Seis Sigma Medicion GB

Programa de certificacin
de Green Belts
III. Seis Sigma - Medicin

P. Reyes / Octubre 2007
1
Fase de medicin
Propsitos:
Determinar req. de informacin para el proyecto
Definir las Mtricas de los indicadores del Proceso
Identificar los tipos, fuentes y causas de la variacin
en el proceso
Desarrollar un Plan de Recoleccin de Datos
Realizar un Anlisis del Sistema de Medicin (MSA)
Llevar a cabo la recoleccin de datos
Salidas
Diagnstico de la situacin actual del problema
2
III. Seis Sigma - Medicin
A. Anlisis y documentacin del proceso
B. Probabilidad y estadstica
C. Coleccin y resumen de datos
D. Distribuciones de probabilidad
E. Anlisis de los sistemas de medicin
F. Capacidad y desempeo de procesos
3
IIIA. Anlisis y documentacin
del proceso
4
IIIA. Anlisis y documentacin
del proceso
1. Modelado del proceso
2. Entradas y salidas del proceso
5
IIIA.1 Modelado del
proceso
6
Anlisis y documentacin del
proceso
Un proceso es un conjunto de recursos y
actividades que transforman entradas en
salidas agregando valor. Las actividades
deben ser documentadas y controladas.
Se analizan los tpicos siguientes:
1. Herramientas
2. Entradas y salidas del proceso
7
Anlisis y documentacin del
proceso - Herramientas
Diagramas de flujo
Mapas de proceso
Procedimientos escritos
Instrucciones de trabajo
Anlisis de proceso
Documentacin del proceso
8
Diagrama de flujo
Un diagrama de flujo o mapa de proceso es til
para comprender el proceso. Puede describir la
secuencia del producto, contenedores,
papeleo, acciones del operador o
procedimientos administrativos.
Es el paso inicial para la mejora de procesos,

ya que facilita la generacin de ideas.
9
Diagrama de flujo
Organizar un equipo para examinar el proceso
Construir un mapa de proceso para representar

los pasos del proceso
Discutir y analizar cada paso en detalle
Preguntarse Por qu lo hacemos de esta

manera?
Comparar el proceso actual a un proceso
imaginario perfecto
10
Diagrama de flujo
Hay complejidad innecesaria?
Existe duplicacin o redundancia?
Hay puntos de control para evitar errores y
rechazos?
Se realiza el proceso de acuerdo a como est
planeado?
Puede realizarse el proceso de manera
diferente?
las ideas de mejora pueden venir de procesos
muy diferentes?
11
Diagrama de flujo
Smbolos de Diagramas de flujo
12
Diagrama de flujo
Diagramas de flujo - Ejemplo
13
Diagrama de flujo
Beneficios
Permiten visualizar el proceso que se est
describiendo
Describen el proceso con smbolos, flechas y
palabras sin necesidad de oraciones

La mayora usa simbologa estandarizada
(ANSI Y15.3)
Si se usa software el nmero de smbolos
puede llegar a 500
14
Diagrama de flujo
Diagramas de flujo o mapas de proceso
Permiten comprender la operacin del proceso
Normalmente representan el punto de inicio para la mejora
Pasos para elaborarlo (Smbolos ANSI Y15.3)

Organizar un equipo para examinarlo
Construir un diagrama de flujo representando cada paso
Discutir y analizar detalladamente cada paso
Preguntarse Porqu lo hacemos de esta forma?
Comparar esta forma con la del proceso perfecto
Existe demasiada complejidad, duplicidad o redundancia
Se opera el proceso como est planeado y puede
mejorarse?
15
Smbolos de diagrama de
flujo
Proceso Desicin Documento Datos
Proceso Preparacin Operacin Entrada

Predefinido Manuales
Conector Con. pgina Display Almacen Terminador 16

Smbolos para Diagramas de
Flujo
Iniciar/Detener Transmisin
Operaciones Almacenar
(Valor agregado)
Decisin Entrada/Salida
Inspeccin /Medicin
Retraso
Transportacin Lneas de Flujo

17
Diagrama de flujo del
Proceso:
Es el diagrama de flujo de un proceso
que muestra cmo se realiza un trabajo.
Inicio Paso 1
Paso 2A Paso 2B Paso 2C
Paso 3
Retrabajo No Bueno? S Fin
18
Diagrama de flujo / Anlisis del valor
Actividades con valor agregado
Actividades sin valor agregado
19
Cmo Ayuda un Mapa de
Proceso?
Una vez que podemos ver
las cosas -podemos hablar
de ellas.
Los pasos que no agregan
valor se hacen ms
evidentes.
El retrabajo y las
reparaciones son obvias.
Se puede llegar a acuerdos.
20
Diagramas de Flujo Existentes
Creados para un
propsito diferente.
Con frecuencia no
reflejan los puntos de
inicio y Fin adecuados.
No son cmo es.
Quieren ser
No sealan el
desperdicio.
21
Aprovecha al Equipo
Haz recorridos,
entrevistas y revisiones
de los diagramas de flujo
y los estndares
existentes.
22
Haz el Mapa del Proceso lo ms
Pronto Posible!
El mapa de un proceso...
seala con claridad la
regin en la que el equipo
se debe enfocar.
evita que el equipo salga

de los lmites del proyecto.
23
El Inicio y el Fin Se Deben Poder
Medir
Selecciona los puntos

de Inicio y Fin donde
se llevan a cabo
acciones que se
pueden medir.
24
Ejercicio Rpido - Inicio y Fin
Proceso Inicio Fin
Ensamble de
Asiento
Dibujos de
Ingeniera
Manufactura en
Riel de Asientos
Cuentas por
Pagar
25
Ejemplos - Inicio y Fin
Proceso Inicio Fin
Ensamble de Marco de metal Inspeccin Final
Asiento puesto enlnea
Dibujos de Requerimientos ClienteRecibe
Ingeniera del Cliente el Archivo CAD
Manufactura en Operacin de Inspeccin Final
Riel deAsiento Prfiles
Estampados
Cuentaspor Recepcin de la Depsito
Pagar Facturadel Electrnico
Proveedor
26
Permite que la Gente vea el
Mapa del Proceso
De ser posible, la gente

que trabaja en el
proceso debe poder ver
una copia grande a
escala del mapa del
proceso.
Las revisiones,
sugerencias y
correcciones son
bienvenidas!
27
Herramientas de un Mapa de
Proceso
Rotafolios y Marcadores.
Hojas para Rotafolio y

Notas Autoadheribles.
28
Pasos para Elaborar un Mapa de
Como equipo...
Proceso
1. Establezcan los puntos de 5. Discutan, revisen y
Inicio y Fin del proceso.
modifiquen.
2. Hagan una lista de los
pasos del proceso mediante
6. Hagan un segundo
una tormenta de ideas. recorrido y entrevistas.
3. Realicen el primer recorrido 7. Aadan pasos de
y entrevistas. inspeccin, retrabajo,
4. Elaboren una lista de los
reparacin y desperdicio en
proceso clave en las notas las notas autoadheribles.
autoadheribles. 8. Elaboren un mapa de
proceso cmo es.
29
Hazlo fcil!
En este momento, el mapa

de proceso cmo es debe
ser de alto nivel, pero
debe incluir todos los pasos
primarios necesarios para
obtener la mejora deseada
(es decir, los pasos con
valor agregado relativos a
los CTQ, CTC, CTD).
Idealmente, muestra de
cinco a diez pasos.
Agrega ms detalles
posteriormente.
30
Paso 1: Puntos de Inicio y Fin
Declaracin del Problema:
El cliente espera
Revisen la declaracin los dibujos modificados
del problema. demasiado tiempo.
Proceso:
Describan los procesos Proceso de revisin de
que causan el problema.
dibujos.
Comenten los puntos de Pregunta:

Inicio y Fin que se Cul podra ser el
pueden medir. punto de Inicio?
Pregunta:
Pnganse de acuerdo y Cul podra ser punto
regstrenlos.
de Fin? 31
Puntos de Inicio y Fin
Declaracin del Problema:
El Cliente espera demasiado tiempo los dibujos
modificados.
Proceso:
Proceso de revisin de dibujos.
Inicio:
El Cliente solicita un formato de cambio de
dibujos.
Fin:
Se entrega el archivo de dibujos (CAD) al Cliente.
32
Paso 2: Tormenta de Ideas sobre
los Pasos del Proceso
Inicio:
El Cliente solicita un
Escriban Inicio y Fin formato de cambio de
donde todos lo dibujos.
puedan ver.
Pregunta:
El equipo aporta Cules son algunos
ideas sobre los de los probables pasos
pasos del proceso del proceso entre los
que existen entre el puntos de inicio y fin?
inicio y el fin.
Fin:
El archivo CAD se
entrega al Cliente.
33
Pasos del Proceso
Inicio:
El Cliente solicita un formato de cambio de dibujos.
Pasos a seguir:
Bosquejar el cambio requerido.
Calcular el impacto del cambio.
Determinar cules dibujos necesitan
cambiarse.
Cambiar los dibujos apropiados.
Fin:
El archivo CAD se entrega al Cliente.
34
Paso 3: Primer Recorrido y
Entrevistas
El equipo recorre el
proceso existente.
Observen cmo se hace
el trabajo.
Platiquen con la gente
(entrevisten).
Tomen notas.
Enfquense en los pasos
del proceso.
35
Paso 4: Notas Autoadheribles
Escriban los pasos
Crear
del proceso en notas Boceto
Reunin
con el
autoadheribles. grupo
Encontrar
Localizar
Especif. Archivos
Cambiar
Coloquen las notas CAD
Dibujos
sobre la pared. Hacer Calcular
Caf Impacto
Crear Enviar al
Por ahora slo dejen Paquete Cliente
de
las notas. Archivos
36
Paso 5:Comentar, Revisar, Modificar
Comenten, repasen y
modifiquen el mapa del
proceso en las notas
autoadheribles.
Pnganse de acuerdo en
los pasos que se deben
conservar.
Pnganse de acuerdo en
los pasos que se deben
eliminar.
Retengan solo los pasos
importantes del proceso.
37
Pasos Importantes del Proceso
Informacin suficiente
para facilitar la mejora.
Resultados que se
puedan medir.
Podran producirse
defectos (CTQ, CTC,
CTD).
Un inicio y un fin
definidos.
38
Pasos Importantes
Crear
Reunin
Bsquejo con el
grupo
Qu pasos podran Encontrar
Localizar
ser importantes en Especif. Archivos
el mapa del proceso CAD Cambiar
Dibujos
que aparece a la Hacer Calcular
derecha? Caf Impacto
Crear Enviar al
Paquete Cliente
de
Archivos
39
Paso 6: Segundo Recorrido y
Entrevistas
Vuelvan a recorrer el
proceso.
Busquen pasos que
hayan pasado por alto.
Revisen pasos de
inspeccin, retrabajo,
reparacin y desperdicio.
Tomen notas.
40
Paso 7: Aadir Cambios
Solicitud de
Cambio del
Reunin
Cliente con Ventas
Agreguen notas
autoadheribles. No
Aadan inspecciones. Crear Calcular Impacto

Bsquejo Impacto OK?
Aadan retrabajo y
S
reparaciones.
Aadan desperdicio. Cambiar Dibujo
Dibujo OK?
Por ahora dejen todas S
No
las notas.
Crear Enviar a Cliente recibe

paquete de Cliente archivos CAD
archivos
41
Paso 8: Mapa del Proceso Cmo
Es
Solicitud de
cambio del
Reunin
Cliente con Ventas
El equipo establece No
un mapa del proceso
tal cual. Crear Calcular Impacto
Bsquejo Impacto OK?
Tiene el detalle S
suficiente para incluir
los pasos
Cambiar Dibujo
importantes. Dibujo OK?
S
Sin demasiado No
detalle para que se

entienda Crear Cliente recibe
Enviar a
rpidamente. paquete de Cliente archivos CAD
archivos
42
Cundo Recolectar Datos
Durante la elaboracin del mapa de proceso.
Identifica los puntos para la recoleccin de

datos, pero
no recopiles los datos!
Despus de haber creado el Mapa Cmo Es

planea la recoleccin de datos sobre los pocas
salidas vitales.
c a u ci
Pre Generalmente, cuando se recolectan datos durante la
n
elaboracin del mapa, se toman datos sobre puntos
equivocados.
La recoleccin de datos se debe planear y enfocar sobre los
factores de alta prioridad que son crticos para el cliente!
(consulta el mdulo Planeacin de la Recoleccin de Datos)

43
Mapa del Proceso Cmo Es
Solicitud Reunin
de cambio con Ventas
del Cliente
No
Crear Calcular Impacto Es la condicin

Bsquejo Impacto OK? base del proceso.
Si
Es el inicio de tu
viaje hacia la
Cambiar Dibujo
Dibujo OK? mejora.
S
No
Es la oportunidad
para la estrategia
Crear
paquete de
Enviar al Cliente recibe de impacto de Six
Cliente archivos CAD
archivos Sigma.
44
El Mapa de Proceso Cmo Debe
Ser
Una vez que se identifiquen las soluciones
durante la fase de MEJORA
Crea el nuevo mapa de proceso.
El nuevo mapa muestra el flujo de trabajo mejorado

que ahora tiene
- menos pasos
- menos actividades sin valor agregado
O TA Este nuevo mapa muestra el proceso cmo debe

N
ser que ser una vez que se implementen
todas las soluciones.
45
46
La cadena de valor
Son todas las actividades que la empresa debe realizar
para disear, ordenar, producir, y entregar los
productos o servicios a los clientes.
La cadena de valor tiene tres partes principales:

El flujo de materiales, desde la recepcin de
proveedores hasta la entrega a los clientes.
La transformacin de materia prima a producto

terminado.
El flujo de informacin que soporta y dirige tanto al

flujo de materiales como a la transformacin de la
materia prima en producto terminado.
47
La cadena de valor
Beneficios del Mapeo de la cadena de valor
Ayuda a visualizar el flujo de produccin; las
fuentes del desperdicio o Muda

Suministra un lenguaje comn sobre los procesos
de manufactura y Vincula los conceptos ytcnicas

Lean
Forma la base del plan de ejecucin, permitiendo
optimizar el diseo del flujo de puerta a puerta

Muestra el enlace entre el flujo de informacin y el
flujo de material
Permite enfocarse en el flujo con una visin de un
estado ideal o al menos mejorado
48
Flujo de informacin
Adems del flujo de materiales en el proceso de
produccin, se tiene otro flujo que es el de
informacin que indica a cada proceso lo que
debe producir o hacer en el paso siguiente.
Son dos caras de la misma moneda y se deben
trazar ambos.
49
50
Simbologa utilizada
51
Simbologa utilizada
52
Simbologa utilizada
53
Identificando mapa actual
54
Tips para la cadena de valor
Recolecte siempre informacin del estado actual
mientras se realizan las operaciones normales tanto
en flujos de informacin como de materiales.
Inicie con una caminata rpida a travs de la cadena

de valor completa puerta a puerta, para obtener un
sentido del flujo y secuencia de procesos. Despus
regrese y colecte informacin en cada proceso.
Inicie desde el final de embarque y de ah para

atrs. As se iniciar el mapeo con los procesos que
estn ms ligados directamente al cliente, el cual
debe establecer los pasos para otros procesos.
55
Utilice el cronmetro y no dependa de tiempos
estndar o informacin que no obtenga
personalmente.
Trazar uno mismo la cadena de valor

completa. Entendiendo que el flujo completo lo
encierra el mapeo de la cadena de valor.
Siempre trace a mano y a lpiz. Ir al piso de

produccin al realizar el anlisis de estado
actual, y afinarlo ms tarde. Se debe resistir la
tentacin de usar la computadora.
56
57
Informacin para
la cadena de valor
Tiempo del ciclo (C/T tiempo que
transcurre entre la salida de dos partes
consecutivas)
Tiempo de cambio o de preparacin (C/O
para cambiar de un producto a otro)
Tiempo disponible de mquina (De acuerdo a

la demanda)
Tamao de lote de produccin (EPE every
part every..)
Nmero de operadores
58
Informacin para
la cadena de valor
Nmero de productos diferentes
Contenido de la unidad de empaque o contenedor
Tiempo de trabajo (sin los descansos obligatorios)

