Resp Ejercicios Fase Medicion Bb2

RESP_EJERCICIOS FASE DE MEDICIN SEIS SIGMA BB
P. Reyes / febrero 2008
PREGUNTAS:
1.1 Introduccin
1.
Cules son los principales propsitos y entregables de la fase de medicin?

a. Determinar req. de informacin para el proyecto
Definir las Mtricas de los indicadores del Proceso
Identificar los tipos, fuentes y causas de la variacin en el proceso
Desarrollar un Plan de Recoleccin de Datos
Realizar un Anlisis del Sistema de Medicin (MSA)
Llevar a cabo la recoleccin de datos
b. Diagnstico de la situacin actual del problema
2.
Cmo se realiza un mapa detallado del proceso? Dar un ejemplo

Diagrama de flujo
Un diagrama de flujo o mapa de proceso es til para comprender el proceso.
Puede describir la secuencia del producto, contenedores, papeleo, acciones
del operador o procedimientos administrativos.
Es el paso inicial para la mejora de procesos, ya que facilita la generacin de
ideas.
Pasos para la elaboracin del Diagrama de flujo
Organizar un equipo para examinar el proceso
Construir un mapa de proceso para representar los pasos del proceso
Discutir y analizar cada paso en detalle
Preguntarse Por qu lo hacemos de esta manera?
Comparar el proceso actual a un proceso imaginario perfecto
Hay complejidad innecesaria?
Existe duplicacin o redundancia?
Hay puntos de control para evitar errores y rechazos?
Se realiza el proceso de acuerdo a como est planeado?
Puede realizarse el proceso de manera diferente?
las ideas de mejora pueden venir de procesos muy diferentes?
3.
Cmo se realiza un mapa de la cadena de valor? Dar un ejemplo

El mapa de cadena de valor se crea para identificar las actividades
involucradas en el producto. Incluye proveedores, actividades productivas y
clientes. Se consideran los criterios siguientes:
Agrega valor de acuerdo a la percepcin del cliente
No agrega valor, pero es necesaria por el proceso
No agrega valor y puede eliminarse
Pgina 1 de 60
Recolecte siempre informacin del estado actual mientras se realizan las

operaciones normales tanto en flujos de informacin como de materiales.
Inicie con una caminata rpida a travs de la cadena de valor completa

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

mapeo con los procesos que estn ms ligados directamente al cliente, el
cual debe establecer los pasos para otros procesos.
Recolecte siempre informacin del estado actual mientras se realizan las
operaciones normales tanto en flujos de informacin como de materiales.
Inicie con una caminata rpida a travs de la cadena de valor completa

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

mapeo con los procesos que estn ms ligados directamente al cliente, el
cual debe establecer los pasos para otros procesos.
Utilice el cronmetro y no dependa de tiempos estndar o informacin que

no obtenga personalmente.
Trazar uno mismo la cadena de valor completa. Entendiendo que el flujo

completo lo encierra el mapeo de la cadena de valor.
Siempre trace a mano y a lpiz. Ir al piso de produccin al realizar el anlisis

de estado actual, y afinarlo ms tarde. Se debe resistir la tentacin de usar
la computadora.
4.
Cmo se establece un plan de coleccin de datos o los pasos para lograrla?

Se establece a travs de un Diagrama de las 5Ws y 1H, para indicar los
pasos detallados.
Un plan de Recoleccin de Datos relacionada con las CTQs de inters es la

documentacin de:
o Qu informacin se va a recolectar
o Por qu se necesita
o Quin es responsable
o Cmo se va a recolectar
o Cundo se va a recolectar
o Dnde se va a recolectar
5.
Cules son las variables clave de entrada (KPIV) y salida (KPOV) de un
proceso?
Las variables KPIV son las variables clave de entrada al proceso
Las variables KPOV son las variables clave de salida del proceso, se refieren
a los CTQs
1.2 PROBABILIDAD Y ESTADISTICA

1.
Cul es la diferencia entre la estadstica descriptiva y la inferencial?
Pgina 2 de 60
La estadstica descriptiva se enfoca a los mtodos para describir de manera

simple los datos, como en las grficas. Los datos enumerativos son los que
pueden ser contados.
La estadstica inferencial se orienta a estimar los parmetros de la poblacin

en funcin de los datos obtenidos con las muestras.
2.
3.
Cul es la diferencia entre un estadstico y un parmetro?

Un estadstico se refiere a las muestras (media, desviacin estndar, etc.
indicada con letras latinas)
Un parmetro se refiere a la poblacin (media, desviacin estndar, etc.
indicada con letras griegas)
A qu se refiere el Teorema del Lmite Central?
Indica que la distribucin de las medias muestrales siguen una distribucin
normal, independientemente que la poblacin no sea normal
4. Cmo se aplica el teorema del lmite central en la evaluacin de intervalos y

cartas de control?
El IC es el intervalo en el que se encuentra el parmetro poblacional
En las cartas de control aprovecha que la distribucin de las medias es
normal, para identificar situaciones fuera de control
5. Qu es probabilidad?
Es la posibilidad de ocurrencia de un evento, toma valores entre cero y uno
6. Qu es independencia, mutuamente exclusivos, reglas de multiplicacin?
Eventos independientes: un evento que no depende de la ocurrencia de otro
comun
Eventos mutuamente exclusivos: eventos que no tienen elementos en

Regla de la adicin: P(AuB) = P(A) + P(B) P(AyC)
Regla de multiplicacin: P(AyB) = P(A) * P(C)
1.3 TIPOS DE DATOS Y RESUMEN DE DATOS

1. Cules son los datos discretos y variables?
Datos discretos: Son contables y finitos, resultado de eventos discretos
Datos variables: Son valores reales resultado de mediciones
2. Dar un ejemplo de los datos y escalas de medicin siguientes:
a. Nominales: Colores, categoras
b. Ordinales: representan un orden por ejemplo: menor, medio, mayor o 1, 2,
3, 4 y 5
c. De intervalo: tienen valores numricos pero el cero no representa
ausencia. Por ejemplo la temperatura.
d. De razn: tienen valores reales donde el cero es ausencia absoluta de
algo. Por ejemplo, la produccin de artculos, el voltaje de un equipo.
Pgina 3 de 60
3. Para que sirven las hojas de registro?

Sirven para registrar los datos colectados de mediciones, pruebas o conteos
4. Cmo se codifican los datos? Dar ejemplos:
a. Multiplicacin o divisin por una constante: 3.456, 3.458, 3.451 por 6, 8, 1
b. Suma o resta de una constante: 56, 58, 51 por 6, 8, 1
5. Describir el muestreo:
a. Aleatorio: cuando los elementos tienen la misma probabilidad de ser
seleccionados
b. Estratificado: cuando hay estratos con caractersticas especficas,
colonias, regiones, zonas, etc.
c. Sistemtico: se toma un artculo cada cierto nmero de artculos, de
manera consistente, por ejemplo muestrear un cepillo de cada 100 que se
producen-.
6. Cmo se asegura la integridad de los datos?
Evitar sesgo emocional respecto a tolerancias

Evitar redondeo innecesario
Si una caracterstica cambia con el tiempo, registrar la medicin inicial y la
posterior a la estabilizacin
Filtrar los datos para identificar y eliminar errores de captura
1.4 Estadstica descriptiva

1.
Cmo se calculan las medidas de tendencia central?

Media: promedio aritmtico de un grupo de datos
Moda: es el valor que ms se repite, puede haber varias modas
Mediana: con los nmeros ordenados de manera ascendente, es el valor
intermedio
2.
Cmo se calculan las medidas de dispersin?

Rango: es el valor mayor menos el valor menor de un grupo de datos
Varianza: es el promedio de las desviaciones al cuadrado respecto a la media
de un grupo de datos
Desviacin estndar: es la raz cuadrada de la varianza, en la distribucin
normal es la distancia que hay entre la media y el punto de inflexin de la
curva normal.
Coeficiente de variacin: es la desviacin estndar entre la media expresada
en porcentaje, sirve para comparar la variabilidad entre dos sujetos
diferentes entre si (peras con manzanas)
3.
Cul es el propsito del Diagrama de Pareto?
Pgina 4 de 60
Sirve para identificar prioridades, por medio de la ley del 80 20, el 20% de
las causas ocasionan el 80% de los problemas
4.
Cul es el propsito del Histograma / Cartas de tendencias?

Histograma: muestra la distribucin de frecuencia de un grupo de datos
Carta de tendencias: muestra el desempeo de un grupo de datos en el
tiempo
5.
Para que sirve un diagrama de dispersin?

Sirve para identificar si una variable tiene relacin con otra variables de
manera grfica
6.
Qu significa el coeficiente de correlacin y el coeficiente de determinacin

El coeficiente de correlacin, indica la fuerza de la relacin entre dos
variables.
El coeficiente de determinacin indica el porcentaje de la variacin explicada
por la ecuacin de regresin entre dos variables.
7.
Al analizar la relacin lineal entre dos variables Qu valores puede tomar el
coeficiente de correlacin y grficamente que significa?
El coeficiente de correlacin puede tomar valores entre -1 y 1 dependiendo
del
8.
Sentido de la relacin, -1 para una relacin inversamente proporcional

perfecta y +1 para una relacin directamente proporcional perfecta. Si no
hay correlacin el valor de r = 0, y conforme aumenta la correlacin, el
coeficiente tiende a +1 o a -1,
Qu caractersticas tiene la distribucin normal estndar?

a. Tiene media cero y desviacin estndar uno.
Pgina 5 de 60
b. El rea bajo la curva normal es uno

c. Su eje horizontal se mide en unidades de desviacin estndar Z.
9.
Qu representa la desviacin estndar dentro de la distribucin normal?

