Lean Six Sigma GB-BB

Mejoramiento Continuo Seis Sigma
Perfección de los Procesos a través de Entrenamiento y

Certificación
Tabla de Contenido
Tema Tiempo
Repaso Semana 1 2.0
Presentación de Proyectos 2.0
Fase Analizar
Herramientas Graficas
Tally Sheets 0.5
Diagrama de Pareto 0.5
Dot Plots 0.5
Histograma 0.5
Run Chart 1.0
Graf icos de Control - Datos Continuos 1.0
Graf icos de Control - Datos Discretos 1.0
Diagrama de Dispersion 1.0
Graf icos de Caja 1.0
Graf icos de Regresion 1.0
Diagrama de Probabilidad 0.5
Herramientas Analiticas 0.0
Estadistica Descriptiva 0.5
Prueba de Hipotesis 0.5
T-Tests 1.0
S
Regresion Least Square 0.5
e Regresion Multiple 1.0
m Anova 1.0
a Chi Cuadrada 1.0
n Introducción a DOE 1.0
a DOE Factorial 3.0
Fase Mejorar 0.0
Optimización 1.0
2
FMEA 1.0
Basicos de Teoria Lean 0.0
Lugar Visual de Trabajo 0.5
Las 5S 2.0
Instrucciones de Operacion Estandar 1.0
Metodos Lean y Six Sigma 0.5
Sistema de Jalon 0.5
SMED 1.5
Poka Yoke 1.0
Juego de la Cadena - Parte 2 2.0
Seleccion de Soluciones 1.0
Mapa de Proceso de Estado Futuro 0.5
Analisis Costo - Benef icio 0.5
Fase Controlar 0.0
Planes de Control 1.0
Graficos de Control 0.5
Capability Sixpack 0.5
Comparacion de la Capacidad 0.5
Prueba 2 - Examen Expert Rating GB 2.0
Conclusión GB - Preparación Semana 3 BB 0.5 2
Repaso Semana 1
3
Repaso Semana 1
Ciclo de Vida de un Proyecto
Definir Medir Analizar Mejorar Controlar
Definir el problema, los requerimientos del cliente
Herramientas generalmente usadas:
• Estatuto del Proyecto (Project Chárter)

- Estatuto del Problema
- Objetivos
- Metas / Métricos
- Tiempo
• Voz de el Cliente
• Diagrama Es/No-es
• Mapa de Proceso Actual
• Requerimientos de Cliente (Identificados como Y’s)
• Causa y Efecto (Diagrama de Pescado)
4
Repaso Semana 1
Ciclo de Vida de un Proyecto
Definir Medir Analizar Mejorar Controlar
Desarrollo del plan de recolección de datos y medición actual del desempeño del proceso
Herramientas generalmente usadas:
• Variación
• Estudios de medidor R y R
• Recolección de Datos
• Mediciones Actuales
- Media / Desviación Estándar
- Cp / Cpk
- DPMO
- Cálculo de Sigma (Z-transformada)
5
Medir
Controlar Definir
Mejorar Medir
Analizar
Repaso Semana 1
Variación
 Los elementos de un proceso responsables de la
variación son los que llamamos las “6Ms”, las cuales
describen adecuadamente los elementos de todos los
procesos:
 Mano de Obra
 Maquinaria
 Material
FI SHBONE
 Métodos
 Medidas
 Medioambiente
7
Repaso Semana 1
Variación
 Desde un punto de vista mas detallado-
De donde viene la variación??
 Veamos la catapulta como ejemplo -
Localización
Tensiones
Operadores
Materiales - Objetos
Torque en los tornillos
Viento
Medioambiente
Desgaste en las tiras elásticas
8
Repaso Semana 1
La Variación está en todas partes

 “Mientras que cada proceso muestra variación, algunos muestran variación
controlada, otros muestran variación no controlada. (Walter Shewhart)
 La Variación Controlada está caracterizada por un patrón estable y
consistente de variación a través del tiempo. Está asociada con Causas
Comunes.
 La Variación No Controlada está caracterizada por una variación que
cambia a través del tiempo. Está asociada con Causas Especiales.
Variación Controlada Variación No Controlada