Tasa de desperdicio
Capacidad del proceso (tiempo disponible/ tiempo

de ciclo * porcentaje de disponibilidad del
equipo), sin tiempos de cambio de tipo.
Takt time (tiempo disponible para cubrir la

demanda de productos).
59
Ejemplo de aplicacin:
Empresa Guden
60
Mapa del estado actual
Proceso de manufactura
61
Mapa incluyendo informacin
62
Mapa incluyendo tiempos de
ciclo y tiempo de entrega
63
Mapa futuro reduciendo tiempos
de entrega
64
Mapa futuro reduciendo tiempos
de entrega
65
Beneficios
66
Beneficios
67
Mapa de proceso de la
Empresa ABC - final
68
Documentacin
69
Procedimientos escritos
Los procedimientos deben ser desarrollados
por los que tienen la responsabilidad del
proceso de inters
La documentacin del proceso en un

procedimiento facilita la consistencia en el
proceso.
Los procedimientos crticos deben tener su

diagrama de flujo correspondiente
70
Instrucciones de trabajo
Las instrucciones de trabajo proporcionan los
pasos detallados de la secuencia de
actividades
Los diagramas de flujo pueden usarse con las

instrucciones de trabajo para mostrar las
relaciones de los pasos del proceso.
Las copias controladas de estas instrucciones

se guardan en el rea de trabajo
71
IIIA.2 Entradas y salidas del
proceso
72
Mapa de procesos SIPOC
Mapa de proceso SIPOC (Proveedores, Entradas, Salidas, Clientes)
Procesos y sistemas Salidas
Entradas
Provee-
dores
Clientes
Retroalimentacin Retroalimentacin
Banco de informacin
73
Elementos de procesos -
SIPOC
Un cambio en la Salida debe estar relacionado con
algn cambio en los pasos anteriores SIPs. Esto forma
un ciclo cerrado entre SIPs y Os.
Modelo SIPOC
Procesos,
Salidas, Clientes,
Proveedores Entradas, actividades
producto o reciben el
de recursos insumos que agregan
servicio producto
valor
74
Matriz de causa efecto
Relacin entre entradas y salidas de procesos
La matriz lista variables clave de salida del
proceso en forma horizontal y las de entrada

en forma vertical
Para cada variable de salida se le asigna una
prioridad
Dentro de la matriz se asignan nmeros que
indican el efecto que tiene cada variable de

entrada en las variables de salida
Se obtiene la suma producto de estos nmeros
internos por la prioridad de salida como

resultados y se saca el porcentaje relativo
75
Matriz de causa efecto
Entradas y salidas del proceso Matriz de causa
efecto
Antes de mejorar un proceso, primero debe medirse,
identificando sus variables de entrada y de salida, y
documentando su relacin en diagramas de causa
efecto, matrices de relacin, diagramas de flujo, etc.
76
III.B Probabilidad y
estadstica
77
IIIB. Probabilidad y
estadstica
1. Obtencin de conclusiones estadsticas vlidas
2. Teorema del lmite central y distribucin

muestral de la media
78
IIIB.1 Obtencin de
conclusiones estadsticas
vlidas
79
Estadstica Descriptiva
La estadstica nos proporciona mtodos
para organizar y resumir informacin,
usndola para obtener diversas
conclusiones
Por ejemplo, s deseamos saber el promedio de

peso de las personas en una poblacin tenemos
dos opciones:
Pesar a todas y cada una de las personas, anotar

y organizar los datos, y calcular la media.
Pesar solo una porcin o subconjunto de la

poblacin (muestra). Registrar y organizar los
datos y calcular la media de la muestra,
Poblacin: Es la coleccin de todos los

elementos (piezas, personas, etc.). En nuestro
caso sera un nmero infinito de mediciones
de la caracterstica del proceso bajo estudio.
Muestra: Es una parte o subconjunto

representativo de la poblacin, o sea un grupo
de mediciones de las caractersticas.
81
Estadstico: Es una medicin tomada en una

muestra que sirve para hacer inferencias en
relacin con una poblacin (media de la muestra,
desviacin estndar de la muestra se indican con
letras latinas X, s, p).
Normalmente es una variable aleatoria y tiene

asociada una distribucin.
Parmetro: Es el valor verdadero en una

poblacin (media, desviacin estndar, se indican
con letras griegas , , )
82
Datos continuos Los datos que tienen un valor

real (temperatura, presin, tiempo, dimetro,
altura )
Datos discretos: Datos que toman valores

enteros (0, 1, 2, 3, etc.)
Datos por atributos: Bueno - malo, pasa - no

pasa, etc.
83
No existen en la naturaleza
dos cosas exactamente iguales,
ni siquiera los gemelos, por tanto la
variacin es inevitable y es analizada por
la Estadstica
84
Estadstica descriptiva e
inferencial
Estudios descriptivos enumerativos :
Los datos enumerativos son los que pueden
ser contados. Para Deming:

En un Estudio enumerativo la accin se toma en
el universo.
En un estudio analtico la accin ser tomada en

un proceso para mejorar su desempeo futuro
85
Obteniendo conclusiones
vlidas
Obtencin de conclusiones estadsticas vlidas
El objetivo de la estadstica inferencial es
obtener conclusiones acerca de las
caractersticas de la poblacin (parmetros , ,
) con base en la informacin obtenida de
muestras (estadsticos X, s, r)
Los pasos de la estadstica inferencial son:

La inferencia
La evaluacin de su validez
86
vlidas
Definir el objetivo del problema en forma precisa
Decidir si el problema se evaluar con una o dos

colas
Formular una hiptesis nula y la alterna
Seleccionar una distribucin de prueba y un

valor crtico del estadstico reflejado el grado de
incertidumbre que puede ser tolerado (alfa,
riesgo) 87
vlidas
Calcular el valor del estadstico de prueba con la
informacin de la muestra
Comparar el valor del estadstico calculado vs su

valor crtico y tomar una decisin de aceptar o
rechazar la hiptesis nula
Comunicar los hallazgos a las partes interesadas
88
vlidas
Hiptesis nula a ser probada (Ho) y alterna
(Ha)
La hiptesis nula puede ser rechazada o no

ser rechazada no puede ser aceptada
La hiptesis alterna incluye todas las

posibilidades que no estn en la nula y se
designa con H1 o Ha.

Ho: Ya = Yb Ha: Ya Yb Prueba de dos colas

Ho: A B Ha: A<B Prueba de cola
izquierda 89
vlidas
Estadstico de prueba:
Para probar la hiptesis nula sobre un
parmetro poblacional, se debe calcular un
estadstico de prueba de la informacin de la
muestra
El estadstico de prueba se compara con un

valor crtico apropiado
Se toma una decisin de rechazar o no

rechazar la hiptesis nula 90
vlidas
Tipos de errores:
Error tipo I: resulta cuando se rechaza Ho
siendo verdadera, se denomina como alfa o

riesgo del productor
Error tipo II: resulta cuando no se rechaza Ho
siendo que es falsa, es denominado beta o
riesgo del consumidor
Incrementando el tamao de muestra se

reducen alfa y beta. Alfa es normalmente 5%.
Alfa y beta son inversamente relativos
91
IIIB.2 Teorema del lmite central
y distribucin muestral de la
media
92
Teorema del lmite central
La distribucin de las medias de las muestras
tiende a la normalidad independientemente de
la forma de la distribucin poblacional de la
que sean obtenidas. Es la base de las cartas
de control X-R.
93
Teorema del lmite central
Por lo anterior la dispersin de las medias es
menor que para los datos individuales
Para las medias muestrales, el error estndar

de la media se relaciona con la desviacin
estndar de la poblacin como sigue:
X
sX
n
94
Teorema del Lmite Central
La distribucin de las medias de las muestras tienden a
distribuirse en forma normal
Por ejemplo los 300 datos (cuyo valor se encuentra entre 1 a

9) pueden estar distribuidos como sigue:
95
Poblacin con media y desviacin estndar y cualquier distribucin.
Seleccionando muestras de tamao n y calculando la X-media o

promedio en cada una
X-media 1 X-media 2 X-media 3
Conforme el tamao de muestra se incrementa las muestras se
distribuyen normalmente con media de medias y desviacin estndar
de las medias de las muestras / n. Tambin
se denomina Error estndar de la media.
La distribucin de las medias de las muestras tienden a
distribuirse en forma normal
Tomando de muestras de 10 datos, calculando su promedio y

graficando estos promedios se tiene:
97
Cartas de Control
Causa
especial
Causas
normales o
comunes
DEFINICION
Es una ayuda grfica para el control de las variaciones de
los procesos administrativos y de manufactura.
98
Variacin observada
en una Carta de Control
Una Carta de control es simplemente un

registro de datos en el tiempo con lmites de
control superior e inferior, diferentes a los
lmites de especificacin.
El patrn normal de un proceso se llama causas

de variacin comunes.
El patrn anormal debido a eventos especiales

se llama causa especial de variacin.
99
Variacin Causas comunes
Lmite
inf. de
especs.
Lmite
sup. de
especs.
Objetivo
100
Variacin Causas especiales
Lmite
inf. de
especs.
Lmite
sup. de
especs.
Objetivo
101
Aplicacin en la carta de control
Escuche la Voz del Proceso Regin de control,
M captura la variacin
E
natural del proceso
D
I original
D LSC
A
S
C
A LIC
L Tendencia del proceso
I
D El proceso ha cambiado
A
Causa Especial
identifcada
D
TIEMPO
Patrones Fuera de Control
Corridas
7 puntos consecutivos de un lado de X-media.
Puntos fuera de control

1 punto fuera de los lmites de control a 3 sigmas en
cualquier direccin (arriba o abajo).
Tendencia ascendente o descendente

7 puntos consecutivos aumentando o disminuyendo.
Adhesin a la media
15 puntos consecutivos dentro de la banda de 1 sigma
del centro.
Otros
2 de 3 puntos fuera de los lmites a dos sigma
103
Patrn de Carta
en Control Estadstico
Proceso en Control estadstico
Sucede cuando no se tienen situaciones

anormales y aproximadamente el 68% (dos
tercios) de los puntos de la carta se encuentran
dentro del 1 de las medias en la carta de
control.
Lo anterior equivale a tener el 68% de los

puntos dentro del tercio medio de la carta de
control.
104
Aplicacin en Intervalos de
confianza
Intervalo de confianza para la media:
A) Sigma conocida y n>30 (n es tamao de
muestra)

X Z
2 n

X t
2 n
B) Sigma desconocida y n<30, los grados de
libertad son gl = n-1.
105
Aplicacin en Intervalos de
confianza
Intervalo de confianza para proporciones y
varianza:
Para proporciones, p es la proporcin y n>30
p (1 p )
p Z
2 n
Para la varianza
( n 1) s 2
( n 1) s 2
2

2
2

, n 1 1 , n 1
2 2 106
IIIB.3 Conceptos bsicos de
probabilidad
107
Conceptos bsicos de
probabilidad
Principios bsicos:
La probabilidad de un evento varia entre 0 y 1 (xito)
Un evento simple no puede descomponerse
El conjunto de resultados posibles del experimento
se denomina espacio muestral
La suma de las probabilidades en el espacio muestra
es 1
Si se repite un experimento un gran nmero de
veces N y el evento E es observado nE veces, la
probabilidad de E es aproximadamente:
nE
P( E )
N 108
Conceptos bsicos de
probabilidad
Eventos compuestos (conjunto de dos o ms
eventos):
La unin de A o B contiene elementos de A o de
B
La interseccin de A y B contiene elementos

comunes que se localizan al mismo tiempo en A
y en B
109
Probabilidad
Introduccin:
Diferencia entre experimento deterministico y
aleatorio (estocastico).
Deterministico. Se obtienen el mismo resultado,

con condiciones experimentales similares
La cada de un cuerpo
Aleatorio. Se obtienen distintos resultados ,
aunque se repitan en condiciones similares.
Tiempo de vida de un componente elctrico
110
Conceptos relacionados
a experimentos aleatorios:
Variable aleatoria. Es el nombre Que se le da a la
caracterstica (s) de inters observada en un
experimento. Dicha variable es denotada por
letras maysculas. Pueden ser Continuas o
Discretas.
Espacio muestra. Es el conjunto de todos los

posibles valores Que toma una variable aleatoria
en un experimento. Puede ser finito o infinito.
Evento. Puede ser uno o una combinacin de los

valores Que toma una variable aleatoria 111
Espacio Muestral
Consiste en todos los posibles resultados de un
experimento.
Para el lanzamiento de una moneda es (A,S).
112
Probabilidad histrica o frecuentista.
Una forma de conocer algo acerca del

comportamiento de una variable aleatoria es
conociendo como se comporto en el pasado.
Note Que si un experimento se realizo un gran
numero de veces, N, y la se observo Que en n veces
suceda el evento A, entonces n/N es un estimacin
razonable de la proporcin de tiempos Que el evento
A suceder en el futuro. Para un gran numero de
experimentos N, se puede interpretar dicha
proporcin como la probabilidad
n de del evento A.
P( EventoA) lim
N N
113
Ejemplo
en los 1900-s , Karl Pearson lanzo una moneda 24,000 veces
y obtuvo 12,012 caras, dando una proporcin de 0.5005.
1
probabilidad de caras
.5
0
0 500 1000
n
114
Definicin Clsica de Probabilidad.
La probabilidad de un evento A, puede ser calculada
mediante la relacin de el numero de respuestas en favor
de A, y el numero total de resultados posibles en un
experimento.
# Favorable A
P ( EventoA)
# Total resultados
Note Que para las dos definiciones dadas de

probabilidad esta ser un numero entre 0 y 1.
Ejemplo 1. Se observa si 3 artculos tienen defecto o no , con
defecto (m) o sin defecto (v).
S={vvv,mvv,vmv,vvm,vmm,mvm,mmv,mmm} es el espacio
muestral .
Asociada a este espacio muestral se puede definir la variable
116
Ejemplo:
Datos (N=20):
650 740 760 810 850 850 880 900 930 930 950 960
960 980 980 980 1000 1000 1000 1070
El experimento:
Seleccionamos al azar un numero ?
Cul es S?
Sea E el evento en el que elegimos el 1000?

P(E) =
Sea E el evento l numero es menor o igual a 760.

