Professional Documents
Culture Documents
de Green Belts
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
D. Distribuciones de probabilidad
4
IIIA. Análisis y documentación
del proceso
1. Modelado 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.
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.
9
Diagrama de flujo
Organizar un equipo para examinar el proceso
10
Diagrama de flujo
¿Hay complejidad innecesaria?
¿Existe duplicación o redundancia?
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
15
Símbolos de diagrama de flujo
Iniciar/Detener Transmisión
Operaciones Almacenar
(Valor agregado)
Decisión Entrada/Salida
Inspección /Medición
Retraso
Inicio Paso 1
Paso 3
18
Diagrama de flujo / Análisis del valor
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
21
Aprovecha al Equipo
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.
23
El Inicio y el Fin Se Deben Poder
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.
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!
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.
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?
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
42
Cuándo Recolectar Datos
Durante la elaboración del mapa de proceso….
44
El Mapa de Proceso “Cómo Debe Ser”
Una vez que se identifiquen las soluciones durante la
fase de MEJORA…
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
Simbología utilizada
52
Simbología utilizada
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.
56
Tips para la cadena de valor
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)
Número de operadores
58
Información para
la cadena de valor
Número de productos diferentes
Contenido de la unidad de empaque o contenedor
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
70
Instrucciones de trabajo
Las instrucciones de trabajo proporcionan los pasos
detallados de la secuencia de actividades
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
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”
81
Estadística Descriptiva
83
Estadística Descriptiva
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
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)
86
Obteniendo conclusiones válidas
Los pasos de la estadística inferencial son:
Definir el objetivo del problema en forma precisa
87
Obteniendo conclusiones válidas
Los pasos de la estadística inferencial son:
Calcular el valor del estadístico de prueba con la
información de la muestra
88
Obteniendo conclusiones válidas
Hipótesis nula a ser probada (Ho) y alterna (Ha)
89
Obteniendo conclusiones válidas
Estadístico de prueba:
Para probar la hipótesis nula sobre un parámetro
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
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
Teorema del Límite Central
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
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.
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
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
109
Probabilidad
Introducción:
Diferencia entre experimento deterministico y
aleatorio (estocastico).
112
Probabilidad histórica o frecuentista.
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
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)
4. Si B1B2…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?
117
Sea E1 el evento en el cual elegimos 1000 y E2 es el
evento en el cual elegimos un numero menor o igual a
760.
P(E1E2) =
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)
• 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:
•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
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 :
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 ) !
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
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.
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.
131
Escalas de medición
En función de la deseabilidad estadística se tiene:
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
135
Métodos de colección de datos
Incluye métodos manuales y automáticos….
Construir un formato sencillo de registro
Caliper
PASA NO PASA
ORDEN DE ENVIO
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:
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”
CTQ Proveedor/Entrada/Proceso
139
Métodos de colección de datos
Codificación de datos
Codificar al agregar o restar una constante o
140
Métodos de colección de datos
Codificación por substitución
Para una observación de 32-3/8”, 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
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.
• Se economizan recursos
• Se reduce el tiempo
• Confiabilidad
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..).
150
Estadística descriptiva
La estadística descriptiva incluye:
Medidas de tendencia central
Medidas de dispersión
Distribuciones de frecuencia y
151
Estadística descriptiva
Medidas de tendencia central
Representan las diferentes formas de caracterizar
155
Estadística descriptiva
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
Estadística descriptiva
Medidas de dispersión:
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
790 7510
s= = 12.56 s= = 38.75
5 5 157
Estadística descriptiva
Medidas de dispersión:
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
Estadística descriptiva
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
f ( x) 1
0
159
Estadística descriptiva
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
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
Diagramas de dispersión
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.
165
Métodos gráficos
Diagramas de dispersión
167
Métodos gráficos
Análisis de correlación
Busca descubrir relaciones, aplicar el sentido común
168
Métodos gráficos
Análisis de patrones y tendencias
Para visualizar el comportamiento de los datos en el
tiempo
Tendencia creciente Tendencia decreciente Corrida de proceso
169
Métodos gráficos
Análisis de patrones y tendencias
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
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
173
Métodos gráficos
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
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)
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 2. Rango R = 76 - 16 = 60
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
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
Datos:
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....
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.
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
Y 190
Formula para la distribución de
probabilidades de la tabla anterior
3 3 y
P( y ) P(Y y ) (.5) (.5) y
y
191
Requisitos para una distribución
de probabilidad discreta
1. 0 P( y ) 1
2. P( y ).
toda
y
f X ( x) P( X x)
192
Funciones de distribución acumulativa
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
194
Valor Esperado o Media de una
variable aleatoria discreta
X E ( X ) xfX ( x) xP( X x)
x x
195
Calculo de la media X para la variable de No. De defectos
4
X xP( X X )
x 0
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
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
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
C xD C nNxD n!