Representa la distancia entre la media y el punto de inflexin de la curva
normal
10.
Cmo se puede transformar o estandarizar una distribucin normal de datos
reales a la normal estndar?
Z = (X Media) / Desv. Estndar
10.
Qu caractersticas tiene un proceso normal?

a. Su distribucin tiene una forma de campana
b. Su distribucin es simtrica respecto a la media
c. Es consistente en el tiempo, con un comportamiento predecible
11.
Los costos de produccin mensual tienen una media de $410, y s = 87, Cul
es la probabilidad de que los costos se mantengan por debajo de $300?.
= distr.norm(300, 410, 87, 1) = 0.1030
16.
Qu caractersticas tiene y cual es la aplicacin de la distribucin normal de
las medias muestrales?
Las medias muestrales siguen una distribucin normal, con su desviacin estndar
muestral igual a la desviacin estndar poblacional dividido entre la raz del tamao
de muestra n.
Se utilizan para efectos de planeacin de recursos a asignar a un servicio, ya que
permiten obtener la probabilidad de que la media muestral de tamao n se
encuentre entre ciertos lmites.
1.5 Capacidad de procesos

1.
Qu es capacidad de un proceso?
Es la habilidad que tiene para cumplir especificaciones
2.
Cmo se determina la fraccin defectiva y el rendimiento de un proceso?
Pgina 6 de 60
La fraccin defectiva se determina con el rea bajo la curva que se

encuentra por debajo del lmite inferior de especificaciones (LIE), agregada al
rea que se encuentra por arriba del lmite superior de especificaciones
(LSE).
Fraccin defectiva = P(Z <= Zi) + P(Z >= Zs)
Zi = (LIE media)/ sigma
Zs = (LSE media) / sigma
El rendimiento es el complemento de la fraccin defectiva, es decir el

producto bueno.
3.
Qu significa la capacidad potencial de un proceso Cp y cmo se
determina?
Es habilidad potencial del proceso para cumplir especificaciones, compara el
rango de las especificaciones (LSE LIE) con la amplitud de la variabilidad
del proceso (6 sigmas).
Para su clculo el proceso debe estar en control estadstico, de manera que
la desviacin estndar se determina como sigue:
Sigma ST = Sigma Within = Rango medio / d2.
Cp = (LSE LIE) / (6*sigmas)
4.
Qu significa la capacidad real Cpk de un proceso y cmo se determina?

Es la habilidad real del proceso para cumplir especificaciones, toma en
cuenta el centrado de la media del proceso (Xmedia) contra la media de las
especificaciones (LSE + LIE) / 2, lo ideal es que ambas coincidan.
Tambin influye la variabilidad del proceso (sigma).
Para su clculo el proceso debe estar en control estadstico, de manera que
la desviacin estndar se determina como sigue:
Sigma = Rango medio / d2.
Cpk = menor del valor absoluto de |Zi y Zs |/ 3
Pgina 7 de 60

5.
Cmo se determina el nivel sigma (corto plazo) de un proceso en base al

rendimiento?
Con base al rendimiento a largo plazo, las sigmas del proceso son:
Sigmas = distr.norm.estand.inv(rendimiento Yrt) + 1.5
6.
Cmo se determinan los ndices de desempeo del proceso Pp y Ppk?

Para su clculo el proceso no es necesario que est en control, se pueden
tomar datos histricos, la desviacin estndar se determina como sigue:
Sigma LT = Sigma Overall = S / C4. Donde S es la desviacin estndar de los
datos y C4 es una constante determinada como C4 = 4(n-1)/ (4n 3)
El Cp = (LSE LIE) / (6* sigma LT)
El Ppk = menor |Zi; Zs| / 3
7.
con las Zs determinadas con Sigma LT
Cmo se verifica la normalidad de un proceso?

Se verifica con la Prueba de Anderson Darling o Ryan si se tienen ms de 15
datos y con la Prueba de Kolmorov Smirnov si hay menos de 15 datos en la
muestra. En ambos casos la hiptesis nula y alterna son:
Ho: Los datos siguen una distribucin normal
Ha: Los datos no siguen una distribucin normal
Si el valor P de la prueba excede el valor de alfa (normalmente de 0.05),
entonces no se rechaza Ho.
8.
Cul es la diferencia entre un ndice de capacidad del proceso y un ndice

de desempeo del proceso?
Los ndices de capacidad del proceso (Cp y Cpk), son ndices a corto plazo,
durante este tiempo se mantienen las mismas condiciones en las 6Ms
(personal, mquinas, etc.), el proceso est en control estadstico y la
desviacin estndar muestra solo la variacin aleatoria del proceso.
Los ndices de desempeo del proceso (Pp y Ppk), son ndices a largo plazo,
durante ese tiempo se asume que ya han sucedido todos los cambios
posibles de las 6Ms en el proceso. Los datos tomados, son datos histricos.
PROBLEMAS: (Utilizar Minitab versin 15 para las soluciones)

1. Qu porcentaje del rea bajo la curva normal estndar est incluido
dentro de los siguientes rangos?
En Minitab, cargar en C1 los valores de Z siguientes:

1.1, 2.5, -1.6, -0.9, -1.8, 2.9, -2.7, -3, -2.9, 0.1, 2.6
Calc > Probability distributions > Normal > Cumulative probability
Mean 0.0 Standar deviation 1
Input column C1
Pgina 8 de 60
Optional Storage C2 (resultados para copiar a Excel)

OK
Con Excel utilizar =DISTR.NORM.ESTAND(Z)
a) P(1.1 <= Z <= 2.5) = 0.1294

Hacer una resta de P(Z<2.5) menos P(Z<1.1)
b) P(-1.6 <= Z <= -0.9) = 0.1292

Hacer una resta
c) P( -1.8 <= Z <= 2.9) = 0.9622

Hacer una resta
d) P( Z >= 2.7) =0.00346697

Directa con P(Z< - 2.7) o restar a 1 la P(Z<=2.7)
e) P( Z<-3) + P(Z>2.9) =0.003215

Sumar P(Z<-3) y P(Z< - 2.9) o [1 P(Z<2.9]
f) P(0.1 <= Z <= 2.9) =0.458306

Hacer una resta
g) P(Z>= 1.6) = 0.054799

Directa con P(Z< - 1.6) o restar a uno la P(Z<=1.6)
2. Porcentaje del rea bajo la curva normal:

Una mquina envasadora de refresco se ajusta para servir 10 onzas de lquido por
vaso, si la desviacin estndar es de 0.12 onzas. Cul es la probabilidad o
porcentaje de las veces de que la mquina sirva:
En Minitab, cargar en C1 los valores de X siguientes:

10.1, 10.2, 9.8, 9.7, 9.9
Mean 10 Standar deviation 0.12
Optional storage C2
Input column C1
Pgina 9 de 60
OK
1)
Con Excel utilizar =DISTR.NORM(X, 10, 0.12,
a. 10.1 onzas o ms?

P = 0.2023
Restar a uno la P(X<=10.1)
b. Entre 10.1 y 10.2 onzas? P =0.1545

Hacer una resta
c. Entre 9.8 y 10.2 onzas?

Hacer una resta
d. Menos de 9.8 onzas?

Directa
e. Entre 9.7 y 9.9 onzas?

Hacer una resta
P =0.9044
P =0.0477
P = 0.1961
3. Media muestral dentro de la distribucin normal La distancia recorridas en

kilmetros por camioneros tiene una media de 8,500 y desv. Estndar de 1,950. Si
se toma una muestra de n = 40 conductores, Cul es la probabilidad de que la
media de la muestra tomada sea:?
En Minitab, cargar en C1 los valores de X siguientes:

8 900, 8 000, 8 200, 8 870, 8 100, 8 400
Mean 8500 Standar deviation 308.32 ( = 1950/raiz(40)
Input column C1
OK
Con Excel utilizar =DISTR.NORM(X, 8500, 1950 / raiz(40), 1)
a) > 8,900;
0.097
b) < 8,000
0.05
Pgina 10 de 60
c) entre 8,200 y 8,870 0.71
d) entre 8,100 y 8,400 0.27
4. Determinar las siguientes estadsticas bsicas con los siguientes datos:

La cantidad de ingrediente en una bebida carbonatada llenada por dos mquinas
diferentes 1 y 2 se muestran a continuacin:
La primera tabla muestra las dos mquinas combinadas, la segunda tabla muestra
la cantidad de ingrediente de la mquina 1 y la tercera tabla muestra la cantidad de
ingrediente de la mquina 2.
No
.
Cant_ingredie
nte
Maquin
a
No
.
24
14
18
27
17
32
31
27
21
27
24
21
24
26
31
34
28
32
24
16
17
22
37
36
21
16
17
22
34
20
2
1
1
2
2
2
2
2
2
1
1
2
1
2
2
2
1
2
2
2
1
1
2
2
1
1
1
1
2
2
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
23
24
25
26
27
28
29
30
31
3
10
11
13
17
21
23
26
27
28
29
33
34
35
36
38
39
40
43
44
45
46
47
48
49
Cant_ingr_
M1
14
18
27
24
24
28
17
22
21
16
17
22
16
16
18
30
16
14
15
17
20
20
25
15
16
15
Pgina 11 de 60
No.
1
4
5
6
7
8
9
12
14
15
16
18
19
20
24
25
30
31
32
37
41
42
50
Cant_ingr_
M2
24
27
17
32
31
27
21
21
26
31
34
32
24
16
37
36
34
20
19
21
14
14
19
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
19
16
16
18
30
21
16
14
15
14
14
17
20
20
25
15
16
15
19
2
1
1
1
1
2
1
1
1
2
2
1
1
1
1
1
1
1
2
Tomando los datos de cantidad de ingrediente en general y tomndolos para cada

una de las mquinas por separado, determinar lo siguiente:
a) Determinar la media, moda, mediana, varianza, desv. Estndar, Q1, Q2, Q3 y
Coeficiente de variacin para las dos mquinas en conjunto:
En Minitab:
Stat > Basic Statistics > Display Descriptive statistics
Variables Cant_ingrediente
Statistics: seleccionar Mode y Coefficient of variation
Graphs: seleccionar Histogram of data y Box Plot
OK
Resultados =
Descriptive Statistics: Cant_ingrediente

Variable
Cant_ingrediente
N
49
N*
0
Mean
22.041
SE Mean
0.939
StDev
6.570
Variable
Cant_ingrediente
Median
21.000
Q3
27.000
Maximum
37.000
Mode
16
CV = Desviacin estndar / Media = 29.81
Pgina 12 de 60
CoefVar
29.81
N for
Mode
6
Minimum
14.000
Q1
16.000
Histogram of Cant_ ingrediente

14
12
Frequency
10
8
6
4
2
0
15
20
25
30
Cant_ ingrediente
Boxplot of Cant_ ingrediente

40
Cant_ ingrediente
35
30
25
20
15
Pgina 13 de 60
35
b) Determinar la media, moda, mediana, varianza, desv. Estndar, Q1, Q2, Q3 y

Coeficiente de variacin para cada una de las mquinas por separado:
En Minitab:
Stat > Basic Statistics > Display Descriptive statistics
Variables Cant_ingrediente
By Variable Maquina
Statistics: seleccionar Mode y Coefficient of variation
Graphs: seleccionar Histogram of data y Box Plot
OK
Descriptive Statistics: Cant_ingrediente
Variable
Cant_ingrediente
Maquina
1
2
N
26
23
N*
0
0
Mean
19.346
25.09
SE Mean
0.903
1.50
StDev
4.604
7.20
CoefVar
23.80
28.69
Variable
Cant_ingrediente
Maquina
1
2
Q1
16.000
19.00
Median
17.500
24.00
Q3
22.500
32.00
Maximum
30.000
37.00
Mode
16
21
Histogram of Cant_ ingrediente by Maquina

15
20
25
30
10
Frequency
8
6
4
2
0
15
20
25
30
35
Cant_ ingrediente
Panel variable: Maquina
Boxplot of Cant_ ingrediente

40
Cant_ ingrediente
35
30
25
20
15
1
2
Maquina
Pgina 14 de 60
35
Minimum
14.000
14.00
N for
Mode
5
3
c) Hacer una prueba de normalidad para los datos de ambas mquinas y para una
por separado, observar el P value (si es mayor a 0.05 los datos son normales) y
concluir
Para los datos totales:

En Minitab:
Stat > Basic Statistics > Normality Test
Variables Cantidad_ingrediente
Anderson Darling
OK
NOTA: SI EL NMERO DE DATOS ES MAYOR A 15 USAR LA PRUEBA DE
ANDERSON DARLING
SI ES MENOR USAR LA PRUEBA DE KOLMOGOROV SMIRNOF
SI EL P VALUE ES MAYOR A 0.05 LOS DATOS SE DISTRIBUYEN
NORMALMENTE
Probability Plot of Cant_ ingrediente

Normal
99
Mean
StDev
N
AD
P-Value
95
90
22.04
6.570
49
1.301
<0.005
Percent
80
70
60
50
40
30
20
10
5
10
15
20
25
Cant_ ingrediente
30
35
40
P value < 0.05 por tanto los datos no siguen una distribucin normal
Pgina 15 de 60
Para los datos tomados de cada una de las mquinas:

En Minitab:
Variables Cant_ingr_M1 y despus Cant_ingr_M2
Anderson Darling
OK
Para la mquina 1:
Probability Plot of Cant_ ingr_ M1
Normal
99
Mean
StDev
N
AD
P-Value
95
90
19.35
4.604
26
1.036
0.008
Percent
80
70
60
50
40
30
20
10
5
10
15
20
Cant_ ingr_ M1
25
30
P value < 0.05 por tanto los datos no siguen una distribucin normal
Para la mquina 2:
Probability Plot of Cant_ ingr_ M2
Normal
99
Mean
StDev
N
AD
P-Value
95
90
25.09
7.198
23
0.424
0.293
Percent
80
70
60
50
40
30
20
10
5
10
15
20
25
30
Cant_ ingr_ M2
35
40
45
P value > 0.05 por tanto los datos siguen una distribucin normal
Pgina 16 de 60
d) Para la mquina 2, si los lmites de especificacin son LIE = 12 y LSE = 38

determinar la capacidad del proceso total en fraccin defectiva (Within), Cp y Cpk.
En Minitab:
Stat > Quality tools > Capability analysis > Normal
Data is arranged as a single column: Cant_ingr_M2
Subgroup size 1
Lower spec 12 Upper spec 38
Estimate: Methods of estimate sigma R-Bar
seleccionar Use unbiased constants to calculate Overall estndar
dev.
OK OK
Process Capability of Cant_ ingr_ M2
LSL
USL
Within
Overall
Process Data
LSL
12
Target
*
USL
38
Sample Mean
25.087
Sample N
23
StDev(Within) 4.95648
StDev(Overall) 7.28017
Potential (Within) Capability

Cp
0.87
CPL 0.88
CPU 0.87
Cpk 0.87
Overall Capability
Pp
PPL
PPU
Ppk
Cpm
10
Observed Performance
PPM < LSL 0.00
PPM > USL 0.00
PPM Total
0.00
15
20
Exp. Within Performance

PPM < LSL 4140.74
PPM > USL 4589.89
PPM Total
8730.63
25
30
35
0.60
0.60
0.59
0.59
*
40
Exp. Overall Performance

PPM < LSL 36118.84
PPM > USL 38054.02
PPM Total
74172.86
Fraccin defectiva = 8,730 ppm

Desviacin estndar Within 4.95648
El Cpk debe ser mayor a 1.33, por tanto el proceso no es hbil
Pgina 17 de 60
Cp = 0.87
Cpk = 0.87
Con Options: Percents y Benchmarks Zs se tiene:
Process Capability of Cant_ ingr_ M2

LSL
USL
Within
Overall
Process Data
LSL
12
Target
*
USL
38
Sample Mean
25.087
Sample N
23

Z.Bench 2.38
Z.LSL
2.64
Z.USL
2.61
Cpk
0.87
Overall Capability
Z.Bench
Z.LSL
Z.USL
Ppk
Cpm
10
% < LSL 0.00
% > USL 0.00
% Total
0.00
15
20

% < LSL 0.41
% > USL 0.46
% Total
0.87
25
30
35
1.45
1.80
1.77
0.59
*
40

% < LSL 3.61
% > USL 3.81
% Total
7.42
Mtodo Manual:
Paso 1. Se obtiene la carta I-MR para determinar la media y el rango medio:
Nota: Quitar los asteriscos en la columna de la mquina 2
Stat > Control Charts > Variable chart for individuals

Variable Cant_ingr_m2
OK
I-MR Chart of Cant_ ingr_ M2
I ndividual Value
40
UCL=39.96
30
_
X=25.09
20
LCL=10.22
10
1
11
13
Observation
15
17
19
21
23
Moving Range
20
UCL=18.27
15
10
__
MR=5.59
5
0
LCL=0
1
11
13
Observation
15
Pgina 18 de 60
17
19
21
23
De la carta anterior se obtiene: Xm = Media = 25.09; Rango medio = Rm =

5.59
Paso 2. Calcular la desviacin estndar Within o Sigma a corto plazo st (cuando
no se presenta ningn cambio en las 6M mquina, personal, materiales, etc.)
= Rm / d2
En este caso d2 = 1.128 una constante de Shewhart
= 5.59 / 1.128 = 4.9556

Paso 3. Calcular las Zs correspondientes a cada uno de los lmites de especificacin
LIE, LSE:
Zs = (LSE Xm) / Sigma = (38-25.09)/4.9556 = 2.605
Zi = (LIE Xm) / Sigma = (12 -25.09) / 4.9556 = - -2.64
FRACCIN DEFECTIVA A CORTO PLAZO

Paso 4. Clculo de la fraccin defectiva = 1 Rendimiento
El rea bajo la curva dentro de especificaciones equivale al rea de la curva normal
entre Zi = -2.64 y Zs = 2.605
P(-2.64 <Z < 2.605) = distr.norm.estand(2.605) distr.norm.estand(-2.64) =

=
0.99540629
0.0041453
=
= 0.991255
Por tanto el rendimiento del proceso es 99.1255% y la fraccin defectiva es igual a:
Fraccin defectiva = 1 0.991255 = 0.008 745
O sea 0.8745% = 8,745 ppm fuera de especificaciones
CAPACIDAD DEL PROCESO A CORTO PLAZO SIN CAMBIOS EN