P(E) =
P(Ec) =
117
Sea E1 el evento en el cual elegimos 1000 y E2 es el
evento en el cual elegimos un numero menor o igual a
760.
P(E1E2) =
Sea E1 el evento en el cual elegimos 850 y E2 sea el

evento el cual obtenemos un numero menor a 880.
P(E1E2) =
118
Leyes de probabilidades
1. En un experimento, si P(A) e la probabilidad de
un evento A, entonces la probabilidad de Que no
suceda A es: P ( A ) 1 P ( A)
2. En un experimento, si A y B son dos eventos

mutuamente excluyentes entonces la probabilidad de
Que ocurra A o el evento B es
P( A o B ) P ( A) P ( B )
Para el caso de dos eventos A y B Que no son

mutuamente excluyentes.
P( A o B ) P ( A) P ( B ) P ( AyB )
A las dos ecuaciones se les conoce como

Reglas de la probabilidad
Ley de la Adicin
Si 2 eventos A y B no son mutuamente excluyentes,
entonces la probabilidad que el evento A o el evento B
ocurra es:
P(A or B) P(A) P(B) P(AB)
Ley de la Multiplicacin
probabilidad
P(AB)que P(A
ambos| A P(B
y B ocurran
B)P(B) es | A)P(A)
Cuando los eventos A y B son independientes, entonces

P(AB) P(A)P(B)
P(A|B) = P(A) y
120
Permutaciones
Definicin.
Un arreglo ordenado de r objetos diferentes es
llamado una permutacin .
El numero resultante de ordenar n objetos diferentes
tomando r a la vez ser representado por el smbolo
Prn
Antes revisemos el concepto de factorial !!!!!!
Considere el siguiente caso: Hay 3 libros: Uno de

Historia (H), Uno de Fsica (F), Otro de Matemticas (M).
Note Que existen 6 formas de acomodar dichos libros.
{ HFM, HMF, FHM, FMH, MHF, MFH } Aqu importa el
orden
Diagramas de rbol
En casos simples resultan tiles los diagramas de rbol para
enumerar objetos en forma sistemtica.
Ejemplo: Se desea conocer todas las formas posibles de hacer
un experimento que consiste en 4 componentes de auto a {L1,
L2, L3, L4}, entonces cada componente es sometido a tres
diferentes temperaturas de {A1, A2, A3} hasta que se obtiene
una falla. A1
A2
L1
A3
A1
L2
A2
A3 12 tratamientos
L3 A1
A2
A3
L4 A1
A2
A3
122
El numero de formas de ordenar n objetos distintos
en n lugares diferentes es :
n ! n( n 1)(n 2)...(2)(1)
n! se lee como n factorial

Que pasa cuando tenemos solo r lugares para
acomodar n objetos, tal Que n es mayor o igual
que r?
En este caso el numero de arreglos resulta
ser:
n(n 1)(n 2)...(n [r 2])(n [r 1]) Pr
n
n!
Pr
n
(n r )!
123
Ejemplo: Suponga que a un grupo de motores se les
aplicara un tratamiento que consiste en dos aplicaciones
de diferentes intensidades de presin. Hay 10 diferentes
intensidades y el orden de administrar las intensidades es
importante, cuantos motores se ocupan si cada
tratamiento se tiene que llevar a cabo?.
10 intensidades (i1,i2,,i10 ) y 2 aplicaciones.
Nos interesa contar los pares (i1,12),(i1,i3),..
10!
P2
10
90.
8!
124
Combinaciones
Una combinacin es un arreglo de distintos elementos , en
donde una combinacin difiere de otra solamente si el
contenido del arreglo es distinto.
!! En este caso no es importante el
orden de los objetos !!
Definicin. (Combinaciones).
El numero de combinaciones de n objetos tomando r a la vez
es el numero de maneras de formar un subconjunto de
tamao r de los n objetos. Esto se denota como:
n
C
n
r
r 125
Teorema 2.
n P n
n!
Cr
n r

r r! r !(n r )!
Ejemplo: En un lote de produccin 100 chips de

computadora, un comprador desea adquirir 10
chips, de cuantas formas se pueden
seleccionar 10 chips de ese lote?.
n n! 100!
C
n

r
r r !(n r )! 10!(100 10)!
126
IIIC. Coleccin y resumen de
datos
127
Coleccin y resumen de
datos
1. Tipos de datos y escalas de medicin
2. Mtodos de coleccin de datos
3. Tcnicas para asegurar la exactitud e

integridad de los datos
4. Estadstica descriptiva
5. Mtodos grficos
128
IIIC. 1 Tipos de datos y
escalas de medicin
129
Tipos de datos
Datos por atributos
Son datos discretos enteros, por ejemplo 3, 45,
2032. Cuenta, unidades, ocurrencias, bueno malo.
Datos por variables

Las variables son datos continuos medibles con
instrumentos con nmeros reales, por ejemplo
1.037, 4.69, etc. Longitud, tiempo, volumen,
tensin.
Es preferible tener informacin por variables,

proporcionan mayor informacin.
130
Tipos de datos
Datos de localizacin
Contestan a la pregunta Dnde?. Las cartas
que utilizan datos de localizacin de defectos se
denominan Measless charts o Cartas de
concentracin. Por ejemplo mapas con oficinas de
distribucin; defectos de pintura en un automvil.
Conversin de datos por atributos a variables

10 desportilladuras se pueden reportar como una
longitud total de 8.37; 25 rayas de pintura como
3.2 cuadradas de rayones de pintura.
131
Escalas de medicin
En funcin de la deseabilidad estadstica se tiene:
Escala Descripcin Ejemplo

Nominal Datos como nombres o Bolsa con dulces de
categoras. No hay orden colores: 15 amarillos, 10
rojos, 7 verdes
Ordinal Los datos estn ordenados Defectos A ms crticos
(rango) pero sus diferencias no que los defectos D se
pueden determinarse ni tabulan como:
tienen sentido A 16, B 32, C 42, D 30
Intervalo Los datos se arreglan por La temperatura de 3
orden y diferencia. No hay lingotes es de 200C,
punto de inicio de ref. y la 400C y 600C. Notar que
razn no tiene significado 3 veces 200C no es lo
mismo que 600C en T.
Razn Similar al anterior con un El producto A cuesta $300
punto cero inicial. Tanto las y el B $600. Notar que
diferencias como las razones $600 es tanto como dos132
Escalas de medicin
Medidas estadsticas para las escalas de medicin
Escala Localizacin Dispersin Prueba de

central significancia
Nominal Moda Solo Chi cuadrada
informativa
Ordinal Mediana Pocentajes Prueba de signos o
(rango) rachas
Intervalo Media Desviacin Prueba t, Prueba F,

aritmtica media o Anlisis de correlacin
estndar
Razn Media Variacin Similar al anterior
geomtrica o pocentual
media
armnica
133
IIIC. 2 Mtodos de coleccin
de datos
134
Mtodos de coleccin de datos
Incluye mtodos manuales y automticos. Guas:
Formular una clara descripcin del problema
Definir de manera precisa lo que se va a medir
Listar todas las caractersticas importantes a

medir
Cuidadosamente seleccionar la tcnica de

medicin
135
Incluye mtodos manuales y automticos.
Construir un formato sencillo de registro
Decidir quin colectara los datos
Establecer un mtodo de muestreo apropiado
Decidir quien analizar e interpretar los

resultados
Decidir quien reportar los resultados

136
Tipos de informacin para
proyectos
Atributos Variables
Caliper
PASA NO PASA
ORDEN DE ENVIO
CIUDAD UNIDAD DESCRIPCION TOTAL

1 $10.00 $10.00
3 $1.50 $4.50
10 $10.00 $10.00
2 $5.00 $10.00 Error Tiempo
FALLA PASA
TEMPERATURE
Termmetro
Circuito Elctrico
137
Plan de recoleccin de datos
Un plan de Recoleccin de Datos relacionada
con las CTQs de inters es la documentacin de:
Qu informacin se va a recolectar
Por qu se necesita
Quin es responsable
Cmo se va a recolectar
Cundo se va a recolectar
Dnde se va a recolectar
138
Definiciones operativas
El Plan de Recoleccin de Datos debera de
basarse en las Definiciones Operativas
medibles:
Definiciones Operativas ya desarrolladas para
los clientes CTQs las Ys
Se necesita desarrollar Definiciones Operativas
para el proceso Xs
Y = (X1, X2, X3, X4Xn)
CTQ Proveedor/Entrada/Proceso
139
Codificacin de datos
Codificar al agregar o restar una constante
o multiplicar o dividir por un factor:
140
Codificacin por substitucin
Para una observacin de 32-3/8, los datos
pueden codificarse como enteros

expresando el nmero de incrementos de
1/8 de desviacin vs el valor nominal.
Codificacin por truncamiento o valores

decimales repetitivos:
Las mediciones como 0.55303, 0.55310,
0.55308 pueden ser registradas como los dos
ltimos dgitos, 3, 10, 8.
141
IIIC. 3 Tcnicas para asegurar la
exactitud e integridad de los
datos
142
Asegurar exactitud e
Los datos malos corrompen el proceso de
toma de decisiones
Evitar sesgo emocional respecto a tolerancias
Evitar redondeo innecesario
Si una caracterstica cambia con el tiempo,

registrar la medicin inicial y la posterior a la
estabilizacin
Filtrar los datos para identificar y eliminar

errores de captura
143
Asegurar la exactitud e
Los datos malos corrompen el proceso de
toma de decisiones
Si los datos siguen una distribucin normal,
determinar si la dispersin de los datos puede
ser representada por al menos 8 o 10
incrementos de resolucin. Si no puede ser
mejor contar las observaciones.
Usar pruebas estadsticas objetivas para

identificar outliers o puntos aberrantes
Cada identificacin de clasificacin importante

debe ser registrada junto con los datos
144
Ventajas del Muestreo
Se economizan recursos
Se reduce el tiempo
Confiabilidad
Se pueden proyectar resultados
145
Conceptos bsicos de
Muestreo
Muestreo: Proceso mediante el cual hacemos
inferencia a toda una poblacin observando
solo una parte de esta (muestra).
Mtodos de muestreo:
Es un procedimiento cientfico mediante el cual
obtenemos los componentes de una muestra,
tratando que la muestra nos de informacin
acerca de un parmetro poblacional, y tambin
nos permite medir el grado de incertidumbre de
equivocarnos en la inferencia.
Tipos de muestreo
Muestreo aleatorio
En este caso cada parte tiene la misma oportunidad
de ser seleccionada
Muestreo secuencial
Se toman piezas de una lnea continua y se muestrea
hasta que se hayan inspeccionado ms de 3 veces el
tamao de muestra de un plan de muestreo simple
Muestreo estratificado
Se seleccionan muestras aleatorias de cada uno de
los grupos o procesos diferentes, deben reflejar la
frecuencia de los grupos
147
Muestreo Simple Aleatorio
Cada uno de los elementos de una poblacin
tiene la misma probabilidad de salir en una
muestra.
La seleccin se hace generalmente usando
nmeros aleatorios (probabilidad uniforme 0,1).
Ejemplo: Se tiene una poblacin de 100
artculos. Se desean seleccionar 5. Para obtener
la muestra se deben enumerar los 100 artculos
y se saca una lista de 5 nmeros al azar entre 1
y 100.
( Usando la computadora generamos una lista
de 5 nmeros de la uniforme 0,1 y los
multiplicamos por 100 y solo tomamos las
Muestreo Sistemtico
En este mtodo enumeramos los elementos de
la poblacin de 1 a N. La muestra es tomada en
intervalos de N/n. (con n= tamao de la
muestra).
Ejemplo: de los 100 artculos anteriores si
muestreamos sistemticamente para n=5.
Tomaremos la muestra cada 100/5=20 objetos.
(i.e. Tomamos el 1er. Articulo , luego el 20esimo.,
etc..).
Muestreo con probabilidades desiguales.
til en poblaciones con mucha
variabilidad. Hacemos que aparezcan con
mayor los datos grandes o pequeos.
IIIC. 4 Estadstica descriptiva
150
Estadstica descriptiva
La estadstica descriptiva incluye:
Medidas de tendencia central
Medidas de dispersin
Funciones de densidad de probabilidad
Distribuciones de frecuencia y
Funciones acumulativas de distribucin
151
Representan las diferentes formas de
caracterizar el valor central de un conjunto

de datos
xi

Media muestral poblacional n
152
Mediana: es el valor medio cuando los datos
se arreglan en orden ascendente o

descendente, en el caso de n par, la
mediana es la media entre los valores
intermedios
153
Moda: Valor que ms se repite, puede haber ms
de una
Media acotada (Truncated Mean): Se elimina
cierto porcentaje de los valores ms altos y
bajos de un conjunto dado de datos (tomando
nmeros enteros), para los valores restantes se
calcula la media.
154
155
Medidas de dispersin:
Rango: Es el valor mayor menos el valor menor
de un conjunto de datos
Varianza: es el promedio de las desviaciones al

cuadrado respecto a la media (n para poblacin
y n-1 para muestra para eliminar el sesgo)
156
Desviacin estndar: es la raz cuadrada de la
varianza ya sea poblacional o muestral S
790 7510
s= = 12.56 s= = 38.75
5 5 157
Coeficiente de variacin: es igual a la desviacin
estndar dividida por la media y se expresa en
porcentaje
158
Funcin de densidad de probabilidad
El rea bajo la curva de densidad de
probabilidad a la izquierda de un valor dado x,
es igual a la probabilidad de la variable aleatoria
en el eje x para X<= x
Para distribuciones continuas
Para distribuciones discretas
159
Funcin de distribucin acumulada
Funcin
de
densidad
Funcin de
distribucin
acumulada
160
Mtodos grficos
Se incluyen los mtodos siguientes:
Diagramas de caja
Diagramas de tallo y hojas
Diagramas de dispersin
Anlisis de patrones y tendencias
Histogramas
Distribuciones de probabilidad normales
Distribuciones de Weibull
161
IIIC. 5 Mtodos grficos
162
Mtodos grficos
Diagramas de caja
Representan un resumen de los datos. La lnea
media es la mediana, los lados son el primer y
tercer cuartil. El mximo y el mnimo se dibuja
como puntos al final de las lneas (bigotes)
163
Mtodos grficos
Diagramas de tallo y hojas
El diagrama consiste del agrupamiento de los
datos por intervalos de clase, como tallos y los
incrementos de datos ms pequeos como
hojas.
Hojas
Tallos
164
Mtodos grficos
Es una grfica de muchos puntos coordenados X-Y
que representan la relacin entre dos variables.
Tambin se denomina carta de correlacin. Se
puede tomar la variable dependiente para el eje Y
y la dependiente en el eje X.
La correlacin tiene las siguientes fuentes:

Una relacin de causa efecto

Una relacin entre dos causas

Una relacin entre una causa y dos o ms causas
165
Mtodos grficos
Positiva dbil Positiva fuerte Sin

correlacin
Negativa Relaciones no lineales

166
fuerte
Mtodos grficos
Coeficiente de correlacin
El coeficiente de correlacin r determina el
grado de asociacin entre dos variables X y Y
167
Mtodos grficos
Anlisis de correlacin
Busca descubrir relaciones, aplicar el sentido
comn
La lnea de mejor ajuste es la lnea de regresin,

sin embargo un anlisis visual debiera ser
suficiente para identificar si hay o no hay relacin
Los diagramas de dispersin deben ser analizados

antes de tomar decisiones sobre correlacin
estadstica
168
Mtodos grficos
Para visualizar el comportamiento de los datos en
el tiempo
Tendencia Tendencia decrecienteCorrida de proceso
creciente
Valores anormales Ciclos Variabilidad creciente
169
Mtodos grficos
Para visualizar el comportamiento de los datos en
el tiempo
Tendencia
creciente
170
Histogramas
171
Mtodos grficos
Histogramas
Son grficas de columnas de frecuencia que
muestran una imagen esttica del comportamiento
del proceso y requieren un mnimo de 50 a 100
puntos
La frecuencia en cada barra o intervalo es el nmero

de puntos que caen dentro de ese intervalo
Un proceso estable muestra un histograma con

forma de campana unimodal, es predecible
172
Mtodos grficos
Histogramas
Un proceso inestable muestra un histograma que
no tiene una forma acampanada. Sin embargo los
procesos que siguen una distribucin exponencial,
lognormal, gamma, beta, Weibull, Poisson,
binomial, hipergeomtrica, geomtrica, etc. existen
como procesos estables
Cuando la distribucin es acampanada, la variacin

alrededor de la media es aleatoria, otras
variaciones son debidas a causas especiales o
asignables.
173
Mtodos grficos
Permite ver la distribucin que tienen los procesos de

manufactura y administrativos vs. especificaciones
Permiten ver la frecuencia con la que ocurren las cosas.
La variabilidad del proceso se representa por el ancho

del histograma, se mide en desviaciones estndar o .
Un rango de 3 cubre el 99.73%.
DEFINICION
Un Histograma es la organizacin de un nmero de
datos muestra que nos permite visualizar al proceso de
manera objetiva.
174
Histograma de Frecuencia
M
E
D
Media I
C
I
O
N
TAMAO TAMAO TAMAO E
S
En un proceso estable las mediciones se distribuyen

normalmente, a la derecha y a la izquierda de la media
adoptando la forma de una campana.
M
E
D
I
C
I
O
N
E
S TAMAO TAMAO
Histogramas con Datos agrupados
El Histograma es una grfica de las frecuencias
que presenta los diferentes datos o valores de
mediciones agrupados en celdas y su frecuencia.
Una tabla de frecuencias lista las categoras o clases de

valores con sus frecuencias correspondientes, por
ejemplo:
CLASE FRECUENCIA
1-5 7
6-10 12
11-15 19
16-20 16
21-25 8
26-30 4 176
Definiciones - datos agrupados
Lmite inferior y superior de clase
Son los numeros ms pequeos y ms grandes de las clases
(del ejemplo, 1 y 5; 6 y 10; 11 y 15; 16 y 20; 21 y 25; 26 y 30)
Marcas de clase
Son los puntos medios de las clases (del ejemplo 3, 8, 13, 18,
23 y 28)
Fronteras de clase
Se obtienen al incrementar los lmites superiores de clase y al
decrementar los inferiores en una cantidad igual a la media de
la diferencia entre un lmite superior de clase y el siguiente
lmite inferior de clase (en el ejemplo, las fronteras de clase
son 0.5, 5.5, 10.5, 15.5, 20.5, 25.5 y 30.5)
Ancho de clase
Es la diferencia entre dos lmites de clase inferiores
Construccin del histograma - datos agrupado
Paso 1. Contar los datos (N)

Paso 2. Calcular el rango de los datos R = (Valor mayor- valor menor)
Paso 3. Seleccionar el nmero de columnas o celdas del histograma (K).

