Six Sigma

Six Sigma DMAIC
DEFINE
DMAIC
MEASURE
DMAIC
ANALYZE
DMAIC
IMPROVE
DMAIC
CONTROL
ANC-
ANC-508
Corramos hacia la excelencia

Your vision of Choice
Pedal R
Presentaciones
Convivencia
Aprendizaje Expectativas
Mas respetuosa
•
•Mas rápido Disciplina •Mas agradable
•Mas efectivo
•Mas rápida
•Mas duradero Actuaciones
Leyenda
3
Presentaciones
P - Presentaciones
E - Expectativas
D - Disciplina
A - Actuaciones
L - Leyenda
Lean Master Six Sigma Black Belt 2001
4
Expectativas
P - Presentaciones
E - Expectativas
D - Disciplina
A - Actuaciones
L - Leyenda
Conceptuales Humanas Técnicas
1- Estar abiertos a 1- Desarrollar las

1- AH: Aprender
ideas nuevas habilidades en
Haciendo
Lean
2- Aprender uno del
2- Captar su
otro 2- Fomentar la
atención y
aplicación de los
despertar su
3- Trabajar duro. conocimientos
curiosidad
Pero… DISFRUTAR adquiridos aquí.
5
Disciplina P - Presentaciones
E - Expectativas
D - Disciplina
A - Actuaciones
L - Leyenda
Eficacia en la Acción Formativa
Mas sus reglas

personales
Teléfono Cero Preguntas/ Levantar

vibración Trabajo Participación la mano
6
Actuaciones
P - Presentaciones
E - Expectativas
D - Disciplina
A - Actuaciones
L - Leyenda
7
Leyenda
P - Presentaciones
E - Expectativas
Practica; trabajo en equipo D

A
-
-
Disciplina
Actuaciones
Atención; importante L - Leyenda
Dominar el tema
Referencias a Libros de Lean Manufacturing
Herramientas de Lean Manufacturing
Investigar sobre tema
Cuidado; error común
Tomar nota; no esta en su manual
No hacer
No cambiar
8
Acerca de la Asignatura
Sobre el puntaje
Evaluación
Estrategia Semana o Fecha Puntaje
• Asistencia y participación activa Horas semanales 5
• Examen parcial
1. Después módulo 3 Después módulo 3 10
2. Después módulo 6 Después módulo 6 10
• Simulación en clase (solución) Después módulo 5 5
• Presentación trabajo de campo en grupo

Después de la última 30
semana
• Examen Final
Después de la ultima 40
semana
NOTA: se pasa con 70 para respectar los criterios

certificaciones en Six Sigma
9
Sobre la metodología
Estrategias de Enseñanza
1. Presentación en power point, interactiva
2. Aplicación práctica en aula de herramientas en casi todos los módulos
3. Practicas/ejercicios con plantillas predeterminadas y/o software de estadísticas
(se requiere el uso de laptop para este curso y un software de estadística.
Recomendamos SIGMALXL que es menos costoso y mas user friendly);
1. Simulación de DOE en clase con catapultas.
2. Trabajo de campo (opciones entre DOE, R&R, mini proyecto aplicando DMAIC)
3. Evaluación periódica y evaluación final
4. Trabajo practica final
10
Ayudas complementarias
http://www.qtclean.foroactivo.net
http://www.quantumtc.biz
11
Bibliografía
Understanding Statistical Process Control
Donald Wheeler / David S. Chambers (SPC Press)
Juran’s Quality Handbook

Joseph M. Juran / A. Blanton Godfrey,
Using SPC to be the Best

Chrysler Handbook,
Zero Acceptance Number C=0 Sampling Plans

Nicholas L. Squeglia,
Concepts for GR&R Studies
Larry B. Barrentine,
Practical Application of SPC

Douglas Relyea,
12
13
Six Sigma es una metodología de mejora de procesos,
centrada en la reducción de la variabilidad de los mismos,
consiguiendo reducir o eliminar los defectos o fallas en la
entrega de un producto o servicio al cliente.
La meta de 6 Sigma es llegar a un máximo de 3.4 defectos por
millón de oportunidades DPMO, entendiéndose como defecto
cualquier evento en que un producto o servicio no logra
cumplir los requisitos del cliente.
Seis sigma utiliza herramientas estadísticas para la
caracterización y el estudio de los procesos, de ahí el nombre
de la herramienta, ya que sigma es la desviación típica que da
una idea de la variabilidad en un proceso
14
Obtener 3.4 defectos en un millón de oportunidades es una
meta bastante ambiciosa pero lograble. Se puede clasificar la
calidad de un proceso en base a su nivel de sigma:
1sigma= 690.000 DPMO = 31%
2sigma= 308.538 DPMO = 69%
3sigma= 66.807 DPMO = 93,3%
4sigma= 6.210 DPMO = 99,38%
5sigma= 233 DPMO = 99,977%
6sigma= 3.4 DPMO = 99,99966%
7sigma= 0.019 DPMO = 99,9999981%
15
Por ejemplo, si tengo un proceso para fabricar ejes que deben
tener un diámetro de 15 +/-1 mm para que sean buenos para
mi cliente, si mi proceso tiene una calidad de 3 sigma, de cada
millón de ejes que fabrique, 66,800 tendrán un diámetro
inferior a 14 o superior a 16mm, mientras que si mi proceso
tiene una calidad de 6 sigma, por cada millón de ejes que
fabrique, tan solo 3.4 tendrán un diámetro inferior a 14 o
superior a 16mm.
16
• La metodología de Six Sigma permite una reducción de la
Generalidades
variación en su trabajo, la cual a su vez facilita:
Una mejor predictabilidad del proceso
Menos desperdicios y retrabajos
Productos y servicios con mejor desempeño y una
vida útil mas larga
Clientes leales (mas que satisfechos)
• Vemos un pequeño ejemplo:

2 compañías de pizza con servicio a domicilio. Cual responde
mejor a sus expectativas de entrega entre 5:45 PM y 6:15 PM,
Aunque su preferencia hubiera sido a las 6:00 exacto
Pizza A Pizza A Pizza B Pizza B
día hora día Hora
1 5:58 1 5:51
2 6:20 2 6:04
3 5:49 3 5:59
4 6:05 4 6:00
5 6:10 5 6:10
6 5:42 6 5:56
7 6:01 7 6:02
8 5:53 8 6:11
9 6:12 9 5:59
10 6:05 10 6:09
LSL = 5.75 Target = 6 USL = 6.25 LSL = 5.75 Target = 6
2
1
0
0
5.700
5.806
5.911
6.017
6.123
6.228
6.334
5.739
5.794
5.850
5.906
5.961
6.017
6.072
6.128
6.184
6.239
A
B
5:42 6:20 Promedio 6:08

son defectos. Std dev: 18 seg
Promedio 6:05
Std dev: 32 seg
Variación en la entrega de Pizza A es mas ancha que los requerimientos y expectativas
del cliente (usted).
El promedio de distribución corresponde en general al valor
nominal del resultado o producto deseado.
99.9% de tasa de aceptación de un servicio: bueno o malo ?
a 99.9% ocurriría lo siguiente:
200,000 recetas medicas equivocadas por ano en el mundo

Cero servicio de teléfono por 10 minutos en el mundo al mismo tiempo, y
semanal
una hora continua mensual de agua sucia en la llave en el mundo entero
junto
96 accidentes de avión por cada 100,000 vuelos
DMAIC
DEFINE
Falta de electricidad por...

2 Sigma 9 días/mes
3 Sigma 2 días/mes
3.8 Sigma 7 días/mes
4 Sigma 4.5 horas/mes
5 Sigma 10 min./mes
6 Sigma 9 seg./mes
Por la matemática un proceso de 1 sigma produce 32% de
defectos. Uno de 2 sigma producirá solo 5%, y uno de 6 sigma es
un cero “virtual” ya que produce 0.0000002%,
1 sigma : 68.26%
2 sigma : 95.44%
3 sigma : 99.73%
4 sigma : 99.9937%
5 sigma : 99.999943%
6 sigma : 99.9999998%
Imagínese que los expertos dicen que la mayoría de las

empresas operan a un nivel de 3 a 4 Sigma.
Six sigma es una evolución de las teorías sobre calidad de más
éxito desarrolladas después de la segunda guerra mundial.
Especialmente pueden considerarse precursoras directas:
TQM, Total Quality Management o Sistema de Calidad Total
SPC, Statistical Process Control o Control Estadístico de
Procesos
También incorpora muchos de los elementos del ciclo PDCA
de Deming. De ahí el nacimiento de DMAIC
23
Fue iniciado en Motorola en el año 1987 por el ingeniero Bill
Smith, como una estrategia de negocios y mejora de la
calidad, pero posteriormente mejorado y popularizado por
General Electric.
Los resultados para Motorola hoy en día son los siguientes:
Incremento de la productividad de un 12.3 % anual; reducción
de los costos de no calidad por encima de un 84.0 %;
eliminación del 99.7 % de los defectos en sus procesos;
ahorros en costos de manufactura sobre los 10,000 millones
de dólares y un crecimiento anual del 17.0 % compuesto
sobre ganancias, ingresos y valor de sus acciones.
24
El costo en entrenamiento de una persona en Six Sigma se
compensa ampliamente con los beneficios obtenidos a futuro.
Motorola asegura haber ahorrado 17,000 millones de dólares
desde su implementación, por lo que muchas otras empresas
han decidido adoptar este método.
Six sigma ha ido evolucionando desde su aplicación
meramente como herramienta de calidad a incluirse dentro
de los valores clave de algunas empresas, como parte de su
filosofía de actuación.
Aunque nació en las empresas del sector industrial, muchas
de sus herramientas se aplican con éxito en el sector servicios
en la actualidad.
25
Six sigma se ha visto influida por el éxito de otras
herramientas, como lean manufacturing, con las que
comparte algunos objetivos y que pueden ser
complementarias, lo que ha generado una nueva metodología
conocida como Lean Six Sigma (LSS).
Esta iniciativa de Motorota llego a conocimiento de Lawrence
Bossidy, quién en 1991 y luego de una exitosa carrera en
General Electric, toma las riendas de Allied Signal para
transformarla de una empresa con problemas en una
organización exitosa (Clase mundial).
26
Durante la implantación de Seis Sigma en los años 90 (con el
liderazgo de Bossidy), Allied Signal aumentó sus ventas y sus
ganancias de manera significativa.
Texas Instruments, siguió el mismo ejemplo, logrando
resultados similares.
Durante el verano de 1995 el presidente de General Electric
Jack Welch, se entera del éxito de esta nueva estrategia por
parte del mismo Lawrence Bossidy, dando lugar a la mayor
transformación iniciada en esta enorme organización.
27
28
unidad o parte: un producto o un servicio
defecto: cualquier unidad que no responde a los
requerimientos del cliente. Los defectos deben ser medidos.
Defectuoso: una unidad con uno o mas defectos
Oportunidad de defecto: la probabilidad de que ocurra un
defecto
sigma: una expresión de la tasa de aceptación basada en el
numero de defectos por millón de oportunidad: DPMO
PPM: partes por millón
critical to quality (CTQ): una característica por la cual su
cliente evalúa la calidad de la unidad. Una unidad tiene varios
CTQ.
Variación:
No hay dos partes iguales

SIZE
Pero su conjunto forma
un patrón llamado
Las distribuciones difieren en:
posición distribución: ancho forma
Los procesos Inestables ... Variación
Total
Son inconsistentes
Son impredecibles
Generan más desperdicios
Los procesos estables ... Variación
Total
Son consistentes
Son predecibles
Producen menos desperdicios
Variación Variación
Total Total
Proceso Inestable Proceso Estable

Control:
Fuera de control En control Capaz

DMAIC
DEFINE
Un defecto cualquier no conformidad que se presente de

producir bienes o servicios, que no cumple con las
expectativas del cliente.
La variación incrementa las probabilidades de tener

defectos.
DMAIC
DEFINE
¿Cuánta variación
La meta que podemos darnos
requiero el lujo de tener?
como cliente
La variación
de nuestro
proceso
DMAIC
DEFINE
¿Cómo podemos reducir la variación en nuestros

procesos?
Dividir la variación para poder analizar en:
Within group variation (en el grupo)
Between group variation (entre grupos)
Between operations variation (entre operaciones)
Variation over time (a través del tiempo)
Vamos a ver estas 4 categorías de variación en un
ejemplo!
DMAIC
DEFINE
Aprobación
de
prestamos
Within group
Variation (en
el grupo)
DMAIC
DEFINE
Aprobación
de
prestamos
Between Operator
Variation (entre
operadores)
Within group
Variation (en
el grupo)
DMAIC
DEFINE
Aprobación
Between Group
de Variation (entre
prestamos grupos)
Within
Group
Variation
DMAIC
DEFINE
Aprobación
de
prestamos
Over time (en

el tiempo)
DMAIC
DEFINE
Between Group
Variation (entre
Volumen de Within Group
grupos)
Variation (en el
Llenado grupo)
Lot MT01003E Lot MT00903E
Línea de llenado A
Between Lot MT00803D Lot MT00703D

Streams
Variation
(entre
líneas) Línea de llenado B
DMAIC
DEFINE
Volumen de Between
Llenado Group
Variation
Within
Group
Variation
Lot MT00102A Lot MT00302B
Lot MT01003E Lot MT00903E
Filling Line A
Filling Line A Between
Lot MT00202A Lot MT00402B
Lot MT00803D Lot MT00703D Streams
Variation
Filling Line B
Filling Line B
Jan 2002 May 2003
Variation
Over Time (en
el tiempo)
DMAIC
MEASURE
Informacion
Baja Disponible Alta
Data
Atributo Data Continua
9.1987, 9.4957,
9.3876, 9.2669,
9.3289, ...
Discreta Categorica
0, 1, 1, 0, 1, 0, 0, 1, ...
Pasa/ Falla, Si/ NO
Desordenada Ordenada
Nominal Ordinal
Amarillo, verde,
1, 2, 3, 4, 5, 6, ...
rojo,,,
A, B, C, D, E
Cuba, PR, Japon, ...
DMAIC
MEASURE
• Data Continua: Pueden tomar cualquier valor entre

dos valores consecutivos, teniendo infinitos
números de valores, como por ejemplo el volumen
de llenado de una botella. Ej. 25.7, 24.3, 25.9,…..
• Data de Atributo: Puede tomar finita cantidad de
opciones de un grupo de datos.
– Discretos: 2 categorías. Ej Bueno/ Malo
– Categóricos: Cantidad limitada de opciones, mas de 2 categorías, Ej.
Una encuesta con un rango de respuestas 1-5. Pueden ser Ordenadas
o Desordenadas
DMAIC
MEASURE
Data Discreta: Defectos en Data Continua:

Volumen de llenado Volumen de llenado
n=5 LSL = 50 ml
No. de muestras 4 Muestra 1 52.0 ml

aceptadas Muestra 2 52.4 ml
No. de muestras 1 Muestra 3 51.5 ml
defectuosas
Muestra 4 49.7 ml
Muestra 5 51.2 ml
¿Cuál de las dos informaciones nos da más

detalle?
DMAIC
MEASURE
DATOS CATEGORICOS
EJEMPLO 2
Desordenada (Nominal) Ordenada (Ordinal)

Idiomas Encuesta de clientes 1-5
(1=Mejor)
Ingles, Frances, Italiano, ….
Intensidad de Huracán (1-5)

Colores
(5 = Mayor Intensidad)
Verde, Rojo, Amarillo, ..
DMAIC
MEASURE
Peso de una caja de cereal:
Apariencia visual en grados de color (1-

6):
Volumen de ventas por trimestre:
Flujo de Caja:
Cantidad de unidades defectuosas vs.

unidades sin defectos:
Categorías de rendimiento de un
producto: Bueno, regular, malo
DMAIC
Midiendo la Calidad
MEASURE
Escape en el sellado
1 Defecto
Inperfecciones en
la botella
MULTIPLES defectos
1 Defecto por unidad pueden
ser encontrados
Contaminacion
3 Defectos Solo UNA unidad
defectuosa fue
Producto encontrada
Final
DMAIC
MEASURE
Aplicación
Nombre: Esta forma de

aplicación se encuentra
Cuenta #:
Defectuosa si una o
Cedula #: más entradas tienen
Dirección: Defectos.
Etc…..
DMAIC
MEASURE
¿Cuál medida de calidad provee

mayor información?
• Defectos
• Defectuosos
¿Por qué?
DMAIC
MEASURE
Midiendo Defectos tenemos mayor

información que midiendo Defectuosos,
cuando en una unidad de producto o de
servicio puede haber mas de un defecto.
DMAIC
MEASURE
Número de Defectivos
% Defectivo = X 100
Número de unidades insp.
Número de Defectivos
Defectivos por Millón = X 1,000,000
= % Defectivo X 10,000
DMAIC
MEASURE
Número de defectos en la muestra

Defectos por unidad =
Número de defectos por periodo

Defectos por unidad =
Número de unidades insp. Por periodo
Defectos por millon de unid.=

Defectos por unidad X
X 1,000,000
DMAIC
MEASURE
Defectuosos X
% Defectuoso Millón de
Unidades (DPM)
10% 100,000
1% 10,000
0.1% 1,000
0.01% 100
0.001% 10
DMAIC
MEASURE
1) 5 unidades defectuosas fueron encontradas

cuando se inspeccionaban un total de 200 unidades.
Determine el DPM.
2) Se determinó que un proceso esta produciendo

defectuosos a una tasa de un 2%.
Determine el DPM.
57
DMAIC
MEASURE
Población: Conjunto entero de datos de referencia.

Ej. Cantidad de personas que estudian en una
escuela X.
Muestra: Subconjunto de datos de la población. Ej.

Si se toma un grupo de 50 alumnos de la escuela X.
En una muestra es importante que los datos se
tomen al azar. A esto se le llama muestreo aleatorio.
DMAIC
MEASURE
Las medidas computadas o calculadas a partir de

una población se llaman parámetros. Se
representan por letras griegas, como por ejemplo
σ, µ.
Las medidas computadas o calculadas a partir de

una muestra se llaman estadísticos o estadígrafos.
Se representan por letras latinas. Ej. s , x.
DMAIC
MEASURE
Medida Parámetro Estadígrafo
Media µ x
Varianza σ2 s2
Desviación
σ s
Estándar
Parámetros de la muestra (estadígrafos) son utilizados para

estimar los parámetros de la población.
DMAIC
MEASURE
Muchos números no
representan utilidad 90
Hay que analizar los 80
70
números, los datos, y
60
buscarles significado. 50
2000
Usar las medidas de 40
2001
tendencia central y de 30
dispersión. 20
10
Usar gráficos 0
Q1 Q2 Q3 Q4
DMAIC
MEASURE
Los siguientes números probablemente no

tengan mucho significado así:
138, 164, 150, 132, 144, 125, 149, 157
146, 158, 140, 147, 136, 148, 152, 144
168, 126, 138, 176, 163, 119, 154, 165
146, 173, 142, 147, 135, 153, 140, 135
161, 145, 135, 142, 150, 156, 145, 128
DMAIC
MEASURE
14
12 Máximo = 176
12
10 9 Mínimo = 119
8 Rango = 57
6 5 5 X = 146.8
4
4 3 S = 13.05
2
2
0
118- 127- 136- 145- 154- 163- 172-
126 135 144 153 162 171 180
DMAIC
MEASURE
LIE LSE
DMAIC
MEASURE
Media (X): Valor alrededor al que se concentran

los datos. Es el promedio aritmético de un set de
datos.
n
∑ xi
N
∑x i
x= i=1
µ= i=1
n N
Ej. para los valores de prueba de halado siguientes:

18, 19, 20, 18, 19, 19, 16, 20, 21 y 19 la media es:
X = Σxi / n = 189 / 10 = 18.9
DMAIC
MEASURE
Mediana (Me): Valor central en una serie ordenada de

datos.
a) Para un número impar de datos, es el valor central.
Ej. 18, 19, 19, 20, 22. La mediana de los 5 datos es el
3er. dato = 19.
b) Para un número par de datos, es el promedio de los
dos valores medios.
Ej. 18, 19, 19, 20, 20, 22. La mediana es promedio de los
datos 3 y 4
Me= (19 + 20) / 2 = 19.5.
DMAIC
MEASURE
Moda (Mo): Valor que más se repite en una serie

de datos. Puede que no haya moda o que hayan
varias modas.
Ej., para los valores de pull test siguientes: 18, 19,
20, 18, 19, 19, 16, 20, 21, 19, la moda es 19, pues
se repite 4 veces.
Mo= 19.
DMAIC
MEASURE
Quartiles: Mientras la mediana (Q2) es el valor que separa los

MEDIDAS DE TENDENCIA CENTRAL
valores ordenados en mitad (50% de los valores son menores, y
50% de los valores son mayores), los quartiles son medidas
descriptivas que separan los datos ordenados/organizados en 4
cuartos (quarters).
El primer quartil, Q1, es el valor tal que 25% de los valores son
menores y 75% de los valores son mayores. Q1=(n+1)/4
observaciones ordenadas, donde n= tamaño de muestra.
El tercer quartil, Q3, es el valor tal que 75% de los valores son
más pequeños y 25% son mayores. Q3=3(n+1)/4 observaciones
ordenadas, donde n= tamaño de muestra.
DMAIC
MEASURE
MEDIDAS DE como
Ejemplo: Si tenemos TENDENCIA CENTRAL
set de datos que el tiempo de ciclo de una
máquina para diferentes tipos de sellados es 44, 40, 31, 44, 35, 31, 35, 40, 44,
44:
Procedemos a ordenarlo como sigue:
29 31 35 39 39 40 43 44 44 52 (Datos)
1 2 3 4 5 6 7 8 9 10 (Observación ordenada)
Q1=(10+1)/4=2.75-valor alineado, 75% más del segundo valor alineado.
Porque el segundo valor alineado es 31 y el tercer valor alineado es 35 (y su

diferencia es 4), el primer quartil es 34 [porque 31+(3/4)(4)=31+3=34]. Esto
significa que el 25% de los valores es igual o menor que 34 y que el 75% de
los valores es mayor o igual que 34.
DMAIC
Tendencia Central N
MEASURE
Promedio de población ∑X i
µ= i=1
N
N
Desviación Estándar de
población
∑ i
(X − µ ) 2
σ=S= i=1
n N
∑x i
Promedio de x= i=1
muestra n
n 2
Desviación estándar de
∑ (x − x )
i
muestra σˆ = s = i=1
n −1
Con el promedio y la desviación podemos definir una población o un proceso
DMAIC
ANALYZE
Histograma
DMAIC
ANALYZE
Es un gráfico de barras que ofrece una foto instantánea del

proceso.
A pesar de ofrecer una visión del comportamiento interno del
proceso, su variación sólo puede ser analizada con las cartillas
de control.
Está basado en una distribución
de frecuencias.
CLASE DISTRIBUCION FREC.
Muestra la posición del proceso A XXXX
B XXXXXXXX
4
8
C XXXXXXXXXXXXX 13
con relación a los límites y valor D XXXXXXXXXXXXXXXXXX 18
E XXXXXXXXXXXXXXXXXXXXX 21
nominal de especificación. F XXXXXXXXXXXXXXXX
G XXXXXXXXXXX
16
11
H XXXXXXX 7
La variación presentada del I XX 2
proceso justifica la tolerancia

en las especificaciones asignadas por los ingenieros.
DMAIC
ANALYZE
Paso No. 1:
Recolección de Datos del Proceso Gas Module

Riveteado de base PIN derecho largo Torque Test
20.54 23.3 16.14 16.68 22.6 24.32 23.58 23.02 24.36 23.72
12.66 23.5 20.4 24.44 20.78 22.56 26.12 23.44 24.08 28
24.98 21.76 23.66 23.32 22.5 17.64 23.38 24.24 17.2 27.54
25.36 21.18 20.54 23.14 19.94 26.48 18.28 19.98 18.12 25.42
20.52 20.88 17.82 17.22 19.64 27.54 23.82 22.84 25.68 22.3
26.14 19.9 21.94 21.9 18.38 23.3 26.24 23.7 26.56 26.54
20 21.96 22.44 26.74 20.96 22.24 21.08 25.14 23.44 24.06
22.7 21.7 18.12 20.86 24.32 21.94 23.82 25.34 23.44 26.32
23.58 23.86 14.2 24.96 23.14 22.48 17.12 25.66 25.08 26.9
22.46 20.7 23.12 24.44 21.76 24.3 12.12 21.26 25.98 20.84
DMAIC
ANALYZE
Paso No. 2:
Buscar la cantidad de valores (n) e identificar el valor máximo
(X max) y mínimo (Xmin) de la Muestra.
n = 100
X max = 28
7
6
5
4
X min = 12.12 3
2
1
1 2 5 10 20 30 40 5040 30 2010 5 2 1
DMAIC
ANALYZE
Paso No. 3:
Calcular el intérvalo (R) de la muestra que se define como “la
diferencia máxima en un población”
R = Xmax - Xmin
R = 28 – 12.12 7
6
5
4
3
R = 15.88 2
1
1 2 5 10 20 30 40 5040 30 2010 5 2 1
DMAIC
ANALYZE
Paso No. 4:
Determinar el número de clases (Nc) que es “la cantidad de

barras o grupos que posee el histograma”
Nc = √ N
7
6
Donde; 5
4
3
2
Nc = √ 100 = 10 1 1 2 5 10 20 30 40 50 40 30 20 10 5 2 1
Nc = 10 Clases
DMAIC
ANALYZE
Paso No. 5:
Calcular el ancho de clase (Ac) que es “el ancho de cada barra o
grupo”
Ac = R / Nc
7
Donde; 6
5
4
Ac = 15.88 / 10 = 1.59 3
2
1
1 2 5 10 20 30 40 5040 30 2010 5 2 1
Ac = 1.59 onz./plg.^2
DMAIC
ANALYZE
Pasos No. 6 y 7:
Hallar los Límites Inferiores y los Límites Superiores de las clases,
que son “los valores que marcan los límites o fronteras de cada barra
O grupo”.
Límite Inferior • Límite Superior
1) El primer V. Mínimo = 12.12 Lim. Inferior + A. Clase = 13.71
2) Límite Superior + Menor Diferencia = 13.72 = 15.31
3) = 15.32 = 16.91
4) = 16.92 = 18.51
5) = 18.52 = 20.11
6) = 20.12 = 21.71
7) = 21.72 = 23.31
8) = 23.32 = 24.91
9) = 24.92 = 26.51
10 = 26.52 Al último valor no se le suma = 28
DMAIC
ANALYZE
Paso No. 8:
Hallar para cada clase:
Mediatriz:
Es el promedio aritmético entre los límites inferior y superior de
la clase.
Frecuencia Absoluta:
Es la cantidad de valores correspondiente a una clase.
Frecuencia Relativa:
Es la frecuencia absoluta (Fa) dividida entre el número de
elementos de la muestra (n).
Fr = Fa / n
La frecuencia relativa multiplicada por “100” da como resultado
la proporción o % de la clase con relación al total de la muestra
siendo analizada.
DMAIC
ANALYZE
Cont. Paso No. 8:
Tabular el valor medio de acuerdo a la clase que corresponda.

Clase Mediatríz Dist. de Frecuencia FA FR
12.12 13.71 12.915 X X 4 0.04
13.72 15.31 14.515 X X X 6 0.06
15.32 16.91 16.115 X X X X X 10 0.1
16.92 18.51 17.715 X X X X X X XX 16 0.16
18.52 20.11 19.315 X X X X X X XXX 18 0.18
20.12 21.71 20.915 X X X X X X XX 16 0.16
21.72 23.31 22.515 X X X X X X X 14 0.14
23.32 24.91 24.115 X X X X 8 0.08
24.92 26.51 25.715 X X 4 0.04
26.52 28 27.26 X X 4 0.04
DMAIC
ANALYZE
En ocasiones son construídos por apreaciación

directa de los valores, sin necesidad de calcular
los pasos anteriores.
DMAIC
ANALYZE
Proceso Capaz Centrado
Spec. Min. Spec. Max.
Buena Centralización y Dispersión

DMAIC
ANALYZE
Distribución Normal Fuera de Centro

3 Sd
Buena Dispersión pero mala Centralización

DMAIC
ANALYZE
Distribución Normal Bien Centrada

Buena Centralización pero mala Dispersión

DMAIC
ANALYZE
Distribución Binomial
Proceso que envuelve dos “M’s” actuando de formal “especial”.