6Ms
Paso 5. Clculo del Cp y del Cpk (ambos deben ser mayores a 1.33 para que el
proceso sea capaz o hbil para cumplir especificaciones)
Cp = (LSE LIE) / (6*sigma) = (38 12) / (6*4.9556) = 0.8744
Cpk = Menor en valor absoluto de las dos Zs, Zs y Zi, dividida entre 3.
En este caso la Zs = 2.605 es menor, por tanto:
Cpk = 2.605 / 3 = 0.868
Por tanto el proceso no tiene habilidad para cumplir especificaciones
Pgina 19 de 60
DETERMINACIN DEL DESEMPEO DEL PROCESO A LARGO

PLAZO, CUANDO YA OCURRIERON TODOS LOS CAMBIOS
POSIBLES EN EL PROCESO (6Ms)
Paso 6. Clculo de la Sigma de largo plazo Sigma Overall = lt
Sigma Overall = lt = S / C4
S es la desviacin estndar de todos los datos de la muestra, se determina
en Excel con =desvest(Cant_ingred_M2) = 7.2
C4 = 4(n 1) / (4n 3) = 4(23 1) / (4*23 3) = 88 / 89 = 0.98876
Sigma Overall = lt = S / C4 = 7.20 / 0.98876 = 7.2818
Paso 7. Calcular las Zs correspondientes a cada uno de los lmites de especificacin
LIE, LSE:
Zs = (LSE Xm) / Sigma = (38-25.09)/ 7.2818 = 1.7729
Zi = (LIE Xm) / Sigma = (12 -25.09) / 7.2818 = - 1.7976
FRACCIN DEFECTIVA A LARGO PLAZO

Paso 8. Clculo de la fraccin defectiva = 1 Rendimiento
El rea bajo la curva dentro de especificaciones equivale al rea de la curva normal
entre Zi = -1.7976 y Zs = 1.7729
P(-1.7976 <Z < 1.7729) = distr.norm.estand(1.7729) distr.norm.estand(1.7976) =

= 0.96187736
0.03612021 =
= 0.92575715
Por tanto el rendimiento del proceso es 92.57515% y la fraccin defectiva es igual
a:
Fraccin defectiva = 1 0.9257515 = 0.074 243
O sea 7.42% = 74 243 ppm fuera de especificaciones
DESEMPEO DEL PROCESO A LARGO PLAZO CON TODOS LOS

CAMBIOS EN LAS 6Ms
Paso 9. Clculo del Cp y del Cpk (ambos deben ser mayores a 1.33 para que el
proceso sea capaz o hbil para cumplir especificaciones)
Pp = (LSE LIE) / (6*sigma) = (38 12) / (6*7.2818) = 0.5950
Pgina 20 de 60
Ppk = Menor en valor absoluto de las dos Zs, Zs y Zi, dividida entre 3.
En este caso la Zs = 1.7729 es menor, por tanto:
Ppk = 1.7729 / 3 = 0.5909
Por tanto el proceso no tiene el desempeo suficiente para cumplir
especificaciones.
Paso 10. Capacidad del proceso en sigmas:
El rendimiento a largo plazo fue de: Yrt = 0.925751
Se calculan como: Sigmas del proceso = distr.norm.estand.inv(Yrt) + 1.5 =
Sigmas del proceso = distr.norm.estand.inv(0.925751) + 1.5
Sigmas del proceso = 2.4448 sigmas
Capacidad en sigmas
5. Si un proceso genera un 1% de cable defectivo que se convierte en desperdicio,
con una oportunidad para defecto Qu valores tendran los trminos siguientes Yrt,
sigmas del proceso y ppm?
Yrt =100 1 = 99%
Sigmas = 3.82
ppm = 10,000 ppm
6. Cuantas sigmas de capacidad tiene un proceso que en cada lote de 10,000

metros produce 40 m defectuosos?
Yrt = (10000-40)/10000=0.996 =99.6%
ppm
Sigmas = 4.15
ppm = 4,000
7. De cuntas a cuantas sigmas mejora la capacidad de un proceso que tiene un

rendimiento inicial de 84% y un rendimiento final del 95%?
Sigmas al 84% =2.636
Sigmas al 95% =3.144
8. Para un cierto tipo de productos se tiene una capacidad de proceso de 3.4

sigmas, quiere decir que por cada 1,000 productos habr X productos defectuosos,
determinar el valor de X.
a. 140
b. 280
c. 48
d. 29
=1000 * (1 - distr.norm.estand(3.4 - 1.5)) = 28.71 en Excel
9. De cuantas a cuantas Sigmas cambia un proceso que antes de la mejora tiene

un rendimiento de 93.3% a un rendimiento de 99.38% despus de un proyecto de
mejora?
a. 2 a 2.8
b. 3 a 4 =distr.norm.estand.inv(0.9330) + 1.5) a
( =distr.norm.estand.inv(0.9938) + 1.5)
2.9985
4.0000
c. 3 a 3.4
d. 4 a 4.8
Pgina 21 de 60
10.
De acuerdo a los datos encontrados en un proceso de servicios de
reconexin, se desea determinar el nivel en sigmas del proceso y su capacidad con
los datos siguientes:
Mtodo A:
Producto
Unidades
Defectos
Oportunidades
Mtodo B:
Media
Desv.
Estandar
Lim. Sup.
Espec.
Lim. Inf. Esp.
Juguetes
1,000
60
10
a) Total de oportunidades =
b) DPO's =
c) DPMO's =
d) Rendimiento Yrt =
e) Capacidad en sigmas =
25 a) Zi = -2.7
10,000
0.006
6,000
0.994
4.01
Zs = 2.9
5 b) Yrt = P(Zi <= Z <= Zs) =
0.944667
39.5 c) DPO's y DPMO's =

11.5 d) Capacidad en Sigmas =
0.055333
4.05
11.
En el departamento de compras se realizan 800 pedidos, cada uno tiene 20
CTQ, los pedidos sin errores son 700:
a) Determinar el rendimiento del proceso = Yrt = 700 / 800 = 0.875
b) Determinar la tasa de errores = (800 700) / 800 = 0.125
c) Determinar la tasa de defectos por cada CTQ = DPO = (b) / 20 = 0.006 250
d) Determinar los Defectos por Milln de Oportunidades = DPO x 1000,000 = 6 250
e) Determinar capacidad de proceso en Z sigmas=distr.norm.estand(Yrt)+1.5 =2.65
12. Problemas de probabilidad

a) Se va a seleccionar una muestra de 5 personas en un grupo de 20 personas de
diferentes reas, cuntas formas diferentes de hacerlo hay si importa el orden y si
no importa el orden?
=permutaciones(20, 5)
=combinat(20, 5)
i. Si importa el orden = 1,860,480
No importa = 15,504
b) Un proceso de servicios tiene 5% de servicios no conformes. Cul es la

probabilidad de encontrar 2 o ms servicios no conformes en una muestra de 50
servicios usando la distribucin binomial y de poisson?
Excel : =1 - distr.binom(1, 50, 0.05, 1)
=1- poisson(1, 2.5, 1
Pgina 22 de 60
I. P(X >= 2) = 0.72056
ii. P(X >=2 ) = 0.71270
En Minitab: Calc > Probability distributions > Binomial > Cumulative prob.
Number of trials 50 Probability of success 0.05 Input constant 1
Probabilidad = 1 Resultado = 1 - 0.279432 = 0.72056
En Minitab: Calc > Probability distributions > Poisson > Cumulative prob.
Mean 50*0.05 = 2.5 Input constant 1
Probabilidad = 1 Resultado = 1 - 0.287297 = 0.71270
c) Se va a seleccionar una muestra aleatoria de 3 artculos de una muestra de 25
artculos, se sabe que hay 5 defectuosos. Cul es la probabilidad Hipergeomtrica
de que la muestra tenga 1 o ms artculos defectuosos?
En Excel
=1- distr.hipergeom(0, 3, 5, 25)
i. P(X >= 1) =0.50434783
En Minitab: Calc > Probability distributions > Hypergeometric > Cumulative prob.
Population Size (N) 25 Success in population (X) 5 Sample size (n) 3
Input constant 0
Probabilidad = 1 Resultado =0.495652
d) Un proceso de llegadas de autos sigue una distribucin exponencial con media

de 3 minutos. Cul es la probabilidad de que un coche llegue a lo ms a 1 minuto?
En Excel
=distr.exp(1, 3, 1)
i. P(X<=1) = 0.95021293
En Minitab: Calc > Probability distributions > Exponential > Cumulative prob.
Mean 3 Input constant 1
P(X<=1) = 0.283469
e) Una persona tarda en llegar a su hogar con una distribucin uniforme entre 90 y
140 minutos mximo, cul es la probabilidad de que llegue entre los 100 y 105
minutos.
En Minitab: Calc > Probability distributions > Uniform distribution > Cumulative
prob.
Lower endpoint 90 Upper endpoint 140
Input column (columna de datos con
100 y 105) o dos veces input constant con 100 y 105.
Continuous uniform on 90 to 140
x
100
105
P( X <= x )
0.2
0.3
i. P(100 <= X <= 105) = 0.3 0.2 = 0.1
Pgina 23 de 60
13. Condiciones para hacer un estudio R&R:

a. El equipo debe estar calibrado
b. El operador debe ser competente para realizar las mediciones
c. Las partes a medir deben ser seleccionadas para representar el 80% de la
variacin total del proceso
d. La resolucin del equipo debe ser al menos 10% de la tolerancia
14. Cmo se definen los errores de Sesgo o Exactitud, Reproducibilidad, Precisin o
Repetibilidad, R&R?
a. Sesgo o exactitud: Diferencia de media de mediciones de un patrn contra
el patrn
b. Reproducibilidad: amplitud de la variabilidad de las mediciones repetidas
en las mismas condiciones de parte, operador y condiciones ambientales y de
medicin
c. Repetibilidad: diferencia entre las medias de las mediciones que realizan
diferentes operadores, tomar la mayor y la menor.
d. Repetibilidad y reproducibilidad error combiando de repetibilidad y de
reproducibilidad
e. Mximo error de R&R permisible 10% en caractersticas crticas y hasta
30% en caractersticas no crticas
15. Para el caso de R&R por atributos con pruebas comparativas, de apreciacin de
varios operadores, el error mximo aceptable como porcentaje de coincidencias
contra un experto es de: 10% de error mximo de no concordancia de criterios
16. Estudios de R&R: Utilizando las mediciones siguientes resultados de un
estudio de Repetibilidad y reproducibilidad en un equipo de medicin con tres
operadores haciendo dos mediciones cada uno en 10 partes diferentes realizar un
estudio R&R:
Parte
1
1
2
2
3
3
4
4
5
5
6
6
7
7
8
Operador
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
Medicin
157.5
150.0
180.0
172.5
150.0
157.5
202.5
202.5
142.5
135.0
172.5
157.5
165.0
157.5
142.5
Pgina 24 de 60
8
9
9
10
10
1
1
2
2
3
3
4
4
5
5
6
6
7
7
8
8
9
9
10
10
1
1
2
2
3
3
4
4
5
5
6
6
7
7
8
8
9
9
10
10
1
1
1
1
1
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
127.5
180.0
172.5
187.5
172.5
150.0
150.0
180.0
180.0
142.5
157.5
210.0
195.0
142.5
135.0
180.0
157.5
165.0
180.0
135.0
150.0
187.5
172.5
195.0
187.5
142.5
157.5
172.5
180.0
150.0
165.0
202.5
210.0
135.0
157.5
172.5
165.0
165.0
150.0
142.5
135.0
180.0
180.0
180.0
187.5
a) Cules son las condiciones previas para hacer un estudio R&R?
Pgina 25 de 60
1. Equipo calibrado
2. Operadores entrenados
3. Partes seleccionadas a representar al menos el 80% de la variacin total
b) Obtener una grfica de mediciones individuales por cada operador y parte.
En Minitab:
Stat > Quality tools > Gage study > Gage Run Chart
Seleccionar columnas de Parte Operador Medicin OK
Gage Run Chart of Medicin by Parte, Operador
Reported by:
Tolerance:
Misc:
Gage name:
Date of study:
5
200
180
Medicin
Mean
Operador
1
2
3
160
140
6
10
200
180
Mean
160
140
Operador
Panel variable: Parte
Hacer comentarios: Las mediciones de los operadores son similares

b) Obtener e Interpretar los resultados del estudio R&R siguientes:
Con Minitab:
Stat > Quality tools > Gage study > Gage R&R Study (Crossed)
Seleccionar columnas de Parte Operador Medicin
Seleccionar Method of Analysis ANOVA
Options: Study variation 5.15 Process tolerance 450 (de LSE =
487.5 LIE = 37.5) OK
Pgina 26 de 60
Gage R&R (ANOVA) for Medicin

Reported by:
Tolerance:
Misc:
Gage name:
Date of study:
Components of Variation
Medicin by Parte
100
% Contribution
210
Percent
% Study Var
% Tolerance
180
50
150
0
Gage R&R
Repeat
Reprod
Part-to-Part
R Chart by Operador
Sample Range
30
10
Medicin by Operador
UCL=33.49
210
180
15
_
R=10.25
150
LCL=0
2
Operador
Xbar Chart by Operador

1
Operador * Parte I nteraction
200
Operador
200
UCL=185.40
_
_
X=166.13
175
150
Average
Sample Mean
5
6
Parte
1
2
175
150
LCL=146.85
1
5
6
Parte
10
Es adecuada la Carta R?: SI

Debido a que: Todos los puntos estn dentro de los lmites de control. Los puntos
muestran el rango en las mediciones, por los intentos que los tres operadores
realizaron en cada parte.
d) Es adecuada la Carta X es?: NO
Debido a que: No se sale al menos el 50% de los puntos fuera de control, por
tanto el proceso no discrimina a las diferentes partes
e) Hay interaccin significativa entre operador y partes No, porque las lneas son
paralelas para los tres operadores
Two-Way ANOVA Table With Interaction

Source
Parte
Operador
Parte * Operador
Repeatability
Total
DF
9
2
18
30
59
SS
22864.7
118.1
538.1
2109.4
25630.3
MS
2540.52
59.06
29.90
70.31
F
84.9791
1.9756
0.4252
P
0.000
0.168
0.970
Pvalue de Parte*Operador = 0.970

es menor a alfa de 0.05? NO
Por tanto: NO HAY INTERACCIN ENTRE PARTES Y OPERADORES
Source
Total Gage R&R
Repeatability
Reproducibility
Operador
Part-To-Part
Total Variation
StdDev (SD)
7.4399
7.4267
0.4419
0.4419
20.3526
21.6698
Study Var %Study Var %Tolerance

(5.15 * SD)
(%SV) (SV/Toler)
38.315
34.33
8.51
38.248
34.27
8.50
2.276
2.04
0.51
2.276
2.04
0.51
104.816
93.92
23.29
111.599
100.00
24.80
Pgina 27 de 60
f) % de Repetibilidad vs Tolerancia =
8.51%
g) % de Reproducibilidad vs Tolerancia= 0.51%

Toler)
h) % R&R vs Tolerancia =
(Columna de %Tolerance / SV Toler)

(Columna de %Tolerance / SV
8.51% (Columna de %Tolerance SV/Toler)
i) Sacar conclusiones sobre la capacidad del sistema de medicin si es para

liberacin del producto y en donde se deben tomar acciones de mejora de
capacidad del sistema de medicin: Observar porcentajes vs tolerancia:
Su error R&R es menor del 10%, por lo que el sistema es adecuado para liberar
producto terminado contra especficaciones
j) Es adecuado el nmero de categoras que identifica el sistema de medicin?
Categories (debe ser mayor a 4)
Number of Distinct Categories = 3
No es adecuada, mnimo deben ser 4
17. Interpretar los resultados del siguiente estudio R&R:
a) Es adecuada la Carta R?: SI

Debido a que: Todos los puntos se encuentran en control
b) Es adecuada la Carta X es?: SI
Debido a que: Tiene ms del 50% de los puntos fuera de control, indicacin de
que si discrimina las partes diferentes que se le presentaron
Study Var %Study Var %Tolerance
Source
StdDev (SD) (5.15 * SD)
(%SV) (SV/Toler)
Total Gage R&R
0.045650
0.235099
25.16
19.59
Pgina 28 de 60

Repeatability
Reproducibility
Part-To-Part
Total Variation
0.033983
0.030481
0.175577
0.181414
c) % de Repetibilidad vs Tolerancia =
Toler)
0.175015
0.156975
0.904219
0.934282
14.58%
19.59%
18.73
16.80
96.78
100.00
14.58
13.08
75.35
77.86
d) % de Reproducibilidad vs Tolerancia= 13.08%

Toler)
e) % R&R vs Tolerancia =
(Columna de %Tolerance SV/Toler)
f) Sacar conclusiones sobre la capacidad del sistema de medicin si es para

liberacin del producto y en donde se deben tomar acciones de mejora de
capacidad del sistema de medicin: Observar porcentajes vs tolerancia: No es
adecuado el sistema de medicin ya que su R&R supera al 10% mximo permitido
g) Es adecuado el nmero de categoras que identifica el sistema de medicin?
Categories (debe ser mayor a 4)
Categoras 4
Si es adecuado
Pgina 29 de 60
18. Carta de lecturas individuales I-MR y capacidad del proceso: considerar

los siguientes datos de y analizar la carta I-MR y una EWMA:
%_CO2
9.45
7.99
17.00
11.66
12.16
10.18
8.04
11.46
9.2
10.34
9.03
11.47
10.51
9.4
10.08
9.37
10.62
10.31
8.52
10.84
10.9
9.33
12.29
11.5
10.6
11.08
10.38
11.62
11.31
10.52
a) Construir una carta I-MR
Stat > Control Charts > Variable charts for individuals > I MR
Variable %_CO2
OK
Pgina 30 de 60
I-MR Chart of % _ CO2
I ndividual Value
18
UCL=15.15
15
12
_
X=10.57
9
6
LCL=5.99
1
10
13
16
Observation
19
22
25
28
Moving Range
8
6
UCL=5.63
4
__
MR=1.72
2
0
LCL=0
1
10
13
16
Observation
Est el proceso en control estadstico? ___ Si
19
22
25
28
X No
b) Si no est en control, asumir que se pueden identificar las causas asignables,

Asumir que se pueden identificar las causas especiales y que se toman acciones
para prevenir su recurrencia, eliminar los puntos que salen de control y recalcular
los lmites de control y obtener otra vez la carta I-MR.
I-MR Chart of % _ CO2

