Código de construcción

Para trabajar utilizaremos dos variables, en pro de que el documento sea de fácil
comprensión, así mismo haremos las conclusiones respectivas a cada una de las herramientas.
Por ende, colocaremos antes de todo, las variables que utilizaremos; cabe recalcar que estas
son el peso en kg de cada variable.

avenida <- c (15, 12, 13, 12, 10, 12, 11, 10, 14, 15, 18, 17, 17, 18, 12, 13, 15, 12, 12, 13, 15,
18, 19, 12, 12, 13, 12, 10, 10, 11, 12, 12, 15, 16, 16, 17, 18, 17, 19, 19, 19, 18, 12, 13, 12, 13,
13, 12, 11, 10, 10, 12, 18, 17, 16, 11, 12, 13, 14, 14, 12, 12, 11, 17, 18, 19, 11, 11, 12, 13)
consulado <- c (11, 12, 13, 12, 11, 10, 19, 18, 12, 11, 12, 10, 11, 12, 13, 14, 14, 11, 12, 13,
12, 11, 12, 11, 10, 19, 19, 15, 14, 14, 13, 11, 12, 12, 11, 10, 15, 16, 16, 12, 12, 11, 12, 12, 13,
17, 18, 13, 13, 14, 12, 12, 10, 17, 16, 16, 17, 18, 16, 17, 17, 18, 19, 19, 17, 12, 12, 11, 13, 14)

puedes utilizar el siguiente comando para determinar hacia qué lado

está el histograma, pero ten mucho cuidado de no colocarlo en el
parcial, siguiente: plot(density(variable))

regla empírica (comando) “úsalo solo de ser netamente necesario” y recuerda siempre utilizar
el 99.7% puesto que es donde menos probabilidades o menor margen de error se encuentra

#99.7%
EI <- mean(avenida)-3*sd(avenida)
ES <- mean(avenida)+3*sd(avenida)
abline (v=lif113, lty=3, lwd=2,col= "red")
abline (v=lsup113, lty=3, lwd=2,col="red")

1. Histograma

#Histograma (avenida)
#comandos en R para calcular los estadísticos básicos
mean (avenida)
median (avenida)
var (avenida)
sd (avenida)
summary (avenida)

#comandos en R para la realización del histograma

hist(avenida, breaks = "sturges", main = "Histograma variable avenida", ylab =
"Frecuencias", xlab = "peso en kg", col="cornsilk2", xlim = c(3,25))

#especificaciones
legend(x = "topright", legend = c("EI", "ES"), fill = c("blue3", "grey7"), title = "limites")
abline(v=10, lty=3, lwd=2, col="blue3")
abline(v=14, lty=3, lwd=2, col="grey7")

#99.7%
EI <- mean(avenida)-3*sd(avenida)
ES <- mean(avenida)+3*sd(avenida)
abline (v=EI, lty=3, lwd=2,col= "red")
abline (v=ES, lty=3, lwd=2,col="red")

#Histograma (consulado)
#comandos en R para calcular los estadísticos básicos
mean (consulado)
median (consulado)
var (consulado)
sd (consulado)
summary (consulado)

#comandos en R para la realización del histograma

hist(consulado, breaks = "sturges", main = "Histograma variable consulado", ylab =
"Frecuencias", xlab = "peso en kg", col="cornsilk2", xlim = c(9,20))

#especificaciones
legend(x = "topright", legend = c("EI", "ES"), fill = c("blue3", "grey7"), title = "limites")
abline(v=10, lty=3, lwd=2, col="blue3")
abline(v=14, lty=3, lwd=2, col="grey7")

#99.7%
EI <- mean(consulado)-3*sd(consulado)
ES <- mean(consulado)+3*sd(consulado)
abline (v=EI, lty=3, lwd=2,col= "red")
abline (v=ES, lty=3, lwd=2,col="red")
¿como interpretar un histograma?
 2. Diagrama de Pareto

(dirigete al documento en Excel que te envie adjunto a este documento), aquí solo vas a
organizarlo de mayor a menor, es imprescindible que coloques esto en el parcial.

