Documentos de Académico
Documentos de Profesional
Documentos de Cultura
DEFINE
DMAIC
MEASURE
DMAIC
ANALYZE
DMAIC
IMPROVE
DMAIC
CONTROL
ANC-
ANC-508
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
4
Expectativas
P - Presentaciones
E - Expectativas
D - Disciplina
A - Actuaciones
L - Leyenda
5
Disciplina P - Presentaciones
E - Expectativas
D - Disciplina
A - Actuaciones
L - Leyenda
6
Actuaciones
P - Presentaciones
E - Expectativas
D - Disciplina
A - Actuaciones
L - Leyenda
7
Leyenda
P - Presentaciones
E - Expectativas
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
• Examen Final
Después de la ultima 40
semana
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)
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)
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
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:
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
¿Cuánta variación
La meta que podemos darnos
requiero el lujo de tener?
como cliente
La variación
de nuestro
proceso
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
Between Group
Variation (entre
Volumen de Within Group
grupos)
Variation (en el
Llenado grupo)
Lot MT01003E Lot MT00903E
Línea de llenado A
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
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
DATOS CATEGORICOS
EJEMPLO 2
Flujo de Caja:
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
Dirección: Defectos.
Etc…..
DMAIC
MEASURE
• Defectos
• Defectuosos
¿Por qué?
DMAIC
MEASURE
Número de Defectivos
% Defectivo = X 100
Número de unidades insp.
Número de Defectivos
Defectivos por Millón = X 1,000,000
Número de unidades insp.
= % Defectivo X 10,000
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
Determine el DPM.
57
DMAIC
MEASURE
Media µ x
Varianza σ2 s2
Desviación
σ s
Estándar
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
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
∑ xi
N
∑x i
x= i=1
µ= i=1
n N
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:
29 31 35 39 39 40 43 44 44 52 (Datos)
1 2 3 4 5 6 7 8 9 10 (Observación ordenada)
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
Paso No. 1:
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
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:
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
Distribución Binomial
Spec. Min. Spec. Max.
Ajuste
Distribución Dual
Spec. Min. Spec. Max.
Lecturas Favorables
Spec. Min. Spec. Max.
PRECISION. es la “consistencia”
A) No Preciso - No Exacto B) No Preciso - Exacto
Valor de X Valor de X
Valor de X Valor de X
DMAIC
ANALYZE
DMAIC
ANALYZE
DMAIC
ANALYZE
Inexacto y impreciso
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:
(generamos la data con sigmaXL con un promedio de 500 y una desviación estándar de
50)
DMAIC
ANALYZE
35
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
75th Percentile (Q3) = 531.15
5 Maximum = 619.715
GRÁFICOS DE CONTROL
• Son una herramienta estadística que permite supervisar el control de un
proceso y nos alertan cuando se ha disturbado el proceso.
DIAGRAMAS DE CONTROL
(CONTROL CHARTS)
DMAIC
CONTROL
Este método:
2 Tiempo de celebracion
1
J F M A
2006
DMAIC
CONTROL
J F M A M J
2006
DMAIC
CONTROL
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.
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
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
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
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
Recuerden esto ?
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
“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
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
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
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
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
CL =
∑X CL =
∑ s
m m
LCL = X − A 3 s LCL = B3 s
DMAIC
CONTROL
Constantes para Gráficos de Control
∑MR i
MR1 + MR2 + ...+ MRm
MR= i =1
=
m m
Gráficos de Control. DMAIC
CONTROL
LCL = 0
CL = MR
UCL = 3.27( MR )
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
Datos por Atributos. Construcción de Gráficos DMAIC
CONTROL
de Control “np”
Límites de Control de Gráficos np
UCL = np + 3 p (1 − p )
CL = np
LCL = np − 3 p (1 − p )
Datos por Atributos. Construcción de Gráficos DMAIC
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.
