Seis Sigma Medicion GB

Programa de certificación
de Green Belts
III. Seis Sigma - Medición

P. Reyes / Octubre 2007
1
Fase de medición
 Propósitos:
 Determinar req. de información para el proyecto
 Definir las Métricas de los indicadores del Proceso
 Identificar los tipos, fuentes y causas de la variación
en el proceso
 Desarrollar un Plan de Recolección de Datos
 Realizar un Análisis del Sistema de Medición (MSA)
 Llevar a cabo la recolección de datos
 Salidas
 Diagnóstico de la situación actual del problema
2
III. Seis Sigma - Medición
A. Análisis y documentación del proceso
B. Probabilidad y estadística
C. Colección y resumen de datos
D. Distribuciones de probabilidad
E. Análisis de los sistemas de medición
F. Capacidad y desempeño de procesos 3

IIIA. Análisis y documentación
del proceso
4
IIIA. Análisis y documentación
del proceso
1. Modelado del proceso
2. Entradas y salidas del proceso
5
IIIA.1 Modelado del proceso
6
Análisis y documentación 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 tópicos siguientes:
1. Herramientas
2. Entradas y salidas del proceso
7
Análisis y documentación del
proceso - Herramientas
 Diagramas de flujo
 Mapas de proceso
 Procedimientos escritos
 Instrucciones de trabajo
 Análisis de proceso
 Documentación del proceso
8
Diagrama de flujo
 Un diagrama de flujo o mapa de proceso es útil 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 generación 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 qué lo hacemos de esta manera?

 Comparar el proceso actual a un proceso imaginario
“perfecto”
10
Diagrama de flujo
 ¿Hay complejidad innecesaria?
 ¿Existe duplicación o redundancia?
 ¿Hay puntos de control para evitar errores y

rechazos?
 ¿Se realiza el proceso de acuerdo a como está
planeado?
 ¿Puede realizarse el proceso de manera diferente?

 ¿las ideas de mejora pueden venir de procesos muy
diferentes?
11
Diagrama de flujo
Símbolos de Diagramas de flujo
12
Diagrama de flujo
Diagramas de flujo - Ejemplo
13
Diagrama de flujo
Beneficios
 Permiten visualizar el proceso que se está
describiendo
 Describen el proceso con símbolos, flechas y palabras
sin necesidad de oraciones
 La mayoría usa simbología estandarizada (ANSI
Y15.3)
 Si se usa software el número de símbolos puede
llegar a 500
14
Diagrama de flujo
 Diagramas de flujo o mapas de proceso
 Permiten comprender la operación del proceso
 Normalmente representan el punto de inicio para la mejora
 Pasos para elaborarlo (Símbolos ANSI Y15.3)

 Organizar un equipo para examinarlo
 Construir un diagrama de flujo representando cada paso
 Discutir y analizar detalladamente cada paso
 Preguntarse ¿Porqué lo hacemos de esta forma?
 Comparar esta forma con la del proceso “perfecto”
 Existe demasiada complejidad, duplicidad o redundancia
 ¿Se opera el proceso como está planeado y puede mejorarse?
15
Símbolos de diagrama de flujo
Proceso Desición Documento Datos
Proceso Preparación Operación Entrada

Predefinido Manuales
Conector Con. página Display Almacen Terminador 16

Símbolos para Diagramas de Flujo
Iniciar/Detener Transmisión
Operaciones Almacenar
(Valor agregado)
Decisión Entrada/Salida
Inspección /Medición
Retraso
Transportación Líneas de Flujo

17
Diagrama de flujo del Proceso:
Es el diagrama de flujo de un proceso
que muestra cómo se realiza un trabajo.
Inicio Paso 1
Paso 2A Paso 2B Paso 2C
Paso 3
Retrabajo No ¿Bueno? Sí Fin
18
Diagrama de flujo / Análisis del valor
Actividades con valor agregado
Actividades sin valor agregado
19
¿Cómo Ayuda un Mapa de Proceso?
 Una vez que podemos ver las
cosas -podemos hablar de ellas.
 Los pasos que no agregan valor
se hacen más evidentes.
 El retrabajo y las reparaciones
son obvias.
 Se puede llegar a acuerdos.
20
Diagramas de Flujo Existentes
 Creados para un propósito

diferente.
 Con frecuencia no reflejan
los puntos de inicio y Fin
adecuados.
 No son “cómo es”.
 “Quieren ser”
 No señalan el desperdicio.
21
Aprovecha al Equipo
 Haz recorridos, entrevistas y

revisiones de los diagramas
de flujo y los estándares
existentes.
22
¡Haz el Mapa del Proceso lo más
Pronto Posible!
El mapa de un proceso...
 señala con claridad la región
en la que el equipo se debe
enfocar.
 evita que el equipo salga de los

límites 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 Rápido - Inicio y Fin
Proceso Inicio Fin
Ensamble de
Asiento
Dibujos de
Ingeniería
Manufactura en
Riel de Asientos
Cuentas por
Pagar
25
Ejemplos - Inicio y Fin
Proceso Inicio Fin
Ensamble de Marco de metal Inspección Final
Asiento puesto en línea
Dibujos de Requerimientos Cliente Recibe
Ingeniería del Cliente el Archivo CAD
Manufactura en Operación de Inspección Final
Riel de Asiento Pérfiles
Estampados
Cuentas por Recepción de la Depósito
Pagar Factura del Electrónico
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 6. Hagan un segundo recorrido
pasos del proceso y entrevistas.
mediante una tormenta de
ideas. 7. Añadan pasos de inspección,
retrabajo, reparación y
3. Realicen el primer desperdicio en las notas
recorrido y entrevistas. autoadheribles.
4. Elaboren una lista de los 8. Elaboren un mapa de proceso
proceso clave en las notas “cómo es”.
autoadheribles.
29
¡Hazlo fácil!
 En este momento, el mapa

de proceso “cómo 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 más detalles
posteriormente. 30
Paso 1: Puntos de Inicio y Fin
Declaración del Problema:
El cliente espera los dibujos
 Revisen la declaración del modificados demasiado
problema. tiempo.
Proceso:
 Describan los procesos Proceso de revisión de
que causan el problema. dibujos.
Pregunta:
 Comenten los puntos de
¿Cuál podría ser el punto
Inicio y Fin que se pueden
de Inicio?
medir.
Pregunta:
 Pónganse de acuerdo y ¿Cuál podría ser punto de
regístrenlos. Fin? 31
Puntos de Inicio y Fin
 Declaración del Problema:
“El Cliente espera demasiado tiempo los dibujos
modificados.”
 Proceso:
Proceso de revisión 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 puedan dibujos.
ver.
Pregunta:
 El equipo aporta ideas ¿Cuáles son algunos de
sobre los pasos del los probables pasos del
proceso que existen proceso entre los puntos
entre el inicio y el fin. de inicio y 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 cuáles 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 cómo se hace el
trabajo.
 Platiquen con la gente
(entrevisten).
 Tomen notas.
 Enfóquense en los pasos del
proceso.
35
Paso 4: Notas Autoadheribles
 Escriban los pasos del
Crear
proceso en notas Boceto
Reunión
con el
autoadheribles. grupo
Encontrar
Localizar
Especif. Archivos
 Coloquen las notas CAD Cambiar
Dibujos
sobre la pared. Hacer Calcular
Café Impacto
Crear Enviar al
 Por ahora sólo dejen las Paquete Cliente
de
notas. Archivos
36
Paso 5:Comentar, Revisar, Modificar
 Comenten, repasen y
modifiquen el mapa del
proceso en las notas
autoadheribles.
 Pónganse de acuerdo en
los pasos que se deben
conservar.
 Pónganse de acuerdo en
los pasos que se deben
eliminar.
 Retengan solo los pasos
importantes del proceso. 37
Pasos “Importantes” del Proceso
 Información suficiente
para facilitar la mejora.
 Resultados que se
puedan medir.
 Podrían producirse
defectos (CTQ, CTC,
CTD).
 Un inicio y un fin
definidos.
38
Pasos Importantes
Crear
Reunión
Bósquejo con el
grupo
 ¿Qué pasos podrían Encontrar
ser importantes en el
Localizar
Especif. Archivos
mapa del proceso CAD Cambiar
Dibujos
que aparece a la Hacer Calcular
derecha? Café 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
inspección, retrabajo,
reparación y desperdicio.
 Tomen notas.
40
Paso 7: Añadir Cambios
Solicitud de
Cambio del Reunión
Cliente con Ventas
 Agreguen notas
autoadheribles. No
Crear
 Añadan inspecciones. Bósquejo
Calcular
Impacto
Impacto
¿OK?
 Añadan retrabajo y Sí
reparaciones.
 Añadan desperdicio. Cambiar
Dibujo
Dibujo
¿OK?
Por ahora dejen todas No Sí


las notas.
Crear Enviar a Cliente recibe
paquete de Cliente archivos CAD
archivos
41
Paso 8: Mapa del Proceso “Cómo Es”
Solicitud de
cambio del Reunión
Cliente con Ventas
 El equipo establece un No
mapa del proceso “tal
cual”. Crear Calcular Impacto
Bósquejo Impacto ¿OK?
 Tiene el detalle Sí
suficiente para incluir

los pasos importantes. Cambiar Dibujo
Dibujo ¿OK?
 Sin demasiado detalle No Sí
para que se entienda

rápidamente. Crear Cliente recibe
Enviar a
paquete de Cliente archivos CAD
archivos
42
Cuándo Recolectar Datos
Durante la elaboración del mapa de proceso….
Identifica los puntos para la recolección de datos,

pero
¡no recopiles los datos!
Después de haber creado el Mapa “Cómo Es” …

planea la recolección de datos sobre los pocas
salidas vitales.
• Generalmente, cuando se recolectan datos durante la
elaboración del mapa, se toman datos sobre puntos
equivocados.
• ¡La recolección de datos se debe planear y enfocar sobre los
factores de alta prioridad que son críticos para el cliente!
(consulta el módulo “Planeación de la Recolección de Datos”)

43
Mapa del Proceso “Cómo Es”
Solicitud Reunión
de cambio con Ventas
del Cliente
No
Crear Calcular Impacto • Es la condición base

Bósquejo Impacto ¿OK? del proceso.
Si
• Es el inicio de tu viaje
hacia la mejora.
Cambiar Dibujo
Dibujo ¿OK? • Es la oportunidad para
Sí
No
la estrategia de
impacto de Six Sigma.
Crear
Enviar al Cliente recibe
paquete de
Cliente archivos CAD
archivos
44
El Mapa de Proceso “Cómo 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
Este nuevo mapa muestra el proceso “cómo debe

ser” que “será” una vez que se implementen
todas las soluciones.
45
46
La cadena de valor
 Son todas las actividades que la empresa debe
realizar para diseñar, 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 recepción de
proveedores hasta la entrega a los clientes.
 La transformación de materia prima a producto

terminado.
 El flujo de información que soporta y dirige tanto

al flujo de materiales como a la transformación 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 producción; las fuentes
del desperdicio o Muda
 Suministra un lenguaje común sobre los procesos de
manufactura y Vincula los conceptos ytécnicas Lean
 Forma la base del plan de ejecución, permitiendo
optimizar el diseño del flujo de puerta a puerta
 Muestra el enlace entre el flujo de información y el
flujo de material
 Permite enfocarse en el flujo con una visión de un
estado ideal o al menos mejorado
48
Flujo de información
Además del flujo de materiales en el proceso de
producción, se tiene otro flujo que es el de
información 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
Simbología utilizada
51
52
53
Identificando mapa actual
54
Tips para la cadena de valor
 Recolecte siempre información del estado actual
mientras se realizan las operaciones normales tanto
en flujos de información como de materiales.
 Inicie con una caminata rápida a través de la cadena

de valor completa puerta a puerta, para obtener un
sentido del flujo y secuencia de procesos. Después
regrese y colecte información en cada proceso.
 Inicie desde el final de embarque y de ahí para atrás.