X-Bar Chart for Process A X-Bar Chart for Process B
UCL=77.20 80
UCL=77.27
75
Sample Mean
Sample Mean
70 X=70.98
X=70.91
70 LCL=64.70
60
65 LCL=64.62
50
0 5 10 15 20 25
0 5 10 15 20 25
Sample Number Sample Number
Causas Especiales
9
Repaso Semana 1
Variación = Enemigo
“Una falla en la interpretación de observaciones, vista en todo lugar, esta

supuesto que cada evento (defecto, error, accidente) es atribuido a
alguien (usualmente la persona mas cercana), o esta relacionado a un
evento especial. El hecho es que la mayoría de los problemas con
servicio y producción están relacionados con el sistema. Algunas veces
la falta es realmente local, atribuible a alguien en el trabajo de esta
persona. Hablamos de fallas de sistemas como causas comunes para los
problemas y fallas fuera de nuestro alcance como eventos especiales.”
W. Edwards Deming
Variación en las Características del P roducto= Función (Variación en los

parám etros del proceso) de Variación de Entrada
Y=f(x )
10
Repaso Semana 1
Reglas de Ajustes
 Regla 1 – Preparar y Ejecutar
 Regla 2 – Ajustar en la dirección opuesta
 Regla 3 – Ajustar de Nominal.
 Regla 4 – Ajustar al último resultado

(perseguir el resultado).
11
Repaso Semana 1
Reglas de Ajustes
 Tomando estos ejemplos de variación exageradamente, y viendo las reacciones
comunes a las variaciones o métodos de ajustes que son siempre utilizados.
Clasifiqué cada uno de las siguientes reglas de ajustes:
 Reaccionar a una sola queja de cliente o empleado si saber si es debido a
causa común o causa especial.
 Re calibrar los equipos a una referencia común basados en los resultados de la
ultima parte.
 Los trabajadores actuales entrenando a nuevos trabajadores.
 Cambiar variables de procesos críticos para obtener los resultados del ultimo
set de partes.
 Ajustar los niveles de inventario basado en los datos del ultimo semestre
cuando la variación se debe a causas comunes..
 Reducir el presupuesto anual de un departamento por $ 5.000.000 porque el
presupuesto del año pasado se excedió por $5.000.000.
 Durante las actividades de desarrollo del producto, los diseñadores hacen
referencia a especificaciones, dimensiones y dibujos técnicos de productos ya
existentes.
 Reorganizan machines and producción flows based on a single evaluation of
set-up/operating times and process flow observations.
12
Repaso Semana 1
Variación del Proceso en relación al Tiempo

 La variación toma diferentes caras
 Recordar que la variación normal (común) puede ser predicha.
f(x)
13
Repaso Semana 1
Variación del Proceso Vs. Especificación de Diseño

µ
Los cambios en la Media

LSL USL
Resultan en No-conformancias
Potenciales T
47 48 49 50 51 52 53 54
El Centro del proceso (m) es

independiente del centro de
diseño (T) y los límites de Parte
especificación superior e inferior
(LSL & USL).
1 2 3 4 5
¡El Proceso es
Independiente de la
Especificación de
Diseño! 14
Repaso Semana 1
¿Podemos tolerar la Variación?