Como referencia si N = 1 a 50, K = 5 a 7; si N = 51 - 100; K = 6 - 10.
Tambin se utiliza el criterio K = Raz (N)
Paso 4. Dividir el rango por K para obtener el ancho de clase
Paso 5. Identificar el lmite inferior de clase ms conveniente y sumarle

el ancho de clase para formar todas las celdas necesarias
Paso 6. Tabular los datos dentro de las celdas de clase

Paso 7. Graficar el histograma y observar si tiene una forma normal
Ejemplo: Datos para histograma
Datos:
19 21 25 33 30 27 31 25 35
37 44 43 42 39 43 40 38 37
36 42 41 44 32 45 46 47 45
54 52 50 48 49 47 48 49 47
52 51 50 49 58 59 61 62 63
59 61 66 76 70
Ejemplo: Construccin del histograma
Paso 1. Nmero de datos N = 50
Paso 2. Rango R = 76 - 16 = 60
Paso 3. Nmero de celdas K = 6;
Paso 4. Ancho de clase = 60 / 6 = 10
Paso 5. Lm. de clase: 15-24, 25- 34, 35- 44, 45- 54, 55 - 64, 65-74, 75-94
Paso 6. Nmero de datos: 2 7 14 17 7 2 1
Marcas de clase 19.5 29.5 39.5 49.5 59.5 69.5 79.5
Paso 7. Graficar el histograma y observar si tiene una forma normal

Histograma en Excel
Accesar el menu de anlisis de datos con HERRAMIENTAS,
ANALISIS DE DATOS, HISTOGRAMAS
Marcar los datos de entrada en RANGO DE ENTRADA, marcar

el rango de los lmites superiores de clase en RANGO DE
CLASES, indicar GRAFICA, marcar el rea de resultados con
RANGO DE SALIDA y obtener resultados y grfica
NOTA: Los datos deben estar en forma no agrupada, Excel

forma los grupos en forma automtica o se le pueden
proporcionar los lmites de las celdas.
181
Construccin del histograma
18
16
14
12
10
8
Frec.
6
4
2
0
15- 25- 35- 45- 55- 65-
24 34 44 54 64 75
182
Otras medidas de
Dispersin- Rango, CV
Rango: Valor Mayor Valor menor
Coeficiente de variacin: (Desv. Estndar / Media *100%

Se usa para comparar datos en diferentes niveles de media o
tipo. Por ejemplo:
Material No. de Media Desviacin Coeficiente

Observaciones Aritmtica Estndar de Variacin
n s Srel
A 160 1100 225 0,204
B 150 800 200 0,250
El Material A tiene una menor variabilidad relativa relativa que el

material B
183
Ejercicio de Histogramas
Datos:
6.40 6.39 6.41 6.39 6.40

6.39 6.40 6.37 6.40 6.38
6.42 6.38 6.40 6.38 6.41

6.40 6.41 6.41 6.43 6.39
6.41 6.35 6.39 6.41 6.43

6.38 6.40 6.42 6.37 6.40
6.37 6.43 6.43 6.39 6.42

6.40 6.42 6.39 6.42 6.38
6.42 6.40 6.38 6.45 6.41

6.39 6.44 6.36 6.44 6.36 184
IIID. Distribuciones de
probabilidad
185
Distribuciones usadas
por los Black Belts
Distribucin Binomial
Distribucin Poisson
Distribucin Normal
Distribucin Chi Cuadrada
Distribucin t de Student
Distribucin F
186
Tipos de variables aleatorias
Variable aleatoria: Es aquella funcin que a cada
resultado posible de un experimento le asocia un
numero real.
Se denotan con letras Maysculas: X,Y,Z,etc....
Tipos de variables aleatorias

Discretas
Continuas
187
Variables aleatorias discretas
Es aquella variable que nicamente toma valores
susceptibles de contarse.
Ejemplo 1: Considere el experimento de tomar al
azar una ficha de asistencia de un numero de
empleados. Sea X la variable numero de ausencias
al ao de un empleado. Note que X toma valores
0,1,2,...,250.
Ejemplo 2: Considere un experimento que consiste

en medir el numero de artculos defectos de un lote
de producto. Si Y es la variable numero de
defectos , toma valores 0,1,2,... 188
Distribuciones y funciones de
probabilidad
Toda variable aleatoria tiene asociada una
funcin de probabilidades
Ejemplo : Se lanzan dos monedas y

observamos el numero Y de caras.
Espacio muestral:{a, as, sa, ss}

Y toma valores 0,1,2.
189
Funcin de probabilidades para
Y.
y P(Y=y)
0 1/4
1 1/2
2 1/4 0.51
0.46
0.41
Grfica
p
0.36
P(Y=y
)
0.31
0.26
-0.2 0.3 0.8 1.3 1.8

y
Y 190
Formula para la distribucin de
probabilidades de la tabla
anterior
3
P ( y ) P (Y y ) (.5) (.5)
3 y y
La distribucin de probabilidades puede ser una

Tabla, una Grfica o una formula.
191
Requisitos para una distribucin
de probabilidad discreta
1. 0 P( y ) 1
2. P ( y ).
toda
y
En algunas ocasiones la
notacin usada es:
f X ( x) P( X x)
192
Funciones de distribucin
acumulativa
La funcin de distribucin de probabilidades
acumulativa es calcula sumando las probabilidades
obtenidas hasta un determinado valor de la variable
aleatoria.
FX ( x) P( X x)
Esta funcin tiene propiedades.
0 F ( x) 1
Limx F ( x) 1
Limx F ( x) 0
193
Funcin de distribucin acumulativa para Y=#de
caras
0.9
0.7
F(x)
0.5
0.3
-0.2 0.3 0.8 1.3 1.8

0 1
y
2
194
Valor Esperado o Media de
una variable aleatoria
discreta
La media o valor esperado de una variable

X como
aleatoria discreta X , denotada o E(X),
es
X E ( X ) xf X ( x) xP( X x)
x x
La media es el centro de la masa del rango de

los valores de X.
195
Calculo de la media X para la variable de No. De
defectos
4
X xP( X X )
x 0
0 0.805 1 0.178 2 0.014 3 0.003 4 0

0.215
En este caso note que esta media no toma un valor

entero como X
196
0.8
0.6
prob
0.4
0.2
0.0
0 1 2 3 4
x
Media X
197
Ejercicio:
La demanda de un producto es -1,0,1,2 por dia
(-1 significa devolucin). Con probabilidades
dadas por 1/5,1/10,2/5,3/10. Calcular la X
demanda esperada.
198
Varianza de una variable
aleatoria
Sea Y una variable aleatoria discreta con

distribucin de probabilidades P(X=x). Entonces ,
la varianza de Y es:
X E[( X X ) ] ( x X ) P( X x)
2 2 2
Medida de dispersin
199
X 2 ( x X ) 2 P( X x)
x
(0 0.215) 2 0.805 (1 0.215) 2 0.178

(2 0.215) 2 0.014
(3 0.215) 2 0.003 ( 4 0.215) 2 0
0.2147
200
La desviacin estndar de una variable aleatoria
es simplemente la raz cuadrada de la varianza
X 2
X
201
Distribuciones Discretas
Uniforme discreta.
La variable aleatoria toma un numero
finito de n valores , cada uno con igual
probabilidad.
1
f ( x) P( X x)
n
202
Uniforme discreta con n=10
0.15
0.13
0.11
p
rb
o
0.09
0.07
0.05
0 2 4 6 8 1e+001
x
203
La media y varianza de la
distribucin Uniforme discreta son:
(n 1)
X
2
n 1
2
X
2
12
Aplicaciones
204
Distribucin hipergeomtrica
Se aplica cuando la muestra (n) es una
porporcin relativamente grande en relacin
con la poblacin (n > 0.1N).
El muestreo se hace sin reemplazo
P(x,N,n,D) es la probabilidad de exactamente x
xitos en una muestra de n elementos tomados
de una poblacin de tamao N que contiene D
xitos. La funcin de densidad de distribucin
hipergeomtrica:
D N D
C x C n x n!
P ( x) N C
n
x
Cn x!(n x)!
205
La media y la varianza de la distribucin
hipergeomtrica son:
nD nD D N n

2
1
N N N N 1
206
Ejemplo:
De un grupo de 20 productos, 10 se
seleccionan al azar para prueba. Cul es la

probabilidad de que 10 productos
seleccionados contengan 5 productos buenos?
Los productos defectivos son 5 en el lote.
N = 20, n = 10, D = 5, (N-D) =5!15,15x! = 5

5!0! 5!10!
P (5) 0.0183
P(x=5) = 0.0183 = 1.83% 20 !
10!10!
207
Distribucin Binomial
Ensayo Bernoulli. Es un experimento aleatorio que
solo tiene dos resultados. xito o fracaso.
Donde la probabilidad de xito se denota por p
Suponga se realizan n experimentos Bernoulli

independientes.
Suponga que la variable X de inters es el
numero de xitos.
X toma valores 0,1,2,...,n
208
Distribucin binomial
Se utiliza para modelar datos discretos y se
aplica para poblaciones grandes (N>50) y
muestras pequeas (n<0.1N).
El muestreo binomial es con reemplazamiento.
Es apropiada cuando la proporcin defectiva es
mayor o igual a 0.1.
La binomial es una aproximacin de la
hipergeomtrica
La distribucin normal se paroxima a la
binomial cuando np > 5
209
La variable aleatoria X tiene una distribucin
binomial
n x n x
f ( x) P ( X x) p (1 p ) x 0,1,..., n
x
Tiene media y varianza.
E ( X ) X np
V ( X ) np (1 p )
2
X
210
Distribucin de Poisson
Se utiliza para modelar datos discretos
Se aproxima a la binomial cuando p es igual o
menor a 0.1, y el tamao de muestra es
grande (n > 16) por tanto np > 1.6
211
Distribucin de Poisson
Una Variable aleatoria X tiene distribucin
Poisson si toma probabilidades con.

e x
f ( x) x 0,1,...
x!
np
np
212
La Distribucin
Normal
213
IMPORTANCIA
IMPORTANCIA DE
DE LA
LA DISTRIBUCIN
DISTRIBUCIN
NORMAL
NORMAL
braham Simon de Carl Francis

de Moivre Laplace Gauss Galton
Los
Los primeros
primeros industriales
industriales frecuentemente
frecuentemente se se basaban
basaban en en el
el
conocimiento
conocimiento de de limites
limites normales
normales para
para clasificar
clasificar artculos
artculos oo
procesos
procesos como
como correctos
correctos oo dede otro
otro modo.
modo.
Por
Por ejemplo,
ejemplo, el
el colesterol
colesterol arriba
arriba de
de 250
250 mg/dl
mg/dl es
es ampliamente
ampliamente
conocido
conocido que
que incrementa
incrementa el el riesgo
riesgo de
de un
un paro
paro cardiaco.
cardiaco. Una
Una
determinacin
determinacin precisa
precisa -- pudiera
pudiera ser
ser asunto
asunto de
de vida
vida oo muerte.
muerte.
Sin
Sin embargo
embargo ,, nono todas
todas las
las variables
variables son
son normales.
normales. PorPor
ejemplo:
ejemplo: urea
urea yy ph
ph
CARACTERISTICAS
CARACTERISTICAS DE
DE UNA
UNA
DISTRIBUCIN
DISTRIBUCIN NORMAL
NORMAL
La
La curva
curva normal
normal es es acampanada
acampanada yy tiene
tiene un
un solo
solo
pico
pico en
en toda
toda la
la distribucin.
distribucin.
La
La media,
media, mediana,
mediana, yy moda
moda de
de la
la distribucin
distribucin son
son
las
las mismas
mismas yy estn
estn localizadas
localizadas en
en elel pico.
pico.
La
La mitad
mitad del
del rea
rea de de la
la curva
curva esta
esta arriba
arriba del
del punto
punto
central
central (pico),
(pico), yy la
la otra
otra mitad
mitad esta
esta abajo.
abajo.
La
La distribucin
distribucin normal
normal es
es simtrica
simtrica alrededor
alrededor dede
su
su media.
media.
Es
Es asintotica
asintotica -- la
la curva
curva se
se acerca
acerca aa eje
eje xx pero
pero
nunca
nunca lo
lo toca.
toca.
CARACTERISTICAS
CARACTERISTICAS DE
DE UNA
UNA DISTRIBUCION
DISTRIBUCION NORMAL
NORMAL
La Normal is simtrica -
-
Cola
Cola
Tericamente, la
Tericamente, la Media, curva se extiende
curva se extiende mediana, y a
a moda son + infinito
217
Distribucin Normal
1 t 2
Distribucin de 1
f(t) exp
la Funcin Normal 2 2

Funcin de Densidad de Probabilidad Normal
0.0140
0.0120
0.0100 = 500
= 30
0.0080 = 50
= 70
f(t)
0.0060
0.0040
0.0020
0.0000
200 400 600 800 1000
Tiempo
218
Curvas
Curvas Normales
Normales con
con Medias
Medias iguales
iguales pero
pero
Desviaciones
Desviaciones estndar
estndar diferentes
diferentes

3.9
3.9
== 5.0
5.0

Normales
Normales con
con Medias
Medias yy
Desviaciones
Desviaciones estndar
estndar diferentes
diferentes
=
= 5,5, == 33
== 9,
9, =
= 66
== 14,
14, == 1010
La distribucin Normal estndar
La distribucin normal estndar es una distribucin de

probabilidad que tiene media 0 y desviacin estndar de
1.
El rea bajo la curva o la probabilidad desde menos

infinito a ms infinito vale 1.
La distribucin normal es simtrica, es decir cada mitad

de curva tiene un rea de 0.5.
La escala horizontal de la curva se mide en desviaciones

estndar, su nmero se describe con Z.
221
Para cada valor Z se asigna una probabilidad o rea bajo
Las distribuciones pueden variar en:
POSICIN AMPLITUD FORMA
O TENER CUALQUIER COMBINACION
222
La Distribucin Normal
Para la poblacin - se incluyen TODOS los datos
Para la muestra
x-3s x-2s x-s x x+s x+2s x+3s
223
La Distribucin Normal Estndar
La desviacin estndar
sigma representa la
distancia de la media al
punto de inflexin de la
curva normal
X
x-3 x-2 x- x x+ x+2 x+3
z
-3 -2 -1 0 1 2 3
224
AREA
AREA BAJO
BAJO LA
LA CURVA
CURVA NORMAL
NORMAL
Alrededor
Alrededor dede 68
68 %% del
del area
area bajo
bajo lala curva
curva
normal
normal est
est entre
entre ms
ms una
una yy menos
menos una una
desviacin
desviacin estndar
estndar dede la
la media.
media. EstoEsto puede
puede
ser
ser escrito
escrito como:
como: m m 1s.
1s.
Cerca
Cerca del
del 95
95 %
% del
del rea
rea bajo
bajo la
la normal
normal estest
entre
entre ms
ms yy menos
menos 22 desviaciones
desviaciones estndar
estndar de de
la
la media,
media, m m 2s.
2s.
Prcticamente
Prcticamente toda
toda (99.74
(99.74 %)%) elel rea
rea bajo
bajo la
la
normal
normal esta
esta entre
entre 33 desviaciones
desviaciones de de la
la media
media
mm 3s.
3s.
Clculos con Excel Dist. Normal Estndar
Distribucin normal estndar con media = 0 y desviacin
estndar = 1: Para Z = (X - Xmedia )/ s
1. rea desde menos infinito a un valor de Z se obtiene como sigue:
- Colocarse en una celda vaca
- Accesar el men de funciones con Fx, ESTADSTICAS,
DISTR.NORM.ESTAND, dar valor de Z y obtener el rea
requerida
Z
Area
2. Un valor de Z especfico para una cierta rea (por ejemplo

0.05) se obtiene como sigue:
- Accesar el men de funciones con Fx, ESTADSTICAS, o
DISTR.NORM.ESTAND.INV, dar valor del rea y se obtiene la Z
226
Entre:
Entre:
1.
1. 68.26%
68.26%
2.
2. 95.44%
95.44%
3.
3. 99.97%
99.97%

Caractersticas de la Distribucin Normal
68%
34% 34%
+1s
95%
+2s
99.73%
+3s 228
El valor de Z
Determina el nmero de desviaciones
estndar entre algn valor x y la media de la
poblacin, mu Donde sigma es la desviacin
estndar de la poblacin.
En Excel usar Fx, ESTADISTICAS,