Así se iniciará el mapeo con los procesos que están
más ligados directamente al cliente, el cual debe
establecer los pasos para otros procesos.
55
 Utilice el cronómetro y no dependa de tiempos
estándar o información 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 lápiz. Ir al piso de

producción al realizar el análisis de estado actual, y
afinarlo más tarde. Se debe resistir la tentación de
usar la computadora.
56
57
Información 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 preparación (C/O – para
cambiar de un producto a otro)
 Tiempo disponible de máquina (De acuerdo a la

demanda)
 Tamaño de lote de producción (EPE – every part
every…..)
 Número de operadores
58
Información para
la cadena de valor
 Número 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 aplicación:
Empresa Guden
60
Mapa del estado actual
Proceso de manufactura
61
Mapa incluyendo información
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
Documentación
69
Procedimientos escritos
 Los procedimientos deben ser desarrollados por los
que tienen la responsabilidad del proceso de interés
 La documentación del proceso en un procedimiento

facilita la consistencia en el proceso.
 Los procedimientos críticos 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 área 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
Retroalimentación Retroalimentación
73
Banco de información
Elementos de procesos - SIPOC
 Un cambio en la Salida debe estar relacionado con algún 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
Relación 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 números que indican
el efecto que tiene cada variable de entrada en las
variables de salida
 Se obtiene la suma producto de estos números
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 relación en diagramas de causa efecto,
matrices de relación, diagramas de flujo, etc.
Salidas
A B C D E
Impor- 3 1 6 10 4 Res %
tancia
Ent 1 2 3 6 84 35
Ent 2 7 4 2 3 63 27
Ent 3 5 1 25 11
Ent 4 6 4 22 9
Ent 5 2 3 42 18
Totales 236 100 76
III.B Probabilidad y estadística
77
IIIB. Probabilidad y estadística
1. Obtención de conclusiones estadísticas válidas
2. Teorema del límite central y distribución muestral de

la media
78
IIIB.1 Obtención de conclusiones
estadísticas válidas
79
Estadística Descriptiva
“La estadística nos proporciona métodos para
organizar y resumir información, usándola para
obtener diversas conclusiones”
Por ejemplo, sí deseamos saber el promedio de peso de

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

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

(muestra). Registrar y organizar los datos y calcular la
media de la muestra, tomándola para pronosticar o
Inferir la media de toda la población.
Población: Es la colección de todos los elementos

(piezas, personas, etc.). En nuestro caso sería un
número infinito de mediciones de la característica del
proceso bajo estudio.
Muestra: Es una parte o subconjunto

representativo de la población, o sea un grupo de
mediciones de las características.
81
Estadístico: Es una medición tomada en una muestra

que sirve para hacer inferencias en relación con una
población (media de la muestra, desviación estándar de
la muestra se indican con letras latinas X, s, p).
Normalmente es una variable aleatoria y tiene asociada

una distribución.
Parámetro: Es el valor verdadero en una población

(media, desviación estándar, se indican con letras griegas
, , )
82
Datos continuos Los datos que tienen un valor real

(temperatura, presión, tiempo, diámetro, 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 variación es
inevitable y es analizada por la Estadística
84
Estadística descriptiva e inferencial
Estudios descriptivos enumerativos :
 Los datos enumerativos son los que pueden ser
contados. Para Deming:

 En un Estudio enumerativo la acción se toma en el
universo.
 En un estudio analítico la acción será tomada en un

proceso para mejorar su desempeño futuro
85
Obteniendo conclusiones válidas
 Obtención de conclusiones estadísticas válidas
 El objetivo de la estadística inferencial es obtener
conclusiones acerca de las características de la
población (parámetros , , ) con base en la
información obtenida de muestras (estadísticos X,
s, r)
 Los pasos de la estadística inferencial son:

 La inferencia
 La evaluación de su validez
86
 Definir el objetivo del problema en forma precisa
 Decidir si el problema se evaluará con una o dos colas
 Formular una hipótesis nula y la alterna
 Seleccionar una distribución de prueba y un valor

crítico del estadístico reflejado el grado de
incertidumbre que puede ser tolerado (alfa, riesgo)
87
 Calcular el valor del estadístico de prueba con la
información de la muestra
 Comparar el valor del estadístico calculado vs su valor

crítico y tomar una decisión de aceptar o rechazar la
hipótesis nula
 Comunicar los hallazgos a las partes interesadas
88
 Hipótesis nula a ser probada (Ho) y alterna (Ha)
 La hipótesis nula puede ser rechazada o no ser

rechazada no puede ser aceptada
 La hipótesis alterna incluye todas las posibilidades

que no están 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
Estadístico de prueba:
 Para probar la hipótesis nula sobre un parámetro
poblacional, se debe calcular un estadístico de

prueba de la información de la muestra
 El estadístico de prueba se compara con un valor

crítico apropiado
 Se toma una decisión de rechazar o no rechazar la

hipótesis nula
90
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 tamaño de muestra se reducen alfa

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

media se relaciona con la desviación estándar de la
población como sigue:
X
sX 
n
94
Teorema del Límite Central
 La distribución 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:
50
40
30
20 Frec.
10
0
1 2 3 4 5 6 7 8 9
95
Población con media  y desviación estándar  y cualquier distribución.
Seleccionando muestras de tamaño n y calculando la X-media o

promedio en cada una
X-media 1 X-media 2 X-media 3
Conforme el tamaño de muestra se incrementa las muestras se
distribuyen normalmente con media de medias  y desviación estándar
de las medias de las muestras  / n. También
se denomina Error estándar de la media.
 La distribución 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:
10
8
6
4 Frec.
2
0
3.5 4 4.5 5 5.5 6 6.5
97
Cartas de Control
Causa
especial
Causas
normales o
comunes
DEFINICION
Es una ayuda gráfica para el control de las variaciones de los
procesos administrativos y de manufactura.
98
Variación observada
en una Carta de Control
 Una Carta de control es simplemente un registro de

datos en el tiempo con límites de control superior e
inferior, diferentes a los límites de especificación.
 El patrón normal de un proceso se llama causas de

variación comunes.
 El patrón anormal debido a eventos especiales se

llama causa especial de variación.
99
Variación – Causas comunes
Límite
inf. de
especs.
Límite
sup. de
especs.
Objetivo
100
Variación – Causas especiales
Límite
inf. de
especs.
Límite
sup. de
especs.
Objetivo
101
Aplicación en la carta de control
“Escuche la Voz del Proceso” Región de control,
M captura la variación
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 límites de control a 3 sigmas en cualquier
dirección (arriba o abajo).
Tendencia ascendente o descendente

7 puntos consecutivos aumentando o disminuyendo.
Adhesión a la media
15 puntos consecutivos dentro de la banda de 1 sigma del
centro.
Otros
2 de 3 puntos fuera de los límites a dos sigma
103
Patrón de Carta
en Control Estadístico
Proceso en Control estadístico
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
Aplicación en Intervalos de confianza
 Intervalo de confianza para la media:
 A) Sigma conocida y n>30 (n es tamaño 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
Aplicación en Intervalos de confianza
 Intervalo de confianza para proporciones y varianza:
 Para proporciones, p es la proporción 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 básicos de
probabilidad
107
Conceptos básicos de
probabilidad
 Principios básicos:
 La probabilidad de un evento varia entre 0 y 1 (éxito)
 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 número de veces N y
el evento E es observado nE veces, la probabilidad de E es
aproximadamente:
nE
P( E ) 
N 108
Conceptos básicos de
probabilidad
 Eventos compuestos (conjunto de dos o más
eventos):
 La unión de A o B contiene elementos de A o de B
 La intersección de A y B contiene elementos comunes

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

condiciones experimentales similares
• La caída de un cuerpo
Aleatorio. Se obtienen distintos resultados , aunque se
repitan en condiciones similares.
• Tiempo de vida de un componente eléctrico
110
Conceptos relacionados
a experimentos aleatorios:
Variable aleatoria. Es el nombre Que se le da a la
característica (s) de interés observada en un
experimento. Dicha variable es denotada por letras
mayúsculas. 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 combinación 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 histórica 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 sucedía el evento
A, entonces n/N es un estimación razonable de la
proporción de tiempos Que el evento A sucederá en el
futuro. Para un gran numero de experimentos N, se puede
interpretar dicha proporción como la probabilidad de del
evento A. n
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 proporción de 0.5005.
1
probabilidad de caras
.5
0
0 500 1000
n
114
Definición Clásica de Probabilidad.
La probabilidad de un evento A, puede ser calculada mediante la
relación 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 será un numero entre 0 y 1.
Ejemplo 1. Se observa si 3 artículos 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 aleatoria
X=# de defectos, la cual toma los valores {0,1,2,3}
Probabilidades de Eventos
1. P(E)  0
2. P(S) = 1
3. Si E1,En son mutuamente disjuntos
entonces
 n  n
P  Ei    P( Ei )
 i 1  i 1
Resultados
1. Si A  B entonces P(A)  P(B)
2. Si P(Ec)=1-P(E)
3. P(AB) = P(A) + P(B)  P(AB)
4. Si B1B2…Bn = S entonces
n
P( E )   P( E  B )
i 1
i
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 ?
Cuál es S?
Sea E el evento en el que elegimos el 1000?

P(E) =
Sea E el evento él 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(E1E2) =
Sea E1 el evento en el cual elegimos 850 y E2 sea el

evento el cual obtenemos un numero menor a 880.
P(E1E2) =
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

Leyes de adición de probabilidad
Reglas de la probabilidad
• Ley de la Adición
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 Multiplicación
probabilidad que ambos A y B ocurran es
P(AB)  P(A | B)P(B)  P(B | A)P(A)
Cuando los eventos A y B son independientes, entonces P(A|B)
= P(A) y
P(AB)  P(A)P(B)
120
Permutaciones
Definición.
Un arreglo ordenado de r objetos diferentes es llamado
una permutación .
El numero resultante de ordenar n objetos diferentes
tomando r a la vez será representado por el símbolo Prn
Antes revisemos el concepto de factorial !!!!!!
Considere el siguiente caso: Hay 3 libros: Uno de Historia (H),

Uno de Física (F), Otro de Matemáticas (M). Note Que existen 6
formas de acomodar dichos libros.
{ HFM, HMF, FHM, FMH, MHF, MFH } Aquí importa el orden
3*2*1=6
Diagramas de árbol
En casos simples resultan útiles los diagramas de árbol para enumerar
objetos en forma sistemática.
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
L1 A2
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])  Prn

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 presión. 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!
P 2
10
  9 0.
8!
124
Combinaciones
Una combinación es un arreglo de distintos elementos , en donde
una combinación difiere de otra solamente si el contenido del arreglo
es distinto.
!! En este caso no es importante el orden de
los objetos !!
Definición. (Combinaciones).
El numero de combinaciones de n objetos tomando r a la vez es el
numero de maneras de formar un subconjunto de tamaño r de los n
objetos. Esto se denota como:
n
C  
n
r
r 125
Teorema 2.
 n Pr n n!
C rn     
 r r! r !( n  r ) !
Ejemplo: En un lote de producción 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!(n  r)! 10!(100 10)!
r
126
IIIC. Colección y resumen de
datos
127
Colección y resumen de datos
1. Tipos de datos y escalas de medición
2. Métodos de colección de datos
3. Técnicas para asegurar la exactitud e integridad de

los datos
4. Estadística descriptiva
5. Métodos gráficos
128
IIIC. 1 Tipos de datos y escalas
de medición
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 números reales, por ejemplo 1.037,
4.69, etc. Longitud, tiempo, volumen, tensión.
Es preferible tener información por variables,

proporcionan mayor información.
130
Tipos de datos
 Datos de localización
 Contestan a la pregunta “¿Dónde?”. Las cartas que
utilizan datos de localización de defectos se denominan
“Measless charts” o “Cartas de concentración”. Por
ejemplo mapas con oficinas de distribución; defectos
de pintura en un automóvil.
 Conversión 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 medición
En función de la deseabilidad estadística se tiene:
Escala Descripción Ejemplo

Nominal Datos como nombres o Bolsa con dulces de colores:
categorías. No hay orden 15 amarillos, 10 rojos, 7
verdes
Ordinal Los datos están ordenados pero Defectos A más críticos que los
(rango) sus diferencias no pueden defectos D se tabulan como:
determinarse ni tienen sentido A 16, B 32, C 42, D 30
Intervalo Los datos se arreglan por orden La temperatura de 3 lingotes
y diferencia. No hay punto de es de 200ºC, 400ºC y 600ºC.
inicio de ref. y la razón no tiene Notar que 3 veces 200ºC no
significado es lo mismo que 600ºC en T.
Razón Similar al anterior con un punto El producto A cuesta $300 y el
cero inicial. Tanto las diferencias B $600. Notar que $600 es
como las razones son tanto como dos veces $300
significativas
132
Escalas de medición
Medidas estadísticas para las escalas de medición
Escala Localización Dispersión Prueba de

central significancia
Nominal Moda Solo informativa Chi – cuadrada
Ordinal Mediana Pocentajes Prueba de signos o

(rango) rachas
Intervalo Media aritmética Desviación Prueba t, Prueba F,

media o estándar Análisis de correlación
Razón Media geométrica Variación Similar al anterior

o media armónica pocentual
133
IIIC. 2 Métodos de colección
de datos
134
Métodos de colección de datos
 Incluye métodos manuales y automáticos. Guías:
 Formular una clara descripción del problema
 Definir de manera precisa lo que se va a medir
 Listar todas las características importantes a medir
 Cuidadosamente seleccionar la técnica de

medición
135
 Incluye métodos manuales y automáticos….
 Construir un formato sencillo de registro
 Decidir quién colectara los datos
 Establecer un método de muestreo apropiado
 Decidir quien analizará e interpretará los

resultados
 Decidir quien reportará los resultados

136
Tipos de información 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
Termómetro
Circuito Eléctrico
137
Plan de recolección de datos
 Un plan de Recolección de Datos relacionada con
las CTQs de interés es la documentación de:
 Qué información se va a recolectar