DMAIC
ANALYZE
Distribución Normal fuera de Centro y

Fuera de Especificación
Buena dispersión, mala centralización al punto de salir
fuera de uno de los límites de especificación

DMAIC
ANALYZE
Algún Producto Fuera de Especificación

Ajuste
Buena centralización, pero aparente existencia de
causa (s) especial (es).

DMAIC
ANALYZE
Distribución Binomial Fuera de Especificación

Evidencia de 2 Procesos mezclados, ambos descentralizados.

DMAIC
ANALYZE
Distribución Dual
Comunmente debido a algún ajuste, inicialización de
procesos, reparaciones de máquinas, entre otras.

DMAIC
ANALYZE
Lecturas Favorables
Selección favorable de valores específicos, posiblemente
debido a falta de entrenamiento o calibración.

DMAIC
ANALYZE
Tendencia Central La exactitud se mide en

Centro de gravedad del función de la cercanía y repetición
proceso, EXACTITUD. del objetivo.
Es decir que la mayoría de los
valores o el mayor número
están en el centro o valor
nominal deseado
Dispersión
Distancia de los valores con
relación al centro de gravedad, es
decir, el rango de valores es amplio El punto importante aquí
PRECISION. es la “consistencia”
A) No Preciso - No Exacto B) No Preciso - Exacto
Valor de X Valor de X
C) Preciso - No Exacto D) Preciso - Exacto
Valor de X Valor de X
DMAIC
ANALYZE
DMAIC
ANALYZE
DMAIC
ANALYZE
Inexacto y impreciso
DMAIC
ANALYZE
Exacto pero impreciso

DMAIC
ANALYZE
Preciso pero no exacto

DMAIC
ANALYZE
Preciso y exacto
DMAIC
ANALYZE
Definición
Es una grafica de barras que representa la dispersión de
la data sobre un rango predeterminado o calculado
directamente de la data. Esta dispersión total es
dividida en intervalos donde se cuantifica el numero
de datos por intervalo. El eje vertical de la
cuantificación representa el numero de datos dentro
del intervalo especificado en el eje horizontal
DMAIC
ANALYZE
Metodología
1. Cuantificar la cantidad de datos. (Conteo de la data)
2. Dividir la data en grupos.
3. Registrar el valor mas grande XL de la población de datos
como el mas pequeño XS
4. Calcular el rango R= XL - XS
5. Dividir el rango R en clases. Reglas
1. Menos de 50 datos = 5 a 7 clases
2. De 50 a 100 datos = 6 a 10 clases
3. De 100 a 250 datos = 7 a 12 clases
4. Mas de 250 datos = 10 a 20 clases
6. Determinar el intervalo i de clases dividiendo el rango por el
numero de clases. Estos intervalos sirven de escala al eje
7. Determinar limites de clase sumando i a XS, y a cada
resultado subsiguiente. Lx = Lx-1 + i
8. Cuantificar el numero de datos por cada clase y graficar
DMAIC
ANALYZE
Los Histogramas son utilizados para examinar la forma y el esparcimiento de los datos,
Los histogramas dividen los valores en varios intervalos llamados “bins”. Las barras
representan el número de observaciones que caen dentro de cada “bin” (su
frecuencia).
EJERCICIO:
200 Pedidos de un producto de su almacén durante el 2010.
(generamos la data con sigmaXL con un promedio de 500 y una desviación estándar de
50)
DMAIC
ANALYZE
Praticamos con Sigma XL
35
30 1: Mean = 500; Stdev = 50
25 Count = 200
Mean = 497.49
20 Stdev = 46.898
Range = 262.2
15
Minimum = 357.47
25th Percentile (Q1) = 469.59
10
50th Percentile (Median) = 499.22
5 Maximum = 619.715
0 95% CI Mean = 490.95 to 504.02

357
375
392
410
427
445
462
480
497
515
532
550
567
585
602
620
95% CI Sigma = 42.71 to 52.01
1: Mean = 500; Stdev = 50 Anderson-Darling Normality Test:

A-Squared = 0.568038; P-value = 0.1393
103
DMAIC
CONTROL
GRÁFICOS DE CONTROL
• Son una herramienta estadística que permite supervisar el control de un
proceso y nos alertan cuando se ha disturbado el proceso.
• Es utilizado para distinguir entre la variación en un proceso resultado de

causas comunes y la variación resultando de causas especiales.
• Son una representación gráfica de cierto plazo de tiempo, en el cuál se

visualiza la estabilidad o no del proceso.
DMAIC
CONTROL
CONTROL ESTADISTICO DE PROCESOS

(SPC)
Cómo se reduce la variabilidad de un Producto?
Se utiliza el control estadístico de Procesos (SPC)
Por qué utilizar los Cuadros de Control?

Ayuda a supervisar la variación de proceso en un cierto plazo de
tiempo.
Determina la eficacia de cambios.
Distingue entre la causa especial y la variación común de la causa.
Comunica el funcionamiento de proceso.
DMAIC
CONTROL
REGULACIÓN DEL PROCESO
Dado que siempre existe variación en el proceso, la cuestión radica en el

tipo de causas de variación:
– Causas comunes, aleatorias, propias del proceso y difíciles de
identificar.
– Causas especiales, intermitente, pueden ser identificadas más fácil
que las comunes y eliminadas.
Cuestión fundamental : Cómo identificar la variación.

DMAIC
CONTROL
ESTABLECIMIENTO DE LOS CONTROLES
Puntos típicos para establecer controles:
Al inicio de actividades significativas e irreversibles.
Después de crear una característica de calidad crítica.
Al tener variables dominantes del proceso.
Cambios de autoridad o área de participación.
* Utilizar un diagrama de flujo para resaltar/identificar los puntos de control.

DMAIC
CONTROL
DIAGRAMAS DE CONTROL
(CONTROL CHARTS)
DMAIC
CONTROL
Dolores y No tocar: Dolores y
sufrimientos No esta roto. sufrimientos

Requerimiento Requerimiento
Minimum del cliente Maximum del cliente
Este método:
• les dice donde están en relación a las necesidades del cliente

• no les dirá como cayeron allí ni que hacer después.
DMAIC
CONTROL
• El nivel de scrap de la planta alcanzo su menor nivel en un ano: 2%
• El Gerente General presenta un premio a la planta
• La ceremonia en la cafetería incluye pizza y refrescos para todos
• Tema del discurso:

Nivel de scrap (%)
“ Deben de sentirse orgulloso con lo que lograron. Siguen el buen camino”

3
2 Tiempo de celebracion
1
J F M A
2006
DMAIC
CONTROL
• Los siguientes 3 meses, se aumento el nivel de scrap..
• El Gerente quisiera recoger el premio.
• El gerente esta pensando tomar serias acciones.

Nivel de scrap (%)
2 El gerente quisiera recoger el premio
J F M A M J
2006
DMAIC
CONTROL
• El scrap alcanzo niveles de 2.6 %.

• El Gerente decidió tomar acción.
• Se convoca a una ”reunión urgente” para remediar a este
problema ahora y por siempre
• El Gerente se va después de una larga charla sobre la
importancia del scrap. Los empleados no tienen ni idea de que
hacer ya que tienen otras métricas con igual o mas importancia.
(%) (%)
• Entonces no hacen nada.

scrap
3
Level
Scrap de
2
No mas “Nice Guy”
Nivel
1
J F M A M J J A S O N
2006
DMAIC
CONTROL
• El Gerente vuelva a ver otra reducción del scrap desde final del ano
anterior.
• La lección : “El estilo duro de gerencia conduce a resultados !”

El Gerente concluye:
(%) (%)
“La motivación compulsiva mueve los

scrap
resultados”
Level
3
Scrap de
Nivel
J F M A M J J A S O N D J F M A M J
2006 2007
DMAIC
CONTROL
Pero, SPC cuenta una historia diferente
UCL
Nivel de scrap (%)
LCL
1
J F M A M J J A S O N D J F M A M J
2006 2007
DMAIC
CONTROL
La grafica de control es usada para identificar las

variaciones controladas y también las
incontroladas
Variaciones controladas: variaciones debidas a
causas comunes, normales o que son partes del
proceso
Variaciones incontroladas : debidas a causas
especiales, causas asignables
DMAIC
CONTROL
CAUSAS COMUNES
Presentes en cada proceso
Producidas por el proceso mismo (es parte
de como hacemos la cosas)
Pueden ser removidas y/o reducidas pero
requieren un cambio fundamental en el
proceso
Un proceso es estable, predecible, y en control, cuando las
variaciones restantes son solamente de causas comunes.
DMAIC
CONTROL
CAUSAS ESPECIALES
Impredecibles
Las variaciones son típicamente grandes en
comparación a las causas comunes
Causadas por una molestia única o por un series de
molestias únicas en sus características
Pueden ser removidas o reducidas por un control
básico del proceso
Un proceso donde existen variaciones debidas a causas
especiales esta fuera de control y inestable
DMAIC
CONTROL
Las Graficas de Control de proceso son
diagramas de la calidad de un producto o servicios a medida

que fluye el proceso.
La repuesta del proceso en relación a las especificaciones y

la manufacturabilidad del diseño en caso de un producto o
de la ejecución en caso de un servicio
Fue inventada por el Sr. Shewart de Bell Telephone en 1920,

con el fin de estudiar uniformidad en el proceso de
producción de su área
A través de sus componentes
de limites superior, inferior, y de
advertencia, las decisiones de acción
son de 3 tipos: Pase.
No acción requerida en el
Proceso. Zona 1
Espera y ser alerta

Zona 2
Stop
Investigación y ajustes
Zona 3
DMAIC
CONTROL
Zona - 3 Acción
LCS
Zona - 2 Advertencia
promedio de muestras
Zona - 1 Sigue
meta
Zona - 1 Sigue
Zona - 2 Advertencia
LCI
Zona - 3 Acción
1 2 3 4 5 6 7
Numero de muestras
Zona - 3 Acción % of Data Points
LCS
Zona - 2 Advertencia 3 Sigma 99-99.9%
promedio de muestras
2 Sigma 90-98%
Zona - 1 Sigue 1 Sigma meta 60-75%
1 Sigma
Zona - 1 Sigue 2 Sigma
Zona - 2 Advertencia 3 Sigma
LCI
Zona - 3 Acción
1 2 3 4 5 6 7
Numero de muestras
DMAIC
CONTROL
Los limites de control de proceso son calculados directamente

desde los datos del proceso mismo
Son basados en +/- 3σ (99.73% de la variación del proceso

debe caer dentro de estos limites)
Los limites de especificaciones (del producto) NO SE

ENCUENTRAN en la grafica de control
La posición de los limites de control en comparación con los

limites de especificaciones nos permiten entender como el
proceso responde a los requerimientos y necesidades del
cliente.
DMAIC
CONTROL
DOS ERRORES COMUNES en las graficas de control

1. Poner limites de especificaciones en la grafica de
control
2. Tratar los limites de control UCL (LCS) y LCL (LCI)
como limites de especificaciones
Cuando hacen uno de estos la grafica pasa a ser una

simple herramienta de inspección y no una de
control.
UCL / LCL no son directamente atados a los defectos para el
cliente !
DMAIC
CONTROL
Recuerden esto ?
Discreto – data Atribuida, data contada
Ex: 1, 2, 3,4 etc.

Bueno / Malo
Maquina 1 , 2 , 3 ...
Continua - Variable, data medida
Ej. Peso = 10.2 Lbs

dimensión = 11.211 onzas
DMAIC
CONTROL
Variable Discreta
Que tipo de Data ?
Contando
Data recolectado en
Defectos especificos o
Grupos or Individuales ?
Grupos Individual
Defectivos ?
Valores Defectivos
(Averages)
(n=1) Defectos
X-Bar R
(n>1) Individuales especificos
X-Bar S “Moving Range” Es baja

Es bajalala Probabilidad
Probabilidad Si sabes cuantos estan
NO malos, sabes cuanto estan
NOTA: X-Bar S Es apropriado dedeun
unDefecto
Defecto ? ?
Distribucion de POISSON Buenos
Distribucion ?
Binomial
para subgrupo (n) > 10
SI Individuales SI
“Moving Range”
Areas de
Oportunidades Constantes Tamano de muestra
en cada tamano de constante ?
muestra ?
NO
SI NO SI
Grafica u Grafica c GRafica p Grafica np
DMAIC
CONTROL
X-Bar-R
I-MR
Average -Range Chart

Xbar-R Chart
Individuals I-M
- RMoving
Chart Range 51
51.167
Sample M ean
52.799 _
52.5 50 _
X=49.882
Individual Value
51.0
49
_
X=49.882 48.596
49.5
2 4 6 8 10 12 14 16 18 20
Sample
48.0
4.8 4.712
46.965
1 10 20 30 40 50 60 70 80 90 100 3.6
Sample Range
Observation
_
2.4 R=2.229
4
1.2
3.584
3
M oving Range
0.0 0
2 4 6 8 10 12 14 16 18 20
Sample
2
__
1 MR=1.097
44
0 0
1 10 20 30 40 50 60 70 80 90 100
Observation
DMAIC
CONTROL
P
NP Proporción de
Unidades no
Numero de
conformes
NPChart
17.5 Unidades no conformes P Chart
1.0 1
16
15.0 0.9
0.8 _
Sample Count
__ P=0.7625
12.5
Proportion
NP=12.2
0.7
10.0 0.6
0.5
7.5 0.4433
7.09 1
1 0.4
1
1
5.0 0.3
3 6 9 12 15 18 21 24 27 30 3 6 9 12 15 18 21 24 27 30
Sample Sample
DMAIC
CONTROL
C U
Numero de defectos Numero de defectos

C Chart U Chart
20
3.5
1
3.0
por “unidad” 3.352
15.81
2.5
Sample Count
Sample Count
10 2.0
U=1.893
C=7.560 1.5
1.0
0.5 0.4336
0 0.00E+00
0.0
0 5 10 15 20 25 0 5 10 15
Sample Number Sample Number

DMAIC
CONTROL
Metodología: Gráficos de Control

Pasos para hacer un gráfico de control adecuado:
Determine los tipos de datos.