NORMALIZACIN, para calcular el valor de Z
z= x-

Proceso con media =100
y desviacin estndar = 10
70 80 90 100 110 120 130
68%
34% 34%
90 110
68%
95%
80 120
2.356%
68% 2.356%
99.73%
70 130
reas bajo la curva
normal
231
Clculos con Excel Dist. Normal Estndar
Distribucin normal estndar con media = 0 y desviacin
estndar = 1: Para Z = (X - Xmedia )/ s
1. rea desde menos infinito a un valor de Z se obtiene como sigue:
DISTR.NORM.ESTAND, dar valor de Z y obtener el rea
requerida
Z
Area
2. Un valor de Z especfico para una cierta rea (por ejemplo

- Accesar el men de funciones con Fx, ESTADSTICAS, o
DISTR.NORM.ESTAND.INV, dar valor del rea y se obtiene la Z
Clculos con Excel Distr. Normal
Distribucin normal, dadas una media y desviacin estndar:
1. rea desde menos infinito a X se obtiene como sigue:
DISTR.NORM, dar el valor de X, Media, Desviacin Estndar s,
VERDADERO y se obtendr el rea requerida
X
Area
2. Un valor de X especfico para una cierta rea (por ejemplo

DISTR.NORM.INV, dar el valor del rea, Media y Desviacin
Estndar y se obtendr el valor de la X
Calculo
Calculo de
de Probabilidades
Probabilidades normales
normales
1.
1. Identificar
Identificar la
la variable
variable dede inters.
inters.
2.
2. Identificar
Identificar los
los parmetros
parmetros de de la
la variable
variable (su
(su
media
media yy desv.
desv. estndar).
estndar).
3.
3. Cual
Cual es
es la
la pregunta
pregunta rea
rea bajo
bajo la
la curva
curva dede
probabilidad
probabilidad normal?
normal?
4.
4. Convertir
Convertir los
los valores
valores aa la
la distribucin
distribucin normal
normal
estndar
estndar (estandarizacin
(estandarizacin ZZ = = (X-Media)/S)
(X-Media)/S) ..
5.
5. Encuentre
Encuentre la la probabilidad
probabilidad en en tabla
tabla de
de la
la normal
normal
estndar
estndar oo porpor Excel.
Excel.
Ejemplo
Ejemplo
El
El agua
agua usada
usada diariamente
diariamente por por persona
persona en
en Mxico
Mxico
est
est distribuida
distribuida normalmente
normalmente con con media
media 20
20 litros
litros
yy una
una desviacin
desviacin de
de 55 lts..
lts..
Entre
Entre que
que valores
valores cae
cae cerca
cerca del
del 68%
68% el
el agua
agua
usada
usada por
por una
una persona
persona enen Mexico?
Mexico?
m
m 1s
1s =
= 20
20 1(5).
1(5). Esto
Esto es,
es, cerca
cerca del
del 68%
68% de de lala
cantidad
cantidad usada
usada por
por persona
persona cae
cae entre
entre 15
15 lts.
lts. yy 25
25
lts..
lts..
De
De manera
manera similar
similar para
para 95% 95% yy 99%,99%, elel intervalo
intervalo
ser
ser de
de 10
10 lts
lts aa 30
30 lts
lts yy 55 lts
lts aa 35
35 lts.
lts.
Ejemplo
Ejemplo
El
El agua
agua usada
usada diariamente
diariamente por
por persona
persona en en
Mxico
Mxico es es distribuida
distribuida normalmente
normalmente con con media
media
20
20 litros
litros yy una
una desviacin
desviacin de
de 55 lts.
lts. Sea
Sea XX el
el
uso
uso diario
diario de
de agua.
agua.
Cual
Cual es
es la
la probabilidad
probabilidad que
que una
una persona
persona
seleccionada
seleccionada alal azar
azar use
use menos
menos dede 20
20 lts./dia?
lts./dia?
El
El valor
valor zz asociado
asociado es
es zz =
= (20
(20 -- 20)/5
20)/5 =
= 0.
0.
entonces,
entonces,
P(X
P(X <
< 20)
20) =
= P(z
P(z <
< 0)
0) =
= 0.5.
0.5.
Ejemplo
Ejemplo
Que
Que porciento
porciento usa usa entre
entre 20
20 yy 24
24 lts?
lts?
El
El value
value zz asociado
asociado concon XX =
= 20
20 es
es zz =
= 00 yy con
con
XX == 24,
24, zz =
= (24
(24 -- 20)/5
20)/5 =
= 0.8.
0.8.
Entonces,
Entonces, P(20
P(20 << XX << 24)
24) =
= P(0
P(0 << zz <
< 0.8)
0.8) ==
P(0.8)
P(0.8) -- P(0)
P(0) == 0.7881-
0.7881- 0.5
0.5 == 0.2881
0.2881 oo 28.81%.
28.81%.
Que
Que porciento
porciento usa
usa entre
entre 16
16 yy 20
20 lts?
lts?
El
El valor
valor z1
z1 para
para XX == 16
16 es
es z1 z1 =
= (16
(16 -- 20)/5
20)/5 == -0.8,
-0.8,
yy para
para XX =
= 20,
20, z2
z2 =
= 0.
0. Entonces,
Entonces, P(16 P(16 << XX << 20)
20)
== P(-0.8
P(-0.8 <
< zz <
< 0)
0) =
= P(0)
P(0) -- P(-0.8)
P(-0.8) == 0.5
0.5 -- 0.2119
0.2119
== 0.2881
0.2881 == 28.81%.
28.81%.
P(0
P(0 << zz <
<
0.8)
0.8) =
=
0.2881.
0.2881.
0.8
0.8
Ejemplo
Ejemplo
Cual
Cual es
es la
la probabilidad
probabilidad que
que una
una persona
persona
seleccionada
seleccionada alal azar
azar use
use mas
mas de
de 28
28 lts?
lts?
El
El valor
valor zz asociado
asociado aa XX =
= 28
28 es
es
zz =
= (28
(28 -- 20)/5
20)/5 = = 1.6.
1.6. Ahora,
Ahora, P(XP(X >
> 28)
28) =
= P(z
P(z >
>
1.6)
1.6) =
= 11 -- P(z
P(z << 1.6)
1.6) =
= 11 -- 0.9452
0.9452 == 0.0548.
0.0548.
P(z
P(z > > 1.6)
1.6) =
=
11 -- 0.9452=
0.9452=
0.0548
0.0548
Area
Area =
=
0.9452
0.9452
z
Ejemplo
Ejemplo
Que
Que porcentaje
porcentaje usa
usa entre
entre 18
18 yy 26
26 lts?
lts?
El
El valor
valor zz asociado
asociado con
con XX =
= 18
18 es
es zz =
= (18
(18 -- 20)/5
20)/5
=
= -0.4,
-0.4, yy para
para XX =
= 26,
26, zz =
= (26
(26 -- 20)/5
20)/5 == 1.2.
1.2.
entonces,
entonces, P(18P(18 <
< XX <
< 26)=
26)= P(-0.4
P(-0.4 << zz <
< 1.2)
1.2)
=
= F(1.2)
F(1.2) -- F(-0.4)=
F(-0.4)= 0.8849
0.8849 -- 0.3446
0.3446 = = 0.5403.
0.5403.
Ejemplos
El tiempo de vida de las bateras del conejito tiene una
distribucin aproximada a la normal con una media de
85.36 horas y una desviacin estndar de 3.77 horas.
Qu porcentaje de las bateras se espera que duren
80 horas o menos?
Cul es la probabilidad de que una batera dure entre
86.0 y 87.0 horas?
Cul es la probabilidad de que una batera dure ms
de 87 horas?
242
rea bajo la curva normal
Que porcentaje de las bateras se espera que duren
80 horas o menos?
Z = (x-mu) / s
Z = (80-85.36)/(3.77)= - 5.36/ 3.77 = -1.42
80 85.36
-1.42 0
Cul es la probabilidad de que una batera

dure entre 86.0 y 87.0 horas?
85.36 86 87
0 1
Cul es la probabilidad de que una batera dure

ms de 87 horas?
85.36 87
1.67 = .33 33% de las veces una batera

durar ms de 87 horas
Ejercicios
Considere
Considere una
una media
media dede peso
peso de
de estudiantes
estudiantes de
de
75
75 Kgs.
Kgs. con
con una
una desviacin
desviacin estndar
estndar de
de 10Kgs.
10Kgs.
Contestar
Contestar lo
lo siguiente:
siguiente:
Cul
Cul es
es la
la probabilidad
probabilidad de
de que
que un
un estudiante
estudiante
pese
pese ms
ms dede 85Kgs.?
85Kgs.?
2.
2. Cul
Cul es
es la
la probabilidad
probabilidad de
de que
que un
un estudiante
estudiante
pese
pese menos
menos de de 50Kgs.?
50Kgs.?
3.
3. Cul
Cul es
es la
la probabilidad
probabilidad de
de que
que pese
pese entre
entre 60
60 yy
80
80 Kgs.?.
Kgs.?.
4.
4. Cul
Cul es
es la
la probabilidad
probabilidad de
de que
que pese
pese entre
entre 55
55 yy
70
70 Kgs.?
Kgs.?
5.
5. Cul
Cul es
es la
la probabilidad
probabilidad de
de que
que pese
pese entre
entre 85
85 yy
100Kgs.? 246
Distribucin Exponencial
Se usa para modelar artculos con una tasa de falla
constante y est relacionada con la distribucin de
Poisson.
Si una variable aleatoria x se distribuye

exponencialmente, entonces el recproco de x,
y = 1/x sigue una distribucin de Poisson y
viceversa.
La funcin de densidad de probabilidad

exponencial es: Para x >= 0 x
1
f ( x) e e x
247
Distribucin Exponencial
Donde Lambda es la tasa de falla y theta es la
media
La funcin de densidad de la distribucin
exponencial
248
Distribuciones muestrales
249
A las distribuciones de los estadsticas
muestrales se les llama distribuciones
muestrales.
POBLACION
250
Distribuciones Derivadas del
muestreo de Poblaciones Normales
Muestra
Aparecen distribuciones
muestrales:
Poblacin Normal, Chi-cuadrada, t-

student, F
251
Distribucin de la Media:
Si X 1 , X 2 ,..., X n es una muestra aleatoria de una Poblacion

(X) con distribucin normal n( , 2 ) .Entonces X se
distribuye normal con media , y varianza / n
2
X n( , / n) 2
252
Distribuciones usadas
normalmente
Distribucin Chi Cuadrada
Esta distribucin se forma al sumar los

cuadrados de las variables aleatorias normales
estndar.
Si Z es una variable aleatoria normal, entonces

el estadstico Y siguiente es una variable
aleatoria Chi cuadrada con n grados de libertad.
253
Distribucin de la varianza.
Repaso de la distribucin ji-cuadrada.
La funcin de densidad de probabilidad con k

grados de libertad y la funcin gama es:
k x
1 1
f ( x) x2 e 2 , x 0.
2
k k
2
2
k=grados de libertad. (1,2,...)

254
Grficas de la distribucin ji-cuadrada
K=1 K=5
K=50
K=25
Con k grande ji-cuadrada se hace normal

255
Media y varianza de una ji-cuadrada.
E(X)=k
V(X)=2k
Calculo de puntos crticos usando las tablas de ji-

cuadrada
P ( X ,k )
2
256
Ejemplo: Calcule el valor critico que
satisface
P ( X 0.05, 20 ) .05
2
De tablas de ji-cuadrada con alfa=.05 y k=20
0.05, 20 31.41
2
257
Resultado:
Si X 1 , X 2 ,..., X n es una muestra aleatoria de una Poblacion

(X) con distribucin normal n( , 2 ) .Entonces (n 1) S 2 se
2
distribuye ji-cuadrada con k= n-1 grados de libertad.
Donde S cuadrada es la varianza muestral.
(n 1) 2
S 2
n 1
2
258
Distribucin t-student
Si X 1 , X 2 ,..., X n es una muestra aleatoria de

una n( , 2 )
Poblacin (X) con distribucin normal .
( X ) ( s / n)
Entonces se distribuye
t-student con n-1 grados de libertad.
( X ) ( s / n) t n 1
259
Funcin de Distribucin t-
student
[(k 1) / 2]
f ( x)
k [k / 2][ x 2 / 2 1]( k 1) / 2
x (, )
K=1
K=10
K=100 260
Funcin de Distribucin t-
student
261
k
; k 3
k 2
La media y la varianza de la distribucin t son:
0
k
; k 3
k 2
De una muestra aleatoria de n artculos, la
probabilidad de que
x
t
s/ n
Caiga entre dos valores especificados es igual al
rea bajo la distribucin de probabilidad t de
Student con los valores correspondientes en el
eje X, con n-1 grados de libertad
262
k
; k 3
k 2
Ejemplo:
La resistencia de 15 sellos seleccionados
aleatoriamente son: 480, 489, 491, 508, 501,
500, 486, 499, 479, 496, 499, 504, 501, 496,
498
Cul es la probabilidad de que la resistencia

promedio de los sellos sea mayor a 500?. La
media es 495.13 y la desviacin estndar es
de 8.467. 495.13 500
t 2.227
8.467 / 15
t = -2.227 y el rea es 0.0214
263
Distribucin F
Surge de dividir dos ji-cuadradas

independientes
F=(W/u)/(Y/v)
W se distribuye ji-cuadrada con u g.l.

Y se distribuye ji-cuadrada con v g.l.
El uso de esta distribucin es para

comparar varianzas (Recuerde el
anlisis de varianza)
264
Funcin
Distribucin F. de densidad de la
Distribucin F
[(u v) / 2] u / v x
u ( u / 2 ) 1
2
f ( x)
u
(u / 2)[v / 2][ x 1]( k v ) / 2
v
x (0, )
u=10 u=20
v=5 v=20
265
Distribucin F.
Funcinde densidad de la
Distribucin F
266
Distribucin F
Para determinar la otra cola de la distribucin F
se determina con la expresin.
Falfa, k1, k2 = 1 / F(1-alfa), k2, k1
Dado K1 = 8 y K2 = 10, F0.05 = 3.07, encontrar

el valor de F0.05 con K1 = 10 y K2 = 8
F0.05,10,8 = 1/ F0.95,8,10 = 1/ 3.07 = 0.326
267
IIIE. Anlisis de Sistemas de
medicin
268
Anlisis de Sistemas de
Medicin
1. Errores en la medicin
269
Metrologa
Metrologa es la ciencia de las mediciones
Apoya a la organizacin en la evaluacin

cuantitativa de las variables del proceso
(longitudes, dimensiones, pesos, presiones, etc.)
Factores considerados para determinar el periodo

de calibracin de los equipos de medicin
Intensidad de uso del equipo
Posibles desgastes por el uso o degradacin
Errores identificados durante las calibraciones peridicas
270
Correlacin de
mediciones
Es la comparacin o correlacin de las mediciones
de un sistema de medicin con los valores
reportados por uno o ms sistemas de medicin
diferentes
Un sistema o dispositivo de medicin puede usarse

para comparar valores contra un estndar
conocido, a su vez puede compararse a la media y
desviacin estndar de otros dispositivos similares
Todas las mediciones reportadas de artefactos

iguales o similares, son referidos como prueba de
proficiencia o prueba de Round Robin.
271
Correlacin de
mediciones
Tambin se pueden comparar valores obtenidos de
diferentes mtodos de medicin usados para medir
diferentes propiedades. Por ejemplo la medicin de
dureza y resistencia de un metal, temperatura y
expansin lineal de un artculo al ser calentado, y
peso y nmero de pequeas partes
El manual MSE de la AIAG clasifica los errores del

sistema de medicin en cinco categoras:
Sesgo o exactitud
Repetibilidad
Reproducibilidad
Estabilidad
Linealidad
272
Porcentaje de acuerdo
El porcentaje de acuerdo ya sea entre el sistema
de medicin y los valores de referencia o el valor
verdadero de la variable medida, puede estimarse
con el coeficiente de correlacin, r, con valores r=1
100% de acuerdo y r= 0 sin acuerdo.
273
Precisin a Tolerancia P/T
Es la razn (P/T) entre el error estimado de la
medicin (precisin) y la tolerancia de la caracterstica
medida.
Donde 6 sigma es la variabilidad de las mediciones.