 La variabilidad siempre estará presente en todos los procesos
 Podemos tolerar la variabilidad si:
 La variabilidad total de la salida es relativamente menor
comparada con las especificaciones del proceso, y
 El proceso es estable a través del tiempo.
LSL Nom USL

Costo
Aceptable Tradicional
LSL Nom USL

Costo
Nueva
15
Repaso Semana 1
Varianza es Sum able
Desviaciones Estándar no son

Sum ables
16
Repaso Semana 1
Variación y Deviación Estándar

VARI ANCI ÓN
Datos
2
X X X-X (X - X)
22 22 0 0
24 22 2 4
20 22 -2 4
66 8
66
X = average = = 22
3
DEVI ACI ÓN ESTÁNDAR

8
σ = deviación estándar = = 4 =2
2
17
Repaso Semana 1
σ=2 Ζ = 6.0
LSL=10 USL=34
Avg = 22
0 10 20 30 40 50
σ σσ σσσ σ σσ σσσ
6 deviaciones estándar entre el prom edio las m etas da m uy
poca posibilidad de quedar fuera de las especificaciones.
18
Repaso Semana 1

VARI ANZA
Data
2
X X X-X (X - X)
22 22 0 0
25 22 3 9
19 22 -3 9
66 18
66
X = average = = 22
3
DESVI ACI ÓN ESTÁNDAR

18
σ = desviación estándar = = 9 =3
2
19
Repaso Semana 1
σ=3 Ζ = 4.0
LSL=10 Avg = 22 USL=34
0 10 20 30 40 50
σ σ σ σ σ σ σ σ
4 desviaciones estándar entre el prom edio y las m etas da .005%
fuera de las especificaciones en cada lím ite de la distribución.
20
Repaso Semana 1

VARI ANZA
Datos
2
X X X-X (X - X)
22 22 0 0
28 22 6 36
16 22 -6 36
66 72
66
X = average = = 22
3

72
σ = estándar deviación = = 36 = 6
2
21
Repaso Semana 1
σ=6 Ζ = 2.0
LSL=10 USL=34
Avg = 22
0 10 20 30 40 50
σ σ σ σ
2 desviaciones estándar entre el prom edio y las m etas da 4.5%
fuera de la especificación(2.25% al final de cada distribución).
22
Repaso Semana 1

VARI ANZA
Datos
2
X X X-X (X - X)
30 30 0 0
33 30 3 9
27 30 -3 9
90 18
90
X = average = = 30
3

18
σ = desviación estándar = = 9 =3
2
23
Repaso Semana 1
σ=3 USL=34 Ζ=1.3

LSL=10
Avg = 30
0 10 20 30 40 50
σ σ σ σ σ σ σ
1.3 desviaciones estándar entre el prom edio y la m eta alta, queda a 9.1%
Fuera de especificación en el lado alto de la distribución, queda m uy poca
oportunidad en la parte baja de la distribución.
24
Repaso Semana 1
La Distribución Normal
 Muchos datos tienden a seguir una distribución normal o una
curva en forma de campana, una de las propiedades principales
de la distribución normal es la relación entre la forma de la curva
y la desviación estándar (σ).
 99.73% del área de la distribución normal está contenida entre -3
sigma y +3 sigma de la media. Otra forma de expresar esto es
que 0.27% de los datos caen fuera de 3 desviaciones estándar
de la media.
3σ 2σ 1σ X 1σ 2σ 3σ
µ - 2 σ , µ + 2 σ - contiene aproximadamente 95% de la Población
µ - 4 σ , µ + 4 σ - contiene aproximadamente 99.9937% de la Población
25
Repaso Semana 1
Múltiples Partes/Pasos
 Las partes y los procesos que generalmente usamos son

bastante complejos. ¿Qué pasa cuando corremos a través de
múltiples procesos y tenemos muchas partes en un ensamble o
tenemos varias dimensiones que son críticas?
 Los procesos industriales generalmente consisten de varios

cientos o miles de pasos, dimensiones, y partes. Debemos
multiplicar la probabilidad de tener partes buenas a través de
todo el proceso de ensamble, y es evidente que un proceso de 3
sigma no producirá ensambles que nuestros clientes quieran
pagar por ellos.
26
Repaso Semana 1
Impacto de la Variación
1000 Pcs Cual es la productividad acumulada

de este proceso?
Paso
1 990 Pcs
99%
990 Pcs
& 10 Rwk
99% & 10 Rwk
Paso Prueba Final