Recopile datos de manera uniforme teniendo en mente el
gráfico de control.
Seleccione el gráfico de control adecuado.
Haga el gráfico de control.
Analice el rendimiento del proceso.
Defina las acciones correctivas a tomar de acuerdo a las
advertencias generadas por el Control Estadístico del
Proceso.
DMAIC
CONTROL
Determine los datos que se recogerán.

Recoja e incorpore los datos del subgrupo.
Calcule e incorpore el promedio para cada subgrupo.
Calcule la media del proceso.
Calcule el promedio de los rangos de subgrupos.
Calcule el ULC y LCL para promedio de subgrupos .
Determinar el UCL para rangos.
Seleccionar las escalas y graficar.
Documentar el gráfico.
Gráficos de Control. DMAIC
CONTROL
Recopilación de la Data:
Sub-grupos 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
1 69 67 68 69 67 65 68 70 70 65 69 67 68 71 66 69 69 71 73 72 70 68 68 69 66
2 69 71 69 69 67 69 71 65 68 68 70 68 68 68 70 72 68 67 67 68 66 72 68 69 70
M u e stra
3 70 68 66 68 71 68 67 69 69 69 67 66 69 70 66 67 68 69 69 71 70 68 71 65 66
4 73 66 69 72 68 70 69 70 69 71 72 67 69 69 71 70 70 70 69 66 68 70 67 69 70
5 70 69 70 69 69 67 69 72 71 66 67 71 70 71 70 68 68 67 70 69 72 69 69 66 69
Sumatoria 351 341 342 347 342 339 344 346 347 339 345 339 344 349 343 346 343 344 348 346 346 347 343 338 341
Promedio 70 68 68 69 68 68 69 69 69 68 69 68 69 70 69 69 69 69 70 69 69 69 69 68 68
Rango 4 5 4 4 4 5 4 7 3 6 5 5 2 3 5 5 2 4 6 6 6 4 4 4 4
Para este estudio se tomaron 25 sub-grupos de 5

muestras cada sub-grupo
DMAIC
CONTROL
Gráficos de Control. Data Continua: X-Barra

•En subgrupo de m muestras, de tamaño 4, 5 ó 6 muestras usualmente
tomadas en un periodo de tiempo, se tienen las medias de muestras, que

a su vez permite definir la media promedio de proceso:
x + x 2 + ... + x m R1 + R2 + ... + Rm
X = 1 R=
m m
R= Mayor valor de subgrupo –
Menor valor de Subgrupo
Límites de control Gráfico de Límites de control Gráfico de
los promedios Rango
UCL = X + A2 R UCL = D4 R
CL = X CL = R
LCL = X − A2 R LCL = D3 R
DMAIC
CONTROL
Gráficos de Control. Data Continua: X-S

El estadístico de dispersión “desviación estándar” de cada subgrupo ( para n >10 ) es
más adecuado que el uso de rango, excepto cuando las muestras son pequeñas (n = 4
ó 6):
n
∑ i
( x − X ) 2
s= i =1
x 1 + x 2 + ... + x m n −1
X =
m
s1 + s2 + ...+ sm
s=
m
Límites de control para los promedios Límites de control Gráfico s
UCL = X + A3 s UCL = B4 s
∑ X CL =
∑ s
CL =
m m
LCL = X − A3 s LCL = B3 s
DMAIC
CONTROL
Gráficos de Control. Data Continua
Límites de control Gráfico X-Barra (Para Límites de control Gráfico de Rango (Para
gráfico X-Barra) gráfico X-Barra )
UCL = X + A2 R UCL = D4 R
CL = X CL = R
LCL = X − A2 R LCL = D3 R
Límites de control Gráfico X-Barra (Para Límites de control Gráfico s

gráfico X-S)
UCL = X + A3 s (ParaUCL
gráfico
=B X- S)
4 s
CL =
∑X CL =
∑ s
m m
LCL = X − A 3 s LCL = B3 s
DMAIC
CONTROL
Constantes para Gráficos de Control
Puede encontrarse en cualquier libro de SPC!

Tamaño de d2 A2 D3 D4
muestra, n
2 1.128 1.880 0 3.267

3 1.693 1.023 0 2.574
4 2.059 0.729 0 2.282
5 2.326 0.577 0 2.114
6 2.534 0.483 0 2.004
7 2.704 0.419 0.076 1.924
8 2.847 0.373 0.136 1.864
9 2.970 0.337 0.184 1.816
10 3.078 0.308 0.223 1.777
CONTROL
Data Continua: I-mR

Para cuadros de control de mediciones individuales, el promedio del proceso es sólo
la media de los n puntos:
n
∑ xi
X = i =1
n
• Los valores adyacentes más frecuentes son usados para determinar
los rangos móviles (mRs) :
MR1 = x2 − x1 MR2 = x3 − x2
; …
El promedio de rango móvil

n es el promedio MR para n valores:
∑MR i
MR1 + MR2 + ...+ MRm
MR= i =1
=
m m
CONTROL
Data Continua: I-mR

Límites de control para Gráfico de Valores Individuales y Rango (Rango):
LCL = 0
CL = MR
UCL = 3.27( MR )
Límites de control para Gráfico de Valores Individuales y Rango (Valores

Individuales):
3
UCL = X + ( MR)
d2 = X + 2.66( MR)
CL = X
3
LCL = X − ( MR) = X + 2.66( MR)
d2
Datos por Atributos. Construcción de Gráficos DMAIC
CONTROL
de Control “p”
En ocasiones cuando el tamaño de muestra no es igual en cada
subgrupo, se procede a ajustar el limite de control:
m
∑Di
p = i =m1 Di es el número de
∑ni no conformidades
i =1 para la enésima
muestra del total m.
Límites de control para gráficos P
p(1 − p) p(1 − p)
UCL= p + 3 LCL= p − 3
ni ni
CL= p
CONTROL
de Control “np”
Límites de Control de Gráficos np
El gráfico de control np es simplemente una alternativa al grafico de

control p cuando el tamaño de muestra n es constante.
UCL = np + 3 p (1 − p )
CL = np
LCL = np − 3 p (1 − p )
CONTROL
de Control “C”
Límites de Control de Gráficos c (número de no conformidades)
El gráfico cconsiste en evaluar el número de ocurrencias de no conformidad (es)
por unidad en un proceso para cualquier variable, donde evaluar el número de no
conformidades por unidad llega a ser más conveniente que evaluar la proporción
no conforme.
Utilizar este gráfico cuando el tamaño de subgrupos es constante.
c = Suma de ocurrencias de la no conformidad

Número total de unidades muéstrales
(# de sub grupos)
UCL = c + 3 c
CL = c
LCL = c − 3 c
CONTROL
de Control “U”
Límites de Control de Gráficos u (no conformidades por unidad)
Los gráficos u se utilizan para graficar defectos o no conformidades como una
fracción del total de unidades de subgrupos.
Generalmente el tamaño de subgrupo debe ser suficientemente grande para
detectar una causa especial de variación. Utilizar este gráfico cuando el tamaño de
subgrupos no es constante.
UCL = u + 3 u
c
u= CL = u
n
LCL = u − 3 u
DMAIC
CONTROL
DMAIC
CONTROL
Meta Promedio
LCI
del proceso LCS
-3s +3 s
LCS - LCI = 6 s
42 43 44 45 46 47 48 49 50 51 52 53
Riesgos de datos fuera de LCI y/o LCS son casi nulos

DMAIC
CONTROL
Promedio
del proceso area de
LCI LCS
Meta probabilidad
-3s +3 s de riesgo
42 43 44 45 46 47 48 49 50 51 52 53
Riesgos de datos fuera de LCS son minimos

DMAIC
CONTROL
Promedio area de
Meta
LCI de proceso
LCS probabilidad
-3s +3 s de riesgo
42 43 44 45 46 47 48 49 50 51 52 53
Riesgos de datos fuera de LCS son grandes

DMAIC
CONTROL
Mean
UCL
Target
LCI
Range
UCLr
Time Intervals
DMAIC
CONTROL
DMAIC
CONTROL
Por la teoría de distribución normal, las reglas de

interpretación de la grafica de control se basa en :
1. El resultado aleatorio
2. Simetría con el centro de distribución.
3. 99.73% de la población están entre - 3s y + 3s desde la línea
central o meta.
4. 95.4% población están entre -2s y + 2s desde la línea de
meta.
DMAIC
CONTROL
SEÑALA UN CAMBIO O AUMENTO REPENTINO EN LA VARIABILIDAD
Un punto fuera de
limite
LCS
LAS
medicion
meta
LAI
LCI
Number de muestras
1 2 3 4 5 6 7 8
DMAIC
CONTROL
9 puntos consecutivos en un solo lado de la

línea central o meta. Evidencia de
desplazamiento menor
LCS
LAS
mediciones
meta
LCI
LCL
1 2 3 4 5 6 7 8
DMAIC
CONTROL
2 puntos consecutivos entre limite de advertencia y de

control. Evidencia de desplazamiento significativo.
Requiere observación y ser alerta.
LCS
LAS
mediciones
metas
LAI
LCI
1 2 3 4 5 6 7 8
Numero de muestras
DMAIC
CONTROL
2 puntos de 3 consecutivos entre limites de

advertencia y limites correspondientes de control.
Evidencia de un desplazamiento con causas
temporales. A evitar en el futuro. Y si persiste
entonces es un desplazamiento significativo que
requiere acción. LCS
LAS
Medicion
meta
LAI
LAI
1 2 3 4 5 6 7 8
Numero de muestras
DMAIC
CONTROL
6 puntos consecutivos con tendencia hacia

arriba o abajo. Evidencia de presencia no
aleatoria como por ejemplo desgastes en
maquinaria o simple fatiga del operador
LCS
LAS
medicion
meta
LAI
LCL
1 2 3 4 5 6 7 8
Numero de muestras
DMAIC
CONTROL
14 puntos consecutivos alternando arriba-

abajo de la linea central, o de un solo lado.
LCS
LAS
mediciones
meta
LCI
LCL
ESTRATIFICACION
SEÑALAN MEZCLAS DENTRO DE UN MISMO SUB-GRUPO,
1LOS PUNTOS
2 ABRAZAN
3 MUY 4CERCA LA5LINEA CENTRAL.
6 7 8
DMAIC
CONTROL
4 de 5 puntos consecutivos en un solo lado de

la línea central a mas de 1 sigma .
LCS
LAS
mediciones
meta
LCI
LCL
1 2 3 4 5 6 7 8
Numero de muestras
DMAIC
CONTROL
15 puntos consecutivos de cualquier lado de la

línea central o meta a menos de 1 sigma.
LCS
LAS
mediciones
meta
LCI
LCL
1 2 3 4 5 6 7 8
Numero de muestras
DMAIC
MEASURE
Process Capability Analysis

DMAIC
MEASURE
Relación de la variación total permitida por las especificaciones con

respecto a la variación total medida realmente en el proceso.
Generalmente, se busca un valor de Cp superior a 1,33 (dependiendo de

la industria).
Cuando Cp<1, la variabilidad del proceso es mayor a los

limites de especificados
DMAIC
MEASURE
Allowed variation (spec.) USL−LSL

Cp = Cp =
Normal variation of the process o 6σ̂
99,7% de los valores

R
σ̂ =
d2
LSL USL
DMAIC
MEASURE
Tipos de estudio de capacidad según el tipo de datos

Que tipo de data
tiene?
Data atribuida Data Continua
Recolectar Data Recolectar Data

En el proceso En el proceso
Analizar Data Analizar Data
Expresar Capacidad Expresar Capacidad

Dpu, Sigma, PPM Dpu, Sigma, PPM
Control Charts Cp, Cpk, Pp, Ppk
DMAIC
MEASURE
Realizado en el equipo nuevo, como parte del proceso de calificación y

aprobación.
Realizado en procesos existentes como medio de establecer una línea
de referencia de las operaciones actuales (de forma que sea posible
deducir cuándo se ha producido una mejora).
Cuando se hace periódicamente, es una manera de controlar el
desgaste y las roturas de los equipos, así como el deterioro de un
proceso por cualquier motivo (material, personal, entorno, etc.).
Puede hacerse en cualquier proceso que tenga una especificación
definida, de fabricación o transacción (se necesita la especificación
para los valores del numerador), y un sistema de medición válido
(necesario para todos los valores del denominador).
DMAIC
MEASURE
Al comenzar la medición o control de un parámetro, siempre se debe:

Calibrar el sistema de medición (salvo que se haya hecho
recientemente).
Use una norma del NIST (National Institute of Standards and
Technology)
Un técnico capacitado.
Realizar un análisis del sistema de medición (MSA)
Grupo de piezas reales (utilice piezas de los límites superior e
inferior del intervalo de tolerancia, incluso piezas rechazadas).
Grupo de operadores de máquinas reales.
Varias tandas 'ciegas' y aleatorias.
El proceso debe estar controlado estadísticamente.
DMAIC
MEASURE
Conceder la máxima prioridad a los parámetros cuyos Cpk sean

inferiores a 1,0 (centre la dimensión, reduzca la variación o haga
ambas cosas)
Si es posible, relaje la tolerancia. (Si el producto/proceso está
maduro, y no ha habido problemas con el cliente, ¿cuál es la
necesidad de esta especificación formal cuando se haya usado
históricamente otra especificación “de facto”?)
Inspeccionar, medir y clasificar un 100%.
Diagrama utilizando los datos de las mediciones.
Utilizar el SPC en parámetros cuyo Cpk esté comprendido entre 1.0 y
1.33 (dependiendo la industria).
Pasar a comprobaciones de primera pieza en parámetros superiores a
1.33 (o 1.67, si es el caso) y en la representación gráfica de SPC de
datos de primera pieza y datos de auditoria.
DMAIC
MEASURE
El proceso de análisis de capacidad comprende:
1.Llevar un proceso a un estado de control estadístico

para un periodo razonable de tiempo.
2.Comparar los procesos de largo plazo con los requisitos
de ingeniería y de la gerencia.
DMAIC
MEASURE
LSL USL
Defects
Que causaron los Defectos ?