Los supuestos son:
Las mediciones son independientes
Los errores de medicin se distribuyen normalmente
Los errores de medicin son independientes de la
magnitud de las mediciones

274
Precisin a Variacin Total
P/TV
Es la razn (P/TV) entre el error estimado de la medicin

(precisin) y la variacin total de la caracterstica
medida.
Se debe minimizar P/TV para reducir el efecto de la

variacin de las mediciones en la evaluacin de la
variacin del proceso
Conforme P/T y P/TV se incrementan, la habilidad de

discriminar un cambio en el proceso disminuye, en todo
caso utilizar un sistema de medicin con variacin ms
pequea
275
Definiciones
Exactitud
Desviacin respecto del valor verdadero del
promedio de las mediciones
Valor verdadero:
Valor correcto terico / estndares NIST
Sesgo
Distancia entre el valor promedio de todas las
mediciones y el valor verdadero.
Error sistemtico o desviacin
276
Definiciones
Estabilidad
La variacin total en las mediciones obtenidas
durante un perodo de tiempo prolongado
Linealidad
Diferencia en los valores de la escala, a travs
del rango de operacin esperado del
instrumento de medicin.
Precisin
Medicin de la variacin natural en mediciones
repetidas
277
Posibles Fuentes de la
Variacin del Proceso
Variacin del proceso, observado
Variacin del proceso, real Variacin de la medicin
Variacin Variacin originada

dentro de la Reproducibilidad
muestra por el calibrador
Repetibilidad Estabilidad Linealidad Sesgo
Calibracin
La Repetibilidad y reproducibilidad (R&R), son los errores ms relevantes en la medicin.

278
Anlisis de Sistemas de Medicin
Sensibilidad
El gage debe ser suficientemente sensible para

detectar diferencias en las mediciones en al
menos un dcimo de la tolerancia especificada o
de la dispersin del proceso
279
Definicin del Sesgo o
precisin
Valor
Verdadero
Sesgo es la diferencia Sesgo

entre el promedio
observado de las
mediciones y el valor
verdadero.
Se reporta como
porcentaje de la variacin
del proceso o de la
tolerancia.
280
Definicin de la Repetibilidad
o precisin
Repetibilidad: Es la variacin
de las mediciones obtenidas
con un instrumento de
medicin, cuando es utilizado
varias veces por un operador, al
mismo tiempo que mide las
mismas caractersticas en una
misma parte
REPETIBILIDAD
281
Definicin de la
Reproducibilidad
Reproducibilidad: Es Operador-B
la variacin, entre
promedios de las
mediciones hechas por
diferentes operadores
que utilizan un mismo Operador-C
instrumento de
medicin cuando miden
las mismas
caractersticas en una Operador-A
misma parte en
diferentes tiempos
Reproducibilidad 282
Errores en la medicin
Preciso pero Exacto pero Exacto y

No exacto no preciso preciso
283
Definicin de la Estabilidad
Estabilidad (o desviacin) es la
variacin total de las mediciones
obtenidas con un sistema de Tiempo 2
medicin, hechas sobre el mismo
patrn o sobre las mismas Tiempo 1
partes, cuando se mide una sola
de sus caractersticas, durante
un perodo de tiempo
prolongado.
284
Definicin de la Linealidad
Graficar el sesgo versus los valores de referencia de la parte
En todo el rango de operacin del instrumento. El porcentaje de
Linealidad es igual a la pendiente, b, de la lnea de regresin
Multiplicada por la variacin del proceso.
L = b Vp
El sesgo en cualquier punto se puede estimar de la pendiente y
La interseccin con eleje Y (Yo) de la mejor lnea de ajuste
B = Yo + b X
Valor Valor
Linealidad es la verdadero verdadero
diferencia Sesgo Sesgo
en los valores real y Menor mayor
observado,
a travs del rango de (rango inferior)
operacin
esperado del equipo. Rango de Operacin del equipo
(rango superior)
285
Estabilidad del Calibrador
Cmo Calcularla
Para calibradores que normalmente se utilizan sin ajuste, durante

periodos de tiempo relativamente largos.
Realizar un segundo estudio R&R del Calibrador justo antes de

que venza el tiempo de re calibracin.
La estabilidad del calibrador es la diferencia entre los

promedios sobresalientes de las mediciones resultantes de los
dos estudios.
Causas posibles de poca estabilidad
El calibrador no se ajusta tan frecuentemente como se requiere
Si es un calibrador de aire, puede necesitar un filtro o un regulador
Si es un calibrador electrnico, puede necesitar calentamiento previ

286
Error R&R = RPT2 + REPR2
Precisin en relacin a la variacin

Para la fase de control del
total proyecto, slo substituya la
Tolerancia por Variacin Total
%R&R= R&R *100

.
TV= R&R + PV
Var Total PV= variacin de parte = Rp
x K3
Identificar qu porcentaje de la variacin total debe
absorberse como error de medicin.
<10% Aceptable
10-30%. Puede ser aceptable, dependiendo
qu tan crtico es el grado de la medicin.
>30%. Inaceptable!
287
EL VALOR DEL R&R ES UN PORCENTAJE DE LA
VARIACION TOTAL DEL PROCESO:
VARIACIN DE PARTE
La dimensin verdadera
A PARTE
de las partes se encuentra
en algn lugar de la la
regin sombreada
Lo que
fue
medido
LSL OBJETIVO USL

Mientras ms mayor sea el % del R&R, mayor ser el rea
de incertidumbre para conocer la dimensin verdadera de
las partes.
ERROR TIPO 1: Pueden estarse aceptando partes que
estn fuera de especificaciones
ERROR TIPO 2: Pueden estarse rechazando partes que
estn dentro de especificaciones
Medicin
2. Carta de tendencias
289
Carta de tendencias de
gages
Una carta de tendencias es una grfica de todas
las observaciones por operador y partes. La lnea
horizontal de referencia es la media, calculada
de los datos o proporcionada en base al historial.
Esta carta muestra las diferencias entre los

diferentes operadores y las partes.
Un proceso estable mostrar una dispersin

aleatoria horizontal; el efecto de un operador o
parte mostrar un patrn definido no aleatorio.
290
gages
1File > Open worksheet > GAGEAIAG.MTW.
2Stat > Quality Tools > Gage Study > Gage Run Chart
3En Part numbers, seleccionar Part.
4En Operators, seleccionar Operator.
5En Measurement data, seleccionar Response. Click OK.
291
gages
Interpretando los resultados

Para cada parte, se puede comparar la variacin entre
mediciones hechas los operadores y sus diferencias
Se puede comparar la media de referencia con las
mediciones especficas.
La mayor parte de la variacin se debe a diferencias entre

las partes, algunos patrones menores aparecen tambin.
Por ejemplo el operador 2 en su segunda medicin es
consistentemente (7/10) ms pequea que la primera, y
sus mediciones son consistentemente (8/10) ms
pequeas que las del operador 1.
292
Medicin
3. Estudios R&R
Mtodo corto del rango
293
Mtodo del rango
Es un mtodo que proporciona un valor aproximado
del error R&R sin que muestre las diferencias entre
errores por el equipo y por los operadores.
Se usan dos evaluadores y cinco partes. Cada
evaluador mide cada parte una sola vez.
Se calcula el rango de la medicin de cada parte y

al final el rango promedio.
La desviacin estndar de R&R se aproxima con la

formula de rango medio entre d2*
El % de R&R se calcula comparando la desv.
Estndar de R&R con la del proceso
294
Mtodo del rango
Error mximo 10%
295
Medicin
4. Determinacin de la
repetibilidad
296
Determinacin de la
repetibilidad
Se tienen veinte unidades de producto, el
operador que toma las mediciones para el
diagrama de control usa un instrumento para
medir cada unidad dos veces. Los datos son
mostrados en la tabla siguiente
297
Determinacin slo
de la repetibilidad
298
Determinacin slo
de la repetibilidad
La desviacin estndar del error de medicin,,
= es calculada mediante la siguiente frmula:
R 1 R= Rango promedio
0.887 d2 = Valor de tablas.
d 2 1.128
Para obtener una buena estimacin de la capacidad del

error de medicin utilizamos: y vs Tolerancia
6 medicin 6(0.887) 5.32 P 6 medicin

T USL LSL
299
Determinacin slo
de la repetibilidad
En este ejemplo USL = 60, LSL = 5
=
P 5.32
0.097
T 55
Los valores P/T de 0.1 o menores generalmente implican
una capacidad de error de medicin adecuada.
2 Total S 2 (3.07) 2 9.4249

La varianza total observada es:
Y la sigma del proceso es:

2 proceso = 2 total 2 medicin =9.4249 - .79 = 8.63
Por lo tanto la desviacin estndar del proceso = 2.93
300
Determinacin slo
de la repetibilidad
El error de medicin es expresado como un porcentaje
= de la variabilidad del proceso:
medicion .79
100 25.73%
total 3.07
Al ser el error de medicin mayor al 10%, concluimos

que no tenemos un sistema de medicin confiable, por
lo cual tenemos que realizar las acciones correctivas
correspondientes.
301
Medicin
5. Estudios R&R (cruzado)

Mtodo de Medias Rangos
Mtodo largo
302
R&R - Mtodo de medias
rangos
Los estudios de repetibilidad y reproducibilidad determinan
cuanto de la variacin observada como variacin de
proceso es debida a variacin del sistema de medicin.
Se proporcionan dos mtodos para evaluar la repetibilidad

y la reproducibilidad: Mtodo de cartas X-R y Mtodo de
ANOVA.
El Mtodo X-R divide la variacin total dentro de tres

categoras: parte a parte, repetibilidad y reproducibilidad.
El mtodo ANOVA presenta un componente adicional, la
interaccin operador parte.
303
Mtodo de medias rangos
304
Estudio de R&R Medias
Rangos
Generalmente intervienen de dos a tres operadores

Generalmente se toman 10 unidades
Cada unidad es medida por cada operador, 2 3
veces.
305
Estudio R&R Medias rangos
La resolucin del equipo de medicin debe ser
de al menos el 10% del rango de tolerancia o
del rango de variacin del proceso.
Las partes deben seleccionarse al azar,

cubriendo el RANGO TOTAL DEL PROCESO . Es
importante que dichas partes sean
representativas del proceso total (80% DE LA
VARIACION)
10 partes NO son un tamao de muestra

significativo para una opinin slida sobre el
306
Procedimiento para realizar un estudio
de R&R
1. Ajuste el calibrador, o asegrese de que ste

haya sido calibrado.
2. Marque cada pieza con un nmero de

identificacin que no pueda ver la persona que
realiza la medicin.
3. Haga que el primer operador mida todas las

muestras una sola vez, siguiendo un orden al
azar.
307
Procedimiento para realizar un estudio de
R&R
4. Haga que el segundo operador mida todas las

muestras una sola vez, siguiendo un orden al
azar.
5. Contine hasta que todos los operadores hayan

medido las muestras una sola vez (Este es el
ensayo 1).
6. Repita los pasos 3-4 hasta completar el

nmero requerido de ensayos
308
Procedimiento para realizar un estudio de
R&R
7. Utilice el formato proporcionado para
determinar las estadsticas del estudio R&R
Repetibilidad
Reproducibilidad
%R&R
Desviaciones estndar de cada uno de los
conceptos mencionados
Anlisis del % de tolerancia
8. Analice los resultados y determine los pasos

a seguir, si los hay.
309
Ejemplo:
Planteamiento del problema:
Las partes producidas en el rea de produccin, fallaron
por errores dimensionales 3% del tiempo.
CTQ: Mantener una tolerancia 0.125 pulgadas
Sistema de Medicin: Se miden las partes con calibradores de 2.
Estudio R&R del La dimensin A es medida por dos

Calibrador: operadores, dos veces en 10 piezas.
310
Mtodo X-media y Rango:
Repetibilidad y Reproducibilidad de
calibrador
Operador A Operador B
Serie # 1er. Ensayo 2o. Ensayo Rango 1er. Ensayo 2o. Ensayo Rango Porcin Xbar
1 9.376 9.358 9.354 9.361
2 9.372 9.320 9.372 9.372
3 9.378 9.375 9.278 9.277
4 9.405 9.388 9.362 9.370
5 9.345 9.342 9.338 9.339
6 9.390 9.360 9.386 9.370
7 9.350 9.340 9.349 9.349
8 9.405 9.380 9.394 9.381
9 9.371 9.375 9.384 9.385
10 9.380 9.368 9.371 9.376
Totales
X-barA X-barB
R-barA R-barB
Porcin R
311
Clculo de las X-medias
Repetibilidad y Reproducibilidad de calibrador
312
Clculo de los Rangos
Repetibilidad y Reproducibilidad de
calibrador
313
Identificacin de Parmetros del Estudio
y Clculos
Totales 93.772 93.606 0.174 93.588 93.580 0.052
X-barA 9.3689 X-barB 9.3584
R-barA 0.0174 R-barB 0.0052
Porcin R 0.0630
X-media mx.=> 9.3689

Ancho de tolerancia====> 0.25
X-media mn. => 9.3584
Nmero de intentos (m)=> 2
Nmero de partes (n)==> Diferencia X-dif 0.0105
10
Nmero de operadores 2
========> 4.56 R-media doble 0.0113

(=4.56 para 2 ensayos, 3.05 para 3 ensayos)
=========> 3.65 K3 ======> 1.62

(=3.65 para 2 operadores; 2.7 para 3 operadores)
314
Clculo de R&R
Repetibilidad: La variacin del dispositivo de medicin (VD)
se calcula sobre cada grupo de mediciones tomadas por un
operador, en una sola parte.
DV = R x K1 = 0.0515
Reproducibilidad: La variacin en el promedio de las mediciones

(AV) se calcula sobre el rango de los promedios de todas las
mediciones, para cada operador, menos el error del calibrador
(vale si la raz es negativa)
AV = (Xdif * K2)2 - (DV2/(r*n)) = 0.03655
315
Clculo de R&R
El componente de varianza para repetibilidad y
reproducibilidad (R&R) se calcula combinando la
varianza de cada componente.
R&R = DV2 + AV2 0.05277
=
El componente de varianza para las partes (PV), se calcula

sobre el rango de los promedios de todas las mediciones,
para cada parte.
PV = Rpart x K3 =0.1021
La variacin total (TV) se calcula combinando la varianza de

repetibilidad y
reproducibilidad y la variacin de la parte.
TV = R&R2 + PV2 = 0.1142 316

Clculo de R&R
Basado en la tolerancia:
%DV = 100*DV/Ancho de tolerancia=20.61
%AV = 100*AV/Ancho de tolerancia=14.62
%R&R = 100*R&R/Ancho de tolerancia 21.108

=
Basado en la variacin Total de las Partes:

45.09
%DV = 100*DV/Variacin total=
32.00
%AV = 100*AV/ Variacin total =
%R&R = 100*R&R/ Variacin total = 46.20
%PV = 100*PV /Variacin total = 89.40 317

Ejercicios
Para un estudio de R&R 2 operadores midieron con el mismo equipo

de medicin 10 partes en 3 intentos cada uno,obteniendo:
Mediciones Mediciones
Nmero de operador A de operador B
de parte 1 2 3 1 2 3
1 50 49 50 50 48 51
2 52 52 51 51 51 51
3 53 50 50 54 52 51
4 49 51 50 48 50 51
5 48 49 48 48 49 48
6 52 50 50 52 50 50
7 51 51 51 51 50 50
8 52 50 49 53 48 50
9 50 51 50 51 48 49
10 47 46 49 46 47 48
318
R&R por Medias Rangos
Calculo con Minitab
(se puede usar la hoja de trabajo

Gageaiag.mtw)
319
R&R Medias Rangos
Minitab :Datos originales
320
R&R Medias Rangos
Minitab :Datos cargados (3 cols.)
321
R&R Medias Rangos
Minitab : Instrucciones
Seleccione en el men de la barra de

herramientas Stat>quality tools>gage study >
Gage R&R (Crossed)
Seleccione C1 (parte), C2 (operador), C3

(Medicin)
Mtodo de Anlisis X Bar and R
En Options Seleccionar: Study variation 5.15

Process tolerante 0.006
322
R&R Medias Rangos
Minitab : Resultados
% Error R&R debe ser meno