 Por qué se necesita
 Quién es responsable
 Cómo se va a recolectar
 Cuándo se va a recolectar
 Dónde se va a recolectar
138
Definiciones operativas
 El Plan de Recolección de Datos debería 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 = ƒ(X1, X2, X3, X4…Xn)
CTQ Proveedor/Entrada/Proceso
139
 Codificación de datos
 Codificar al agregar o restar una constante o
multiplicar o dividir por un factor:
140
 Codificación por substitución
 Para una observación de 32-3/8”, los datos
pueden codificarse como enteros expresando el

número de incrementos de 1/8” de desviación vs
el valor nominal.
 Codificación por truncamiento o valores decimales

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

la medición inicial y la posterior a la estabilización
 Filtrar los datos para identificar y eliminar errores de

captura
143
Asegurar la exactitud e
integridad de los datos
 Los datos malos corrompen el proceso de toma de
decisiones
 Si los datos siguen una distribución normal,
determinar si la dispersión de los datos puede ser
representada por al menos 8 o 10 incrementos de
resolución. Si no puede ser mejor contar las
observaciones.
 Usar pruebas estadísticas objetivas para identificar

outliers o puntos aberrantes
 Cada identificación de clasificación 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 básicos de Muestreo
Muestreo: Proceso mediante el cual hacemos
inferencia a toda una población observando solo una
parte de esta (muestra).
Métodos de muestreo:
Es un procedimiento científico mediante el cual
obtenemos los componentes de una muestra, tratando
que la muestra nos de información acerca de un
parámetro poblacional, y también 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 línea continua y se muestrea
hasta que se hayan inspeccionado más de 3 veces el
tamaño 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 población tiene la
misma probabilidad de salir en una muestra.
 La selección se hace generalmente usando números
aleatorios (probabilidad uniforme 0,1).
Ejemplo: Se tiene una población de 100 artículos. Se
desean seleccionar 5. Para obtener la muestra se
deben enumerar los 100 artículos y se saca una lista
de 5 números al azar entre 1 y 100.
( Usando la computadora generamos una lista de 5
números de la uniforme 0,1 y los multiplicamos por
100 y solo tomamos las primeras dos decimales.).
Muestreo Sistemático
• En este método enumeramos los elementos de la
población de 1 a N. La muestra es tomada en intervalos
de N/n. (con n= tamaño de la muestra).
• Ejemplo: de los 100 artículos anteriores si
muestreamos sistemáticamente 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.

• Útil en poblaciones con mucha variabilidad.
Hacemos que aparezcan con mayor los datos
grandes o pequeños.
IIIC. 4 Estadística descriptiva
150
Estadística descriptiva
 La estadística descriptiva incluye:
 Medidas de tendencia central
 Medidas de dispersión
 Funciones de densidad de probabilidad
 Distribuciones de frecuencia y
 Funciones acumulativas de distribución
151
 Representan las diferentes formas de caracterizar
el valor central de un conjunto de datos
Media muestral x  xi poblacional   xi


n n
Ejemplo 1: En un equipo de fútbol, una muestra de estaturas de sus integrantes son las
siguientes: 1.70,1.79,1.73,1.67,1.60,1.65,1.79,1.84,1.67,1.82, 1.74. Calcule la media.
xi 19
x     1.73
n 11
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
~ n 2  n 2  1
X 
2
Ejemplo 2: Para el ejemplo anterior cual es la mediana?
Ordenando los datos de mayor a menor se obtiene:
1.60,1.65,1.67,1.67,1.70,1.73,1.74,1.79,1.79,1.82,1.84;
como tenemos 11 datos el número es non por lo que (n+1)/2 = 12/2 = 6, buscando el número
que ocupa la sexta posición en los datos ordenados encontramos el valor de la mediana
~
x  1.73
153
 Moda: Valor que más se repite, puede haber más de una
 Media acotada (Truncated Mean): Se elimina cierto

porcentaje de los valores más altos y bajos de un
conjunto dado de datos (tomando números enteros),
para los valores restantes se calcula la media.
Ejemplo 3: Para la siguiente serie de datos calcule la media acotada al 20%:
68.7,34.3,97.9,73.4,8.4,42.5,87.9,31.1,33.2,97.7,72.3,54.2,80.6,71.6,82.2,
Como tenemos 11 datos, el 20% de 11 es 2.2, por lo cual eliminamos 2 datos el más bajo y
el más alto, ordenado los datos obtenemos:
8.4,31.1,33.2,34.3,42.5,54.2,68.7,71.6,72.3,73.4,80.6,82.2,87.9,97.7,97.9, los valores a
eliminar son: 8.4 y 97.9; calculando la media de los datos restantes obtenemos
x ,.20  63.82
154
155
 Medidas de dispersión:
 Rango: Es el valor mayor menos el valor menor de un
conjunto de datos
Por ejemplo para el conjunto de datos siguiente:
2.0,2.1,2.4,2.5,2.6,2.8,2.9,2.9,3.0,3.1,3.6,3.8,4.0,4.0
Su rango es R = 4.0 – 2.0 = 2.0
 Varianza: es el promedio de las desviaciones al
cuadrado respecto a la media (n para población y n-1
para muestra para eliminar el sesgo)
 2
( xi  x ) 2
2 
( xi x ) s 
2
n 1
n 156
 Desviación estándar: es la raíz cuadrada de la varianza
ya sea poblacional  o muestral S
( xi  x ) 2
( xi  x ) 2
s2   s 
n 1 n 1
Ejemplo 4: La resistencia al rompimiento de dos muestras de botellas es la siguiente:

Muestra 1: 230 250 245 258 265 240
Muestra 2: 190 228 305 240 265 260
790 7510
s= = 12.56 s= = 38.75
5 5 157
 Coeficiente de variación: es igual a la desviación
estándar dividida por la media y se expresa en
porcentaje
s
Coeficiente.de. var iación  CV  (100)
X
Por ejemplo si la media de tiempos de espera es de 78.7 y su desviación estándar es 12.14, el CVt:
12.14
CVt  (100)  12.05%
78.7
Por otra parte si la media de salarios es de 10 y su desviación estándar de 2, el CVs de salarios es:
2
CVs  (100)  20%
10
Por tanto la dispersión de los salarios es mayor que la de los tiempos de espera, es posible comparar
estas dispersiones con el CV aunque los dos conjuntos de datos sean completamente disímbolos.
158
 Función de densidad de probabilidad
 El área 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



f ( x) d ( x)  1
 Para distribuciones discretas n
 f ( x) 1
0
159
 Función de distribución acumulada
Función
de densidad
Función de
distribución
acumulada x
F ( x)  f (t )d (t )

160
Métodos gráficos
 Se incluyen los métodos siguientes:
 Diagramas de caja
 Diagramas de tallo y hojas
 Diagramas de dispersión
 Análisis de patrones y tendencias
 Histogramas
 Distribuciones de probabilidad normales
 Distribuciones de Weibull
161
IIIC. 5 Métodos gráficos
162
Métodos gráficos
 Diagramas de caja
 Representan un resumen de los datos. La línea media
es la mediana, los lados son el primer y tercer cuartil.
El máximo y el mínimo se dibuja como puntos al final
de las líneas (bigotes)
163
Métodos gráficos
 Diagramas de tallo y hojas
 El diagrama consiste del agrupamiento de los datos por
intervalos de clase, como tallos y los incrementos de
datos más pequeños como hojas.
Hojas
Tallos
164
Métodos gráficos
 Es una gráfica de muchos puntos coordenados X-Y que
representan la relación entre dos variables. También se
denomina carta de correlación. Se puede tomar la
variable dependiente para el eje Y y la dependiente en
el eje X.
 La correlación tiene las siguientes fuentes:

 Una relación de causa efecto
 Una relación entre dos causas
 Una relación entre una causa y dos o más causas
165
Métodos gráficos
Positiva débil Positiva fuerte Sin correlación
Negativa fuerte Relaciones no lineales

166
Métodos gráficos
 Coeficiente de correlación
 El coeficiente de correlación “r” determina el grado de
asociación entre dos variables X y Y
167
Métodos gráficos
 Análisis de correlación
 Busca descubrir relaciones, aplicar el sentido común
 La línea de “mejor ajuste” es la línea de regresión, sin

embargo un análisis visual debiera ser suficiente para
identificar si hay o no hay relación
 Los diagramas de dispersión deben ser analizados

antes de tomar decisiones sobre correlación estadística
168
Métodos gráficos
 Para visualizar el comportamiento de los datos en el
tiempo
Tendencia creciente Tendencia decreciente Corrida de proceso
Valores anormales Ciclos Variabilidad creciente
169
Métodos gráficos
 Para visualizar el comportamiento de los datos en el
tiempo
Tendencia creciente
170
Histogramas
171
Métodos gráficos
 Histogramas
 Son gráficas de columnas de frecuencia que muestran
una imagen estática del comportamiento del proceso y
requieren un mínimo de 50 a 100 puntos
 La frecuencia en cada barra o intervalo es el número

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

de campana unimodal, es predecible
172
Métodos gráficos
 Histogramas
 Un proceso inestable muestra un histograma que no
tiene una forma acampanada. Sin embargo los
procesos que siguen una distribución exponencial,
lognormal, gamma, beta, Weibull, Poisson, binomial,
hipergeométrica, geométrica, etc. existen como
procesos estables
 Cuando la distribución es acampanada, la variación

alrededor de la media es aleatoria, otras variaciones
son debidas a causas especiales o asignables.
173
Métodos gráficos
Permite ver la distribución 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 estándar o .
Un rango de ± 3 cubre el 99.73%.
DEFINICION
 Un Histograma es la organización de un número 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
TAMAÑO TAMAÑO TAMAÑO 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 TAMAÑO TAMAÑO
Histogramas con Datos agrupados
El Histograma es una gráfica de las frecuencias que
presenta los diferentes datos o valores de mediciones
agrupados en celdas y su frecuencia.
Una tabla de frecuencias lista las categorías 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
Límite inferior y superior de clase
Son los numeros más pequeños y más 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 límites superiores de clase y al
decrementar los inferiores en una cantidad igual a la media de la
diferencia entre un límite superior de clase y el siguiente límite 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 límites de clase inferiores consecutivas(en el
ejemplo, es 5).
Construcción del histograma - datos agrupados
Paso 1. Contar los datos (N)
Paso 2. Calcular el rango de los datos R = (Valor mayor- valor menor)
Paso 3. Seleccionar el número 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.
También se utiliza el criterio K = Raíz (N)
Paso 4. Dividir el rango por K para obtener el ancho de clase
Paso 5. Identificar el límite inferior de clase más 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: Construcción del histograma
Paso 1. Número de datos N = 50
Paso 2. Rango R = 76 - 16 = 60
Paso 3. Número de celdas K = 6;
Paso 4. Ancho de clase = 60 / 6 = 10
Paso 5. Lím. de clase: 15-24, 25- 34, 35- 44, 45- 54, 55 - 64, 65-74, 75-94
Paso 6. Número 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 análisis de datos con HERRAMIENTAS,
ANALISIS DE DATOS, HISTOGRAMAS
• Marcar los datos de entrada en RANGO DE ENTRADA, marcar el

rango de los límites superiores de clase en RANGO DE CLASES,
indicar GRAFICA, marcar el área de resultados con RANGO DE
SALIDA y obtener resultados y gráfica
NOTA: Los datos deben estar en forma no agrupada, Excel forma los
grupos en forma automática o se le pueden proporcionar los
límites de las celdas.
181
Construcción 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
Dispersión- Rango, CV
Rango: Valor Mayor – Valor menor
Coeficiente de variación: (Desv. Estándar / Media *100%

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

Observaciones Aritmética Estándar de Variación
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
 Distribución Binomial
 Distribución Poisson
 Distribución Normal
 Distribución Chi Cuadrada
 Distribución t de Student
 Distribución F
186
Tipos de variables aleatorias
Variable aleatoria: Es aquella función que a cada
resultado posible de un experimento le asocia un numero
real.
Se denotan con letras Mayúsculas: X,Y,Z,etc....
Tipos de variables aleatorias