DMAIC
MEASURE
Voz del proceso

DMAIC
MEASURE
LSL USL
Voz del Cliente

DMAIC
MEASURE
LSL USL
Voz del Proceso

Voz del Cliente
DMAIC
MEASURE
Estrategia de la capacidad del Proceso:

Centro – Poner el promedio del proceso igual a la meta
Ancho – Reducir la variación
LSL USL
40 50 60 70 80 90 100
DMAIC
MEASURE
DETERMINACION DE CAPACIDAD DE
PROCESO
Los índices de la capacidad de proceso se utilizan para determinar la
capacidad de un proceso de resolver la especificación.
Mejor Mejor
Malo
(Baja dispersión fuera (Baja dispersión, en
(Alta dispersión)
de objetivo) objetivo)
DMAIC
MEASURE
USL - LSL
Cp =
6s
X - LSL USL - X
C pk = Min( , )
3s 3s
Cp & Cpk son dos medidas claves de la capacidad del proceso. Cp

caracteriza el ancho, Cpk la centralidad
Nota: s usado es s(adentro).
DMAIC
MEASURE
USL - LSL
Cp =
6s
Tolerancia Total
Cp = Ancho del Proceso
DMAIC
MEASURE
27 mm = LSL USL = 33 mm
3s 3s
xbar = 30 mm
s=1
USL - LSL Cp = __________
Cp =
6s
DMAIC
MEASURE
3s 3s
xbar = 30 mm
s=1
USL - LSL
Cp = Cp = __________
6s
DMAIC
MEASURE
3s 3s
xbar = 30 mm
s = 0.333 mm
USL - LSL Cp = __________
Cp =
6s
DMAIC
MEASURE
3s 3s
xbar = 33 mm
s = 0.333 mm
USL - LSL Cp = __________
Cp =
6s
DMAIC
MEASURE
X - LSL USL - X
C pk = Min( , )
3s 3s
X - LSL USL - X
C pL = C pU =
3s 3s
Confirmamos que Cpk caracteriza la centralidad del

proceso
DMAIC
MEASURE
3s 3s
xbar = 33 mm
CpL = ___________ CpU s= =___________

0.333 mm
Cpk = ____________
DMAIC
MEASURE
La capacidad del proceso es el “Potencial” que

tiene el proceso (Cp y Cpk) para cumplir con las
especificaciones
El desempeño del proceso es el “Real” desempeño

de los procesos (Pp y Ppk)
DMAIC
MEASURE
USL - LSL
Pp =
6s(overall)
X - LSL USL - X
P pk = Min( , )
3s (overall) 3s (overall)
Pp & Ppk miden el desempeño del proceso y es esto que

ve su cliente!
DMAIC
MEASURE
Variabilidad
Std Dev Std Dev
(adentro) (Overall)
Solo
Informacion
Cp Pp
ancho
Centro &
Cpk Ppk
ancho
DMAIC
MEASURE
A plazo corto Mover Ppk hacia Pp (Centralizar el proceso)
A plazo mediano Mover Pp hacia Cpk (Reducir Variaciones)
Mover Cpk hacia Cp (normalizar ( al azar)

A plazo largo
las Variaciones)
Six Sigma Process

Cp = 2.00
Ppk = 1.5
DMAIC
MEASURE
INTERPRETACION DE LOS INDICES C P
cp = cpk El proceso esta centrado y no hay cambios significativos

en la media de proceso. De otro modo Cpk será siempre
menor a Cp
c p > 1.33 Proceso aceptable.
1.00 ≤ cp ≤ 1.33 Proceso capaz con control ajustado de tolerancia
c p < 1.00 El proceso es inaceptable

DMAIC
MEASURE
c pk
INTERPRETACIO DE LOS INDICES
c pk > 1.00 6σ está dentro de los límites de especificación.
1.5 ≤ c pk ≤ 2.0 Es tolerable para el proceso
c pk < 1.00 El proceso no se centra en las especificaciones, es

inaceptable. Una parte de su distribución esta fuera
de los limites de especificación
185
DMAIC
ANALYZE
GRAFICO DE CAJA (BOX PLOT)
Box plots ayudan a ver la distribución de los datos de

forma
fácil y rápida!
Outlier
Upper whisker
Third quartile *
Median
Lower whisker
First quartile
DMAIC
ANALYZE
Quartiles: Mientras la mediana (Q2) es el valor que separa los valores

ordenados en mitad (50% de los valores son menores, y 50% de los valores
son mayores), los quartiles son medidas descriptivas que separan los datos
ordenados/organizados en 4 cuartos (quarters).
El primer quartil, Q1, es el valor tal que 25% de los valores son menores y
75% de los valores son mayores. Q1=(n+1)/4 observaciones ordenadas,
donde n= tamaño de muestra.
El tercer quartil, Q3, es el valor tal que 75% de los valores son más
pequeños y 25% son mayores. Q3=3(n+1)/4 observaciones ordenadas,
donde n= tamaño de muestra.
DMAIC
ANALYZE
Ejemplo: Si tenemos como set de datos que el tiempo de ciclo de una

máquina para diferentes tipos de sellados es 52, 29, 31, 39, 35, 45, 40, 44, 43,
39:
Procedemos a ordenarlo como sigue:
29 31 35 39 39 40 43 44 45 52 (Datos)
1 2 3 4 5 6 7 8 9 10 (Observación ordenada)
Q1=(10+1)/4=2.75-valor alineado, 75% más del segundo valor alineado.
Porque el segundo valor alineado es 31 y el tercer valor alineado es 35 (y su
diferencia es 4), el primer quartil es 34 [porque 31+(3/4)(4)=31+3=34]. Esto
significa que el 25% de los valores es igual o menor que 34 y que el 75% de
los valores es mayor o igual que 34.
DMAIC
ANALYZE
Outlier
95.92
85.92
75.92
65.92
Upper whisker
Third quartile
55.92
Median
45.92
35.92
25.92
15.92
cycle time Lower whisker
First quartile
DMAIC
ANALYZE
Ejemplo de cycle time de 5

maquinas distintas o también
92.4375 podría ser lead time de cinco
82.4375 suplidores del mismo articulo, o el
72.4375 pedido de un cliente interno/
62.4375
externo en 5 periodos diferentes
etc.
52.4375
42.4375
32.4375 cycle time1 cycle time 2 cycle time 3 cycle time 4 cycle time 5
52 30 45 100 37
22.4375 29 38 45 28 30
31 21 45 25 32
12.4375
39 32 44 27 37
cycle cycle cycle cycle cycle 35 42 44 32 35
time1 time 2 time 3 time 4 time 5 100 33 40 26 36
40 33 42 35 34
44 41 39 40 31
43 33 38 33 39
39 27 43 31 31
Observaciones ???
DMAIC
ANALYZE
Multi Vari
108
Mean Options - Total

103
98
93
88
#1 #2 #3
time 1 - unit 1: U1
DMAIC
ANALYZE
MULTI-VARI CHART
Cuadros Multivariables
Los estudios multivariables son una forma de manejar y analizar la complejidad de
datos gráficamente de modo que se descompone e identifica visualmente los
elementos que afectan la variabilidad. Se clasifica la variación en tres tipos :
Posicional: Variación en la pieza (within group)

Cíclica: Variación de pieza a pieza (Between groups)
Temporal: Variación de tiempo a tiempo, ejemplo, turno a turno (between
time or time-to-time)
El analisis multi-vari es una técnica de análisis grafica muy potente en la

identificación y cuantificación de las fuentes dominantes de variación de un
proceso.
Es mejor usado cuando la respuesta Y es continua y la variable X discreta.
DMAIC
ANALYZE
MULTI-VARI CHART
1. Desarrollar perfil de información

2. Definir problema en términos de qué, dónde, cómo y cuánto
3. Observar todas las combinaciones de los niveles de todos los factores xs,
(de lo contrario no puede construirse el gráfico usando el factor en el
cual no se observa combinación).
4. Desarrollar plan de recolección de datos
5. Diseñar hoja de registro
6. Recolectar datos que muestren variación de procesos posicional, cíclica
y temporal.
• Incluir suficientes datos para mostrar los procesos cíclicos y
temporales (turnos, días, etc.)
DMAIC
ANALYZE
MULTI-VARI CHART
7. Hacer gráfico en SigmaXL
8. Analizar los datos
9. Graficar los hallazgos
• Reestructurar gráfico para mejor ajuste visual
10. Determinar plan de seguimiento
Ejercicio: Usando SIGMAXL y el archivo

“understanding variation”. U1 U2 U3
Filling Line A
DMAIC
ANALYZE
Posicional cíclica temporal
108 108 108

Mean Options - Total
103 103 103
98 98 98
93 93 93
88 88 88
U1 U2 U3 U1 U2 U3 U1 U2 U3
unit 1 - time 1: 1 unit 1 - time 1: 2 unit 1 - time 1: 3
1.40 1.40 1.40

Standard Deviation
1.20 1.20 1.20

1.00 1.00 1.00
0.80 0.80 0.80
0.60 0.60 0.60
0.40 0.40 0.40
0.20 0.20 0.20
0.00 0.00 0.00
U1 U2 U3 U1 U2 U3 U1 U2 U3
unit 1 - time 1: 1 unit 1 - time 1: 2 unit 1 - time 1: 3

196
DMAIC
MEASURE
σΤ
Variación total
Que vemos!
observada
¿Qué produce el
proceso de medición?
σΡ σΜ
Variación del Variación de la
Producto o Proceso Medida
Causa Causa Variación

Variación
común de especial de por el
por el Gage
Variación Variación Operador
DMAIC
MEASURE
Inputs Output
X
1
X
2 PROCESO Y
X Variación Total
3
Sistema de
Medida
El sistema de medida afecta nuestro entendimiento del

proceso!
DMAIC
MEASURE
Inputs Output
X
1
X
2 PROCESO Y
X Variacion
3
Sistema de
Total
Medida
Un buen sistema de medidas nos permite ver reales

diferencias!
DMAIC
MEASURE
COMPONENTES DE LA VARIACION
DE LA MEDICION
Variación de la
Medición
Bias Gage R&R Total Estabilidad Linealidad
Repetitividad Reproducibilidad
DMAIC
MEASURE
DE LA MEDICION
Variación de la
Medición
DMAIC
MEASURE
La misma muestra medida por tres diferentes operadores:
R Chart por operador

1.0
Operador 1 Operador 2 Operador 3
Rango de muestra
0.5
0.0
Estudio de reproducibilidad de operadores
DMAIC
MEASURE
DE LA MEDICION
Variación de la
Medición
Afecta la
Exactitud del gauge
DMAIC
MEASURE
Distribución de
Promedio medidas repetidas

Valor real
Bias
Exacto significa menor bias

DMAIC
MEASURE
DE LA MEDICION
Variación de la
Medición
DMAIC
MEASURE
Linealidad significa un proporcional

o constante bias a través del rango
Measured Value
Radio = 1
Característica de
operación
Valor real
0
DMAIC
MEASURE
DE LA MEDICION
Variación de la
Medición
Afecta la Precisión
del gage
DMAIC
MEASURE
Precisión significa menor variación

alrededor del promedio
Variación
Distribución de
Promedio
repetidas
medidas Valor Real
Bias
DMAIC
MEASURE
Preciso Impreciso
No exacto
Exacto
DMAIC
MEASURE
Los estudios de sistema de medición son usados para calcular la

capacidad de un sistema de medida. Intenta responder preguntas
como:
¿Se están tomando los datos correctos?
¿ Se refleja lo que esta pasando en el proceso?
¿ Qué tan grande es la medida de error?
¿ Se detectan los cambios que ocurren?
¿ Cuales son las fuentes de error?
¿ Es estable el sistema?
¿ Genera el sistema información o data realmente útil?
¿ Existe oportunidad de mejora del sistema?
DMAIC
MEASURE
ANALISIS DE SISTEMA DE MEDICION
El objetivo del MSA es hallar las fuentes de variación que pueden afectar
los resultados del proceso y el sistema.
La fuente importante de variabilidad puede estar en el propio sistema
de medición.
Es importante otorgar mayor importancia al sistema de medición
antes de empezar el trabajo de mejora del proceso.
El sistema de medición es sólo un medio para medir la variabilidad de un
producto o proceso.
El objetivo de un MSA es conocer el proceso de medición en un corto
plazo de tiempo.
DMAIC
MEASURE
GAGE R & R
Repetitividad y Reproducibilidad
σ2Total = σ2Part-Part + σ2R&R

R&R
•Repetitividad (variación de equipos) Part-Part
Variación observada con un dispositivo de medición cuando se usa
varias veces por el operador mientras se mide las características
idénticas sobre la misma parte.
•Reproducibilidad (Apreciación de variación)
Variación obtenida de diferentes operadores usando el mismo
dispositivo cuando características idénticas sobre la misma parte.
•Estabilidad o Drift
Variación total en la medida obtenida con una medición obtenida sobre
el mismo valor maestro o de referencia cuando se mide la misma
característica en un periodo de tiempo extenso.
DMAIC
MEASURE
GAGE R & R
Consideraciones Gage R & R:
Las mediciones tienen que estar en un control estadístico para la

estabilidad estadística de variación de medida y no de causas especiales.
La variabilidad del sistema de medida tiene que ser pequeño en
comparación con los procesos de manufactura y especificaciones de
límites.
Los incrementos de medida tienen que ser pequeños relativos a las
variaciones de procesos y especificaciones de límites.
DMAIC
MEASURE
GAGE R & R
 EV 
% EV = 100 
Variación de equipo  TV 
 AV 
Variación de apreciación %AV =100 
 TV 
 GRR
Gage R&R %GRR=100 
 TV 
 PV 
Variación de proceso
%PV =100 
 TV 
DMAIC
MEASURE
GAGE R & R
Limites de control para gage R& R:
UCLX = X + A2 R
LCLX = X − A2 R
DMAIC
MEASURE
GAGE R & R
Inspector 1
Sistema de medición para Parte Lectura 1 Lectura 2 Promedio Rango
datos de estudio de
repetitividad 1
2
Inspector 2
Parte Lectura 1 Lectura 2 Promedio Rango
1
2
3
4
5
DMAIC
MEASURE
GAGE R & R
Evaluación de error de datos de medida para reproducibilidad
Integra un grafico X-mR para su determinación manual
Inspector 1 Inspector 2
R
X
parte Lectura 1 Lectura 2 Lectura 1 Lectura 2
3
4
5
Promedio:
DMAIC
MEASURE
Repetitividad, es la variabilidad creada por múltiples mediciones de la misma

unidad bajo condiciones idénticas de prueba sucesivas (mismo operador,
calibración, laboratorio, etc)
Suele llamarse variación con grupo o variación común. Referido a variación de
equipo EV.
Se conoce también como error de prueba, usado para estimación de la
variación a corto plazo.
Promedio observado
Promedio real
Repetitividad
Número total de veces de repeticiones aceptadas
Número total de veces de repeticiones
Repetitividad
DMAIC
MEASURE
Reproducibilidad, es la variación creada por múltiples condiciones en el

promedio de medición causado por cambios en el proceso por múltiples
operaciones o labores.
Corresponde a la variación del promedio de las medidas hechas por
diferentes evaluadores con el mismo instrumento de medida al medir las
mismas características de la misma pieza.
Reproducibilidad Objetivo ideal