UCL=14.078
I ndividual Value
14
12
_
X=10.350
10
8
LCL=6.622
6
1
10
13
16
Observation
19
22
25
28
UCL=4.580
Moving Range
4
3
2
__
MR=1.402
1
0
LCL=0
1
10
13
16
Observation
19
Pgina 31 de 60
22
25
28
c) Determinar los lmites de tolerancia natural del proceso con:

Desviacin estndar = Sigma = Rmedio / d2 con d2 = 1.128
Desviacin estndar = 1.402 / 1.128 = 1.243
LTNI = Media - 3*sigma = 10.35 + 3 * 1.243 = 14.079
LTNS = Media + 3*sigma = 10.35 3 * 1.243 = 6.621
d) Con lmites de especificacin de LIE = 8 y LSE = 16 para la caracterstica
seleccionada determinar la capacidad del proceso y contestar las preguntas
siguientes:
En Minitab:
Data is arranged as a single column: %_CO2
Subgroup size 1
Estimate: Methods of estimate sigma R-Bar
Seleccionar Use unbiased constants to calculate overall std. deviation
Options: Display Percents o Parts per million
/ Capability Stat Cp,
Cpk
o Benchmark Zs
OK OK
Process Capability of % _ CO2
LSL
USL
Within
Overall
Process Data
LSL
8
Target
*
USL
16
Sample Mean
10.3503
Sample N
29

Cp
1.07
CPL 0.63
CPU 1.52
Cpk 0.63
Overall Capability
Pp
PPL
PPU
Ppk
Cpm
7.5
PPM < LSL 34482.76
PPM > USL
0.00
PPM Total
34482.76
9.0
10.5

PPM < LSL 29292.55
PPM > USL
2.73
PPM Total
29295.28
12.0
13.5

PPM < LSL 22066.24
PPM > USL
0.65
PPM Total
22066.89
Pgina 32 de 60
15.0
1.14
0.67
1.61
0.67
*
e) Cul es el valor de la fraccin defectiva total fuera de especificaciones (Exp.

Within performance - % Total )? 29 295.28 ppm
f) Cul es el valor del Cp? 1.07
g) Cul es el valor del Cpk?
Es potencialmente hbil el proceso? No ref. 1.33
0.63
Es realmente hbil el proceso? No, min. 1.33
h) Qu recomendara para mejora capacidad del proceso?.
19. Un proceso con los datos del archivo Tiles.mtw de Minitab, mostrado en forma
parcial abajo, tiene lmites de especificacin LIE = 0 y LSE = 8, determinar lo
siguiente (utilizando Minitab):
Datos
1.60103
0.84326
3.00679
1.29923
2.24237
2.63579
0.34093
6.96534
3.46645
1.41079
Etc.
a) Prueba de normalidad
En Minitab:
File > Open worksheet > Data > Tiles.mtw
Variables Warping
Anderson Darling
OK
Pgina 33 de 60
Probability Plot of Warping

Normal
99.9
Mean
StDev
N
AD
P-Value
99
95
90
2.923
1.786
100
1.028
0.010
Percent
80
70
60
50
40
30
20
10
5
1
0.1
-4
-2
2
4
Warping
10
Como el P value es menor a 0.05, los datos no siguen una distribucin

normal
b) Determinar la capacidad del proceso no normal con la distribucin sesgada a la
derecha de Weibull.
En Minitab:
Stat > Quality tools > Capability analysis > Nonnormal (Weibull)
Single column: Datos
OK
Pgina 34 de 60
Process Capability of Warping

Calculations Based on Weibull Distribution Model
LSL
USL
Process Data
LSL
0
Target
*
USL
8
Sample Mean 2.92307
Sample N
100
Shape
1.69368
Scale
3.27812
Overall Capability
Pp
0.81
PPL
1.03
PPU
0.73
Ppk
0.73
PPM < LSL
0.00
PPM > USL 10764.54
PPM Total 10764.54
PPM < LSL
0.00
PPM > USL 20000.00
PPM Total
20000.00
0.0
1.5
3.0
4.5
6.0
7.5
De la figura, la distribucin de Weibull ajusta a la distribucin de los datos

PPMs =
10 764
Ppk = 0.73 El proceso tiene un desempeo inadecuado versus especificaciones

c) Transformar los datos con el Best Value de Lambda para la transformacin de Box
Cox Lambda =
En Minitab:
Stat > Control Charts > Box Cox transformation
All observations for a chart are in one column Warping
Subgroup sizes 1
Options: Store transformed data in C2
OK
Pgina 35 de 60
Box-Cox Plot of Warping

Lower CL
Upper CL
Lambda
20
(using 95.0% confidence)
StDev
15
Estimate
0.35
Lower CL
Upper CL
0.05
0.64
Rounded Value
0.50
10
5
Limit
0
-2
-1
1
2
Lambda
NOTA: En la grfica, el exponente al que hay que elevar los datos es Lamda=
rounded value
Los datos transformados que equivale a elevar los datos originales a la Lambda =
0.5 se muestran parcialmente a continuacin:
C2
1.26531814
0.91829189
1.7340098
1.13983771
1.49745451
1.62351163
0.58389211
2.63919306
1.86184049
1.18776681
1.52126921
1.59885897
2.17335455
1.32424318
Etctera.
Pgina 36 de 60
d) Con los datos transformados determinar la capacidad del

proceso, para esto primero se verifica la normalidad en los datos transformados:
En Minitab:
Variables C2
Anderson Darling
OK
Probability Plot of C2
Normal
99.9
Mean
StDev
N
AD
P-Value
99
Percent
95
90
1.624
0.5380
100
0.301
0.574
80
70
60
50
40
30
20
10
5
1
0.1
0.0
0.5
1.0
1.5
C2
2.0
2.5
3.0
3.5
El P value es ya mayor a 0.05, por lo que los datos transformados son normales
Otra opcin para la prueba de normalidad es:
Graph > Probability Plot > Single

Graph Variables C2
Anderson Darling OK
Probability Plot of C2
Normal - 95% CI
99.9
Mean
StDev
N
AD
P-Value
99
95
Percent
90
1.624
0.5380
100
0.301
0.574
80
70
60
50
40
30
20
10
5
1
0.1
C2
Para que sea normal, no deben salirse los puntos del Intervalo de confianza normal
Pgina 37 de 60

Ahora se determina el Cp, Cpk, Pp, Ppk y las PPMs
LSE = 8 transformado a la raiz de 8 = 2.828.

con la especificacin del
En Minitab:
Data is arranged as a single column: C2
Subgroup size 1
Lower spec 0 Upper spec 2.828 (8 elevado a la 0.5)
OK
Process Capability of C2
LSL
USL
Within
Overall
Process Data
LSL
0
Target
*
USL
2.828
Sample Mean
1.62374
Sample N
100
StDev(Within)
0.513374

Cp
0.92
CPL 1.05
CPU 0.78
Cpk 0.78
Overall Capability
Pp
PPL
PPU
Ppk
Cpm
0.0
% < LSL 0.00
% > USL 2.00
% Total
2.00
0.4
0.8

% < LSL 0.08
% > USL 0.95
% Total
1.03
1.2
1.6
2.0
2.4
0.88
1.01
0.75
0.75
*
2.8

% < LSL 0.13
% > USL 1.26
% Total
1.39
Para la capacidad del proceso se tiene:

Cp = 0.92
Cpk = 0.78 El proceso no es hbil para cumplir especificaciones
Fraccin defectiva (Within) = 1.03%
Para el desempeo del proceso se tiene:
Pp = 0.88
Ppk = 0.75 El desempeo del proceso contra especificaciones no es
adecuado
Fraccin defectiva (Overall) = 1.39%
Pgina 38 de 60
Preguntas ejemplo:
1. Cul de los siguientes argumentos son razones de peso para utilizar mapeo de
procesos?
I. Identificar donde exista complejidad
II. Visualizar el proceso rpidamente
III. Eliminar el proceso completo de planeacin
IV: Apoyar en la simplificacin del trabajo
a. I y II
c. I, II y IV
b. I, II y III
d. I, II, III y IV
2. Un diagrama de Ishikawa tambin es conocido como:

I. Diagrama de causa y efecto
II. Diagrama de flujo del proceso
III. Diagrama de dispersin
IV. Diagrama de espina de pescado
a. Slo I
b. I, III y IV
c. I y IV
d. I, II, III y IV
3. En control estadstico, un parmetro es:

a. Una variable aleatoria
b. Un valor muestral
c. Un valor poblacional
d. La solucin a un problema estadstico
4. Sea X cualquier variable aleatoria con media Mu y desviacin estndar Sigma. SI
se toma una muestra de tamao n. Conforme n se incrementa y como resultado del
teorema del lmite central:
a. La distribucin de la suma Sn=X1+X2++Xn tiende a una distribucin normal
con media Mu y desviacin estndar Sigma/raiz(n).
b. La distribucin de la suma Sn=X1+X2++Xn tiende a una distribucin normal
con media Mu y desviacin estndar Sigma/raiz(n).
c. La distribucin de X tiende a ser una distribucin normal con media Mu y
desviacin estndar Sigma / raiz(n).
d. La distribucin de las medias muestrales Xi-media tiende a una distribucin
normal con media Mu y desviacin estndar Sigma / raiz(n).
5. Qu tabla debe ser usada para determinar un intervalo de confianza de la media
cuando Sigma no es conocida y el tamao de muestra es 10?
Pgina 39 de 60

a. Z
b. t
c. F
d. X2
6. Para dos eventos A y B Cul de los siguientes es una afirmacin verdadera de

probabilidad?
a. P(A o B) = P(A) + P(B) si A y B son independientes
b. P(A o B) = P(A) + P(B) si A y B son mutuamente exclusivos
c. P(A y B) = P(A) x P(B) si A y B son mudamente exclusivos
d. P(A o B) = P(A) x P(B) si A y B son independientes
Resp. 4d, 5b, 6b
7. Se deben registrar normalmente los valores que reflejan longitud, volumen y
tiempo como:
I. Medibles
III. Continuos
II. Discretos
IV. Variables
a. I y III
c. I, III y IV
b. II y IV
d. I, II, III y IV
8. Cuando se realizan clculos en datos muestrales:

a. La grfica continua de frecuencia relativa es un histograma
b. El redondeo de datos no tiene efecto en la media y desviacin estndar
c. La codificacin de los datos no tiene efecto en la media y desviacin estndar
d. La codificacin y redondeo en los datos afecta a la media y a la desviacin
estndar
9. La seleccin aleatoria de una muestra:
a. Tericamente significa que cada artculo del lote tiene la misma posibilidad de ser
seleccionado en la muestra
b. Asegura que el promedio de la muestra es igual al promedio de la poblacin
c. Significa que se us una tabla de nmeros aleatorios para la seleccin
d. Es un requerimiento terico sin importancia
Resp. 7c, 8d, 9a
10. Determinar el coeficiente de variacin para las ltimas 500 pruebas piloto de
una pelcula con una media de 900 y desviacin estndar de 54. (54/900*100)
a. 6%
c. 0.6%
b. 16.7%
d. 31%
Pgina 40 de 60
11. Cul de las siguientes cuatro tcnicas podran fcilmente mostrar los mismos
datos?
I. Diagrama de tallo y hojas
II. Diagramas de caja
III. Diagramas de dispersin
IV. Histogramas
a. I, II y III
c. I, III y IV
b. I, II y IV
d. II, III y IV
12. Qu tipo de distribucin muestra el siguiente histograma?
a. Bimodal
b. Polinomial
c. Sesgo negativo
d. Trinca
Resp. 10 a, 11b, 12 a
13. Cul es el uso ms comn de la distribucin F?
a. Modelar datos discretos cuando el tamao de la poblacin es pequeo
comparado al tamao de muestra
b. Probar la igualdad de varianzas de dos poblaciones normales
c. Compensar los errores en la desviacin estndar estimada para pequeos
tamaos de muestra
d. Tomar decisiones y construir intervalos de confianza al sumar el cuadrado de
variables aleatorias normales
14. Hay varias formas de uso de la distribucin exponencial para modelar la
confiabilidad. En la frmula siguiente qu representa theta?
a. La media
c. La varianza
b. El valor del eje X d. La tasa de falla
Pgina 41 de 60
15. Identificar de los mtodos siguientes, cuales son destructivos:

1. Ataque cido
4. Lquidos penetrantes
2. Partculas magnticas
7. Corrientes de Hed
5. Voltaje de ruptura 8. Radiografa
3. Espectroscopia
6. Ultrasonido
a. 1, 3 y 5
c. 1, 4, 6 y 8
b. 2, 3 y 8
d. 3, 5 y 6
Resp. 13b, 14 a, 15 a
16. Cuando se hacen mediciones con instrumentos de prueba, la precisin y
exactitud significan:
a. Lo mismo
b. Lo opuesto
c. Consistencia y correcto respectivamente
d. Exactitud y trazabilidad, respectivamente
17. La desviacin estndar de las mediciones de la dimensin A de una muestra
aleatoria de partes es sigma1 y la de una serie de mediciones en una parte es
Sigma2. Cul es la desviacin estndar de los valores reales de la dimensin A en
la poblacin de la cual se tomaron?
18. Cul de los siguientes es ms importante cuando se calibra un equipo de

medicin?
a. La etiqueta de calibracin
b. La tarjeta del historial de mantenimiento
c. El estndar usado
d. El intervalo de calibracin
Resp. 16c, 17 a, 18c
19. Los lmites de control se ponen a una distancia de tres sigma debido a:
a. Este nivel dificulta que la respuesta se salga de control
Pgina 42 de 60
b. Este nivel establece lmites estrictos para el proceso de produccin

c. Este nivel reduce la probabilidad de buscar fallas en el proceso de produccin
cuando no existan
d. Este nivel asegura un error tipo II muy pequeo
20. Cul de las siguientes afirmaciones describe mejor a la capacidad de mquina?
a. La variacin total de todas las cavidades de un molde, cavidades de una mquina
extrusora o husillos de una mquina de ensamble
b. La variacin inherente de la mquina
c. La variacin total en un turno
d. La variacin de partes consecutivas producidas en un periodo corto
21. En una distribucin normal, cul es el rea bajo la curva entre +0.7 y -1.3
unidades de desviacin estndar?
a. 0.2903
b. 0.7580
c. 0.6612
d. 0.1452
22. Si el Cpk (superior) es 2.0 y el Cpk (inferior) es de 1.0 Qu se puede decir del
proceso?
I. El proceso est corrido hacia la izquierda
II. Hay un error de clculo
III. El proceso no es estable
IV. El Cpk debe ser reportado como 1.0
a. Slo IV
c. II y III
b. I y IV
d. I, III y IV
23. Cuando se selecciona una muestra para auditoria, Qu regla se debe seguir de
las siguientes?:
a. Como la calidad puede variar con el tiempo, debemos buscar una cantidad fija
cada periodo de tiempo para propsitos de auditora
b. Se requiere solo una muestra pequea para propsitos de auditora, siempre y
cuando sea aleatoria
c. Cualquier tamao de muestra seleccionado aleatoriamente puede ser adecuado
para propsitos de autora, ya que no no se est realizando la aceptacin o rechazo
de lotes
d. La norma ANSI/ASQ Z1.4 es un procedimiento de muestreo cientfico y se
requiere un muestreo cientfico para propsitos de auditora
Pgina 43 de 60
24. Cuando se trata de determinar la capacidad de procesos no normales, cul de

las alternativas siguientes es apropiada?
I. Grafica un histograma y determinar si los valores de los datos se encuentran
dentro de especificaciones
II. Transformar los datos usando la tcnica de Box-Cox
III. Si los datos pueden ser representados por una grfica de probabilidad, hacer
predicciones usando esta tcnica
a. Slo I
b. Slo II c. II y III d. I, II y III
Resp. 22b, 23c, y 24d
Pgina 44 de 60
Ejercicios adicionales Black Belts

1. Qu smbolos utiliza el diagrama de flujo siguiente?
Pgina 45 de 60

2. Cmo se realiza y para que sirve el diagrama siguiente?
Pgina 46 de 60
3. Utilizando los smbolos siguientes, hacer un Mapa de la cadena de valor del

servicio de distribucin de electricidad o de algn otro servicio que integre varias
actividades:
Pgina 47 de 60

Tomar como referencia este ejemplo:
Pgina 48 de 60
4. Un panadero cree que existe una gran variabilidad en el peso de sus productos:
Hay dos operadores A y B que usan las mquinas 1 y 2 no en forma simultanea.
Durante 20 das se tomaron muestras de 4 piezas de pan de cada mquina con los
siguientes resultados:
Da
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Operario Mq1_p1 Mq_p2 Mq1_p3 Mq1_p4 Mq2_p1 Mq2_p2 Mq2_p3 Mq2_p4
A
B
B
B
A
A
A
B
B
A
B
B
B
A
A
B
B
A
A
A
209.2
208.5
204.2
204
209.6
208.1
205.2
199
197.2
199.1
204.6
214.7
204.1
200.2
201.1
201.3
202.2
194.1
204.8
200.6
209.5
208.7
210.2
203.3
203.7
207.9
204.8
197.7
210.6
207.2
207
207.5
196.6
205.5
209.2
203.1
204.4
211
201.3
202.3
210.2
206.2
210.5
198.2
213.2
211
198.7
202
199.5
200.8
200.8
205.8
204.6
208
205.5
196.3
202.1
208.4
208.4
204.3
212
207.8
205.9
199.9
209.6
206.2
205.8
213.1
215.3
201.2
204.6
200.9
199.4
202.7
200
205.5
206.6
202.6
212.3
201.4
214.3
215.3
215.7
212.5
208.4
212.3
208.1
207.5
206.9
209.6
212.2
211.4
209.6
203.5
209.1
208
210
215.6
214.5
209.1
221.8
216.7
213.8
210.2
214.9
216.2
211.9
209.9
207.1
209.5
209.8
211.2
209.2
206.9
206.3
207.9
209.4
211.8
207.5
205.8
214.6
212.3
215.2
211.3
212.8
208.4
212.9
210.6
213.6
206.8
207.6
214.4
206.1
210.6
209.8
205.3
209.1
205.4
212.9
212
214.4
212
202.7
210.4
214.8
210.8
209
212.3
212.2
214.2
212.6
212.6
207.1
212.3
211.4
203.6
207
209
204.3
204.2
a) Apilar todas las columnas

Data > Stack > Columns
Stack the following columns todas
Column of current worksheet seleccionar una vaca Total
b) Hacer un histograma con la columna total