 Discretas
 Continuas
187
Variables aleatorias discretas
Es aquella variable que únicamente 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 año de un empleado. Note
que X toma valores 0,1,2,...,250.
Ejemplo 2: Considere un experimento que consiste en

medir el numero de artículos 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 función 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
Función de probabilidades para Y.
y P(Y=y)
0 1/4
1 1/2
2 1/4 0.51
0.46
0.41
Gráfica
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 distribución de
probabilidades de la tabla anterior
 3  3 y
P( y )  P(Y  y )   (.5) (.5) y
 y
La distribución de probabilidades puede ser una Tabla, una

Gráfica o una formula.
191
Requisitos para una distribución
de probabilidad discreta
1. 0  P( y )  1
2.  P( y ).
toda
y
En algunas ocasiones la notación

usada es:
f X ( x)  P( X  x)
192
Funciones de distribución acumulativa
La función de distribución de probabilidades

acumulativa es calcula sumando las probabilidades obtenidas
hasta un determinado valor de la variable aleatoria.
FX ( x)  P( X  x)
Esta función tiene propiedades.
0  F ( x)  1
Lim x F ( x)  1
Lim x F ( x)  0
193
Función de distribución 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 aleatoria

discreta X , denotada como  o E(X), es
X
 X  E ( X )   xfX ( 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
0
.
4
prob
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 devolución). Con probabilidades dadas por
1/5,1/10,2/5,3/10. Calcular la demanda esperada. X
198
Varianza de una variable aleatoria
Sea Y una variable aleatoria discreta con distribución 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 dispersión
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 desviación estándar de una variable aleatoria es
simplemente la raíz 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
.
1
5
0
.
1
3
0
.
1
1
prob
0
.
0
9
0
.
0
7
0
.
0
5
0 2 4 6 8 1
e
+
00
1
x
203
La media y varianza de la distribución
Uniforme discreta son:
(n  1)
X 
2
n 1
2
X 
2
12
Aplicaciones
204
Distribución hipergeométrica
 Se aplica cuando la muestra (n) es una porporción
relativamente grande en relación con la población (n >
0.1N).
 El muestreo se hace sin reemplazo
 P(x,N,n,D) es la probabilidad de exactamente x éxitos

en una muestra de n elementos tomados de una
población de tamaño N que contiene D éxitos. La
función de densidad de distribución hipergeométrica:
C xD C nNxD n!
P( x) C 
n
x!(n  x)!
N x
Cn
205
 La media y la varianza de la distribución
hipergeométrica son:
nD  nD  D  N  n 
    1  
2

N  N  N  N  1 
206
Ejemplo:
 De un grupo de 20 productos, 10 se seleccionan al
azar para prueba. ¿Cuál 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) = 15, x = 5

 5!  15! 
  
P(x=5) = 0.0183 = 1.83% P(5)  
5!0!  5!10! 
 0.0183
20!
10!10!
207
Distribución Binomial
Ensayo Bernoulli. Es un experimento aleatorio que solo
tiene dos resultados. Éxito o fracaso.
Donde la probabilidad de éxito se denota por p
• Suponga se realizan n experimentos Bernoulli

independientes.
• Suponga que la variable X de interés es el numero de
éxitos.
• X toma valores 0,1,2,...,n
208
Distribución binomial
 Se utiliza para modelar datos discretos y se aplica
para poblaciones grandes (N>50) y muestras
pequeñas (n<0.1N).
 El muestreo binomial es con reemplazamiento.
 Es apropiada cuando la proporción defectiva es
mayor o igual a 0.1.
 La binomial es una aproximación de la
hipergeométrica
 La distribución normal se paroxima a la binomial
cuando np > 5
209
La variable aleatoria X tiene una distribución 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
Distribución de Poisson
 Se utiliza para modelar datos discretos
 Se aproxima a la binomial cuando p es igual o menor
a 0.1, y el tamaño de muestra es grande (n > 16)
por tanto np > 1.6
211
Distribución de Poisson
Una Variable aleatoria X tiene distribución Poisson si
toma probabilidades con.

e  x
f ( x)  x  0,1,...
x!
  np
    np
212
La Distribución Normal
213
IMPORTANCIA DE LA DISTRIBUCIÓN NORMAL
Abraham Simon de Carl Francis

de Moivre Laplace Gauss Galton
 Los primeros industriales frecuentemente se basaban en el

conocimiento de limites normales para clasificar artículos o
procesos como correctos o de otro modo.
 Por ejemplo, el colesterol arriba de 250 mg/dl es ampliamente
conocido que incrementa el riesgo de un paro cardiaco. Una
determinación precisa - pudiera ser asunto de vida o muerte.
 Sin embargo , no todas las variables son normales. Por
ejemplo: urea y ph
CARACTERISTICAS DE UNA
DISTRIBUCIÓN NORMAL
La curva normal es acampanada y tiene un solo pico en
toda la distribución.
La media, mediana, y moda de la distribución son las

mismas y están localizadas en el pico.
La mitad del área de la curva esta arriba del punto central

(pico), y la otra mitad esta abajo.
La distribución normal es simétrica alrededor de su

media.
Es asintotica - la curva se acerca a eje x pero nunca lo
toca.
CARACTERISTICAS DE UNA DISTRIBUCION NORMAL
La Normal is simétrica -
-
Cola
Cola
Teóricamente, la
Teóricamente, la Media, mediana, y curva se extiende a
curva se extiende a moda son iguales + infinito
- infinito
217
Distribución Normal
Distribución de 1  1 t    2 
f( t )  exp    
la Función Normal  2  2    
Función 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 Normales con Medias iguales pero
Desviaciones estándar diferentes
  3.1
  3.9
 = 5.0
  20
Normales con Medias y
Desviaciones estándar diferentes
 = 5,  = 3
 = 9,  = 6
 = 14,  = 10
La distribución Normal estándar
La distribución normal estándar es una distribución de

probabilidad que tiene media 0 y desviación estándar de 1.
El área bajo la curva o la probabilidad desde menos infinito a

más infinito vale 1.
La distribución normal es simétrica, es decir cada mitad de curva

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

estándar, su número se describe con Z.
Para cada valor Z se asigna una probabilidad o área bajo la curva

mostrada en la Tabla de distribución normal 221
Las distribuciones pueden variar en:
POSICIÓN AMPLITUD FORMA
… O TENER CUALQUIER COMBINACION
222
La Distribución Normal
Para la población - se incluyen TODOS los datos
Para la muestra
X
3 2    2 3
x-3s x-2s x-s x x+s x+2s x+3s
223
La Distribución Normal Estándar
La desviación estándar
sigma representa la
distancia de la media al
punto de inflexión 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 BAJO LA CURVA NORMAL
 Alrededor de 68 % del area bajo la curva normal

está entre más una y menos una desviación
estándar de la media. Esto puede ser escrito como:
m ± 1s.
 Cerca del 95 % del área bajo la normal está entre
más y menos 2 desviaciones estándar de la media,
m ± 2s.
 Prácticamente toda (99.74 %) el área bajo la normal
esta entre 3 desviaciones de la media m ± 3s.
Cálculos con Excel – Dist. Normal Estándar
 Distribución normal estándar con media = 0 y desviación estándar =
1: Para Z = (X - Xmedia )/ s
1. Área desde menos infinito a un valor de Z se obtiene como sigue:
- Colocarse en una celda vacía
- Accesar el menú de funciones con Fx, ESTADÍSTICAS,
DISTR.NORM.ESTAND, dar valor de Z y obtener el área requerida
Z
Area
2. Un valor de Z específico para una cierta área (por ejemplo 0.05)

se obtiene como sigue:
- Accesar el menú de funciones con Fx, ESTADÍSTICAS, o
DISTR.NORM.ESTAND.INV, dar valor del área y se obtiene la Z
226
Entre:
1. 68.26%
2. 95.44%
3. 99.97%
3 2 1  1 2 3

Características de la Distribución Normal
68%
34% 34%
+1s
95%
+2s
99.73%
+3s 228
El valor de Z
Determina el número de desviaciones estándar
entre algún valor x y la media de la población, mu
Donde sigma es la desviación estándar de la
población.
En Excel usar Fx, ESTADISTICAS, NORMALIZACIÓN,

para calcular el valor de Z
z= x-

Proceso con media =100
y desviación estándar = 10
70 80 90 100 110 120 130
68%
34% 34%
90 110
68
80
%
95%
120
2.356%
68% 2.356%
99.73%
70 130
Áreas bajo la curva
normal
231
Cálculos con Excel – Dist. Normal Estándar
 Distribución normal estándar con media = 0 y desviación estándar =
1: Para Z = (X - Xmedia )/ s
1. Área desde menos infinito a un valor de Z se obtiene como sigue:
DISTR.NORM.ESTAND, dar valor de Z y obtener el área requerida
Z
Area
2. Un valor de Z específico para una cierta área (por ejemplo 0.05)

se obtiene como sigue:
- Accesar el menú de funciones con Fx, ESTADÍSTICAS, o
DISTR.NORM.ESTAND.INV, dar valor del área y se obtiene la Z
Cálculos con Excel – Distr. Normal
 Distribución normal, dadas una media y desviación estándar:
1. Área desde menos infinito a X se obtiene como sigue:
- Accesar el menú de funciones con Fx, ESTADÍSTICAS, DISTR.NORM,
dar el valor de X, Media, Desviación Estándar s, VERDADERO y se
obtendrá el área requerida
X
Area
2. Un valor de X específico para una cierta área (por ejemplo 0.05) se

obtiene como sigue:
DISTR.NORM.INV, dar el valor del área, Media y Desviación Estándar
y se obtendrá el valor de la X
Calculo de Probabilidades normales
1. Identificar la variable de interés.

2. Identificar los parámetros de la variable (su media y
desv. estándar).
3. ¿Cual es la pregunta área bajo la curva de
probabilidad normal?
4. Convertir los valores a la distribución normal estándar
(estandarización Z = (X-Media)/S) .
5. Encuentre la probabilidad en tabla de la normal
estándar o por Excel.
Ejemplo
El agua usada diariamente por persona en México está

distribuida normalmente con media 20 litros y una
desviación de 5 lts..
 ¿Entre que valores cae cerca del 68% el agua usada

por una persona en Mexico?
m ± 1s = 20 ± 1(5). Esto es, cerca del 68% de la

cantidad usada por persona cae entre 15 lts. y 25 lts..
 De manera similar para 95% y 99%, el intervalo será

de 10 lts a 30 lts y 5 lts a 35 lts.
Ejemplo
El agua usada diariamente por persona en México es

distribuida normalmente con media 20 litros y una
desviación de 5 lts. Sea X el uso diario de agua.
 Cual es la probabilidad que una persona

seleccionada al azar use menos de 20 lts./dia?
El valor z asociado es z = (20 - 20)/5 = 0.

entonces,
P(X < 20) = P(z < 0) = 0.5.

Ejemplo
Que porciento usa entre 20 y 24 lts?

El value z asociado con X = 20 es z = 0 y con X =
24, z = (24 - 20)/5 = 0.8.
Entonces, P(20 < X < 24) = P(0 < z < 0.8) = P(0.8) -
P(0) = 0.7881- 0.5 = 0.2881 o 28.81%.
 ¿Que porciento usa entre 16 y 20 lts?
El valor z1 para X = 16 es z1 = (16 - 20)/5 = -0.8,

y para X = 20, z2 = 0. Entonces, P(16 < X < 20) =
P(-0.8 < z < 0) = P(0) - P(-0.8) = 0.5 - 0.2119 =
0.2881 = 28.81%.
P(0 < z < 0.8)
= 0.2881.
0.8
Ejemplo
 Cual es la probabilidad que una persona

seleccionada al azar use mas de 28 lts?
El valor z asociado a X = 28 es
z = (28 - 20)/5 = 1.6. Ahora, P(X > 28) = P(z > 1.6)
= 1 - P(z < 1.6) = 1 - 0.9452 = 0.0548.
P(z > 1.6) =
1 - 0.9452=
0.0548
Area =
0.9452
1.6 z
Ejemplo
• ¿Que porcentaje usa entre 18 y 26 lts?
El valor z asociado con X = 18 es z = (18 - 20)/5 = -