UCL = c + 3 c
CL = c
LCL = c − 3 c
Datos por Atributos. Construcción de Gráficos DMAIC
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
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
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
UCL
Target
LCI
Range
UCLr
Time Intervals
DMAIC
CONTROL
DMAIC
CONTROL
Un punto fuera de
limite
LCS
LAS
medicion
meta
LAI
LCI
Number de muestras
1 2 3 4 5 6 7 8
DMAIC
CONTROL
LCS
LAS
mediciones
meta
LCI
LCL
1 2 3 4 5 6 7 8
DMAIC
CONTROL
LCS
LAS
mediciones
metas
LAI
LCI
1 2 3 4 5 6 7 8
Numero de muestras
DMAIC
CONTROL
meta
LAI
LAI
1 2 3 4 5 6 7 8
Numero de muestras
DMAIC
CONTROL
meta
LAI
LCL
1 2 3 4 5 6 7 8
Numero de muestras
DMAIC
CONTROL
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
LCS
LAS
mediciones
meta
LCI
LCL
1 2 3 4 5 6 7 8
Numero de muestras
DMAIC
CONTROL
LCS
LAS
mediciones
meta
LCI
LCL
1 2 3 4 5 6 7 8
Numero de muestras
DMAIC
MEASURE
LSL USL
DMAIC
MEASURE
tiene?
LSL USL
Defects
LSL USL
LSL USL
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
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
29 mm = LSL USL = 31 mm
3s 3s
xbar = 30 mm
s=1
USL - LSL
Cp = Cp = __________
6s
DMAIC
MEASURE
28 mm = LSL USL = 32 mm
3s 3s
xbar = 30 mm
s = 0.333 mm
USL - LSL Cp = __________
Cp =
6s
DMAIC
MEASURE
28 mm = LSL USL = 30 mm
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
28 mm = LSL USL = 30 mm
3s 3s
xbar = 33 mm
USL - LSL
Pp =
6s(overall)
X - LSL USL - X
P pk = Min( , )
3s (overall) 3s (overall)
Variabilidad
Std Dev Std Dev
(adentro) (Overall)
Solo
Informacion
Cp Pp
ancho
Centro &
Cpk Ppk
ancho
DMAIC
MEASURE
c pk
INTERPRETACIO DE LOS INDICES
Median
Lower whisker
First quartile
DMAIC
ANALYZE
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
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
Observaciones ???
DMAIC
ANALYZE
Multi Vari
108
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 :
MULTI-VARI CHART
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
Filling Line A
DMAIC
ANALYZE
98 98 98
93 93 93
88 88 88
U1 U2 U3 U1 U2 U3 U1 U2 U3
σΤ
Variación total
Que vemos!
observada
¿Qué produce el
proceso de medición?
σΡ σΜ
Variación del Variación de la
Producto o Proceso Medida
Inputs Output
X
1
X
2 PROCESO Y
X Variación Total
3
Sistema de
Medida
Inputs Output
X
1
X
2 PROCESO Y
X Variacion
3
Sistema de
Total
Medida
COMPONENTES DE LA VARIACION
DE LA MEDICION
Variación de la
Medición
Repetitividad Reproducibilidad
DMAIC
MEASURE
COMPONENTES DE LA VARIACION
DE LA MEDICION
Variación de la
Medición
Repetitividad Reproducibilidad
DMAIC
MEASURE
0.5
0.0
Estudio de reproducibilidad de operadores
DMAIC
MEASURE
COMPONENTES DE LA VARIACION
DE LA MEDICION
Variación de la
Medición
Repetitividad Reproducibilidad
Afecta la
Exactitud del gauge
DMAIC
MEASURE
Distribución de
Bias
COMPONENTES DE LA VARIACION
DE LA MEDICION
Variación de la
Medición
Repetitividad Reproducibilidad
DMAIC
MEASURE
Radio = 1
Característica de
operación
Valor real
0
DMAIC
MEASURE
COMPONENTES DE LA VARIACION
DE LA MEDICION
Variación de la
Medición
Repetitividad Reproducibilidad
Afecta la Precisión
del gage
DMAIC
MEASURE
Bias
DMAIC
MEASURE
Preciso Impreciso
No exacto
Exacto
DMAIC
MEASURE
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
GAGE R & R
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
Promedio real
Repetitividad
Número total de veces de repeticiones aceptadas
Número total de veces de repeticiones
Repetitividad
DMAIC
MEASURE
Operador A
Operador B
Operador C
DMAIC
MEASURE
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
Ancho
Largo
Profundidad
DMAIC
MEASURE
231
DMAIC
DEFINE
Metodología DMAIC
DMAIC
DEFINE
Reducción Reducción
de defectos de costos
Reducción
rechazos
(int./ext.)
