crdito.
Control propuesto
Revisin de
recibos por
parte de jefe
de ventas.
Acciones recomendadas
Deteccin
Prioridad
de riesgo
(NPR)
Severidad
Controles
actuales en
el proceso
Deteccin
Causa (s) de la
falla potencial
Ocurrencia
Efecto en los
CTQs
Severidad
Nombre de
Modo de Falla
la variable
de Entrada de la Entrada
Ocurrencia
Nueva
estimacin
6. Identifique Obligatoriedad
y registre
de dicho
campo
causa(s)
que
Incluir unla(s)
campo obligatorio
para que Que
el jefe de ventas y de
se identifiquen las bonificaciones y
CxC hagan auditoras para
cada
Modo
cartas deprovoca(n)
crdito.
revisar que
se ent
cumpliendo con los registros
de Falla y su grado
de
de los campos
anteriores
Hacer que los transportistas
ocurrencia de
firmenacuerdo
de recibido por los
Hacer un formato que incluya una
docuementos incluidos en la
lista de confirmacin con todos los
a la tabla siguiente.
lista y fincar
documentos que deben entregrsele
a los transportistas.
responsabilidades si no
entrega los documentos al
cliente.
Ninguno
10
150
Ninguno
10
640
Ninguno
10
560
13
CriteriosparalacuantificacindelaOcurrencia
Puntaje
No hay documentacin, pero se estima que hay un Baja probabilidad de que el modo de falla o causa se convierta en falla y
bajo ndice de fallas.
llegue al cliente
No hay evidencia, pero se estima un ndice de falla Es probable que el sistema de control detecte o prevenga un modo de falla o
relativamente moderada
causa antes de que se convierta en falla y llegue al cliente.
No hay evidencia documentada, pero se estima un Hay muy poca probabilidad de que un modo de falla o causa se detecte o se
ndice de falla alto.
evite antes de que se convierta en falla y llegue al cliente.
10
AMEF
Hay certeza absoluta de que los controles existentes no van a detectar los
modos de falla, ni las causas ni la falla misma.
14
Falta identificar
en el recibo los
descuentos o
promociones que
se aplican.
Aplicacin
incorrecta de
cargos al cliente
en el sistema SAP
Entrega tarda
de los
documentos al
cliente.
Factura
Aplicacin
incorrecta de
cargos al cliente
en el sistema SAP
Atraso en el pago
de la factura, al
contar el perido
del crdito a partir
de que el cliente
recibe todos los
documentos.
Entrega tarda
de mercacas al
Atraso en el pago
cliente en las
de la factura
fechas cercanas
correspondiente.
a los cierres de
mes.
Cargo
Saldos vencidos
que no se
comunican al
Desconocimiento cliente.
por parte de
clientes del
vencimiento de
Bloqueo del
sus facturas.
crdito de
clientes.
AMEF
Falta de
conocimiento de
los descuentos o
promociones que
se acuerdan con
los clientes.
Deteccin
432
Programa computacional
Inlcuir un campo obligatorio para que obligue a llenar el campo de
en el recibo se registre el nmero de nmero de factura y que
contenga la esctructura de
la factura.
los nmeros de factura.
Ninguno
10
450
Ninguno
10
540
Ninguno
10
150
Ninguno
10
640
Ninguno
10
560
Revisin de
recibos por
parte de jefe
de ventas.
En recibo no se
identifican las
bonificaciones.
No se le entrega
toda la
documentacin al
transportista que
entrega los
productos.
Se acumulan
entregas en
fechas cercanas a
los cierres
contables.
N
P
R
En el formato de
recibo no se
identifica el
nmero de
factura.
Cliente no tiene
certidumbre de a
partir de qu
momento inicia el
periodo del
crdito.
Control propuesto
448
Acciones recomendadas
Prioridad
de riesgo
(NPR)
Severidad
Deteccin
Controles
actuales en
el proceso
Revisin de
recibos por
parte de jefe
de ventas.
Recibos de
Cobro
No cuadran las
cantidades
incluidas en el
recibo.
Causa (s) de la
falla potencial
Ocurrencia
Efecto en los
CTQs
Severidad
Nombre de
Modo de Falla
la variable
de Entrada de la Entrada
Ocurrencia
Nueva
estimacin
7. Identificar y
registrar
los
Obligatoriedad
de dicho
campo
Controles
formas
Incluir un campo obligatorio para
que Que el jefe de o
ventas
y de
se identifiquen las bonificaciones y
CxC hagan auditoras para
de Deteccin
cartas de crdito.
revisar que se ent de
cumpliendo con los registros
cada
Causa
o Modo
de los
campos anteriores
Hacer que los transportistas
de Falla
y suporgrado
firmen de recibido
los
Hacer un formato que incluya una
docuementos incluidos en la
lista de confirmacin con todos los
lista y fincar
de Control
de que
documentos que deben entregrsele
responsabilidades si no
a los transportistas.
entrega llegue
los documentos
la falla
alal
cliente.
Cliente de acuerdo
Hacer conciencia entre vendedores
a la tabla anterior.
15
PasosdelAMEFdeProceso
4.
5.
6.
7.