frecuencias
defecto absoluta absoluta acumulada relativa relativa acumulada
piel reventada 369 369 50 50
mal montada 135 504 18,29 68,29
costura con fallas 135 639 18,29 86,59
piel arrugada 99 738 13,41 100
total 738 100
Diagrama de Pareto de primer nivel

library(qcc)
#defectos de primer nivel
defecto <- c(369, 135, 135, 99)
names(defecto) <- c("piel reventada", "mal montada", "costura con fallas", "piel
arrugada")
mis.colores.1 <- colorRampPalette(c("#ffccff", "#ccffcc"))
pareto.chart(defecto, main="Diagrama de pareto defectos de primer nivel ",
ylab="Frecuencia", ylab2="Porcentaje acumulado")

el 80% de los problemas se encuentran ubicados entre la piel reventada y mal montada, En
la gráfica se aprecia que el defecto piel reventada es el más frecuente (de mayor impacto),
ya que representa 50% del total de los defectos. En este problema es preciso centrar un
verdadero proyecto de mejora para determinar las causas de fondo, y dejar de dar la
“solución” que hasta ahora se ha adoptado: mandar las botas a la segunda.
Diagrama de Pareto de segundo nivel

modelo de botas absoluta absoluta acumulada relativa relativa acumulada

512 225 225 60,98 60,98
507 80 305 21,68 82,66
501 64 369 17,34 100,00
total 369 100,00

library(qcc)
#defectos de segundo nivel
defecto <- c(225, 80, 64)
names(defecto) <- c("512", "507", "501")
mis.colores.1 <- colorRampPalette(c("#ffccff", "#ccffcc"))
pareto.chart(defecto, main="Diagrama de pareto defectos de segundo nivel ",
ylab="Frecuencia", ylab2="Porcentaje acumulado")

el 80% de los defectos se encuentran en el modelo 512, por lo cual se recomienda una
revisión exhaustiva y enfocada a la resolución de este modelo.
 3. Diagrama de dispersión

Antes de comenzar, se hace importante tener en cuenta lo siguiente Es una gráfica cuyo
objetivo es analizar la forma en que dos variables numéricas están relacionadas. Por ende,
si el coeficiente de relación (en R denotado con “cor”) es cercano a

1 = creciente (directamente proporcional)

-1 = decreciente (inversamente proporcional)
0 = no existe o en caso tal no es lineal

De igual manera hay que tener mucho cuidado cuando estableces la variable que colocaras
primero, puesto que la coloques en primer lugar deberá ser la variable dependiente que ira
en el eje de las y la que coloques después será la variable independiente correspondiente
al eje de las x
#codigo en R para hacer el diagrama de dispersión

avenida <- c (15, 12, 13, 12, 10, 12, 11, 10, 14, 15, 18, 17, 17, 18, 12, 13, 15, 12, 12, 13, 15,
18, 19, 12, 12, 13, 12, 10, 10, 11, 12, 12, 15, 16, 16, 17, 18, 17, 19, 19, 19, 18, 12, 13, 12, 13,
13, 12, 11, 10, 10, 12, 18, 17, 16, 11, 12, 13, 14, 14, 12, 12, 11, 17, 18, 19, 11, 11, 12, 13)

consulado <- c (11, 12, 13, 12, 11, 10, 19, 18, 12, 11, 12, 10, 11, 12, 13, 14, 14, 11, 12, 13,
12, 11, 12, 11, 10, 19, 19, 15, 14, 14, 13, 11, 12, 12, 11, 10, 15, 16, 16, 12, 12, 11, 12, 12, 13,
17, 18, 13, 13, 14, 12, 12, 10, 17, 16, 16, 17, 18, 16, 17, 17, 18, 19, 19, 17, 12, 12, 11, 13, 14)

cor(avenida, consulado)
plot(avenida - consulado, main="diagrama de dispersión")
abline(lm(avenida ~ consulado), col="yellow")
lm(avenida ~ consulado)

De cualquier forma, quien interprete el diagrama de dispersión debe tomar en cuenta que
algunas de las razones por las que las variables X y Y aparecen relacionadas de manera
significativa son:
a) X influye sobre Y (éste es el caso que suele interesar más).
b) Y influye sobre X.
c) X y Y interactúan entre sí.
d) Una tercera variable Z influye sobre ambas y es la causante de tal relación.
e) X y Y actúan en forma similar debido al azar.
f) X y Y aparecen relacionadas debido a que la muestra no es representativa.

4. Diagrama de Ishikawa (causa – efecto)

método gráfico que relaciona un problema o efecto con los factores o causas que
posiblemente lo generan. La importancia de este diagrama radica en que obliga a buscar
las diferentes causas que afectan el problema bajo análisis y, de esta forma, se evita el
error de buscar de manera directa las soluciones sin cuestionar cuáles son las
verdaderas causas.

El método de las 6 M es el más común y consiste en agrupar las causas potenciales en

seis ramas principales (6 M): métodos de trabajo, mano o mente de obra, materiales,
maquinaria, medición y medio ambiente.

Aspectos o factores a considerar en las 6 M

1. Mano de obra o gente

• Conocimiento (¿la gente conoce su trabajo?).
• Entrenamiento (¿los operadores están entrenados?).
• Habilidad (¿los operadores han demostrado tener habilidad para el trabajo que
realizan?).
• Capacidad (¿se espera que cualquier trabajador lleve a cabo su labor de manera
eficiente?).
• ¿La gente está motivada? ¿Conoce la importancia de su trabajo por la calidad?