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
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
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
Prueba de Hipótesis
DMAIC
ANALYZE
PRUEBA DE HIPOTESIS
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
PRUEBA DE HIPOTESIS
Prueba de Hipotesis H1 H0
De una cola
Región de rechazo
z < -zα
-z α
DMAIC
ANALYZE
PRUEBA DE HIPOTESIS
H0 : µ = µ0 H0 : µ1 = µ2
Ha : µ ≠ µ0 Ha : µ1 ≠ µ
DMAIC
ANALYZE
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
PRUEBA DE HIPOTESIS
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
PRUEBA DE HIPOTESIS
Chi-Square Logistic
Regression
Continuo
ANOVA
Regression
Means / Medians Tests
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
ANOVA
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
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
Comparación de nivel 1
Que buscar or preguntar
Click
Select
DMAIC
ANALYZE
I – MR para Juan
Comparación de nivel 1
Que buscar or preguntar
1) Histograma
Esta la data graficad en forma de campana?
3) P Value
P-Value >.05?
DMAIC
ANALYZE
9
1
1
.3
.8
.3
.8
.3
.8
23
23
24
24
25
25
Juan
Comparación de nivel 1
Que buscar or preguntar
Normal Non-Normal
True Mean (or Median) Does Not Equal the Specified Value
DMAIC
ANALYZE
P-Value !
Confidence Interval:
24.524 ≤ µ ≤ 25.173
ANOVA
Comparación de nivel 2
NOTE:
Estudio de Con 2 niveles estaremos comparando una
estabilidad
(si es aplicable) carateristica estadistica entre los niveles
En general:
• Data continua: > 30
• Data atribuida: > 100
DMAIC
ANALYZE
Comparación de nivel 2
Que buscar or preguntar
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
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
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
significativo que proporcione evidencias
que la data no sea sola de una
población/proceso? Cual es la decision ?
DMAIC
ANALYZE
juana
Count = 30
Mean = 25.491
Stdev = 1.9069
7 Range = 7.1
6
5
Minimum = 21.735
25th Percentile (Q1) = 24.397
4 50th Percentile (Median) = 25.396
3 75th Percentile (Q3) = 27.09
2
Maximum = 28.8835778443011
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
Comparación de nivel 2
Que buscar or preguntar
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
Select both
Juan and
Juana
De-Select
2 Sample t-test
juan juana
Count 30 30
Mean 24.848 25.491
Standard Deviation 0.869318 1.9069
Cual es la decision ?
DMAIC
ANALYZE
Pasa No pasa
Viejo 30 150
Joven 45 230
Pasa No pasa
Viejo 30 150
Joven 45 230
DMAIC
ANALYZE
30-29.67=0.33 -0.33
Viejo 180
-0.33 0.33
Joven 275
0.33x0.33=0.11 0.11
Viejo 180
0.11 0.11
Joven 275
0.11/29.67=0.0037 0.00073
Viejo 180
0.0024 0.00048
Joven 275
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
recolectar Data
calcular
Chi-Square Con
programa
Evaluar P Value
Examinar tabla
de contingencia
Tomar Decisión
DMAIC
ANALYZE
Click OK>>
DMAIC
ANALYZE
Nota:
Los valores observados y esperados son los mismos que se
calcularon manual para familiarizarse con la metodología
SD Santiago
Cambio de gobierno 42 98
2. Warranty Evaluation
US South America
32 135
Sprayer clogs
32 80
Separation
42 98
Low weight
No especifica distribución
Aplica para frecuencias o cuenta de datos
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:
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
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
Niveles 2 3 k
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
= n1+n2+…+nk
DMAIC
ANALYZE
Prueba Kruskal-wallis
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