Número total de veces de repeticiones aceptadas
Número total de veces de repeticiones del proceso
promedio
Operador A
Operador B
Operador C
DMAIC
MEASURE
COMPONENTES DEL ERROR DE MEDICIÓN

El estudio R&R es el porcentaje de variación del proceso
relacionado con el sistema de medición en lo que se refiere a
repetitividad y reproducibilidad
Una regla común práctica, de criterios generalmente para

aceptación de un sistema de medición se dan cuando la
variabilidad del estudio R& R produce:
• R & R < 10% : Sistema de medición es aceptable

• 10%< R & R< 30% : Puede ser aceptable (depende de la
situación)
•R & R > 30% : El sistema de medición es inaceptable y debe
corregirse o reemplazarse
DMAIC
MEASURE
Componentes de la precisión de la medida:
Variación dentro del equipo

Repetitividad
Medioambiente
Variación entre operadores
Reproducibilidad Variación entre laboratorios

Variación entre equipos
DMAIC
MEASURE
El objetivo de un MSA es aprender lo más que se pueda de

nuestro proceso de medición en un corto período de tiempo.
La estrategia es incluir el equipo, operadores, partes a medir, y
otros actores que serán elementos del sistema de medición.
El método es seleccionar muestras del proceso que cubran una
parte representativa del rango de la especificación.
La organización de las muestras en manera codificada.
El procedimiento es permitir a cada operador medir cada
muestra múltiples veces utilizando el mismo equipo o
instrumento.
DMAIC
MEASURE
(1) Selección de las partes/ muestras:

Seleccione 5 muestras (Gage R&R corto) o 10 muestras (Gage
R&R largo), para:
Las muestras deben ser seleccionadas que representen la variación
esperada del proceso.
Las muestras deben encontrarse hacia ambos lados de las especificaciones.
(2) Selección de los operadores:

Seleccione 2 operadores (Gage R&R corto) o 3 operadores (Gage
R&R largo) que estén adiestrados para usar el equipo de
medición aplicable.
Incluya operadores que tengan mucha experiencia y poca
experiencia de manera combinada.
DMAIC
MEASURE
Estudio Corto: Dos (2) operadores y cinco (5)

muestras. Un instrumento de medición.
Estudio Largo: Tres (3) operadores y diez (10)

muestras. Un instrumento de medición.
Otras combinaciones son aceptadas, donde cada

operador haga por lo menos 2 repeticiones de
medición de la característica en cada muestra por
operador.
DMAIC
MEASURE
(3) Seleccionando el instrumento:

Algunas veces los operadores utilizan el mismo
instrumento, otra veces los instrumentos son mezclados
entre operadores. Considere combinar instrumentos y
operadores, y manejarlos como pruebas independientes.
Reproducibilidad se puede referir tanto a repetición del
operador como del instrumento.
Verifique que todos los gages o instrumentos se
encuentren debidamente calibrados.
DMAIC
MEASURE
(4) Seleccionando el número de repeticiones:

Considere utilizar como mínimo dos (2) operadores, cinco
(5) muestras, y que cada operador mida las muestras dos
(2) veces (esto par el R&R corto).
(5) Verifique que la resolución de instrumento es
igual o menos que 1/10 de la variación esperada
del proceso y/o el rango de tolerancia de la
especificación.
DMAIC
MEASURE
Si las muestras son compartidas por los diferentes

operadores, la configuración del R&R es
"Crossed“.
Si las muestras son únicas de cada operador,
entonces la configuración de R&R es "Nested"
Configuración Nested Configuración Crossed

1 2 1 2
Operador
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 1 2 3 4 5
Muestras
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Mediciones
DMAIC
MEASURE
“Proceso” a ser medido:

Fichas de dominos.
Característica a medir:
Largo
Ancho
Profundidad
(3 estudios, una característica por equipo)
DMAIC
MEASURE
Ancho
Largo
Profundidad
DMAIC
MEASURE
231
DMAIC
DEFINE
Metodología DMAIC
DMAIC
DEFINE
DEFINICION DEL PROBLEMA
¿Cuáles son las metas?
Reducción Reducción
de defectos de costos
Reducción
rechazos
(int./ext.)
La definición de problemas necesita basarse en

hechos cuantitativos apoyados por datos analíticos.
DMAIC
DEFINE
DEFINIENDO EL PROBLEMA
Mapa de proceso
(High Level)
Identificación de
variables- ‘x’
Medición de proceso
Entender el problema-
‘Y’ = función de variables - ‘ x’
Y=f(x)
DMAIC
DEFINE
DMAIC
DEFINIR
CONTROLAR
MEDIR
MEJORAR
ANALIZAR
DMAIC
DEFINE
Define el problema a resolver, incluye el impacto al cliente y sus beneficios

potenciales.
Comprende las metas de mejora.
Organiza el equipo de proyecto
Prepara un escenario que verifica las necesidades y requisitos de los clientes
Diagramas de alto nivel del proceso actual
Herramientas:
-Manejo de Proyectos
DEFINIR -Perfil del Proceso
-Voz del Cliente
CONTROLAR - Análisis de Variables de
MEDIR entrada y salida
- Mapeo del proceso
- Diagrama SIPOC
MEJOR - Diagrama de Afinidad
ANALIZAR
AR
DMAIC
DEFINE
Se determina la tasa actual de defectos, o sea cuál es el sigma actual del proceso.
Se debe lograr un enfoque mayor de cuál realmente es el problema.
Medición del sistema para establecer una métrica confiable que abarca las formas
de medición principales.
Herramientas:
-Mapas de Procesos
-Definición Operacional de los
DEFINIR
Datos
-Técnicas de Muestreo
CONTROLAR -Estudios de Repetibilidad y
MEDIR
Reproducibilidad
-Determinar patrones de los
datos
MEJOR (histogramas, gráficos corrida,
ANALIZAR gráficos control)
AR
-Estudio de Capacidad del
Proceso
DMAIC
DEFINE
Persigue identificar las causas raíces para saber por qué el defecto ocurre.
Se establece una línea de procesos base para determinar las metas de mejoras.
Análisis de datos existentes y recopilados por parte del equipo.
DEFINIR Herramientas:
-Análisis de Proceso
CONTROLAR -Organización de Causas Raíces
MEDIR -Análisis de Múltiple Variación
-Prueba de Hipótesis
-Modelos de Regresión
- Análisis exploratorio y descriptivo
MEJOR
ANALIZAR
AR
DMAIC
DEFINE
Cuantificar la influencia de las variables claves del proceso en las características

críticas del producto o servicio; identificar límites aceptables de esas variables, y
modificar los procesos para que estén dentro de esos límites.
Herramientas
– Diseño de Experimento (DOE)
DEFINIR – Simulación de proceso
– Utilización de manejo de
CONTROLAR proyectos para la implantación
MEDIR
– Desarrollo de Pilotos
– Manejo de Riesgo
– Exponer alternativas
MEJOR
ANALIZAR
AR
DMAIC
DEFINE
Asegurar que los procesos modificados mantengan las variables claves del proceso
dentro de los límites aceptables, de manera que la ganancia se mantenga por largo
tiempo.
Control de las mejoras
Aplicación de las herramientas y técnicas al proceso
Continuidad y perdurabilidad Herramientas
– Uso gráficos de control
– Estandarización
DEFINIR
– Documentación
– Evaluación y Clausura
CONTROLAR
MEDIR
14
LCS =13.1
12
X = 11.2
10
MEJOR 8
LCI = 9.3
ANALIZAR 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
AR
DMAIC
ANALYZE
Minitab al igual que otros software, le permite identificar qué
tipo de distribución siguen los datos y provee el análisis de
14 distribuciones:
1. Normal,
2. Lognormal,
3. 3-parameter lognormal,
4. Exponential,
5. 2-parameter exponential,
6. Weibull,
7. 3-parameter Weibull,
8. Largest extreme value,
9. Smallest extreme value,
10. Gamma,
11. 3-parameter gamma,
12. Logistic,
13. Loglogistic &
14. 3-parameter loglogistic.
Probability Plot for Pureza
G oodness of F it Test
2-P arameter E xponential - 95% C I Weibull - 95% C I
99.9 99.9 2-P arameter E xponential
90 90 A D = 3.684
50 50 P -V alue < 0.010
P er cent
P er cent
10 10 Weibull
A D = 0.248
P -V alue > 0.250
1 1
3-P arameter Weibull
0.1 0.1 A D = 0.359
0.001 0.010 0.100 1.000 10.000 0.01 0.10 1.00 10.00 P -V alue = 0.467
P ur eza - T hr eshold P ur eza
S mallest E xtreme V alue
3-P arameter Weibull - 95% C I S mallest E xtreme V alue - 95% C I A D = 3.410
99.9 99.9 P -V alue < 0.010
90 90
50 50
P er cent
P er cent
10 10
1 1
0.1 0.1
0.1 1.0 10.0 -10 -5 0 5
P ur eza - T hr eshold P ur eza
DMAIC
MEASURE
Box-Cox Transformation
DMAIC
MEASURE
La transformación Box-Cox se usa para convertir datos non-normales a

datos normales aplicando una transformación de potencia.
En los estudios de índices capacidad de procesos se hace un supuesto

importante que la data es normalmente distribuida. En caso de que no es,
después de haber verificado por la grafica de probabilidad, se debe aplicar
una transformación para garantizar la normalidad de la data antes de
proceder a los cálculos de capacidad.
Box- Cox usa la potencia: Y^lambda

con -5 <= lambda <= 5
En los cálculos se puede seleccionar un valor lambda redondeado o un

valor optima. Se prefiere redondeado, por resultar en una transformación
mas “intuitiva” de tipo Ln(Y) o SQRT(Y)
DMAIC
MEASURE
La transformación Box-Cox es muy efectiva para las

distribuciones con sesgos, pero no funciona con
datos bi-modal
Sigma XL facilita los cálculos de transformación de

potencia Box-Cox.
Veamos un caso practico de lead time donde

aplicaremos muchos de las técnicas aprendidas en
las fases de definición y medición.
DMAIC
ANALYZE
Prueba de Hipótesis
DMAIC
ANALYZE
PRUEBA DE HIPOTESIS
Las pruebas de la hipótesis H0 (o pruebas de significación)

son "un método de decidir con ciertos riesgos
predeterminados del error, (1) si la población asociada a una
muestra se diferencia de la especificada ; (2) si se diferencia la
población asociada a cada una de dos muestras; o (3) si
diferencia la población asociada a cada uno de más de dos
muestras."
DMAIC
ANALYZE
PRUEBA DE HIPOTESIS
7 30
6 Comparar muestras
5
20
Frequency
Frequency
4
3
medias y varianza
10
2
0 0
0.000 0.005 0.010 0.015 0.020 0.025 0.000 0.005 0.010 0.015 0.020 0.025
Es el factor realmente
Análisis de Regresión
importante?
60
50
40
• Identificar Se entiende el impacto de ese
relaciones factor?
Y
30
20
• establecer
10 Regression
95% PI
0
5 15 25 35 45 55
límites Han ocurrido mejoras que han
X
impactado
Cuál es el verdadero impacto?

DMAIC
ANALYZE
PRUEBA DE HIPOTESIS
Prueba de Hipotesis H1 H0
De una cola
Región de rechazo
z < -zα
-z α
DMAIC
ANALYZE
PRUEBA DE HIPOTESIS
Prueba de hipótesis : Pruebas de Una-cola y Dos-colas en población
Una− cola Una− cola

H0 : µ = µ0 H0 : µ = µ0
Ha : µ > µ0 Ha : µ < µ0
Dos− colas Dos− colas
H0 : µ = µ0 H0 : µ1 = µ2
Ha : µ ≠ µ0 Ha : µ1 ≠ µ
DMAIC
ANALYZE
TIPOS DE ERRORES EN PRUEBAS DE HIPÓTESIS

Las probabilidades para tomar decisiones correctas en la prueba de
hipótesis se demuestran abajo:
DECISION
Aceptar H0 Rechazar H0
Decisión α es la
H0 verdadera Correcta probabilidad
REALIDAD
de error Tipo
α)
(1-α
β es la
I
Decisión
H0 falsa probabilidad
Correcta
de error Tipo
II β)
(1-β
DMAIC
ANALYZE
PRUEBA DE HIPOTESIS
Error de tipo I: Se rechaza H0 cuando es verdadera.

La probabilidadα de cometer este error también llamado nivel de significancia se
presenta por
Error tipo II: Aceptar H0 cuando es falsa.