Al 10% ya sea para control
Proceso o para producto fin
Repetibilidad Instrumento
Reproducibilidad - Operador
Nmero mnimo 4
323
R&R Medias Rangos
Minitab : Interpretacin de
Resultados
Interpretacin de los resultados:
El error de R&R vs tolerancia es 64.03% y vs

variacin total del proceso es 21.25% lo que hace
que el equipo de medicin no sea adecuado para
la medicin.
Por otro lado el nmero de categoras es slo de 1

cuando debe ser al menos 4 indicando que el
instrumento discrimina las diversas partes
diferentes.
324
R&R Medias Rangos Grficas
La grfica R se mantiene en control indicando
que las mediciones se realizaron en forma adecua
Gage R&R (Xbar/ R) for Datos La grfica X barra slo presenta 5 de 30 puntos fu
Gage name:
de control, debera
Reported by :
Tolerance:
ser al menos el 50%, indicand
Date of study : que el equipo
Misc: no discrimina las diferentes partes.
Components of Variation Datos by Partes
80 % Contribution
0.006
% StudyVar
Percent
% Tolerance
40 0.005
0.004
0
Gage R&R Repeat Reprod Part-to-Part 1 2 3 4 5 6 7 8 9 10
Partes
R Chart by Operadores
1 2 3 Datos by Operadores
UCL=0.001073 0.006
0.0010
Sample Range
_ 0.005
0.0005
R=0.000417
0.004
0.0000 LCL=0
1 2 3
Operadores
Xbar Chart by Operadores
1 2 3 Operadores * Partes I nteraction
Operadores
UCL=0.005143
Sample Mean
0.0050 1
0.0050
Average
_ 2
X=0.004717 3
0.0045
0.0045
LCL=0.004290
0.0040
0.0040 1 2 3 4 5 6 7 8 9 10
Partes
325
R&R por ANOVA
6. Calculo con Minitab
(con los datos del ejemplo anterior)
326
R&R por ANOVA
Instrucciones de Minitab
Seleccione en el men de la barra de
herramientas Stat>quality tools>gage study >
Gage R&R (Crossed)
Seleccione C1 (parte), C2 (operador), C3

(Medicin)
Mtodo de Anlisis ANOVA
En Options Seleccionar: Study variation 5.15

Process tolerance 0.006 Alfa to remove
interaction 0.25
327
R&R por ANOVA
Resultados de Minitab
La interaccin no es significativa
y los errores de R&R indican que
equipo de medicin no es adecu
ni el nmero de categoras.
328
R&R por ANOVA
Las conclusiones son similares
que con el mtodo de X barra R
No hay interaccin parte - operad
329
Medicin
7. Estudios R&R por atributos-

Mtodo de acuerdo por
atributos
330
Ejemplo comparacin pasa no pasa
Un sistema de medicin de atributos compara

cada parte con un estndar y acepta la parte
si el estndar se cumple.
La efectividad de la discriminacin es la
habilidad del sistema de medicin de atributos
para discriminar a los buenos de los malos.
331
Ejemplo comparacin pasa no pasa
1. Selecciona un mnimo de 20 unidades del proceso.

Estas unidades deben representar el espectro
completo de la variacin del proceso (buenas,
erroneas y en lmites).
2. Un inspector experto realiza una evaluacin de cada
parte, clasificndola como Buena o No Buena.
3. Cada persona evaluar las unidades,
independientemente y en orden aleatorio, y las
definir como Buenas o No Buenas.
4. Ingresa los datos en el archivo Attribute Gage R&R.xls
para cuantificar la efectividad del sistema de
medicin.
332
GR&R de Atributos - Ejemplo
Legenda de Atributos REPORTE
G =1Bueno FECHA:
NOMBRE:
NG =2No Bueno PRODUCTO:
SBU:
Esta es la
COND. DE PRUEBA: medida
Acuerdo
Poblacin Conocida
Muestra # Atributo
Persona #1
#1
Persona #2
#2
Acuerdo
general de
#1 #2 Y=S N=No Y=S N=No
1 G G G G G Y Y consistencia
2 G G G G G Y Y
3 G G G G G Y Y entre los
4
5
G
G
G
G
G
G
G
G
G
G
Y
Y
Y
Y
operadores
6 G NG G G G N N y el experto.
7 G G G G G Y Y
8 G G G G G Y Y 90% es lo
9 NG G G NG NG N N
10 NG NG NG G G N N mnimo!
11 G G G G G Y Y
12 G G G G G Y Y
13 NG NG NG NG NG Y Y
14 G G G G G Y Y
15 G G G G G Y Y
16 G G G G G Y Y
17 NG NG NG NG NG Y Y
18 G G G G G Y Y
19 G G G G G Y Y
20 G G G G G Y Y
(1)
% DEL EVALUADOR -> 95.00% 100.00%
(2)
% VS. EL ATRIBUTO -> 90.00% 95.00%
(3)
% DE EFECTIVIDAD DE DISCRIMINACION -> 85.00%
(4)
% DE EFECTIVIDAD DE DISCRIMINACION VS. EL ATRIBUTO -> 85.00%
333
Pasa no pasa Datos en Minitab
334
Instrucciones en Minitab
1Usar los datos anteriores.
2Seleccionar Stat > Quality Tools > Attribute
Agreement Analysis.
3En Multiple columns, con Persona 1 - Persona

2B.
4En Number of appraisers, 2.
5En Number of trials, 2.
6En Known standard/attribute, poner Atributo

7no Checar Categories of the attribute data are
ordered y poner OK
335
336
Date of study:
Assessment Agreement
Reported by:
Name of product:
Misc:
Within Appraisers Appraiser vs Standard

100 95.0% CI 100 95.0% CI
Percent Percent
95 95
90 90
Percent
85 Percent 85
80 80
75 75
70 70
1 2 1 2
Appraiser Appraiser
337
Interpretacin de Resultados
1. % del Evaluador es la consistencia de una
persona.
2. % Evaluador vs Atributo es la medida de el

acuerdo que hay entre la evaluacin del operador
y la del experto.
3. % de Efectividad de Seleccin es la medida de el

acuerdo que existe entre los operadores.
4. % de Efectividad de Seleccin vs. el Atributo es

una medida general de la consistencia entre los
operadores y el acuerdo con el experto.
338
Guas de Aceptabilidad
Aunque el 100% es el resultado que deseamos obtener,
en un estudio de repetibilidad y reproducibilidad de
atributos, la siguiente gua se usa frecuentemente:
Porcentaje Gua
De 90% a 100% Aceptable
De 80% a 90% Marginal
Menos de 80% Inaceptable
339
IIIF. Capacidad y desempeo
del Proceso
340
Capacidad y desempeo del
proceso
1. Estudios de capacidad del proceso
2. Desempeo del proceso contra especificaciones
3. ndices de capacidad del proceso
4. ndices de desempeo del proceso
5. Capacidad a corto y a largo plazo
6. Capacidad del proceso para datos por atributos

341
IIIF.1 Estudios de
Capacidad del Proceso
342
Teora del camin y el tnel
El tnel tiene 9' de ancho (especificacin). El camin tiene 10 y el chofer es perfecto
(variacin del proceso). Pasara el camin? NO, la variabilidad del proceso es mayor
que la especificacin.
Centrar es hacer que el promedio del proceso sea igual al centro de la
especificacin. Si el camin tiene 8 pies de ancho pasar el camin?, Si. Si
el chofer puede mantener el centro del camin en el centro del tnel. De otra forma
chocar con las paredes del tnel y no pasar a pesar de ser ms angosto.
El proceso debe estar en control, tener capacidad y estar centrado
Ancho 9
Nigels Trucking Co.
Objetivos de la capacidad del
proceso
1. Predecir que tanto el proceso cumple

especificaciones
2. Apoyar a diseadores de producto o proceso en sus

modificaciones
3. Especificar requerimientos de desempeo para el

equipo nuevo
4. Seleccionar proveedores
5. Reducir la variabilidad en el proceso de

manufactura 344
Estudios de capacidad
La capacidad del proceso es un patrn
predecible de comportamiento estadstico
estable donde las causas de variacin se
comparan con las especificaciones.
345
LIE LSE
Especificacin Especificacin
inferior superior
s _
xi
X
p = porcentaje de partes fuera de Especificaciones 346

Cmo vamos a mejorar esto?
Podemos reducir la desviacin estndar...
Podemos cambiar la media...
O (lo ideal sera, por supuesto) que podramos cambiar ambas
Cualquiera que sea la mejora que lleve a cabo,

asegrarse que se mantenga
347
Procedimiento
1. Seleccionar una mquina donde realizar el estudio
2. Seleccionar las condiciones de operacin del proceso
3. Seleccionar un operador entrenado
4. El sistema de medicin debe tener habilidad (error

R&R < 10%)
5. Cuidadosamente colectar la informacin
6. Construir un histograma de frecuencia con los datos
7. Calcular la media y desviacin estndar del proceso

348
Objetivos:
Establecer un estado de control sobre el proceso
de manufactura mantenerlo en el tiempo.
Al comparar el proceso vs los lmites de

especificacin pueden ocurrir los siguientes
eventos:
No hacer nada
Cambiar las especificaciones
Centrar el proceso+
Reducir la variabilidad
Aceptar las prdidas
349
Identificacin de caractersticas:
Deben ser indicativas de un factor clave en la
calidad del producto o proceso
Debera ser posible ajustar el valor de la

caracterstica como factor de control
Las condiciones de operacin que afecten la

caracterstica medida deben ser identificadas y
controladas
El PPAP indica la evaluacin una inicial de la
capacidad
350
IIIF.2 Desempeo del proceso
contra especificaciones
351
estndar
con el proceso normal o en
control
La desviacin estndar del proceso cuando se encuentra en
control se determina como sigue con base en una carta de
control X-R siempre que est bajo control estadstico:
Rango medio
Desv. Est. st =
(Within) Constante d2 de acuerdo al
tamao de subgrupo en X-R
D2 = 1.128 para carta I-MR con n=2

D2= 2.326 para carta X-R con n=5
352
Lmites de tolerancia
natural del proceso
LTNS = Media + 3*sigma
LTNI = Media 3*sigma
Si los lmites de especificacin son: LIE y LSE
El Cp = (LSE LIE) / (LTNS LTNI) debe ser mayor

a1
353
Capacidad del proceso
Zs y P(Zs) Fraccin defectiva
Los valores de Z inferior y Z superior se calculan de acuerdo a las
frmulas siguientes:
LIE - promedio del proceso LSE - Promedio del proceso

Zi = Zs =
Desviacin Estndar - st Desviacin Estndar - st
La fraccin defectiva se calcula con la distribucin normal estndar:
P(Zi) = rea en tabla (-Z)

P(Zs) = 1 rea corresp. a Zs en tabla (+Z)
Fraccin defectiva = P(Zi) + P(Zs)

354
IIIF.3 ndices de capacidad del
proceso
355
estndar
con el proceso normal o en
control
La desviacin estndar del proceso cuando se encuentra en
control se determina como sigue con base en una carta de
control X-R siempre que est bajo control estadstico:
Rango medio
Desv. Est. st =
(Within) Constante d2 de acuerdo al
tamao de subgrupo en X-R
D2 = 1.128 para carta I-MR con n=2

D2= 2.326 para carta X-R con n=5
356
Capacidad del proceso
Zs y P(Zs) Fraccin defectiva
Los valores de Z inferior y Z superior se calculan de acuerdo a las
frmulas siguientes:
LIE - promedio del proceso LSE - Promedio del proceso

Zi = Zs =
Desviacin Estndar - st Desviacin Estndar - st
La fraccin defectiva se calcula con la distribucin normal estndar:
P(Zi) = rea en tabla (-Z)

P(Zs) = 1 rea corresp. a Zs en tabla (+Z)
Fraccin defectiva = P(Zi) + P(Zs)

357
ndices de Capacidad Potencial
del proceso en control Corto
plazo
El ndice de capacidad potencial del Proceso (Cp) mide la
variacin del proceso en relacin con el rango de Especificacin.
Tolerancia LSE - LIE

Cp = =
Variacin del proceso 6 Desviaciones Estndar - st
La relacin de capacidad (CR) es la inversa del clculo de Cp. Este ndice le

indica que porcentaje de la especificacin est siendo usado por la variacin del
proceso.
Rango del proceso 6 desviaciones estndar - st
CR = =
LSE - LIE
Tolerancia
Otro ndice que toma en cuenta

el centrado del proceso vs
Media de Especificaciones M es: 358
proceso
en control estadstico corto
plazo
Cpk es una medida de la capacidad real del proceso en funcin de
la posicin de la media del proceso (X) en relacin con con los
lmites de especificacin.
Con lmites bilaterales da una indicacin del centrado.
Es el menor de:
LSE - promedio del proceso Promedio del proceso - LIE
Cpk = y
3 desviaciones Est. - st 3 desviaciones Estndar - st
359
Clculo de la capacidad del proceso
Habilidad o capacidad potencial Cp = (LSE - LIE ) / 6 st
Debe ser 1
para tener el potencial de
cumplir con especificaciones (LIE, LSE)
Habilidad o capacidad real Cpk = Menor | ZI y ZS | / 3

El Cpk debe ser 1 para que el
proceso cumpla especificaciones
360
IIIF.4 ndices de desempeo
del proceso
361
Estimacin de la desviacin
estndar
con el proceso a largo plazo
Se toman todos los datos del proceso histricos, no importa que

el proceso no est en control o no sea normal.
Desv. Est. lt =
(Overall)
362
ndices de desempeo Potencial
del proceso Largo plazo
El ndice de desempeo potencial del Proceso (Pp) mide la
variacin del proceso en relacin con el rango de Especificacin.
Tolerancia LSE - LIE

Pp = =
Variacin del proceso 6 Desviaciones Estndar - lt
La relacin de capacidad (CR) es la inversa del clculo de Cp. Este ndice le

indica que porcentaje de la especificacin est siendo usado por la variacin del
proceso.
Rango del proceso 6 desviaciones Est. - lt

CR = =
LSE - LIE
Tolerancia
363
ndice de desempeo real del
proceso largo plazo
Ppk es una medida del desempeo real del proceso en funcin de la
posicin de la media del proceso (X) en relacin con con los lmites
de especificacin.
Con lmites bilaterales da una indicacin del centrado.
Es el menor de:
LSE - promedio del proceso Promedio del proceso - LIE
Ppk = y
3 desviaciones est. - lt 3 desviaciones Estndar - lt
364
Clculo del desempeo del
proceso a lago plazo
ndice de desempeo potencial Pp = (LSE - LIE ) / 6 lt
Debe ser 1 de preferencia >1.33

para tener el potencial de
cumplir con especificaciones (LIE, LSE)
ndice de desempeo real Ppk = Menor | ZI y ZS | / 3

El Ppk debe ser 1 para que el
proceso cumpla especificaciones
de preferencia > 1.33 365
Capacidad de proceso a partir
de Histogramas y Distribucin
normal
366
Ejemplo
Se tomaron los datos siguientes:
265 205 263 307 220 268 260 234 299

197 286 274 243 231 267 281 265 214
346 317 242 258 276 300 208 187 264
280 242 260 321 228 250 299 258 267
265 254 281 294 223 260 308 235 283
200 235 246 328 296 276 264 269 235
221 176 248 263 231 334 280 265 272
265 262 271 245 301 280 274 253 287
261 248 260 274 337 250 278 254 274
278 250 265 270 298 257 210 280 269
215 318 271 293 277 290 283 258 275
251
367
Ejemplo (cont)
Agrupando los datos en celdas se tiene:
Intervalo Marca Frecuencia Frecuencia

de clase de clase Frecuencia Relativa Absoluta
170 - 189 179.5 2 0.02 0.02
190 - 209 199.5 4 0.04 0.06
210-229 219.5 7 0.07 0.13
230-249 239.5 13 0.13 0.26
250-269 259.5 32 0.32 0.58
270-289 279.5 24 0.24 0.82
290-309 299.5 11 0.11 0.93
310-329 319.5 4 0.04 0.97
330-349 339.5 3 0.03 1.00 .
368
Ejemplo (cont)
El histograma es el siguiente (se observa con forma normal):
35
30
25
20
15 Frec.
10
5
0
170- 210- 250- 290- 330-
189 229 269 309 349
369
Ejemplo (cont)
Calculando la media y la desviacin estndar se tiene:
X-media = 264.06 s = 32.02
La variabilidad del proceso se encuentra en 6 = 192.12