P( x) C
n
x!(n x)!
N x
Cn
205
Distribución hipergeométrica
La media y la varianza de la distribución
hipergeométrica son:
nD nD D N n
1
2
N N N N 1
206
Distribución hipergeométrica
Ejemplo:
De un grupo de 20 productos, 10 se seleccionan al
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
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
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
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
222
La Distribución Normal
Para la población - se incluyen TODOS los datos
Para la muestra
X
3 2 2 3
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
1. 68.26%
2. 95.44%
3. 99.97%
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.
z= x-
Proceso con media =100
y desviación estándar = 10
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:
- 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
0.8
Ejemplo
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
80 85.36
-1.42 0
Área bajo la curva normal
85.36 86 87
0 1
Área bajo la curva normal
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
251
Distribución de la Media:
X n( , / n) 2
252
Distribuciones usadas normalmente
Distribución Chi Cuadrada
y z z z .... z
2
1
2
2
2
3
2
n
253
Distribución de la varianza.
k x
1 1
f ( x) x2 e 2 , x 0.
2
k k
2
2
K=1 K=5
K=50
K=25
256
Ejemplo: Calcule el valor critico que satisface
P( X 0.05, 20 ) .05
2
0.05, 20 31.41
2
257
Resultado:
(n 1)
S
2 2
n 1
2
258
Distribución t-student
Entonces ( X ) (s / n) se distribuye
t-student con n-1 grados de libertad.
( X ) (s / n) tn1
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
263
Distribución F
F=(W/u)/(Y/v)
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.
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
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
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
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
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
Calibración
279
Definición del Sesgo o precisión
Valor
Verdadero
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
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…
%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
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.
290
Carta de tendencias de gages
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
Carta de tendencias de gages
292
Análisis de Sistemas de Medición
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.
295
Análisis de Sistemas de Medición
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
Determinación sólo
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
299
Determinación sólo
de la repetibilidad
En este ejemplo USL = 60, LSL = 5
=
P 5.32
0.097
T 55
300
Determinación sólo
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
301
Análisis de Sistemas de Medición
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.
304
Estudio de R&R – Medias Rangos
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.
307
Procedimiento para realizar un estudio de R&R
308
Procedimiento para realizar un estudio de R&R
Reproducibilidad
%R&R
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
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 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
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 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
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
315
Cálculo de R&R
El componente de varianza para repetibilidad y reproducibilidad
(R&R) se calcula combinando la varianza de cada componente.
PV = Rpart x K3 = 0.1021
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
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
320
R&R – Medias Rangos
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
R&R – Medias Rangos
Minitab : Instrucciones
322
R&R – Medias Rangos
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
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.
% 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
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)
327
R&R por ANOVA
Resultados de Minitab
Gage R&R Study - ANOVA Method
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
% 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
Análisis de Sistemas de Medición
330
Ejemplo comparación pasa no pasa
331
Ejemplo comparación pasa no pasa
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.
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
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
4. Seleccionar proveedores
345
Estudios de capacidad
LIE LSE
Especificación Especificación
inferior superior
s _
xi
X
349
Estudios de capacidad
Identificación de características:
Deben ser indicativas de un factor clave en la calidad
del producto o proceso
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
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:
355
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
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
361
Estimación de la desviación estándar
con el proceso a largo plazo
( 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.
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.
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
366
Ejemplo
Se tomaron los datos siguientes:
368
Ejemplo (cont…)
35
30
25
20
15 Frec.
10
5
0
170- 210- 250- 290- 330-
189 229 269 309 349
369
Ejemplo (cont…)
370
Ejercicio
Calcular la capacidad del proceso con la distribución de frecuencias
siguiente considerando LIE = 530 y LSE = 580:
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 *
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
Predicción
Tiempo
376
Control y Capacidad de Proceso
Control de Proceso:
Capacidad de Proceso:
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.
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
Estudios de capacidad
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
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.
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
Largo Plazo
Es el periodo de tiempo en el cual ya han ocurrido
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
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
391
Capacidad de procesos no normales
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
Lower C L 0.052120
15 Upper C L 0.642093
10
Limit
0
-2 -1 0 1 2 3 4 5
Lambda
393
Capacidad de procesos no normales
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 *
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
397
Rendimiento de la capacidad real
Recibo de partes
del proveedor
Defectos 20 10 12 4
Unidades 70 20 6 4
402
Capacidad de proceso
para datos por atributos
En este caso la capacidad del proceso es la proporción
media de producto no conforme