2. Métodos
• Estandarización (¿las responsabilidades y los procedimientos de trabajo están
definidos
de manera clara y adecuada o dependen del criterio de cada persona?).
• Excepciones (¿cuando el procedimiento estándar no se puede llevar a cabo existe un
procedimiento
alternativo definido claramente?).
• Definición de operaciones (¿están definidas las operaciones que constituyen los
procedimientos?,
¿cómo se decide si la operación fue realizada de manera correcta?).
 La contribución a la calidad por parte de esta rama es fundamental, ya
que por un lado cuestiona si están definidos los métodos de trabajo, las
operaciones y las responsabilidades; por el otro, en caso de que sí estén
definidas, cuestiona si son adecuados.

3. Máquinas o equipos
• Capacidad (¿las máquinas han demostrado ser capaces de dar la calidad que se
requiere?).
• Condiciones de operación (¿las condiciones de operación en términos de las variables
de
entrada son las adecuadas?, ¿se ha realizado algún estudio que lo respalde?).
• ¿Hay diferencias? (hacer comparaciones entre máquinas, cadenas, estaciones,
instalaciones,
etc. ¿Se identificaron grandes diferencias?).
• Herramientas (¿hay cambios de herramientas periódicamente?, ¿son adecuados?).
• Ajustes (¿los criterios para ajustar las máquinas son claros y han sido determinados de
forma adecuada?).
• Mantenimiento (¿hay programas de mantenimiento preventivo?, ¿son adecuados?).

4. Material
• Variabilidad (¿se conoce cómo influye la variabilidad de los materiales o materia prima
sobre el problema?).
• Cambios (¿ha habido algún cambio reciente en los materiales?).
• Proveedores (¿cuál es la influencia de múltiples proveedores?, ¿se sabe si hay
diferencias
significativas y cómo influyen éstas?).
• Tipos (¿se sabe cómo influyen los distintos tipos de materiales?).

5. Mediciones
• Disponibilidad (¿se dispone de las mediciones requeridas para detectar o prevenir el
problema?).
• Definiciones (¿están definidas de manera operacional las características que son
medidas?).
• Tamaño de la muestra (¿han sido medidas suficientes piezas?, ¿son representativas
de tal
forma que las decisiones tengan sustento?).
• Repetibilidad (¿se tiene evidencia de que el instrumento de medición es capaz de
repetir la
medida con la precisión requerida?).
• Reproducibilidad (¿se tiene evidencia de que los métodos y criterios usados por los
operadores
para tomar mediciones son adecuados?)
• Calibración o sesgo (¿existe algún sesgo en las medidas generadas por el sistema de
medición?).

Esta rama destaca la importancia que tiene el sistema de medición para la

calidad, ya que las mediciones a lo largo del proceso son la base para tomar
decisiones y acciones; por lo tanto, debemos preguntarnos si estas mediciones
son representativas y correctas, es decir, si en el contexto del problema que se
está analizando, las mediciones son de calidad, y si los resultados de medición,
las pruebas y la inspección son fiables

6. Medio ambiente
• Ciclos (¿existen patrones o ciclos en los procesos que dependen de condiciones del
medio
ambiente?).
• Temperatura (¿la temperatura ambiental influye en las operaciones?).

Teniendo el siguiente planteamiento de problema, construya el diagrama de Ishikawa

para las causas de llegada tarde a las clases

library(SixSigma)
#Diagrama de ishikawa para llegadas tarde a clases virtuales
efecto <- "llegadas tardes"
causas.gr <- c ("método", "mano de obra", "materiales", "maquinaria", "medición",
"medio")
causas <- vector(mode = "list", length = length(causas.gr))
causas[1] <- list(c("trasnocharse(redes sociales)", "inconsciencia respecto al tiempo",
"abarcar muchas cosas"))
causas[2] <- list(c("falta sentido de la responsabilidad", "llegada atrasada", "demora en
la asignación del tiempo"))
causas[3] <- list(c("equipos electronicos en mal estado", "deterioro de los utiles
escolares"))
causas[4] <- list(c("mesa de trabajo desorganizada", "sillon de estudio incomodo"))
causas[5] <- list(c("poco tiempo de preparación en el ciber"))
causas[6] <- list(c("mala iluminacion del area de trabajo", "baja calidad en la
videollamada"))
mis.colores.1 <- colorRampPalette(c("#ff9999", "#99ff99", "#9999ff"))
ss.ceDiag(efecto, causas.gr, causas, sub = "Clases Virtuales", ss.col = mis.colores.1(6))