Si las especificaciones fueran LIE = 200 y LSE = 330
Cp = (330 - 200 ) / 192.2 < 1 no es hbil el proceso
Zi = (330 - 264.06) / 32.02 Zs = (200 - 264.06) / 32.02
Cpk = menor de Zi y Zs < 1 el proceso no cumple especificaciones
370
Ejercicio
Calcular la capacidad del proceso con la distribucin de frecuencias
siguiente considerando LIE = 530 y LSE = 580:
Intervalo Frecuencia Frecuencia

de clase Marca de clase Frecuencia Relativa Absoluta .
531 - 535 533 6

536 - 540 538 8
541 - 545 543 12
546 - 550 548 13
551 - 555 553 20
556 - 560 558 19
561 - 565 563 13
566 - 570 568 11
571 - 575 573 8
371
Ejemplo de capacidad de
proceso
Process Capability of Viscosidad
LSL USL
Process Data Within
LSL 9.00000 Overall
Target *
USL 14.00000 Potential (Within) Capability
Sample Mean 11.74400 Cp 0.97
SampleN 50 CPL 1.07
CPU 0.88
StDev(Within) 0.85577
StDev(Overall) 0.80259 Cpk 0.88
CCpk 0.97
Overall Capability
Pp 1.04
PPL 1.14
PPU 0.94
Ppk 0.94
Cpm *
9.6 10.4 11.2 12.0 12.8 13.6

O bserved Performance Exp. Within Performance Exp. Overall Performance
PPM<LSL 0.00 PPM<LSL 671.85 PPM<LSL 314.35
PPM>USL 0.00 PPM>USL 4191.66 PPM>USL 2470.24
PPMTotal 0.00 PPMTotal 4863.51 PPMTotal 2784.59
372
Interpretacin de salida
Minitab
Desviacin estndar Within se determina con R /
d2, se usa para determinar los ndices de capacidad
a corto plazo Cp, Cpk y PPM Within
Desviacin estndar Overall det. Con la

desviacin estndar de los datos S/C4,
donde C4=4(n1)/(4n-3)), se usa para determinar
los ndices de Desempeo Pp, Ppk y PPM Overall
El Observed Perfomance se determina

comparando los datos de la muestra con las
especificaciones
373
Capacidad a partir
de cartas de control
374
EN CASOS ESPECIALES COMO ESTOS
DONDE LAS VARIACIONES PRESENTES SON
TOTALMENTE INESPERADAS
TENEMOSUN PROCESO INESTABLE o IMPREDECIBLE.
?
? ?
? ?
? ?
375
Bases del CEP
SI LAS VARIACIONES PRESENTES SON IGUALES,

SE DICE QUE SE TIENE UN PROCESO ESTABLE.
LA DISTRIBUCION SERA PREDECIBLE EN EL TIEMPO
Prediccin
Tiempo
376
Control y Capacidad de Proceso
Control de Proceso:
Cuando la nica fuente de variacin es normal o de causa comn,

se dice que el proceso esta operando en CONTROL.
Capacidad de Proceso:
Medicin estadstica de las variaciones de causa comn que son

demostradas por un proceso. Un proceso es capaz cuando
la causa comn de variacin cae dentro de las especificaciones
del cliente.
La capacidad no se puede determinar a menos que

el proceso se encuentre en Control y Estable.
377
Proceso en Control Estadstico
La distribucin de la mayora de las caractersticas medidas forman una
x
curva en forma de campana o normal, si no Area
hayentre
causas0 y 1sespeciales
presentes, que alteren la normalidad . cuales son las causas
-Probabilidad de Ocurrencia
comunes?|
Distribucin
del Proceso
_
x= media
34% 34% s= sigma; es la
desviacin
estndar;
medida
de la variacin
14 % 14 % del proceso.
-3s -2s -1s x +1s +2s 3s

2% 99.73% 2%
Ejemplo de carta de control X-R
Xbar-R Chart of Pulse1
90
UCL=86.84
Sample Mean
80
_
_
X=72.69
70
60
LCL=58.53
2 4 6 8 10 12 14 16 18
Sample
UCL=51.89
48
Sample Range
36
_
24 R=24.54
12
0 LCL=0
2 4 6 8 10 12 14 16 18
Sample
379
Desviacin estndar:
Si el proceso sigue una distribucin normal y
est en control estadstico, entonces la
desviacin estndar puede ser estimada de:
Para procesos nuevos, se puede estimar la

capacidad del proceso de una produccin piloto
380
Desviacin Estndar del proces
= R = S
d2 c4
Donde,
Donde,
=
= Desviacin
Desviacinestndar
estndarde
dela
lapoblacin
poblacin
dd2 ==Factor
Factorque
quedepende
dependedel
deltamao
tamaodel
delsubgrupo
subgrupoen
enla
lacarta
cartade
de
2
control
controlXX--RR
CC4 = Idem al anterior para una carta X - S
4 = Idem al anterior para una carta X - S
NOTA:
NOTA: En
Enuna
unacarta
cartapor
porindividuales,
individuales,d2
d2se
setoma
tomapara
parann=
=22yy
Rango
RangoMedio=
Medio=Suma
Sumarangos
rangos//(n
(n-1)
-1) 381
Capacidad de proceso
Cuando las causas comunes son la nica variacin:
Cp
El ndice de capacidad potencial del proceso compara
la amplitud del proceso con la amplitud especificada.
Cp = (LSE - LIE) / 6
Cpk
El ndice de capacidad real del proceso compara la media
real con el lmite de especificaciones ms cercano (LE) a es
Cpk = LE Xmedia Cpk = menor |Z1 ; Z2| / 3

3 382
Ejemplo (carta X - R)
De una carta de control X - R (con subgrupo n = 5) se

obtuvo lo siguiente, despus de que el proceso se estabiliz
quedando slo con causas comunes:
Xmedia de medias = 264.06 Rmedio = 77.3
Por tanto estimando los parmetros del proceso se tiene:
= X media de medias = Rmedio / d2 =77.3 / 2.326

= 33.23
[ d2 para n = 5 tiene el valor
2.326]
Si el lmite de especificacin es: LIE = 200.

El Cpk = (200 - 264.06) / (77.3) (3) = 0.64 por tanto el 383
Ejemplo (carta X - S)
De una carta de control X - S (con subgrupo n = 5) se obtuvo

lo siguiente, despus de que el proceso se estabiliz
quedando slo con causas comunes:
Xmedia de medias = 100 Smedio = 1.05
Por tanto estimando los parmetros del proceso se tiene:
= X media de medias = Smedio / C4 = 1.05 / 0.94

= 1.117
[ C4 para n = 5 tiene el valor 0.94
]
Si el lmite de especificacin es: LIE = 85 y el LSE = 105.
El Cpk = (105 - 100) / (1.117 ) (3) = 1.492
El Cp = (105 - 85) / 6 (1.117 ) = 2.984 384
Ejercicios
1) De una carta de control X - R (con subgrupo n = 8)
se obtuvo lo siguiente, despus de que el proceso se
estabiliz quedando slo con causas comunes (LIE =
36, LSE = 46):
Xmedia de medias = 40 Rmedio = 5
2) De una carta de control X - S (con subgrupo n = 6)

se obtuvo lo siguiente, despus de que el proceso se
estabiliz quedando slo con causas comunes (LIE =
15, LSE = 23):
Xmedia de medias = 20 Smedio = 1.5 385

IIIF.5 Capacidad a corto
y a largo plazo
386
Corto y largo plazos
Corto plazo:
Es un periodo corto de tiempo en el cual no hay
cambios significativos en el proceso en relacin

a las 6Ms (personal, materiales, mtodos,
medio ambiente, mediciones, mquinas)
Largo Plazo
Es el periodo de tiempo en el cual ya han
ocurrido todos los cambios posibles en el

proceso, se trata de informacin histrica
387
Anlisis de la Capacidad de
procesos no normales
388
Procesos no normales
Los datos no siempre se ajustan a la
distrubucin normal. Una estrategia es
traansformar los datos no normales para lograr
un comportamiento normal
Una alternativa es la transformacin de

potencia de Box-Cox dada por:
389
Procesos no normales
Dadas las observaciones X1, X2, X3,.., Xn,
seleccionar la potencia que maximice el
logaritmo
Con la media aritmtica de los datos

transformados dada por:
390
Capacidad de procesos no
normales y transformaciones de
datos
Para procesos no normales, utilizar la
distribucin de Weibull
Para transformaciones de datos no normales

en normales utilizar la transformacin de Box
Cox
391
normales usando la distribucin
de Weibull
Con archivo de Minitab TILES.MTW
Process Capability of Warping
Calculations Based on Weibull Distribution Model
LSL USL
Process Data O verall Capability
LSL 0.00000 Pp 0.81
Target * PPL 1.03
USL 8.00000 PPU 0.73
Sample Mean 2.92307 Ppk 0.73
SampleN 100
Exp. O verall Performance
Shape 1.69368
PPM<LSL 0.0
Scale 3.27812
PPM>USL 10764.5
O bserved Performance PPMTotal 10764.5
PPM<LSL 0
PPM>USL 20000
PPMTotal 20000
0.0 1.5 3.0 4.5 6.0 7.5 392

normales transformando datos
con Box - Cox
Con archivo de Minitab TILES.MTW, lamda =
0.5 Box-Cox Plot of Warping
LowerCL UpperCL
Lambda
20
(using 95.0% confidence)
Estimate 0.345504
LowerCL 0.052120
15 UpperCL 0.642093
Best Value 0.500000

StDev
10
Limit
0
-2 -1 0 1 2 3 4 5
Lambda
393
normales transformando datos
con Box - Cox
Con la raz cuadrada de los datos y de los lmites de
especificaciones se tiene:
Process Capability of Transf
LSL USL
Process Data Within
LSL 0.00000 Overall
Target *
USL 2.82843 Potential (Within) Capability
Sample Mean 1.62374 Cp 0.92
SampleN 100 C PL 1.05
StDev(Within) 0.51337 C PU 0.78
StDev(O verall) 0.53934 C pk 0.78
C Cpk 0.92
O verall Capability
Pp 0.87
PPL 1.00
PPU 0.74
Ppk 0.74
C pm *
0.0 0.4 0.8 1.2 1.6 2.0 2.4 2.8

O bserved Performance Exp. Within Performance Exp. O verall Performance
PPM<LSL 0.00 PPM<LSL 781.08 PPM<LSL 1303.73
PPM>USL 20000.00 PPM>USL 9472.66 PPM>USL 12754.26
PPMTotal 20000.00 PPMTotal 10253.74 PPMTotal 14057.99
394
Capacidad de procesos
bajo Seis Sigma
395
Capacidad de procesos
bajo Seis Sigma
Motorola not que muchas operaciones en
productos complejos tendan a desplazarse
1.5 sobre el tiempo, por tanto un proceso
de 6 a la larga tendr 4.5 hacia uno de
los lmites de especificacin, generando 3.4
DPMOs (defectos por milln de oportunidades)
396
Variacin a Corto Plazo
(periodo durante el cual no
se presenta ningn cambio
en el proceso)
Zst = Zlt + 1.5
Variacin a largo plazo

(periodo en el cual ya se
han presentado todos
los cambios posibles en
el proceso) - Zlt
Variacin Global - Zbench.
397
Rendimiento de la capacidad real
Recibo de partes
del proveedor
1,000,000 unidades 95.5% de rendimiento

Despus de la
inspeccin de recepcin
45,000 97% de rendimiento

De las operaciones
Unidades de Maquinado
desperdiciadas
28,650 94.4% de
Unidades En los puestos
desperdiciadas
51,876
rendimiento
de prueba -
1er intento
Unidades
YRT = .955*.97*.944 = desperdiciadas
87.4% Correcto la
125,526 unidades desperdiciadasprimera
por milln de oportunidades vez
398
Ejemplos de defectos /
unidad
Determinar DPU en la produccin de 100 unidades
Defectos 20 10 12 4
Unidade 70 20 6 4
s
DPU = D/U = (20+10+12+4)/100=0.46

Si cada unidad tiene 6 oportunidades para defecto
(caractersticas A, B, C, D, E y F), calcular DPO y DPMO
DPO = DPU / O = 0.46/6 = 0.078 DPMO = 78,333
399
Relaciones de sigmas
La probabilidad de uno o ms defectos es:
P(d) = 1- Yrt = 1 FPY o P(d) = 1 Yrt para

varios procesos
Si se tiene FPY = 95% P(d) = 0.05
Entonces la Z a largo plazo se encuentra en

tablas como Zlt = 1.645 sigma y por tanto
la Zst a corto plazo es:
Zst = 1.645 + 1.5 (corrimiento) = 3.145
400
Como calcular la capacidad Seis Sigma para
un proceso (equivale a la Zst de corto plazo)?
Qu proceso se considera? Facturacin y CxC

Cuntas unidades tiene el proceso? 1,283
Cuntas estn libres de defectos? 1,138
Calcular el desempeo del proceso 1138/1283=0.887

Calcular la tasa de defectos 1 - 0.887 = 0.113
Determinar el nmero de oportunidades

que pueden ocasionar un defecto (CTQs) 24
Calcular la tasa de defecto por caract. CTQ 0.113 / 24 = .

004709
Calcular los defectos x milln de oportunidades DPMO =
4,709
Calcular #sigmas con tabla de conversin de sigma 4.1
401
IIIF.6 Capacidad de procesos
por atributos
402
Capacidad de proceso
para datos por atributos
En este caso la capacidad del proceso es la proporcin
media de producto no conforme
Para cartas p y np, la capacidad del proceso es la p

media de fraccin no conforme. Se puede usar 1 p.
Para cartas c, la capacidad del proceso es el promedio

de las no conformidades, c media, para una muestra
fija de tamao n.
Para cartas u, la capacidad del proceso es el promedio

de las no conformidades por unidad, u media
403

Seis Sigma Medicion GB

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Seis Sigma Medicion GB

Uploaded by

Copyright:

Available Formats

Programa de certificacin

III. Seis Sigma - Medicin

C. Coleccin y resumen de datos

E. Anlisis de los sistemas de medicin

F. Capacidad y desempeo de procesos

2. Entradas y salidas del proceso

Se analizan los tpicos siguientes:

Es el paso inicial para la mejora de procesos,

Construir un mapa de proceso para representar

Discutir y analizar cada paso en detalle

Preguntarse Por qu lo hacemos de esta

palabras sin necesidad de oraciones

puede llegar a 500

Pasos para elaborarlo (Smbolos ANSI Y15.3)

Proceso Desicin Documento Datos

Proceso Preparacin Operacin Entrada

Conector Con. pgina Display Almacen Terminador 16

Transportacin Lneas de Flujo

Paso 2A Paso 2B Paso 2C

Retrabajo No Bueno? S Fin

Actividades con valor agregado

Actividades sin valor agregado

evita que el equipo salga

Selecciona los puntos

De ser posible, la gente

Hojas para Rotafolio y

En este momento, el mapa

Comenten los puntos de Pregunta:

Calcular el impacto del cambio.

Determinar cules dibujos necesitan

Aadan inspecciones. Crear Calcular Impacto

Crear Enviar a Cliente recibe

detalle para que se

Identifica los puntos para la recoleccin de

Despus de haber creado el Mapa Cmo Es

(consulta el mdulo Planeacin de la Recoleccin de Datos)

Crear Calcular Impacto Es la condicin

Crea el nuevo mapa de proceso.

El nuevo mapa muestra el flujo de trabajo mejorado

O TA Este nuevo mapa muestra el proceso cmo debe

La cadena de valor tiene tres partes principales:

proveedores hasta la entrega a los clientes.

La transformacin de materia prima a producto

El flujo de informacin que soporta y dirige tanto al

fuentes del desperdicio o Muda

de manufactura y Vincula los conceptos ytcnicas

optimizar el diseo del flujo de puerta a puerta

estado ideal o al menos mejorado

Inicie con una caminata rpida a travs de la cadena

Inicie desde el final de embarque y de ah para

Trazar uno mismo la cadena de valor

Siempre trace a mano y a lpiz. Ir al piso de

Tiempo disponible de mquina (De acuerdo a

Tiempo de trabajo (sin los descansos obligatorios)

Capacidad del proceso (tiempo disponible/ tiempo

Takt time (tiempo disponible para cubrir la

La documentacin del proceso en un

Los procedimientos crticos deben tener su

Los diagramas de flujo pueden usarse con las

Las copias controladas de estas instrucciones

proceso en forma horizontal y las de entrada

indican el efecto que tiene cada variable de

internos por la prioridad de salida como