• La probabilidad de cometer un error tipo II se representa por la letra β
• α y β están relacionados. El valor del error tipo II puede resultar ser mayor para
muestras pequeñas.
•α , el nivel de significancia es usado en la práctica
DMAIC
ANALYZE
PRUEBA DE HIPOTESIS
Ejemplo; teniendo la hipótesis nula H 0 : µ = 4.450
Con media (x) = 4.521 y desviación estándar (σ)= 0.500

-
H a : µ > 4.450 (Prueba de una cola)
x − µ0 4.521 − 4.450
z= z= = 1.42
σ/ n 0.50 / 100
para una cola,
α = 0.05 z1−0.05 = z0.95 = 1.645
1.42 < 1.645, fallamos en rechazar H0

DMAIC
ANALYZE
PRUEBA DE HIPOTESIS
Ejemplo: El surtidor de la tubería plástica desea asegurarse de que la fuerza

de explosión de tubería sea mayor de 4,0943. Asuma que la distribución de
las fuerzas de la explosión del registro es aproximadamente normal, con
media µ y σ conocida para ser 1.0. Por lo tanto, Ho: µ= 4.0943 y H1: µ >
4.0943.
La prueba de confiabilidad consiste en tomar de las muestras escogidas al
azar de 10 tubos de la porción y en medir sus fuerzas de la explosión. Los
resultados de la prueba son 3,38, 6,18, 4,79, 5,38, 6,18, 4,56, 5,47, 5,38, 5,99,
3,45.
Utilizando los niveles de significancia igual a 0.05, se encuentra P(Z>1.645)=0.05,

la región de rechazo Z>1.645 de modo que H0 es rechazado y se concluye
que la media de la fuerza de la explosión es mayor de 4.0943.
DMAIC
ANALYZE
1. Establecer la hipótesis nula H0 y la hipótesis alternativa H1.

2. Seleccionar los niveles de significancía. Se escoge de acuerdo al riesgo
de cometer error Tipo I o Tipo II.
3. Seleccionar muestra de tamaño n.
4. Determinar las técnicas estadísticas apropiadas.
5. Establecer los valores críticos de área de aceptación y rechazo.
6. Recolectar los datos y calcular si la muestra cae dentro de la región de
rechazo o aceptación al comparar con los valores críticos.
7. Expresar la decisión estadística en función del problema:
• Rechazar la hipótesis nula si cae en la región de rechazo
• Aceptar la hipótesis nula si cae en la región de aceptación
DMAIC
ANALYZE
Este es el valor más pequeño al cual la hipótesis nula H0 puede ser

rechazada.
Si el valor P es ≥ α , la hipótesis nula (H0) no se rechaza.
Si el valor P es < α , la hipótesis nula (H0) sí se rechaza
Cuando el p-value es más bajo que el nivel deseado de significancia

rechazamos la hipótesis nula, y demandamos que existe una diferencia.
DMAIC
ANALYZE
La probabilidad de tomar decisiones correctas en pruebas estadísticas se

llama:
Potencia de prueba (calculada como 1-β)

Es la probabilidad de concluir “diferente” cuando exista una diferencia
Nivel de confianza (calculado como 1-α)

Es la probabilidad de concluir “similar” cuando no exista diferencia.
DMAIC
ANALYZE
Input (X) Data

Discreto Discreto Continuo
Output (Y) Data
Chi-Square Logistic
Regression
Continuo
ANOVA
Regression
Means / Medians Tests
Existen otras técnicas para trabajar con cualquier

combinación de tipos de data.
DMAIC
ANALYZE
Un gerente de Recursos Humanos desea saber si la recepcionista suplente

de la hora de almuerzo toma un tiempo significante diferente en contestar
las llamadas telefónicas.
O un Supervisor de plataforma en Banco desea saber si Dos cajeros 4, y 5,
toman un tiempo significante diferente para efectuar las transacciones del
cliente.
O un ingeniero esta interesado a saber si la humedad en RD afecta
significativamente la pruebas eléctricas de su producto semiconductor.
Cual es el Y? _____________ Que tipo de Data? ______________
Cual es el X? _____________ Tipo de Data? ______________
Cual herramienta usaria? ________________________

DMAIC
ANALYZE
Muestra # Juan Juana
1 23.2 24.2
2 22.2 23.2
3 24.3 24.8
4 22.1 22.7
5 25.9 25.3
Avg 23.54 24.04
Como saben si hay una diferencia estadistica

?
DMAIC
ANALYZE
ANOVA
Comparación de nivel 1 Comparación de nivel 2 Comparación de nivel
2+
Ejemplo de nivel 1
Comparar 20 muestras de pruebas eléctricas de Juan con las
especificaciones.
Ejemplo de nivel 2
Comparar 20 muestras de llamadas de Juan y con 20 muestras de
llamada de Juana.
Ejemplo de nivel 3
Comparar 20 muestras de transacciones de cajero de banco para
Juan, Juana, y Pedro todas entre ellas
DMAIC
ANALYZE
Cuando comparamos el promedio de muestra con otro

promedio de muestra o cuando lo comparamos con un valor
especifico como el de un limite de especificaciones se usara el
t-Test.
Esta prueba compara las características de la muestra con una
distribución de referencia llamada distribución –t, para
determinar si el promedio de la muestra es estadísticamente
diferente o no.
Existen 3 tipos fundamentales de pruebas-t:
t con 1 muestra
t con 2 muestras
“Paired t-test”
DMAIC
ANALYZE
ANOVA
Comparación de nivel 1
Estudio de NOTA:
estabilidad Con 1 grupo solo, estamos comparando cada data de la
(si es aplicable) muestra con un valor hipotético
(i.e., µ=25 o quizas, σ=2 )
Estudio de la
forma
Ejemplo de nivel 1
Estudio Comparar 20 muestras de pruebas eléctricas de
O Estudiar la
del ancho Juan con las especificaciones.
centralizacion
Seria el promedio de tiempo de llamada de un
estándar diferente ?
DMAIC
ANALYZE
1 Sample t
Juan
25.2969
26.0578
24.0700
24.8199
25.9851
25.3572
...
DMAIC
ANALYZE
Que buscar or preguntar
Estudio de Existe alguna tendencia o patrón

Grafica
estabilidad significativo que proporcione evidencias
I-MR que la data no sea sola de una
(si es aplicable)
población/proceso?
DMAIC
ANALYZE
Click
Select
DMAIC
ANALYZE
I – MR para Juan
Existe alguna tendencia o patron

significativo que proporcione evidencias Cual es la decision?
que la data no sea sola de una
poblacion/proceso?
DMAIC
ANALYZE

Grafica significativo que proporcione evidencias
estabilidad
(si es aplicable) I-MR población/proceso?
Estadística Es la data normal?

Estudio de la descriptiva y
Pruebas de P-Value pequeño (<.05) Data
forma
normalidad
NO es Normal
Cuidado con los problemas de
tamaño de muestra
DMAIC
ANALYZE
3 métodos de confirmar la forma
1) Histograma
Esta la data graficad en forma de campana?
2) Normality Curve (Curva de normalidad)

Esta la data alineada con la recta normal?
3) P Value
P-Value >.05?
DMAIC
ANALYZE
SigmaXL – Graphical Tools – Histogram & Descriptive Statistics
En forma de campana? Es la data Normal?

DMAIC
ANALYZE
SigmaXL – graphical tools – Normal Probability plot

1.872
1.372
0.872
0.372
-0.128
-0.628
-1.128
-1.628
-2.128
9
9
1
1
.3
.8
.3
.8
.3
.8
23
23
24
24
25
25
Juan
Conclusiones sobre Normalidad ?

DMAIC
Pruebas-t
ANALYZE
Que es este P Value ? Es parte de una prueba de hipótesis
Ho: Data Es Normal

Ha: Data No Es Normal
P es la probabilidad de que el hipótesis Ho sea VERDAD

Según las guías, rechazaremos Ho cuando es MENOR que 0.05
DMAIC
ANALYZE
Estudio de Grafica Existe alguna tendencia o patrón

I-MR significativo que proporcione evidencias
estabilidad
(si es aplicable) población/proceso?

Estudio de la descriptiva y P-Value pequeño (<.05) Data
forma
Pruebas de NO es Normal
normalidad Cuidado con los problemas de
tamaño de muestra
Normal Non-Normal
Prueba para t-Test (if n>25)

promedio De otra forma, transforme a
Estudiar la 1 Sample t-Test Normal e Usar Z Test o consulta con
un BB/MBB
centralizacion
Exjemplo:
(Ho:μ=25.00)
Exjemplo: (Ho: Median =25)
P Value < .05
True Mean (or Median) Does Not Equal the Specified Value
DMAIC
ANALYZE
La pregunta practica es: La pruebas electricas de Juan

resultan ser 25 vatios ?
SigmaXL – Statistical Tools – 1 Sample t-Test and Confidence Intervals
DMAIC
ANALYZE
P-Value !
Confidence Interval:
24.524 ≤ µ ≤ 25.173
Ho: Mean(Bob) = 25 Cual es la decisión?
Ha: Mean (Bob) ≠ 25

DMAIC
ANALYZE
ANOVA
NOTE:
Estudio de Con 2 niveles estaremos comparando una
estabilidad
(si es aplicable) carateristica estadistica entre los niveles
Estudio de la Se conoce tamien como 2 Sample t-Test

forma Ejemplo de nivel 2
Estudio del Comparar 20 muestras de llamadas

ancho
de Juan y con 20 muestras de
Estudiar la
llamada de Juana.
centralizacion
Juan Juana
25.2969 26.0056
Pregunta Practica :
26.0578 25.9400
24.0700 26.0063
24.8199 26.4356 Como se comparen Juan y Juana
25.9851 25.9927 en tiempo de llamadas telefónicas
24.6902 23.6961
25.9337 25.6764
25.1005 24.5723
… ...
DMAIC
ANALYZE
Necesitamos primero definir cuantos datos se

requieren para la prueba.
Existen reglas para tamaños de muestra que
dependen de lo que estamos evaluando.
NOTA: El calculo de tamaño de muestra es objeto de

otro modulo.
DMAIC
ANALYZE
Herramienta estadística Tamaño mínimo de muestra

Average 5 - 10
Desviación estándar 25 - 30
Proporción Defectiva (P) 100 y nP >= 5
Histograma o Pareto 50
Diagrama Scatter 25
Graficas de control 20
En general:
• Data continua: > 30
• Data atribuida: > 100
DMAIC
ANALYZE

estabilidad Grafica
significativo que proporcione evidencias
(si es aplicable)
I-MR que la data no sea sola de una
población/proceso?

Estudio de la descriptiva y P-Value pequeño (<.05) Data
forma Pruebas de NO es Normal
normalidad Cuidado con los problemas de
tamaño de muestra
Normal Non-Normal
Stack Data y Bartlett Test (F-Test) Levene’s Test
Prueba para
Estudiar la varianzas iguales
centralizacion 2
A= σ (<.05)
Ho: σP-Value2
B
Ho:
Varianzas σ σ2
No igual A=
2
B
NOTE: Esta version de SigmaXL no tiene una

prueba para Varianzas Iguales
DMAIC
ANALYZE
Ya hemos visto las graficas de Juan, haremos solo lo de Juana.

31.03
Juana I-MR 29.50

6
27.50 6
Individuals - juana
Mean CL: 25.49
25.50
23.50
21.50
19.95
19.50
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
6.81
7.00
6.00
5.00
M R - juana
4.00
3.00
2.08
2.00
1.00
0.00
0.00
Existe alguna tendencia o patrón

1
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
significativo que proporcione evidencias
población/proceso? Cual es la decision ?
DMAIC
ANALYZE
SigmaXL – Graphical Tools – Histogram & Descriptive Statistics
juana
Count = 30
Mean = 25.491
Stdev = 1.9069
7 Range = 7.1
6
5
Minimum = 21.735
4 50th Percentile (Median) = 25.396
3 75th Percentile (Q3) = 27.09
2
Maximum = 28.8835778443011
1 95% CI Mean = 24.78 to 26.2

0 95% CI Sigma = 1.52 to 2.56
4 3 2 2 1 0 0 9 8 8
.7 .6 .5 .4 .3 .2 .1 .9 .8 .7
21 22 23 24 25 26 27 27 28 29 Anderson-Darling Normality Test:
juana A-Squared = 0.230539; P-Value = 0.7864
Esta la forma de campana? Es la data Normal?

DMAIC
ANALYZE
SigmaXL – graphical tools – Normal Probability plot
1.872
1.372
0.872
0.372
-0.128
-0.628
-1.128
-1.628
-2.128
5
5
3
3
.7
.7
.7
.7
.7
.7
.7
.7
21
22
23
24
25
26
27
28
juana
Conclusiones sobre Normalidad ?

DMAIC
ANALYZE
Existe alguna tendencia o patrón significativo que
Grafica
proporcione evidencias que la data no sea sola de una
Estudio de I-MR población/proceso?
estabilidad
(si es aplicable) Estadística descriptiva Es la data normal?
y Pruebas de
normalidad P-Value pequeño (<.05) Data
NO es Normal
Cuidado con los problemas de tamaño de muestra
Normal Non-Normal
Estudio de la
forma Stack Data y Bartlett Test (F-Test) Levene’s Test
Prueba para varianzas
iguales Ho: σ2A= σ2B
Ho: σ2A= σ2B
P-Value (<.05) Varianzas No igual
2 Sample T-Test con Si N >25 ANOVA

X igual σ
O 2 Sample t-Test
Varianzas Igual 1-Way ANOVA
O Contacte su BB
Estudiar la Ho: µA= µB
centralizacion 2 Sample T-Test con Si N>25 2 Sample T
igual σ
Varianzas No Igual 1 Way ANOVA
O Contacte su BB
Ho: µA= µB
P-Value (<.05)
Centralizacion No igual para las 2 poblaciones
DMAIC
ANALYZE
SigmaXL – Statistical Tools – Two Sample t-Test
Select both
Juan and
Juana
De-Select
Ho: Mean(Bob) = Mean(Jane)
Ha: Mean (Bob) ≠ Mean(Jane)

DMAIC
ANALYZE
2 Sample t-test
H0: Mean Difference = 0

Ha: Mean Difference Not Equal To 0
Assume Unequal Variance
juan juana
Count 30 30
Mean 24.848 25.491
Standard Deviation 0.869318 1.9069
Mean Difference -0.642620

Std Error Difference 0.382621 P-Value !
DF 40.555
t -1.6795
p-value (2-sided) 0.1007
UC (2-sided, 95%) 0.130685
LC (2-sided, 95%) -1.4159
Cual es la decision ?
DMAIC
ANALYZE
Un entrenador de béisbol quiere saber si hay una relación entre
la edad (viejo o joven) y el resultado del examen cardiovascular.
Cual es Y ? _____________ Tipo de Data ? ______________
Cual es X ? _____________ Tipo de Data ? ______________
Cual es la herramienta a usar ? ________________________

DMAIC
ANALYZE
Chi-Square esta basada en “Degrees of Freedom” y

las frecuencias esperadas y observadas
2 ∑ ( fo −fe )2
χ =
fe
where:
fo = Observed Frequency
fe = Expected Frequency
NOTE: Para un tamaño de muestra n, χ2 obedece a una distribución

chi-square con n-1 degrees of freedom.
Con un aumento del numero de degrees of freedom, una distribución

Chi-Square será mas y mas simétrico.
DMAIC
ANALYZE
Pasa No pasa
Viejo 30 150
Joven 45 230
Como tomar la decisión apropiada ?