0.4, y para X = 26, z = (26 - 20)/5 = 1.2.
entonces, P(18 < X < 26)= P(-0.4 < z < 1.2) =
F(1.2) - F(-0.4)= 0.8849 - 0.3446 = 0.5403.
Ejemplos
 El tiempo de vida de las baterías del conejito tiene una

distribución aproximada a la normal con una media de
85.36 horas y una desviación estándar de 3.77 horas.
 ¿Qué porcentaje de las baterías se espera que duren 80

horas o menos?
 ¿Cuál es la probabilidad de que una batería dure entre

86.0 y 87.0 horas?
 ¿Cuál es la probabilidad de que una batería dure más de

87 horas?
242
Área bajo la curva normal
¿Que porcentaje de las baterías 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
¿Cuál es la probabilidad de que una batería dure

entre 86.0 y 87.0 horas?
85.36 86 87
0 1
¿Cuál es la probabilidad de que una batería dure más

de 87 horas?
85.36 87
1.67 = .33 ó 33% de las veces una batería durará más

de 87 horas
Ejercicios
Considere una media de peso de estudiantes de 75 Kgs.
con una desviación estándar de 10Kgs. Contestar lo
siguiente:
¿Cuál es la probabilidad de que un estudiante pese más
de 85Kgs.?
2. ¿Cuál es la probabilidad de que un estudiante pese
menos de 50Kgs.?
3. ¿Cuál es la probabilidad de que pese entre 60 y 80
Kgs.?.
4. ¿Cuál es la probabilidad de que pese entre 55 y 70
Kgs.?
5. ¿Cuál es la probabilidad de que pese entre 85 y
100Kgs.? 246
Distribución Exponencial
 Se usa para modelar artículos con una tasa de falla
constante y está relacionada con la distribución de
Poisson.
 Si una variable aleatoria x se distribuye

exponencialmente, entonces el recíproco de x,
y = 1/x sigue una distribución de Poisson y viceversa.
 La función de densidad de probabilidad exponencial

es: Para x >= 0 x
1 
f ( x) e 
  e  x
 247
Distribución Exponencial
 Donde Lambda es la tasa de falla y theta es la media
 La función de densidad de la distribución exponencial
248
Distribuciones muestrales
249
A las distribuciones de los estadísticas muestrales
se les llama distribuciones muestrales.
POBLACION
250
Distribuciones Derivadas del
muestreo de Poblaciones Normales
Muestra
Aparecen distribuciones muestrales:

Normal, Chi-cuadrada, t-student, F
Población
251
Distribución de la Media:
Si X 1 , X 2 ,..., X n es una muestra aleatoria de una Poblacion

(X) con distribución normal n(  ,  2 ) .Entonces X se
distribuye normal con media  , y varianza  2 / n
X  n( ,  / n) 2
252
Distribuciones usadas normalmente
 Distribución Chi Cuadrada
 Esta distribución se forma al sumar los cuadrados de

las variables aleatorias normales estándar.
 Si Z es una variable aleatoria normal, entonces el

estadístico Y siguiente es una variable aleatoria Chi
cuadrada con n grados de libertad.
y z  z  z  ....  z
2
1
2
2
2
3
2
n
253
Distribución de la varianza.
Repaso de la distribución ji-cuadrada.
La función de densidad de probabilidad con k grados de

libertad y la función gama Γ es:
k x
1 1
f ( x)  x2 e 2 , x  0.
2  
k k
2  
2
k=grados de libertad. (1,2,...)

254
Gráficas de la distribución 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 críticos 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 distribución 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)
S 
2 2
n 1
 2
258
Distribución t-student
Si X 1 , X 2 ,..., X n es una muestra aleatoria de una

Población (X) con distribución normal n (  ,  2
).
Entonces ( X   ) (s / n) se distribuye
t-student con n-1 grados de libertad.
( X   ) (s / n)  tn1
259
Función de Distribución 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
Función de Distribución t-student
261
k
 ; k 3
k 2
Distribución t de Student
 La media y la varianza de la distribución t son:
 0 
k
; k 3
k 2
 De una muestra aleatoria de n artículos, la
probabilidad de que
x
t
s/ n
Caiga entre dos valores especificados es igual al área
bajo la distribución 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
Distribución t de Student
Ejemplo:
 La resistencia de 15 sellos seleccionados
aleatoriamente son: 480, 489, 491, 508, 501, 500,
486, 499, 479, 496, 499, 504, 501, 496, 498
¿Cuál es la probabilidad de que la resistencia promedio

de los sellos sea mayor a 500?. La media es 495.13 y
la desviación estándar es de 8.467.
t = -2.227 y el área es 0.0214 495.13  500

t  2.227
8.467 / 15
263
Distribución 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 distribución es para

comparar varianzas (Recuerde el análisis de
varianza)
264
Función de
Distribución F. densidad de la Distribución 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
Función de
Distribución F. densidad de la Distribución F
266
Distribución F
 Para determinar la otra cola de la distribución F se
determina con la expresión.
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. Análisis de Sistemas de
medición
268
Análisis de Sistemas de Medición
1. Errores en la medición
269
Metrología
 Metrología es la ciencia de las mediciones
 Apoya a la organización en la evaluación cuantitativa

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

calibración de los equipos de medición
 Intensidad de uso del equipo
 Posibles desgastes por el uso o degradación
 Errores identificados durante las calibraciones periódicas
270
Correlación de mediciones
 Es la comparación o correlación de las mediciones de un
sistema de medición con los valores reportados por uno o
más sistemas de medición diferentes
 Un sistema o dispositivo de medición puede usarse para

comparar valores contra un estándar conocido, a su vez
puede compararse a la media y desviación estándar 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
Correlación de mediciones
 También se pueden comparar valores obtenidos de
diferentes métodos de medición usados para medir
diferentes propiedades. Por ejemplo la medición de dureza
y resistencia de un metal, temperatura y expansión lineal
de un artículo al ser calentado, y peso y número de
pequeñas partes
 El manual MSE de la AIAG clasifica los errores del sistema

de medición en cinco categorías:
 Sesgo o exactitud
 Repetibilidad
 Reproducibilidad
 Estabilidad
Linealidad

272
Porcentaje de acuerdo
 El porcentaje de acuerdo ya sea entre el sistema de
medición y los valores de referencia o el valor verdadero
de la variable medida, puede estimarse con el coeficiente
de correlación, r, con valores r=1 100% de acuerdo y r= 0
sin acuerdo.
273
Precisión a Tolerancia P/T
 Es la razón (P/T) entre el error estimado de la medición
(precisión) y la tolerancia de la característica medida.
6 e
Re l P / T 
Tolerancia
 Donde 6 sigma es la variabilidad de las mediciones. Los

supuestos son:
 Las mediciones son independientes
 Los errores de medición se distribuyen normalmente
 Los errores de medición son independientes de la

magnitud de las mediciones
274
Precisión a Variación Total P/TV
 Es la razón (P/TV) entre el error estimado de la medición

(precisión) y la variación total de la característica medida.
6 e Variacion Medicion
Re l P / TV  
Variacion Total Variacion Pr oducto  Variacion Medicion
 Se debe minimizar P/TV para reducir el efecto de la

variación de las mediciones en la evaluación de la
variación 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 medición con variación más
pequeña
275
Definiciones
Exactitud
Desviación respecto del valor verdadero del promedio
de las mediciones
Valor verdadero:
Valor correcto teórico / estándares NIST
Sesgo
Distancia entre el valor promedio de todas las
mediciones y el valor verdadero.
Error sistemático o desviación
276
Definiciones
Estabilidad
La variación total en las mediciones obtenidas durante
un período de tiempo prolongado
Linealidad
Diferencia en los valores de la escala, a través del
rango de operación esperado del instrumento de
medición.
Precisión
Medición de la variación natural en mediciones
repetidas
277
Posibles Fuentes de la
Variación del Proceso
Variación del proceso, observado
Variación del proceso, real Variación de la medición
Variación Variación originada

dentro de la Reproducibilidad
muestra por el calibrador
Repetibilidad Estabilidad Linealidad Sesgo
Calibración
La “Repetibilidad” y “reproducibilidad” (R&R), son los errores más relevantes en la medición.

278
 Sensibilidad
 El gage debe ser suficientemente sensible para

detectar diferencias en las mediciones en al menos un
décimo de la tolerancia especificada o de la dispersión
del proceso
279
Definición del Sesgo o precisión
Valor
Verdadero
Sesgo es la diferencia entre el Sesgo

promedio observado de las
mediciones y el valor
verdadero.
Se reporta como porcentaje de

la variación del proceso o de la
tolerancia.
280
Definición de la Repetibilidad
o precisión
Repetibilidad: Es la variación de
las mediciones obtenidas con un
instrumento de medición,
cuando es utilizado varias veces por
un operador, al mismo tiempo que
mide las mismas características en
una misma parte
REPETIBILIDAD
281
Definición de la Reproducibilidad
Reproducibilidad: Es la Operador-B
variación, entre promedios
de las mediciones hechas
por diferentes operadores
que utilizan un mismo
instrumento de medición Operador-C
cuando miden las mismas
características en una
misma parte en diferentes
tiempos Operador-A
Reproducibilidad 282
Errores en la medición
Preciso pero Exacto pero Exacto y

No exacto no preciso preciso
283
Definición de la Estabilidad
Estabilidad (o desviación) es la
variación total de las mediciones
obtenidas con un sistema de Tiempo 2
medición, hechas sobre el mismo
patrón o sobre las mismas partes, Tiempo 1
cuando se mide una sola de sus
características, durante un período de
tiempo prolongado.
284
Definición de la Linealidad
Graficar el sesgo versus los valores de referencia de la parte
En todo el rango de operación del instrumento. El porcentaje de
Linealidad es igual a la pendiente, b, de la línea de regresión
Multiplicada por la variación del proceso.
L = b Vp
El sesgo en cualquier punto se puede estimar de la pendiente y
La intersección con eleje Y (Yo) de la mejor línea de ajuste
B = Yo + b X
Valor Valor
Linealidad es la diferenciaverdadero verdadero
en los valores real y Sesgo Sesgo
observado, Menor mayor
a través del rango de
operación (rango inferior)
esperado del equipo.
Rango de Operación del equipo
(rango superior)
285
Estabilidad del Calibrador
Cómo 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 calibración.
» 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 electrónico, puede necesitar calentamiento previo.

286
Error R&R = RPT2 + REPR2
 Precisión en relación a la variación

Para la fase de control del
total proyecto, sólo substituya la
Tolerancia por Variación Total
%R&R = R&R
.
*100 TV= R&R + PV
Var Total PV= variación de parte = Rp x K3
 Identificar qué porcentaje de la variación total debe absorberse
como error de medición.
<10% Aceptable
10-30%. Puede ser aceptable, dependiendo qué tan
crítico es el grado de la medición.
>30%. ¡Inaceptable!
287
EL VALOR DEL R&R ES UN PORCENTAJE DE LA VARIACION
TOTAL DEL PROCESO:
VARIACIÓN DE PARTE A
La dimensión verdadera de
PARTE
las partes se encuentra en
algún lugar de la la región
sombreada…
Lo que
fue
medido
LSL OBJETIVO USL

Mientras más mayor sea el % del R&R, mayor será el área de
incertidumbre para conocer la dimensión verdadera de las partes.
ERROR TIPO 1: Pueden estarse aceptando partes que están fuera
de especificaciones
ERROR TIPO 2: Pueden estarse rechazando partes que están
dentro de especificaciones
2. Carta de tendencias
289
Carta de tendencias de gages
 Una carta de tendencias es una gráfica de todas las
observaciones por operador y partes. La línea
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 mostrará una dispersión aleatoria

horizontal; el efecto de un operador o parte mostrará
un patrón definido no aleatorio.
290
Gage Run Chart of Response by Part, Operator
1 File > Open worksheet
Reported by : > GAGEAIAG.MTW.
G age name: 2 Tolerance:
Stat > Quality Tools > Gage Study > Gage Run Chart.
Date of study : M isc:
3 En Part numbers, seleccionar Part.
4 En Operators, seleccionar Operator.
5 En Measurement data, seleccionar Response. Click OK.
1 2 3 4 5 O perator
1.0 1
2
3
Mean 0.8
0.6
Response
0.4
6 7 8 9 10
1.0
0.8 Mean
0.6
0.4
Operator
Panel variable: Part 291
Interpretando los resultados

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

partes, algunos patrones menores aparecen también.
 Por ejemplo el operador 2 en su segunda medición es
consistentemente (7/10) más pequeña que la primera, y sus
mediciones son consistentemente (8/10) más pequeñas que las
del operador 1.
292
3. Estudios R&R
Método corto del rango
293
Método del rango
 Es un método 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 medición de cada parte y al final

el rango promedio.
 La desviación estándar de R&R se aproxima con la formula

de rango medio entre d2*
 El % de R&R se calcula comparando la desv. Estándar de
R&R con la del proceso
294
Método del rango
Partes Evaluador A Evaluador B Rango A,B
1 0.85 0.80 0.05
2 0.75 0.70 0.05
3 1.00 0.95 0.05
4 0.45 0.55 0.10
5 0.50 0.60 0.10
Rango medio = 0.35/5 = 0.07
GRR = Rmedio / d2* = 0.07 / 1.19 = 0.0588 Error máximo 10%