2
985 Pcs
& 15 Rwk
98.5% 980 Pcs
& 20 Rwk 98%
Paso Paso
3 6
970 Pcs
& 30 Rwk
97% 960 Pcs
& 40 Rwk
96%
Paso Paso
4 5
950 Pcs
& 50 Rwk 95%
.99 X 98.5 X .97 X .95 X .96 X .98 X .99 = .84
27
Repaso Semana 1
Impacto de Múltiples Partes
# of Parts +3σ +4σ +5σ +6σ

or Steps (Cp = 1.00) (Cp = 1.33) (Cp = 1.67) (Cp = 2.00)
(Distribution shifted by 1.5 σ)
1 86.64% 98.76% 99.95% 99.9993%
2 75.06% 97.53% 99.91% 99.999%
3 65.03% 96.32% 99.86% 99.998%
4 56.34% 95.12% 99.81% 99.997%
5 48.82% 93.94% 99.77% 99.997%
10 23.83% 88.25% 99.54% 99.99%
30 1.35% 68.73% 98.61% 99.98%
50 0.08% 53.53% 97.70% 99.97%
100 28.66% 95.45% 99.93%
300 2.35% 86.97% 99.80%
500 0.19% 79.24% 99.66%
1,000 62.78% 99.32%
3,000 24.75% 97.98%
5,000 9.76% 96.66%
10,000 0.95% 93.42%
28
Repaso Semana 1
“Z” Transformada
El valor Z indica cuan alejado

esta un punto de la media, en
unidades de deviaciones
estándar.
USL - X X - LSL
Z = s
Combinada con Z = s es Z
alta baja bench
Z Bench = “Capacidad Sigma a Largo Plazo”
29
Repaso Semana 1
Z – El Estándar Transformado
Área bajo la Curva Normal

representa Población Total
Z=2 Población fuera de un punto
Z = Que tan lejos esta un punto

Z=0 de la media.(representado en σ)
50% del Area
(M itad de la población)
30
Repaso Semana 1
Ejemplo
USL LSL
87 (x - x) ( x- x)
σ=1 Z= Z=
σ σ
+3σ
-3σ 90 - 87
para USL Z = 1 =3
De Tabla Z : para Z=3
Process Width
Población fuera de espec es 1350 ppm
80 85 90
87 - 80
Design Width para LSL Z = =7
1
De Tabla Z: para Z= 7
Población dentro de espec es 0 ppm
De Tabla Z para Z= 3 (1350)

De Tabla Z para Z = 7 ( 0 )
Sumar LSL y USL
Población fuera de espec. es 1350 ppm
31
Repaso Semana 1
3 Mundos de Datos
• Mundo Defectuoso………….datos categorizados

p(d)=1-FTY
tomar p(d) a la Tabla Z
• Mundo de Defectos……………..conteo de datos

defectos / unidades = dpu
Z FTY = e- dpu p(d)=1-FTY
tomar p(d) a la Tabla Z
p(d) = Probabilidad de defecto
FTY = Capacidad acumulada
dpu = Defectos por unidad
• Mundo Continuo…………medir los datos

ZUSL= USL-X + ZLSL = X- LSL
σ σ
p(d)total = p(d) upper + p(d) lower
Cálculo hecho en Minitab o en la Tabla Z
32
Repaso Semana 1
Mundo Defectuoso…datos categorizados

Puede ser uno o cero defectos por unidad evaluada
Ejemplo de Defectuoso:
Estaba la información en la orden de compra correcta?
Paso el producto la inspección?
• La medida es buena o mala, paso o fallo,

con defecto o sin defecto.
• La Distribución Binomio es utilizada
para calcular Z score
Más ejemplos de defectuosos

• Estudiantes tomando una clase; paso / fallo.
• Go / no go para el tamaño de un orificio.
• Si / No respuestas para una encuesta.
33
Repaso Semana 1
Mundo de defectos….conteo de datos