DMAIC
ANALYZE
Con la prueba Chi-Square los expertos de la

estadística asumen que la mayoría de los
variables en la vida son independientes, por lo
cual:
Ho: Data es Independiente (No Relación)
Ha: Data es Dependiente (hay relación)
P Value is <.05 , se rechaza Ho.

DMAIC
ANALYZE
Se supone que se quiere determinar si la edad

y los resultados del examen físico son
dependiente u independiente
Nuestros hipótesis son como sigue:

Ho: Edad y resultado del cardiovascular son
independientes
Ha: Son dependientes
DMAIC
ANALYZE
Necesitamos primero elaborar una Tabla de frecuencia observada

dividiendo las dos variables en niveles:
edad: viejo & joven

Examen de Carpio: Pasa y No pasa
Recolectamos la data
Pasa No pasa
Viejo 30 150
Joven 45 230
DMAIC
ANALYZE
Calcular los totales de las Columnas lineas
Pasa No pasa Total
Viejo 30 150 180
Joven 45 230 275
Total 75 380 455

DMAIC
ANALYZE
Hacer una tabla de frecuencia esperada es decir a que se hubiera

parecida la tabla si los dos factores fueron independientes?
Pasa No pasa Total

75 x 180
Viejo = 29.67 150.33 180
455
Joven 45.33 229.67

275
Total 75 380 455

Frecuencia esperada en esta casilla:
(Columna Total) * (linea Total)

Total general
DMAIC
ANALYZE
Restar la frecuencia esperada de la frecuencia observada
Pasa No pasa Total
30-29.67=0.33 -0.33
Viejo 180
-0.33 0.33
Joven 275
Total 75 380 455

DMAIC
ANALYZE
Calcular la diferencia al cuadrado (O- E)2
Pasa No pasa Total
0.33x0.33=0.11 0.11
Viejo 180
0.11 0.11
Joven 275
Total 75 380 455

DMAIC
ANALYZE
Calcular la fraccion (O-E)2 /
Se Llama diferencia al cuadrado relativa
Pasa No pasa Total
0.11/29.67=0.0037 0.00073
Viejo 180
0.0024 0.00048
Joven 275
Total 75 380 455

La suma de las diferencias al cuadrado relativas es una
distribución Chi Square.
Chi-squared:
0.0037
+0.00073
+0.0024
+0.00048
=0.0073
0 1 2 3 4 5
Si hay independencia, la diferencia es casi o cerca de cero de 0
Mientras mas lejo de cero, mas posibilidad de que los variables estén
dependientes
Para ayudar en la decisión, debemos recurrir al P value
DMAIC
ANALYZE
Chi Square
Test for Independence
recolectar Data
calcular
Chi-Square Con
programa
Evaluar P Value
Examinar tabla
de contingencia
Tomar Decisión
DMAIC
ANALYZE
Entrar los datos en una

tabla
DMAIC
ANALYZE
Eligir las categorias
Click OK>>
DMAIC
ANALYZE
Nota:
Los valores observados y esperados son los mismos que se
calcularon manual para familiarizarse con la metodología
Cual seria la decisión ?

DMAIC
ANALYZE
Existe una relacion entre las razones en SD y Santiago ?
SD Santiago
Prestamos no aprobado 32 135
Mudanza a otra zona 32 80
Cambio de gobierno 42 98
If so, what could cause the differences?
What would you do next?

DMAIC
ANALYZE
2. Warranty Evaluation
Is there a relationship between South America and U.S. issues?
US South America
32 135
Sprayer clogs
32 80
Separation
42 98
Low weight
If so, what could cause the differences?
What would you do next?

DMAIC
ANALYZE
DMAIC
ANALYZE
A diferencia de los estimadores paramétricos como la media,

las pruebas no-paramétricas no asumen supuestos de
distribuciones normal respecto a las poblaciones, es decir, no
están normalmente distribuidos.
Es una alternativa para casos en los cuales la curva normal no
es apropiado utilizarla y resultan convenientes cuando en
pruebas reales no se logra una distribución a partir de la cual
tomar una decisión.
No especifica distribución
Aplica para frecuencias o cuenta de datos
DMAIC
ANALYZE
Ventajas de los métodos no paramétricos:

1. No es necesario suponer que las poblaciones tienen una distribución
normal.
2. No requiere un ordenamiento o clasificación formal para mediciones no
tan precisas.
3. Requiere menos laboriosidad.
Desventajas de los métodos no paramétricos:

1. Se ignora cierta cantidad de información que puede ser útil.
2. El tamaño para un nivel de confianza 95% puede ser muy grande en
comparación con las pruebas parametricas.
DMAIC
ANALYZE
Tipos de pruebas no parametricas
• Prueba de los signos

• Prueba wilcoxon
• Mann-whitney
• Kruskal-wallis
• Prueba de media de Mood
• Friedman
• Pruebas de corridas (runs tests)
• Promedios pareados
• Diferencias pareadas
• Pendientes pareadas (pairwise slopes)
• Prueba de Levene
• Análisis de distribución no paramétrica –censored data-
• Gráficos de riesgo- análisis distribución no paramétrica
DMAIC
ANALYZE
Prueba U de Mann-Whitney
La prueba U de Mann-Whitney se utiliza para comparar los valores de dos medias entre
dos grupos.
Para comprobar si las medias de los dos grupos son iguales cuando no se cumple la
condición de normalidad es habitual realizar la prueba Mann-Whitney Wilcoxon (para
comparar en vez de las medias, las medianas), aunque también puede servir para
contrastar datos normales.
Al usar valores de dos muestras n1 y n2 , y los rangos totales R1 y R2 (no es necesario que
tengan el mismo tamaño) se determina el estadístico U:
n1(n1 +1) n2 (n2 + 1)

U1 = n1n2 + − R1 U 2 = n1n2 + − R2 = n1n2 − U1
2 2
n1n2
Donde la media del estadístico U es µU =
2
n1 n 2 ( n1 + n 2 + 1)
y error estándar σU =
12
DMAIC
ANALYZE
Prueba U de Mann-Whitney
Observaciones z1 z2 z3 . . . zi . . .zn +n 1 2
Rango 1 2 3 . . . i . . . n1 + n2
U 1 − µU
Zu = ≈ N ( o ,1)
Aproximación normal σU
Prueba de hipótesis para Mann-Whitney (con acercamiento normal).
H 0 : µ1 = µ 2 La hipótesis nula: No existe diferencias entre las poblaciones (misma mediana)
H 0 : µ1 ≠ µ 2 La hipótesis nula: Hipótesis alternativa hay diferencias entre las dos poblaciones
(tienen distintas medianas).
DMAIC
ANALYZE
Prueba Kruskal-wallis
Esta prueba se utiliza en los casos que están envueltas más de dos poblaciones El
contraste de Kruskall-Wallis es la alternativa no paramétrica al método ANOVA, es
decir, sirve para contrastar la hipótesis de que k muestras cuantitativas que han sido
obtenidas de la misma población.
La única exigencia versa sobre la aleatoriedad en la extracción de las muestras, no
haciendo referencia a ninguna de las otras condiciones adicionales de
homocedasticidad y normalidad necesarias para la aplicación del test paramétrico
ANOVA.
De este modo, este contraste es el que debemos aplicar necesariamente cuando no
se cumple algunas de las condiciones que se necesitan para aplicar dicho método.
Al igual que las demás técnicas no paramétricas, ésta se apoya en el uso de los
rangos asignados a las observaciones.
DMAIC
ANALYZE
Prueba Kruskal-wallis Observaciones
Niveles 2 3 k
nivel 1 x21 x31 ... xk1
nivel2 x22 x32 … xk2
nivel k = nk x2j x3j … xkk

N = n1 = n2 + ...+ nk
El número total de elementos en todas las muestras es
DMAIC
ANALYZE
El modo de realizar el contraste es el siguiente:

Se ordenan las observaciones de menor a mayor, asignando a cada una de ellas su rango (1
para la menor, 2 para la siguiente, ...,N para la mayor).
Para cada una de las muestras, se calcula Ri, como la suma de los rangos de las
observaciones que les corresponden. Si H0 es falsa, cabe esperar que esas cantidades sean
muy diferentes.
i = 1, 2 ,..., k
Su estadístico:
12 R2j nj
K= ∑n − 3(n +1)
n(n +1) j Rj - Numero de componentes de muestra
k - Suma de los rangos de componentes
Con grados (k -1 )de libertad n -Numero de muestras
= n1+n2+…+nk
DMAIC
ANALYZE
La hipótesis a contrastar es:
Hipótesis nula: no existen diferencias entre las
H0 : µ1 = µ2 = ... = µk poblaciones
H1 : µ1, µ2 ,...µk Hipótesis alternativa: Hay al menos una
diferencia entre las medianas
Regla para decidir si se ha de rechazar o no χk2la hipótesis nula es
−1
la siguiente:
•Compara el valor de H con el teórico de la tabla con k-1
grados de libertad. χ k2−1,1−α
•Se rechaza H0 si el valor del estadístico supera el valor teórico
Región de
Región de rechazo de
aceptación
α
DMAIC
ANALYZE
Prueba de mediana de Mood

La prueba mediana de Mood se puede utilizar para probar la igualdad de
medianas a partir de dos o más poblaciones y, como la prueba de Kruskal-Wallis,
proporciona un alternativa no paramétrico al análisis de la variación
unidireccional. La prueba mediana de Mood a veces se llama prueba mediana;
Una asunción de la prueba de mediana de Mood es que los datos de cada
población son muestras escogidas al azar independientes y sus distribuciones
tienen la misma forma.
H0: Las medianas de las poblaciones son iguales
H1: Las medianas de las poblaciones no son todas iguales.
La prueba mediana de Mood es más robusta que la prueba de Kruskal-Wallis
contra “outliers” y errores en datos y es particularmente apropiada en las etapas
preliminares de análisis, pero es de menos gran alcance para los datos de muchas
distribuciones, incluyendo la normal.
DMAIC
ANALYZE
Guía para pruebas no paramétricas

El análisis no-paramétrico se utiliza cuando:
1. Los datos son cuentas de frecuencias de diferentes tipos de salidas

medidas
2. Los datos son medidos en escala nominal y ordinal
3. La asunción para una validación parametrica no logra ser comprobado.
• La curva de distribución que se grafica no es conocida.
• Los valores de la mediana son mas representativos que la media.
4. El tamaño de muestreo es pequeño.
5. Las mediciones son poco precisas.
DMAIC
ANALYZE
Quantum TC
Your Vision Of Choice

Six Sigma

Cargado por

Información del documento

Título original

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

Six Sigma

Cargado por

Copyright:

Formatos disponibles

Six Sigma DMAIC

Corramos hacia la excelencia

Lean Master Six Sigma Black Belt 2001

Conceptuales Humanas Técnicas

1- Estar abiertos a 1- Desarrollar las

Eficacia en la Acción Formativa

Mas sus reglas

Teléfono Cero Preguntas/ Levantar

Practica; trabajo en equipo D

Atención; importante L - Leyenda

• Simulación en clase (solución) Después módulo 5 5

• Presentación trabajo de campo en grupo

NOTA: se pasa con 70 para respectar los criterios

Juran’s Quality Handbook

Using SPC to be the Best

Zero Acceptance Number C=0 Sampling Plans

Practical Application of SPC

• Vemos un pequeño ejemplo:

5:42 6:20 Promedio 6:08

99.9% de tasa de aceptación de un servicio: bueno o malo ?

a 99.9% ocurriría lo siguiente:

200,000 recetas medicas equivocadas por ano en el mundo

Falta de electricidad por...

Imagínese que los expertos dicen que la mayoría de las

No hay dos partes iguales

Pero su conjunto forma

Proceso Inestable Proceso Estable

Fuera de control En control Capaz

Un defecto cualquier no conformidad que se presente de

La variación incrementa las probabilidades de tener

¿Cómo podemos reducir la variación en nuestros

Over time (en

Between Lot MT00803D Lot MT00703D

Jan 2002 May 2003

• Data Continua: Pueden tomar cualquier valor entre

Data Discreta: Defectos en Data Continua:

No. de muestras 4 Muestra 1 52.0 ml

¿Cuál de las dos informaciones nos da más

Desordenada (Nominal) Ordenada (Ordinal)

Intensidad de Huracán (1-5)

Peso de una caja de cereal:

Apariencia visual en grados de color (1-

Volumen de ventas por trimestre:

Cantidad de unidades defectuosas vs.

Nombre: Esta forma de

¿Cuál medida de calidad provee

Midiendo Defectos tenemos mayor

Número de defectos en la muestra

Número de defectos por periodo

Defectos por millon de unid.=

1) 5 unidades defectuosas fueron encontradas

2) Se determinó que un proceso esta produciendo

Población: Conjunto entero de datos de referencia.

Muestra: Subconjunto de datos de la población. Ej.

Las medidas computadas o calculadas a partir de

Las medidas computadas o calculadas a partir de

Medida Parámetro Estadígrafo

Parámetros de la muestra (estadígrafos) son utilizados para

Los siguientes números probablemente no

Media (X): Valor alrededor al que se concentran

Ej. para los valores de prueba de halado siguientes:

Mediana (Me): Valor central en una serie ordenada de

Moda (Mo): Valor que más se repite en una serie