Desv. Estándar del proceso = 0.0722
%GRR = 100 (GRR / Desv. Est. Proceso ) = 81.4%
Por tanto el sistema de medición requiere mejora
295
4. Determinación de la repetibilidad
296
Determinación 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
Determinación sólo
de la repetibilidad
Parte Medición 1 Medición 2 Media Rango
1 21 20 20,5 1
2 24 23 23,5 1
3 20 21 20,5 1
4 27 27 27,0 0
5 19 18 18,5 1
6 23 21 22,0 2
7 22 21 21,5 1
8 19 17 18,0 2
9 24 23 23,5 1
10 25 23 24,0 2
11 21 20 20,5 1
12 18 19 18,5 1
13 23 25 24,0 2
14 24 24 24,0 0
15 29 30 29,5 1
16 26 26 26,0 0
17 20 20 20,0 0
18 19 21 20,0 2
19 25 26 25,5 1
20 19 19 19,0 0
Promedio 22,3 1 298
de la repetibilidad
 La desviación estándar del error de medición,, es
= calculada mediante la siguiente fórmula:
R 1 R= Rango promedio
  0.887 d2 = Valor de tablas.
d 2 1.128
 Para obtener una buena estimación de la capacidad del error de

medición utilizamos: y vs Tolerancia
6 mediciòn  6(0.887)  5.32 P 6 mediciòn

T USL  LSL
299
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 medición adecuada.
 La varianza total observada es:  2 Total  S 2  (3.07) 2  9.4249
 Y la sigma del proceso es:

 2 proceso =  2 total   2 medición =9.4249 - .79 = 8.63
 Por lo tanto la desviación estándar del proceso = 2.93
300
de la repetibilidad
 El error de medición es expresado como un porcentaje de la
= variabilidad del proceso:
 medicion .79
  100  25.73%
 total 3.07
 Al ser el error de medición mayor al 10%, concluimos que no

tenemos un sistema de medición confiable, por lo cual tenemos
que realizar las acciones correctivas correspondientes.
301
5. Estudios R&R (cruzado)

Método de Medias Rangos
– Método largo
302
R&R - Método de medias rangos
 Los estudios de repetibilidad y reproducibilidad
determinan cuanto de la variación observada como
variación de proceso es debida a variación del sistema de
medición.
 Se proporcionan dos métodos para evaluar la repetibilidad

y la reproducibilidad: Método de cartas X-R y Método de
ANOVA.
 El Método X-R divide la variación total dentro de tres

categorías: parte a parte, repetibilidad y reproducibilidad.
El método ANOVA presenta un componente adicional, la
interacción operador – parte. 303
Método 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 ó 3 veces.
305
Estudio R&R – Medias rangos
 La resolución del equipo de medición debe ser de al
menos el 10% del rango de tolerancia o del rango de
variación 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 tamaño de muestra significativo

para una opinión sólida sobre el EQUIPO DE
MEDICIÓN a menos que
306
Procedimiento para realizar un estudio de R&R
1. Ajuste el calibrador, o asegúrese de que éste haya sido

calibrado.
2. Marque cada pieza con un número de identificación

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

una sola vez, siguiendo un orden al azar.
307
4. Haga que el segundo operador mida todas las

muestras una sola vez, siguiendo un orden al azar.
5. Continúe 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 número

requerido de ensayos
308
7. Utilice el formato proporcionado para determinar las

estadísticas del estudio R&R
 Repetibilidad
 Reproducibilidad
 %R&R
 Desviaciones estándar de cada uno de los

conceptos mencionados
 Análisis 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 área de producción, fallaron por
errores dimensionales 3% del tiempo.
CTQ: Mantener una tolerancia ± 0.125 pulgadas
Sistema de Medición: Se miden las partes con calibradores de 2”.
Estudio R&R del La dimensión A es medida por dos

Calibrador: operadores, dos veces en 10 piezas.
310
Método X-media y Rango:
Repetibilidad y Reproducibilidad de calibrador
Operador A Operador B
Serie # 1er. Ensayo 2o. Ensayo Rango 1er. Ensayo 2o. Ensayo Rango Porción 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
Porción R
311
Cálculo de las X-medias
1 9.376 9.358 9.354 9.361 9.362
2 9.372 9.320 9.372 9.372 9.359
3 9.378 9.375 9.278 9.277 9.327
4 9.405 9.388 9.362 9.370 9.381
5 9.345 9.342 9.338 9.339 9.341
6 9.390 9.360 9.386 9.370 9.377
7 9.350 9.340 9.349 9.349 9.347
8 9.405 9.380 9.394 9.381 9.390
9 9.371 9.375 9.384 9.385 9.379
10 9.380 9.368 9.371 9.376 9.374
Totales 93.772 93.606 93.588 93.580
X-barA 9.3689 X-barB 9.3584
R-barA R-barB
Porción R
312
Cálculo de los Rangos
1 9.376 9.358 0.018 9.354 9.361 0.007 9.362
2 9.372 9.320 0.052 9.372 9.372 0.000 9.359
3 9.378 9.375 0.003 9.278 9.277 0.001 9.327
4 9.405 9.388 0.017 9.362 9.370 0.008 9.381
5 9.345 9.342 0.003 9.338 9.339 0.001 9.341
6 9.390 9.360 0.030 9.386 9.370 0.016 9.377
7 9.350 9.340 0.010 9.349 9.349 0.000 9.347
8 9.405 9.380 0.025 9.394 9.381 0.013 9.390
9 9.371 9.375 0.004 9.384 9.385 0.001 9.379
10 9.380 9.368 0.012 9.371 9.376 0.005 9.374
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
Porción R
313
0.0630
Identificación de Parámetros del Estudio
y Cálculos
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
Porción R 0.0630
X-media máx.=> 9.3689

Ancho de tolerancia====> 0.25
X-media mín. => 9.3584
Número de intentos (m)=> 2
Número de partes (n)==> Diferencia X-dif 0.0105
10
Número de operadores 2
K1 ========> 4.56 R-media doble 0.0113

(=4.56 para 2 ensayos, 3.05 para 3 ensayos)
K2 =========> 3.65 K3 ======> 1.62

(=3.65 para 2 operadores; 2.7 para 3 operadores)
314
Cálculo de R&R
Repetibilidad: La variación del dispositivo de medición (VD) se calcula
sobre cada grupo de mediciones tomadas por un operador, en una
sola parte.
DV = R x K1 = 0.0515
Reproducibilidad: La variación 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 raíz es negativa)
AV = (Xdif * K2)2 - (DV2/(r*n)) = 0.03655
315
Cálculo 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 variación total (TV) se calcula combinando la varianza de repetibilidad y

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

Cálculo 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 variación Total de las Partes:

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

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

medición 10 partes en 3 intentos cada uno,obteniendo:
Mediciones Mediciones
Número 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
OPERADOR A.- B.- C.-
columna columna
columna 1 columna 2 columna 3 columna 5 columna 6 columna 7 columna 9 10 11
2do 2do 2do
Muestra 1er Intento Intento 3er Intento 1er Intento Intento 3er Intento 1er Intento Intento 3er Intento
1 0.0045 0.0045 0.0045 0.0045 0.0045 0.0045 0.0050 0.0045 0.0045

2 0.0045 0.0055 0.0045 0.0055 0.0050 0.0045 0.0055 0.0045 0.0045
3 0.0045 0.0045 0.0045 0.0045 0.0045 0.0045 0.0045 0.0045 0.0040
4 0.0050 0.0050 0.0045 0.0050 0.0050 0.0050 0.0050 0.0050 0.0050
5 0.0045 0.0045 0.0045 0.0040 0.0045 0.0040 0.0045 0.0045 0.0040
6 0.0050 0.0055 0.0045 0.0060 0.0050 0.0050 0.0050 0.0050 0.0050
7 0.0050 0.0045 0.0045 0.0055 0.0045 0.0050 0.0045 0.0050 0.0050
8 0.0050 0.0050 0.0050 0.0050 0.0050 0.0050 0.0060 0.0050 0.0050
9 0.0050 0.0045 0.0050 0.0045 0.0045 0.0050 0.0055 0.0045 0.0045
10 0.0040 0.0040 0.0040 0.0040 0.0040 0.0040 0.0045 0.0045 0.0045
Totales 0.0470 0.0475 0.0455 0.0485 0.0465 0.0465 0.0500 0.0470 0.0460
320
Minitab :Datos cargados (3 cols.)
Partes Operadores Medición Partes Operadores Medición Partes Operadores Medición
1 1 0.0045 1 2 0.0045 1 3 0.005
2 1 0.0045 2 2 0.0055 2 3 0.0055
3 1 0.0045 3 2 0.0045 3 3 0.0045
4 1 0.005 4 2 0.005 4 3 0.005
5 1 0.0045 5 2 0.004 5 3 0.0045
6 1 0.005 6 2 0.006 6 3 0.005
7 1 0.005 7 2 0.0055 7 3 0.0045
8 1 0.005 8 2 0.005 8 3 0.006
9 1 0.005 9 2 0.0045 9 3 0.0055
10 1 0.004 10 2 0.004 10 3 0.0045
1 1 0.0045 1 2 0.0045 1 3 0.0045
2 1 0.0055 2 2 0.005 2 3 0.0045
3 1 0.0045 3 2 0.0045 3 3 0.0045
4 1 0.005 4 2 0.005 4 3 0.005
5 1 0.0045 5 2 0.0045 5 3 0.0045
6 1 0.0055 6 2 0.005 6 3 0.005
7 1 0.0045 7 2 0.0045 7 3 0.005
8 1 0.005 8 2 0.005 8 3 0.005
9 1 0.0045 9 2 0.0045 9 3 0.0045
10 1 0.004 10 2 0.004 10 3 0.0045
1 1 0.0045 1 2 0.0045 1 3 0.0045
2 1 0.0045 2 2 0.0045 2 3 0.0045
3 1 0.0045 3 2 0.0045 3 3 0.004
4 1 0.0045 4 2 0.005 4 3 0.005
5 1 0.0045 5 2 0.004 5 3 0.004
6 1 0.0045 6 2 0.005 6 3 0.005
7 1 0.0045 7 2 0.005 7 3 0.005
8 1 0.005 8 2 0.005 8 3 0.005
321
9 1 0.005 9 2 0.005 9 3 0.0045
10 1 0.004 10 2 0.004 10 3 0.0045
Minitab : Instrucciones
 Seleccione en el menú de la barra de herramientas

Stat>quality tools>gage study > Gage R&R
(Crossed)
 Seleccione C1 (parte), C2 (operador), C3 (Medición)
 Método de Análisis X Bar and R
 En Options Seleccionar: Study variation 5.15

Process tolerante 0.006
322
Minitab : Resultados
Gage R&R Study - XBar/R Method
%Contribution % Error R&R debe ser menor
Source VarComp (of VarComp) Al 10% ya sea para control del
Total Gage R&R 0.0000001 41.00 Proceso o para producto final.
Repeatability 0.0000001 40.52
Reproducibility 0.0000000 0.48 Repetibilidad – Instrumento
Part-To-Part 0.0000001 59.00 Reproducibilidad - Operador
Total Variation 0.0000001 100.00
Study Var %Study Var %Tolerance

Source StdDev (SD) (5.15 * SD) (%SV) (SV/Toler)
Total Gage R&R 0.0002476 0.0012750 64.03 21.25
Repeatability 0.0002461 0.0012675 63.65 21.12
Reproducibility 0.0000269 0.0001384 6.95 2.31
Part-To-Part 0.0002970 0.0015295 76.81 25.49
Total Variation 0.0003867 0.0019913 100.00 33.19
Number of Distinct Categories = 1 Número mínimo 4

323
Minitab : Interpretación de Resultados
Interpretación de los resultados:
 El error de R&R vs tolerancia es 64.03% y vs

variación total del proceso es 21.25% lo que hace
que el equipo de medición no sea adecuado para la
medición.
 Por otro lado el número de categorías es sólo de 1

cuando debe ser al menos 4 indicando que el
instrumento discrimina las diversas partes diferentes.
324
R&R – Medias Rangos Gráficas
La gráfica R se mantiene en control indicando
que las mediciones se realizaron en forma adecuada.
Gage R&R (Xbar/R) for Datos La gráfica X barra sólo presenta 5 de 30 puntos fuera
G age name:
de control, Reported
debería by : ser al menos el 50%, indicando
T olerance:
D ate of study : que el equipo
M isc: no discrimina las diferentes partes.
Components of Variation Datos by Partes

80 % Contribution
0.006
% Study Va r
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 Interaction
O peradores
UCL=0.005143
Sample Mean
1
0.0050 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 menú de la barra de herramientas
Stat>quality tools>gage study > Gage R&R
(Crossed)
 Seleccione C1 (parte), C2 (operador), C3 (Medición)
 Método de Análisis 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
Gage R&R Study - ANOVA Method
Two-Way ANOVA Table With Interaction
Source DF SS MS F P
Partes 9 0.0000086 0.0000010 12.2885 0.000
Operadores 2 0.0000002 0.0000001 0.9605 0.401
Partes * Operadores 18 0.0000014 0.0000001 0.7398 0.757
Repeatability 60 0.0000063 0.0000001
Total 89 0.0000165
Los operadores y la interacción no fueron significativos, sólo las partes
Gage R&R La interacción no es significativa,