Múltiple defectos por unidad evaluada
Ejemplo de Defectos:
Cuantos errores tuvo la orden de compra?
Cuantas razones de rechazo tuvo un producto?
• Unidad puede tener múltiples defectos

• Unidades son asesadas por el numero
total de defectos que contienen
• La Distribución Poisson es utilizada para
calcular el Z score.
Más ejemplos de defectos:

• Número de rayones en un carro.
• Errores de escritura en un contrato de compra.
34
Repaso Semana 1
Mundo Continuo…medir los datos

Número reales de medidas reales
Ejemplos de Defectos:
Cuál es la cantidad de unidades ordenadas en cada orden de compra?
Cuál es el diámetro en un producto?
• Se pueden medir las unidades en incrementos más finos

• Puedes tener leves diferencias en las medidas de cada unidad
• La Distribución Normal es utilizada para calcular el Z score.
Más ejemplos de continuo

• Los más utilizados en manofactura: tamaño, peso, ancho, altura,
localización, distancia, etc.
• Días en un ciclo: manufactura, compras, diseño, envió,
periodo de cobro, mantenimiento, etc.
35
Repaso Semana 1
Efectos en Errores de Medición
Evaluaciones de los sistemas de medición deben ser

conducidos para asegurarse de un análisis de datos
efectivo.
36
Repaso Semana 1
Efectos de Errores de Medición
 Más dificultad en determinar la causa raíz.

 Causas de variación especiales escondidas.
 Re-trabajo innecesario.
 Incremento en desperdicios.
 Mas devolución de clientes.
 Proveedores frustrados, clientes insatisfechos.
37
Repaso Semana 1
Repetibilidad
Repetibilidad: Es la variación
en medidas obtenidas con un
instrumento medidor realizado
varias veces por el mismo
operador mientras mide
características idénticas en la
misma parte.
REPETIBILIDAD
38
Repaso Semana 1
Reproducibilidad
Operator-B
Reproducibilidad: Es la
variación en el promedio de las
medidas hecha por diferentes
operadores utilizando el mismo
instrumento al medir las
mismas características en la Operator-C
misma parte.
Operator-A
Reproducibilidad
39
Repaso Semana 1
Guía de Aceptación - % Variación
% R&R Resultados
<5% No hay discrepancia.
<=10% El medidor está OK.
10%-30% Puede ser aceptable basado en la

importancia de su aplicación, y
factores de costo.
Arriba de 30% El Sistema de Medición necesita

mejoramiento / acción correctiva.
40
Repaso Semana 1
Impacto Financiero de un error en la medición
% Tolerancia Efecto Negativo en Cp Impacto Financiero Comentarios

Consumida
< 10 % Insignificante Cero Estándar de la Industria
Recomendado
< 20 % Mínimo Generalmente Mínimo Arriba del Límite Superior
del rango Aceptable
< 30 % .1 - .2 5-10% incremento en el Considerar invertir en

(5-15%) Costo de manufactura mejores medidores...
> 30% .2 - .5 10-30% incremento en Los medidores definitivamente
(10-40%) Costo de manufactura deben ser mejorados...
> 50 % .5 - 1.0 30-70% incremento en El programa entero está

(30-100%) Costo de manufactura en riesgo... El mejoramiento
es mandatorio
> 70 % 1.0 - 3.0 70-150% incremento en Inútil !
(70-300%) Costo de manufactura
Cp = Índice de Capacidad de Proceso Potencial. Cp DEBE exceder de 1.67 para lograr 5 sigma !
41
Repaso Semana 1
Resumen
 La Variación es el ENEMIGO! Esta DEBE ser entendida!
 La Variación debe ser entendida para poder ser controlada.
 Existe Variación dentro de todos los procesos.
 La Variación puede clasificarse como controlada (Causas
Comunes) e Incontrolada (Causas Especiales).
 Los medidores tradicionales de productividad ignoran a la fabrica
escondida.
 La Variación impacta directamente la productividad de un proceso
 Debemos entender el Z bench “Capacidad de Proceso”.
42
Presentación de Candidatos Six Sigm a
Elementos de cada proyecto de Green Belts y Black Belts en las fases de Definir
y Medir
43
Analizar
Define Measure Analyze Improve Control
K ey P rocess I nput Variables