Graph > Histogram: Simple
c) Agrupar las columnas de la mquina 1
Data > Stack > Columns C3-C6 Mquina1
d) Agrupar las columnas de la mquina 2
Data > Stack > Columns C7-C10 Mquina2
e) Hacer histogramas similares al realizado con la columna de total
f) Comparar y sacar conclusiones
g) qu se puede concluir si se acepta como normal un peso de 210 +- 10 gramos?
Stat > Quality tools > Capability analysis (normal)
Pgina 49 de 60
Variable Total
Sample size 1
LSL 200 USL 220
OK
2. Se representa la humedad de 20 paquetes de un producto tomado durante varios

das a la semana:
lunes
8.2
8.36
8.37
8.52
8.05
8.76
8.51
8.18
8.52
8.64
8.83
8.35
8.48
8.34
8.51
8.08
8.15
8.15
8.68
8.79
martes
8.61
9.14
8.52
9.2
9.3
9.58
8.81
8.68
8.59
8.66
8.7
9.08
8.32
8.33
8.41
9.07
9.08
9.13
8.69
8.46
mierc
9.43
8.85
8.66
8.89
9.28
9.14
9.41
9.34
9.59
9.15
9.75
9.18
8.86
9.28
8.5
9.19
9.19
9.12
9.2
8.8
jueves
8.97
9.02
9.61
9.15
9.21
9.53
9.28
9.28
8.86
8.75
9.64
9.05
8.76
9.21
8.76
9.4
9.55
9.5
9.48
9.58
viernes
8.46
8
8.32
8.91
8.17
8.6
8.48
8.65
8.97
8.2
8.33
8.26
8.64
8.81
8.73
8.73
8.4
8.6
8.47
8.1
a) Apilar todas las columnas agregando una columna de ndices

Data > Stack > Columns
Stack the following columns lunes-viernes
Column of current worksheet semana
Store subscripts in Dia
seleccionar Use variable names in subscript column
OK
b) Hacer un diagrama de datos de la semana ver si el proceso es estable

Graph > Time Series Plot: Simple
Series semana
OK
Pgina 50 de 60
c) Distinguir el da de la semana en que ocurrieron los resultados

Graph > Time Series plot: With Groups
Series Semana
Categorical variables for grouping Dia
OK
Weight
905
930
865
895
905
885
890
930
915
910
920
915
925
860
905
925
925
905
915
930
890
940
860
875
985
970
940
975
1000
1035
1020
985
960
945
965
940
900
920
980
950
955
970
970
1035
Llenadora
2
1
2
1
1
2
1
2
2
1
1
1
2
2
2
2
2
2
1
1
1
1
2
1
2
1
1
1
2
2
2
2
2
1
1
2
2
2
2
2
2
2
1
1
Qu conclusiones se obtienen?
3. Obtener las estadsticas bsicas de Weight para dos
mquinas de llenado:
a. Estadsticas
bsicas
Mediana
Moda
Media
Desviacin estndar
Varianza
Coeficiente de variacin
Rango
Primer cuartil
Tercer cuartil
Rango intercuartlico
Esquematiza el diagrama de caja
b) Hacer una prueba de normalidad en los datos. Con los
datos completos y considerando cada llenadora:
c) Obtener un histograma para la llenadora 2
d) Obtener un diagrama de caja para la llenadora 2
e) Obtener un diagrama de tallo y hojas para ambas
Con los datos completos

f) Encontrar la proporcin de pesos que se encuentran
entre 900 y 1000 grs.
Pgina 51 de 60
g) Encontrar la proporcin de pesos menores a 850 grs.
h) Encontrar la proporcin de pesos mayores a 1,050 grs.
i) Encontrar la proporcin de pesos menores a 880 grs. Y mayores a 1020 grs.

j) Con Excel, si los lmites de especificacin son LIE = 850 y LSE = 1,050 determinar
la capacidad del proceso total y para cada una de las mquinas: determinar la
fraccin
defectiva, Cp y Cpk utilizando la desviacin estndar estimada de corto plazo
(Within)
cuando no hay cambios y el proceso en control.
st Within
R
d2
Fraccin defectiva =
Z LSE
LSE X
st
Z LIE
LIE X
st
( Z LIE ) ( Z LSE )
LSE LIE
Cp
6 st
C pk Menor
1
CR
Cp
C pm
Z LIE , Z LSE
3
LSE LIE
ST ( X M ) 2
INDICES DE DESEMPEO
k) Determinar la fraccin defectiva, Pp y Ppk utilizando la frmula de la desviacin
estndar de largo plazo (Overall) siguiente para datos histricos, cuando ya
ocurrieron todos los cambios, no importa que el proceso no est en control:
Pgina 52 de 60
lt Overall
Z LIE
S
C4
LIE X
lt
Fraccin defectiva =
Pp
S
Z LSE
( Xi X ) 2
n 1
C4
4 ( n 1)
4n 3
LSE X
lt
( Z LIE ) ( Z LSE )
LSE LIE
6 LT
Ppk Menor
Z LIE , Z LSE
3
Fraccin defectiva =
4. Qu recomendaciones proporciona la norma ISO 10012 en relacin con los

equipos de medicin?
Pgina 53 de 60
5. Comentar acerca de la aplicacin de los siguientes instrumentos de medicin:
Pgina 54 de 60
Pgina 55 de 60
Pgina 56 de 60
Pgina 57 de 60
Pgina 58 de 60
Pgina 59 de 60
Pgina 60 de 60

Resp Ejercicios Fase Medicion Bb2

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Resp Ejercicios Fase Medicion Bb2

Cargado por

Copyright:

Formatos disponibles

RESP_EJERCICIOS FASE DE MEDICIN SEIS SIGMA BB

P. Reyes / febrero 2008

Cules son los principales propsitos y entregables de la fase de medicin?

Cmo se realiza un mapa detallado del proceso? Dar un ejemplo

Cmo se realiza un mapa de la cadena de valor? Dar un ejemplo

RESP_EJERCICIOS FASE DE MEDICIN SEIS SIGMA BB

P. Reyes / febrero 2008

Recolecte siempre informacin del estado actual mientras se realizan las

Inicie con una caminata rpida a travs de la cadena de valor completa

Inicie desde el final de embarque y de ah para atrs. As se iniciar el

Inicie con una caminata rpida a travs de la cadena de valor completa

Inicie desde el final de embarque y de ah para atrs. As se iniciar el

Utilice el cronmetro y no dependa de tiempos estndar o informacin que

Trazar uno mismo la cadena de valor completa. Entendiendo que el flujo

Siempre trace a mano y a lpiz. Ir al piso de produccin al realizar el anlisis

Cmo se establece un plan de coleccin de datos o los pasos para lograrla?

Un plan de Recoleccin de Datos relacionada con las CTQs de inters es la

1.2 PROBABILIDAD Y ESTADISTICA

Cul es la diferencia entre la estadstica descriptiva y la inferencial?

RESP_EJERCICIOS FASE DE MEDICIN SEIS SIGMA BB

P. Reyes / febrero 2008

La estadstica descriptiva se enfoca a los mtodos para describir de manera

La estadstica inferencial se orienta a estimar los parmetros de la poblacin

Cul es la diferencia entre un estadstico y un parmetro?

4. Cmo se aplica el teorema del lmite central en la evaluacin de intervalos y

Eventos mutuamente exclusivos: eventos que no tienen elementos en

1.3 TIPOS DE DATOS Y RESUMEN DE DATOS

RESP_EJERCICIOS FASE DE MEDICIN SEIS SIGMA BB

P. Reyes / febrero 2008

3. Para que sirven las hojas de registro?

Evitar sesgo emocional respecto a tolerancias

1.4 Estadstica descriptiva

Cmo se calculan las medidas de tendencia central?

Cmo se calculan las medidas de dispersin?

Cul es el propsito del Diagrama de Pareto?

RESP_EJERCICIOS FASE DE MEDICIN SEIS SIGMA BB

P. Reyes / febrero 2008

Cul es el propsito del Histograma / Cartas de tendencias?

Para que sirve un diagrama de dispersin?

Qu significa el coeficiente de correlacin y el coeficiente de determinacin

Sentido de la relacin, -1 para una relacin inversamente proporcional

Qu caractersticas tiene la distribucin normal estndar?

RESP_EJERCICIOS FASE DE MEDICIN SEIS SIGMA BB

P. Reyes / febrero 2008

b. El rea bajo la curva normal es uno

Qu representa la desviacin estndar dentro de la distribucin normal?

Qu caractersticas tiene un proceso normal?

1.5 Capacidad de procesos

Cmo se determina la fraccin defectiva y el rendimiento de un proceso?

RESP_EJERCICIOS FASE DE MEDICIN SEIS SIGMA BB

P. Reyes / febrero 2008

La fraccin defectiva se determina con el rea bajo la curva que se

Zi = (LIE media)/ sigma

Zs = (LSE media) / sigma

El rendimiento es el complemento de la fraccin defectiva, es decir el

Qu significa la capacidad real Cpk de un proceso y cmo se determina?

RESP_EJERCICIOS FASE DE MEDICIN SEIS SIGMA BB

P. Reyes / febrero 2008

Cmo se determina el nivel sigma (corto plazo) de un proceso en base al

Cmo se determinan los ndices de desempeo del proceso Pp y Ppk?

con las Zs determinadas con Sigma LT

Cmo se verifica la normalidad de un proceso?

Cul es la diferencia entre un ndice de capacidad del proceso y un ndice

PROBLEMAS: (Utilizar Minitab versin 15 para las soluciones)