%Contribution y los errores de R&R indican que
Source VarComp (of VarComp)
Total Gage R&R 0.0000001 50.93 equipo de medición no es adecuado
Repeatability 0.0000001 50.93
Reproducibility 0.0000000 0.00 ni el número de categorías.
Operadores 0.0000000 0.00
Part-To-Part 0.0000001 49.07
Total Variation 0.0000002 100.00
Study Var %Study Var %Tolerance

Source StdDev (SD) (5.15 * SD) (%SV) (SV/Toler)
Total Gage R&R 0.0003150 0.0016222 71.36 27.04
Repeatability 0.0003150 0.0016222 71.36 27.04
Reproducibility 0.0000000 0.0000000 0.00 0.00
Operadores 0.0000000 0.0000000 0.00 0.00
Part-To-Part 0.0003092 0.0015923 70.05 26.54
Total Variation 0.0004414 0.0022731 100.00 37.88
Number of Distinct Categories = 1 328

R&R por ANOVA
Gage R&R (ANOVA) for Datos
Reported by :
Las conclusiones son similares
G age name: Tolerance: que con el método de X barra – R.
Date of study : M isc:
No hay interacción parte - operador
Components of Variation Datos by Partes
80 % Contribution
0.006
% Study Var
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
Datos by Operadores
1 2 3
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 Interaction
Operadores
UCL=0.005143
Sample Mean
1
0.0050 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
329
7. Estudios R&R por atributos-

Método de acuerdo por atributos
330
Ejemplo comparación pasa no pasa
 Un sistema de medición de atributos compara

cada parte con un estándar y acepta la parte si
el estándar se cumple.
 La efectividad de la discriminación es la habilidad

del sistema de medición de atributos para
discriminar a los buenos de los malos.
331
Ejemplo comparación pasa no pasa
1. Selecciona un mínimo de 20 unidades del proceso. Estas

unidades deben representar el espectro completo de la
variación del proceso (buenas, erroneas y en límites).
2. Un inspector “experto” realiza una evaluación de cada
parte, clasificándola como “Buena” o “No Buena”.
3. Cada persona evaluará las unidades, independientemente
y en orden aleatorio, y las definirá como “Buenas” o “No
Buenas”.
4. Ingresa los datos en el archivo Attribute Gage R&R.xls
para cuantificar la efectividad del sistema de medición.
332
GR&R de Atributos - Ejemplo
Legenda de Atributos REPORTE
G =1 Bueno FECHA:
NOMBRE:
NG =2No Bueno PRODUCTO:
SBU:
Esta es la
COND. DE PRUEBA: medida
Población Conocida Persona #1 Persona #2 Acuerdo Acuerdo
Muestra # Atributo #1 #2
general de
#1 #2 Y=Sí N=No Y=Sí 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 Y Y operadores
G G G G Y Y
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 mínimo!
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
Muestra Atributo Persona 1A Persona 1B Persona 2A Persona 2B
1 G G G G G
2 G G G G G
3 G G G G G
4 G G G G G
5 G G G G G
6 G NG G G G
7 G G G G G
8 G G G G G
9 NG G G NG NG
10 NG NG NG G G
11 G G G G G
12 G G G G G
13 NG NG NG NG NG
14 G G G G G
15 G G G G G
16 G G G G G
17 NG NG NG NG NG
18 G G G G G
19 G G G G G
20 G G G G G 334
Instrucciones en Minitab
1 Usar los datos anteriores.
2 Seleccionar Stat > Quality Tools > Attribute
Agreement Analysis.
3 En Multiple columns, con Persona 1ª - Persona – 2B.

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

7 no Checar Categories of the attribute data are
ordered y poner OK
335
Attribute Agreement Analysis Persona 1A, Persona 1B, Persona 2A,
Persona 2B
Within Appraisers
Appraiser # Inspected # Matched Percent 95 % CI
1 20 19 95.00 (75.13, 99.87)
2 20 20 100.00 (86.09, 100.00)
# Matched: Appraiser agrees with him/herself across trials.
Fleiss' Kappa Statistics
Appraiser Response Kappa SE Kappa Z P(vs > 0)
1 G 0.82684 0.223607 3.69774 0.0001
NG 0.82684 0.223607 3.69774 0.0001
2 G 1.00000 0.223607 4.47214 0.0000
NG 1.00000 0.223607 4.47214 0.0000
Each Appraiser vs Standard
Appraiser # Inspected # Matched Percent 95 % CI
1 20 18 90.00 (68.30, 98.77)
2 20 19 95.00 (75.13, 99.87)
Between Appraisers
# Inspected # Matched Percent 95 % CI
20 17 85.00 (62.11, 96.79)
Response Kappa SE Kappa Z P(vs > 0)
G 0.663222 0.0912871 7.26524 0.0000
NG 0.663222 0.0912871 7.26524 0.0000
All Appraisers vs Standard
# Inspected # Matched Percent 95 % CI
20 17 85.00 (62.11, 96.79)
# Matched: All appraisers' assessments agree with the known standard.
Response Kappa SE Kappa Z P(vs > 0)
G 0.792005 0.111803 7.08391 0.0000
NG 0.792005 0.111803 7.08391 0.0000 336
Date of study:
Assessment Agreement
Reported by:
Name of product:
Misc:
Within Appraisers Appraiser vs Standard

100 95.0% C I 100 95.0% C I
P ercent P ercent
95 95
90 90
Percent
85 Percent 85
80 80
75 75
70 70
1 2 1 2
Appraiser Appraiser 337
Interpretación 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 evaluación del operador y la del
“experto”.
3. % de Efectividad de Selección es la medida de el
acuerdo que existe entre los operadores.
4. % de Efectividad de Selección vs. el Atributo es una
medida general de la consistencia entre los
operadores y el acuerdo con el “experto”.
338
Guías de Aceptabilidad
Aunque el 100% es el resultado que deseamos obtener,
en un estudio de repetibilidad y reproducibilidad de
atributos, la siguiente guía se usa frecuentemente:
Porcentaje Guía
De 90% a 100% Aceptable
De 80% a 90% Marginal
Menos de 80% Inaceptable
339
IIIF. Capacidad y desempeño
del Proceso
340
Capacidad y desempeño del proceso
1. Estudios de capacidad del proceso
2. Desempeño del proceso contra especificaciones
3. Índices de capacidad del proceso
4. Índices de desempeño 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
Teoría del camión y el túnel
•El túnel tiene 9' de ancho (especificación). El camión tiene 10’ y el chofer es perfecto
(variación del proceso). ¿Pasaría el camión? NO, la variabilidad del proceso es mayor
que la especificación.
•Centrar es hacer que el promedio del proceso sea igual al centro de la
especificación. Si el camión tiene 8 pies de ancho ¿pasará el camión?, Si. Si
el chofer puede mantener el centro del camión en el centro del túnel. De otra forma
chocará con las paredes del túnel y no pasará a pesar de ser más angosto.
El proceso debe estar en control, tener capacidad y estar centrado
Ancho 9´
Nigel´s Trucking Co.
Objetivos de la capacidad del proceso
1. Predecir que tanto el proceso cumple especificaciones
2. Apoyar a diseñadores de producto o proceso en sus

modificaciones
3. Especificar requerimientos de desempeño para el equipo

nuevo
4. Seleccionar proveedores
5. Reducir la variabilidad en el proceso de manufactura
6. Planear la secuencia de producción cuando hay un efecto

interactivo de los procesos en las tolerancias 344
Estudios de capacidad
 La capacidad del proceso es un patrón predecible de
comportamiento estadístico estable donde las causas
de variación se comparan con las especificaciones.
345
LIE LSE
Especificación Especificación
inferior superior
s _
xi
X
p = porcentaje de partes fuera de Especificaciones 346

¿Cómo vamos a mejorar esto?
Podemos reducir la desviación estándar...
Podemos cambiar la media...
O (lo ideal sería, por supuesto) que podríamos cambiar ambas
Cualquiera que sea la mejora que lleve a cabo,

asegúrarse que se mantenga
347
Procedimiento
1. Seleccionar una máquina donde realizar el estudio
2. Seleccionar las condiciones de operación del proceso
3. Seleccionar un operador entrenado
4. El sistema de medición debe tener habilidad (error R&R <

10%)
5. Cuidadosamente colectar la información
6. Construir un histograma de frecuencia con los datos
7. Calcular la media y desviación estándar del proceso

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

especificación pueden ocurrir los siguientes eventos:
 No hacer nada
 Cambiar las especificaciones
 Centrar el proceso+
 Reducir la variabilidad
 Aceptar las pérdidas
349
Identificación de características:
 Deben ser indicativas de un factor clave en la calidad
del producto o proceso
 Debería ser posible ajustar el valor de la característica

como factor de control
 Las condiciones de operación que afecten la

característica medida deben ser identificadas y
controladas
 El PPAP indica la evaluación una inicial de la capacidad
350
IIIF.2 Desempeño del proceso
contra especificaciones
351
Estimación de la desviación estándar
con el proceso normal o en control
La desviación estándar del proceso cuando se encuentra en
control se determina como sigue con base en una carta de
control X-R siempre que esté bajo control estadístico:
Rango medio
Desv. Est. st =
(Within) Constante d2 de acuerdo al
tamaño 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
Límites de tolerancia
natural del proceso
LTNS = Media + 3*sigma
LTNI = Media – 3*sigma
Si los límites de especificación son: LIE y LSE
El Cp = (LSE – LIE) / (LTNS – LTNI) debe ser mayor a 1
353
Capacidad del proceso
Z’s y P(Z’s) Fracción defectiva
Los valores de Z inferior y Z superior se calculan de acuerdo a
las fórmulas siguientes:
LIE - promedio del proceso LSE - Promedio del proceso

Zi = Zs =
Desviación Estándar - st Desviación Estándar - st
La fracción defectiva se calcula con la distribución normal estándar:
P(Zi) = Área en tabla (-Z)

P(Zs) = 1 – Área corresp. a Zs en tabla (+Z)
Fracción defectiva = P(Zi) + P(Zs)

354
IIIF.3 Índices de capacidad del
proceso
355
con el proceso normal o en control
La desviación estándar del proceso cuando se encuentra en
control se determina como sigue con base en una carta de
control X-R siempre que esté bajo control estadístico:
Rango medio
Desv. Est. st =
(Within) Constante d2 de acuerdo al
tamaño 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
Z’s y P(Z’s) Fracción defectiva
Los valores de Z inferior y Z superior se calculan de acuerdo a
las fórmulas siguientes:
LIE - promedio del proceso LSE - Promedio del proceso

Zi = Zs =
Desviación Estándar - st Desviación Estándar - st
La fracción defectiva se calcula con la distribución normal estándar:
P(Zi) = Área en tabla (-Z)

P(Zs) = 1 – Área corresp. a Zs en tabla (+Z)
Fracción defectiva = P(Zi) + P(Zs)

357
Índices de Capacidad Potencial del
proceso en control – Corto plazo
El índice de capacidad potencial del Proceso (Cp) mide la
variación del proceso en relación con el rango de Especificación.
Tolerancia LSE - LIE

Cp = =
Variación del proceso 6 Desviaciones Estándar - st
La relación de capacidad (CR) es la inversa del cálculo de Cp. Este índice le

indica que porcentaje de la especificación está siendo usado por la variación del
proceso.
Rango del proceso 6 desviaciones estándar - st
CR = =
LSE - LIE
Tolerancia
Otro índice que toma en cuenta LSE  LIE

Cpm 
el centrado del proceso vs 6  2  ( X  M )2
Media de Especificaciones M es: 358
Índice de capacidad real del proceso
en control estadístico – corto plazo
Cpk es una medida de la capacidad real del proceso en función de
la posición de la media del proceso (X) en relación con con los
límites de especificación.
Con límites bilaterales da una indicación del centrado.
Es el menor de:
LSE - promedio del proceso Promedio del proceso - LIE
Cpk = y
3 desviaciones Est. - st 3 desviaciones Estándar - st
359
Cálculo 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 Índices de desempeño del
proceso
361
con el proceso a largo plazo
Se toman todos los datos del proceso históricos, no importa que

el proceso no esté en control o no sea normal.
 ( Xi  X )
i 1
2
n 1
Desv. Est. lt =  lt 
4(n  1)

S

Desvest (datos)
C4 C4
(Overall) 4n  3
362
Índices de desempeño Potencial
del proceso – Largo plazo
El índice de desempeño potencial del Proceso (Pp) mide la
variación del proceso en relación con el rango de Especificación.
Tolerancia LSE - LIE