AMEF
16
AMEFdeProceso
8. Calcule los Nmeros Prioritarios de
Riesgo (NPR)
Para cada Modo de Falla calcular
NPR = Severidad * Ocurrencia * Control
AMEF
17
AMEFdeProceso
9. Elimine o reduzca Riesgos
A travs de un proceso organizado de solucin de
problemas, tales como: 5 Porqus, rboles de fallas,
Diagramas Ishikawa, DOEs, etc., identifique las acciones
para eliminar o reducir los modos de falla de alto riesgo.
Es decir, los NPR ms grandes.
Asigne responsables y fechas para la ejecucin de las
acciones.
18
AMEFyCEP
Los Crticos del Proceso (CTPs) que se encuentren en el
AMEF pudieran ser controlados a travs de Grficos de
Control y monitoreadas su Capacidad de Proceso para
cumplir con los CTQ's.
EL AMEF de proceso no slo pudiera utilizarse en la fase de
Control, si no en la fase de Anlisis, para la identificacin de
los CTP's.
Un AMEF de diseo pudiera utilizarse para identificar los
CTQs desde la fase de Identificacin.
AMEF
19
FormatoparaAMEF
Pgina/detotal
EfectosdelaFallaen:
Funcin
Modode
enel
laFalla Sistemao
Proceso
Producto Usuario
Ensamble
AMEF
Causas
Controlo
Deteccin
NPR
Fecha:
Deteccin
Ingenierodediseo:
Severidad
Parte:
Sistema:
Ocurrencia
NombedelAMEF:
Accionessugeridas
Accionestomadas
Responsable
Fecha
20
10
03/02/2015
PlandeReaccin
Entrenamiento GB Transaccional
Qupasasi
se presenta una anomala?
Algo que no se haba considerado durante el Proyecto, sea porque no se
haba presentado antes o porque el equipo no lo consider.
Lo ms probable es que la anomala sea una causa especial: Como
pudiera ser, una falla debida a el entrenamiento del empleado, o una falla
de la PC, o una falla del equipo, o una falla de software, etc.
O tal vez sea un cambio en las exigencias del Cliente, o un nuevo servicio
que se proveer al Cliente, etc.
Qu hacer?
Jidoka: Una respuesta inmediata ante cualquier condicin anormal dentro
del proceso.
03/02/2015
Quhacersi
los indicadores de las Xs (vitales) se comportan de
manera anormal? Es decir, si los indicadores se siguen
a travs de una grfica de control, y sta indica que
hay una situacin fuera de control?
El Plan de Reaccin deber indicar especficamente:
Qu hacer si la X tiene una tendencia ascendente
Qu hacer cuando la X tiene una tendencia descendente
Qu hacer si la X se sale de los lmites de control
Qu hacer si el proceso se mantiene bajo control, pero
incrementa su variacin debida a causas comunes
Qu hacer si la X rebasa los lmites de especificacin
Qu hacer cuando se presenta un defecto especfico
Cundo se deber convocar al Equipo de Reaccin Inmediata
5.3PlandeReaccin
EquipodeReaccinInmediata
Formar un Equipo de Reaccin Inmediata que se
encargue de analizar anomalas (causas
especiales) o situaciones no previstas:
El equipo debera estar formado por personas que estn disponibles
todos los turnos de trabajo, por lo que si hay ms de un turno,
entonces se constituir este equipo por personas que ocupen algunos
puestos clave.
Podra ser formado por algunas personas que participaron en el equipo
de apoyo del proyecto.
El equipo deber reaccionar inmediatamente aplicando el Plan de
Reaccin:
Identificar la causa especial que se present
Analizar si de inmediato puede ser resuelta la anormalidad aplicando
las acciones del plan, o si tomar ms tiempo la resolucin:
03/02/2015
Quhacersi
el Cliente solicita un cambio con mayores y
nuevas exigencias, o requiere un nuevo servicio
que anteriormente no solicitaba?
El personal deber recurrir al documento del proyecto y hacer los
ajustes a las Xs vitales para cumplir con las nuevas exigencias.
En dado caso que dichas especificaciones sean tan diferentes, que
no tengan cabida en las condiciones del proyecto original, se
debern hacer verificaciones para mantener las mejoras
anteriores.
11/02/2015
ValorAgregado
1. Paraquinseaadevalor?
2. Aquseaadevalor?
3. Quesvalor?
11/02/2015
ConceptoCentralLean:Valor
Agregado
Transformarelproductoo
servicioenalgoqueel
clientedeseayest
dispuestoapagarporello.
ActividadesenlosProcesos
11/02/2015
ActividadesconValorAgregado
Transformanelproductooservicioen
loqueelclientedesea.
Notransformanelproductooservicio,oel
Clientenorequieredichas
transformaciones.Consumenrecursospero
sonnecesarias.
11/02/2015
Desperdicioenelproceso
Todoloqueconsumerecursospero
noagregavaloralproductoo
servicio
11/02/2015
DostiposdemedicionesdeCalidad
Efectividad:
El grado en el que las necesidades y requerimientos del
Cliente son alcanzados:
Algunos Ejemplos:
Porcentaje de defectuosos
Tiempo de respuesta
Exactitud al facturar
Eficiencia:
La cantidad de recursos asignados en lograr y exceder los
requerimientos del cliente
Ejemplos:
Criteriosparaevaluarlasmediciones
LaMedicin
Esimportanteparalatomadedecisiones?
Esfcildeinterpretarsucuantificacin?
Essensiblealacualidadoatributoamedireinsensiblea
otrascosas?
Promueveelanlisisylaaccinapropiadas?
Losdatossonfcilesderecolectar?
10