Pp = =
Variación del proceso 6 Desviaciones Estándar - lt
La relación de capacidad (CR) es la inversa del cálculo de Cp. Este índice le

indica que porcentaje de la especificación está siendo usado por la variación del
proceso.
Rango del proceso 6 desviaciones Est. - lt

CR = =
LSE - LIE
Tolerancia
363
Índice de desempeño real del
proceso – largo plazo
Ppk es una medida del desempeño real del proceso en función de la
posición de la media del proceso (X) en relación con con los límites
de especificación.
Con límites bilaterales da una indicación del centrado.
Es el menor de:
LSE - promedio del proceso Promedio del proceso - LIE
Ppk = y
3 desviaciones est. - lt 3 desviaciones Estándar - lt
364
Cálculo del desempeño del
proceso a lago plazo
Índice de desempeño potencial Pp = (LSE - LIE ) / 6 lt

Debe ser  1 de preferencia >1.33
para tener el potencial de
cumplir con especificaciones (LIE, LSE)
Índice de desempeño 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 Distribución 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 desviación estándar 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 hábil 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 distribución 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
P rocess Data Within
LS L 9.00000 Overall
Target *
USL 14.00000 P otential (Within) C apability
S ample M ean 11.74400 Cp 0.97
S ample N 50 C PL 1.07
C PU 0.88
S tDev (Within) 0.85577
S tDev (O v erall) 0.80259 C pk 0.88
C C pk 0.97
O v erall C apability
Pp 1.04
PPL 1.14
PPU 0.94
P pk 0.94
C pm *
9.6 10.4 11.2 12.0 12.8 13.6

O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
P P M < LS L 0.00 P P M < LS L 671.85 P P M < LS L 314.35
P P M > U S L 0.00 P P M > U S L 4191.66 P P M > U S L 2470.24
P P M Total 0.00 P P M Total 4863.51 P P M Total 2784.59
372
Interpretación de salida Minitab
 Desviación estándar “Within” se determina con R /
d2, se usa para determinar los índices de capacidad a
corto plazo Cp, Cpk y PPM “Within”
 Desviación estándar “Overall” det. Con la desviación

estándar de los datos S/C4,
donde C4=4(n–1)/(4n-3)), se usa para determinar
los índices de Desempeño 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
Predicción
Tiempo
376
Control y Capacidad de Proceso
Control de Proceso:
Cuando la única fuente de variación es normal o de causa común,

se dice que el proceso esta operando en “CONTROL”.
Capacidad de Proceso:
Medición estadística de las variaciones de causa común que son

demostradas por un proceso. Un proceso es capaz cuando
la causa común de variación 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 Estadístico
La distribución de la mayoría de las características medidas forman una curva en
forma de campana o normal, si no hay causas especiales presentes, que alteren
la normalidad . ¿cuales son las causas comunes?|
x Area entre 0 y 1s
-Probabilidad de Ocurrencia
Distribución
del Proceso
_
x= media
34% 34% s= sigma; es la
desviación
estándar;
medida
de la variación
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
U C L=86.84
Sample Mean
80
_
_
X=72.69
70
60
LC L=58.53
2 4 6 8 10 12 14 16 18
Sample
U C L=51.89
48
Sample Range
36
_
24 R=24.54
12
0 LC L=0
2 4 6 8 10 12 14 16 18
Sample
379
Desviación estándar:
 Si el proceso sigue una distribución normal y está en
control estadístico, entonces la desviación estándar
puede ser estimada de:
R
R 
d2
 Para procesos nuevos, se puede estimar la capacidad
del proceso de una producción piloto
380
Desviación Estándar del proceso
 =R o  =S
d2 c4
Donde,
 = Desviación estándar de la población
d2 = Factor que depende del tamaño del subgrupo en la carta de control X -
R
C4 = Idem al anterior para una carta X - S
NOTA: En una carta por individuales, d2 se toma para n = 2 y Rango

Medio= Suma rangos / (n -1)
381
Capacidad de proceso
Cuando las causas comunes son la única variación:
Cp
El índice de capacidad potencial del proceso compara
la amplitud del proceso con la amplitud especificada.
Cp = (LSE - LIE) / 6 
Cpk
El índice de capacidad real del proceso compara la media
real con el límite de especificaciones más cercano (LE) a esta.
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, después de que el proceso se estabilizó quedando sólo con
causas comunes:
Xmedia de medias = 264.06 Rmedio = 77.3
Por tanto estimando los parámetros 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 límite de especificación es: LIE = 200.

El Cpk = (200 - 264.06) / (77.3) (3) = 0.64 por tanto el proceso no
cumple con las especificaciones 383
Ejemplo (carta X - S)
De una carta de control X - S (con subgrupo n = 5) se obtuvo lo

siguiente, después de que el proceso se estabilizó quedando sólo con
causas comunes:
Xmedia de medias = 100 Smedio = 1.05
Por tanto estimando los parámetros 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 límite de especificación 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
por tanto el proceso es capaz de cumplir con especificaciones 384
Ejercicios
1) De una carta de control X - R (con subgrupo n = 8) se
obtuvo lo siguiente, después de que el proceso se estabilizó
quedando sólo 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, después de que el proceso se estabilizó
quedando sólo 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 relación a

las 6M’s (personal, materiales, métodos, medio
ambiente, mediciones, máquinas)
 Largo Plazo
 Es el periodo de tiempo en el cual ya han ocurrido
todos los cambios posibles en el proceso, se trata

de información histórica
387
Análisis de la Capacidad de
procesos no normales
388
Procesos no normales
 Los datos no siempre se ajustan a la distrubución
normal. Una estrategia es traansformar los datos no
normales para lograr un comportamiento normal
 Una alternativa es la transformación de potencia de

Box-Cox dada por:
x2 1
x ( )  ; 0

x( )  ln(  ) ;   0
389
Procesos no normales
 Dadas las observaciones X1, X2, X3,….., Xn,
seleccionar la potencia  que maximice el logaritmo
n  n
( x ( )  x (  )) 2
 n
f ( x)  ln  i   (  1) ln( xi )
2  i 1 n  i 1
 Con la media aritmética de los datos transformados

dada por:
1 n
x ( )   x i ( )
n i 1
390
Capacidad de procesos no normales
y transformaciones de datos
 Para procesos no normales, utilizar la distribución de
Weibull
 Para transformaciones de datos no normales en

normales utilizar la transformación de Box Cox
391
usando la distribución de Weibull
 Con archivo de Minitab TILES.MTW
Process Capability of Warping
Calculations Based on Weibull Distribution Model
LSL USL
P rocess D ata O v erall C apability
LS L 0.00000 Pp 0.81
Target * PPL 1.03
USL 8.00000 PPU 0.73
S ample M ean 2.92307 P pk 0.73
S ample N 100
E xp. O v erall P erformance
S hape 1.69368
P P M < LS L 0.0
S cale 3.27812
P P M > U S L 10764.5
O bserv ed P erformance P P M Total 10764.5
P P M < LS L 0
P P M > U S L 20000
P P M Total 20000
0.0 1.5 3.0 4.5 6.0 7.5 392

transformando datos con Box - Cox
 Con archivo de Minitab TILES.MTW, lamda = 0.5

Box-Cox Plot of Warping
Lower C L Upper C L
Lambda
20
(using 95.0% confidence)
Estimate 0.345504
Lower C L 0.052120
15 Upper C L 0.642093
Best Value 0.500000

StDev
10
Limit
0
-2 -1 0 1 2 3 4 5
Lambda
393
transformando datos con Box - Cox
 Con la raíz cuadrada de los datos y de los límites de
especificaciones se tiene:
Process Capability of Transf
LSL USL
P rocess D ata W ithin
LS L 0.00000 O v erall
T arget *
USL 2.82843 P otential (Within) C apability
S ample M ean 1.62374 Cp 0.92
S ample N 100 C PL 1.05
S tD ev (Within) 0.51337 C PU 0.78
S tD ev (O v erall) 0.53934 C pk 0.78
C C pk 0.92
O v erall C apability
Pp 0.87
PPL 1.00
PPU 0.74
P pk 0.74
C pm *
0.0 0.4 0.8 1.2 1.6 2.0 2.4 2.8

O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
P P M < LS L 0.00 P P M < LS L 781.08 P P M < LS L 1303.73
P P M > U S L 20000.00 PPM > USL 9472.66 PPM > USL 12754.26
P P M T otal 20000.00 P P M T otal 10253.74 P P M T otal 14057.99
394
Capacidad de procesos
bajo Seis Sigma
395
Capacidad de procesos
bajo Seis Sigma
 Motorola notó que muchas operaciones en productos
complejos tendían a desplazarse 1.5  sobre el
tiempo, por tanto un proceso de  6  a la larga
tendrá 4.5  hacia uno de los límites de
especificación, generando 3.4 DPMOs (defectos por
millón de oportunidades)
396
Variación a Corto Plazo
(periodo durante el cual no se
presenta ningún cambio en el
proceso)
Zst = Zlt + 1.5
Variación a largo plazo

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

Después de la
inspección de recepción
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 desperdiciadas primera
por millón de oportunidades vez
398
Ejemplos de defectos / unidad
Determinar DPU en la producción de 100 unidades
Defectos 20 10 12 4
Unidades 70 20 6 4
DPU = D/U = (20+10+12+4)/100=0.46

Si cada unidad tiene 6 oportunidades para defecto
(características 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 más 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)?
 ¿Qué proceso se considera? Facturación y CxC

 ¿Cuántas unidades tiene el proceso? 1,283
 ¿Cuántas están libres de defectos? 1,138
 Calcular el desempeño del proceso 1138/1283=0.887

 Calcular la tasa de defectos 1 - 0.887 = 0.113
 Determinar el número 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 millón de oportunidades DPMO = 4,709
 Calcular #sigmas con tabla de conversión 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 proporción
media de producto no conforme
 Para cartas p y np, la capacidad del proceso es la p media

de fracción 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
tamaño 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 certificación

III. Seis Sigma - Medición

C. Colección y resumen de datos

E. Análisis de los sistemas de medición

F. Capacidad y desempeño de procesos 3

2. Entradas y salidas del proceso

Se analizan los tópicos siguientes:

 Es el paso inicial para la mejora de procesos, ya que

 Construir un mapa de proceso para representar los

 Discutir y analizar cada paso en detalle

 Preguntarse ¿Por qué lo hacemos de esta manera?

 ¿Hay puntos de control para evitar errores y

 ¿Puede realizarse el proceso de manera diferente?

 Pasos para elaborarlo (Símbolos ANSI Y15.3)

Proceso Desición Documento Datos

Proceso Preparación Operación Entrada

Conector Con. página Display Almacen Terminador 16

Transportación Líneas de Flujo

Paso 2A Paso 2B Paso 2C

Retrabajo No ¿Bueno? Sí Fin

Actividades con valor agregado

Actividades sin valor agregado

 Creados para un propósito

 Haz recorridos, entrevistas y

 evita que el equipo salga de los

 Selecciona los puntos de

 Hojas para Rotafolio y

 En este momento, el mapa

 Calcular el impacto del cambio.

 Determinar cuáles dibujos necesitan cambiarse.

 Cambiar los dibujos apropiados.

Por ahora dejen todas No Sí

suficiente para incluir

para que se entienda

Identifica los puntos para la recolección de datos,

Después de haber creado el Mapa “Cómo Es” …

(consulta el módulo “Planeación de la Recolección de Datos”)

Crear Calcular Impacto • Es la condición base

 Crea el nuevo mapa de proceso.

El nuevo mapa muestra el flujo de trabajo mejorado que

Este nuevo mapa muestra el proceso “cómo debe

 La cadena de valor tiene tres partes principales:

 La transformación de materia prima a producto

 El flujo de información que soporta y dirige tanto

 Inicie con una caminata rápida a través de la cadena

 Inicie desde el final de embarque y de ahí para atrás.

 Trazar uno mismo la cadena de valor completa.

 Siempre trace a mano y a lápiz. Ir al piso de

 Tiempo disponible de máquina (De acuerdo a la

 Tiempo de trabajo (sin los descansos obligatorios)

 Capacidad del proceso (tiempo disponible/ tiempo de

 Takt time (tiempo disponible para cubrir la demanda

 La documentación del proceso en un procedimiento

 Los procedimientos críticos deben tener su diagrama

 Los diagramas de flujo pueden usarse con las

 Las copias controladas de estas instrucciones se

2. Teorema del límite central y distribución muestral de

Por ejemplo, sí deseamos saber el promedio de peso de

Pesar a todas y cada una de las personas, anotar y

Pesar solo una porción o subconjunto de la población

Población: Es la colección de todos los elementos

Muestra: Es una parte o subconjunto

Estadístico: Es una medición tomada en una muestra