(Variables Criticas de Entrada)
Analizar la variación y enfocarse estrechamente en los KPIVs
44
Analizar
Controlar Definir
Mejorar Medir
Analizar
45
Análisis Grafico
Objetivo
 Presentar métodos gráficos para la Presentación de Datos.
 Demostrar Métricos para todos los niveles de la organización.
 Aprender como desarrollar 10 Soluciones Gráficas:
1. Hoja de Recolección/Verificación (Tally Sheet).

2. Diagrama de Pareto.
3. Plot de Puntos (Dot Plots).
4. Histogramas.
5. Grafico de Corrida (Run Charts).
6. Grafico de Control (Control Charts).
7. Diagrama de Dispersión(Scatter Plots).
8. Diagrama de Cajas (Box Plots).
9. Diagrama de Probabilidades.
10. Gráfico de Regresión.
46
Análisis Grafico
Aplicación de los Métodos Gráficos

 Seguimiento del Proyecto
 Niveles de Inventario
 Tiempo de conversión
 Tiempo para completar una orden de trabajo
 Entregas a tiempo
 Satisfacción del cliente
 Costos de garantías
 Gastos de embarques
 Ciclo de entrada de una orden
 Ventas mensuales / por producto
La creatividad es solamente la única limitación para su aplicación

47
Análisis Grafico
Ejemplos Gráficos
Histograma
Gráfico de Regresión
10
Frequency
94 96 98 100 102 104 106 108

DBP
Pareto Chart for Causa

Gráfico de Cajas
250 100 109
200 80
104
Percent
Count
150 60
DBP
100 40
99
50 20
0 0 94
s go
nte d epa tard
e
a
us e lare nd o an edic n te
rafos i on a nil las adora ax u lario ona ac io lu tori l leg i a M pacie ers
Defect B ol
ig
n s
i tra c
Pl a
Cop i F
orm
F n ecc i
r info rm
C ons
ie n tes
erg enc u lti- O th
A dmi Co
e ri ca
fi P ac E m M 1 2 3 4 5 6
Count 51 39 38 34 13 12 V 11 11 8 8 7 6 10
Perc ent 21 16 15 14 5 5 4 4 3 3 3 2 4
Day
Cum % 21 36 52 65 71 75 80 84 88 91 94 96 100
48
Análisis Grafico
Reglas
 Presentar una Historia representativa (13 Meses).
Investigar que tipo de variación existe: cíclica, temporada,
ciclo de vida, etc.
 Conocer los Datos.
 Conocer el Sistema de Recolección.
49
Analizar
Controlar Definir
Mejorar Medir
Analizar
50
Análisis Grafico – Tally Sheets
Hoja de Recolección y Verificación de Datos
Tally Sheets
Seguimiento del # de reparaciones por Que es un Tally Sheet?
mes y día. • Muestra la “distribución” de artículos u
JAN U AR Y
1
1 2 3 4 5 6 ocurrencias en una escala o cantidad
2
3
X
X
X X X X
ordenada.
4
5
6
X X X • Ayuda de detectar patrones inusuales en
7
8 X X X
una población o detectar múltiples
9
10 poblaciones.
11 X X X
12
13
X
X X
• Da una imagen visual del “promedio” y el
14
15 “rango”
16 X X X X
17 X
18
19
X
X
X X TIPS para construir un Tally Sheet:
20
21
X • Incluir el nombre del recolectador.
22
23
X
X
X
X
X
X X X
• Las columnas de Razón y Comentarios deben
24
25
X
X X
ser claras y concisas.
26 •Usar fechas completas (mes, día, año)
27
28 X X X X • Usar títulos explanatorios
29 X X X X
30 X X X • Considerar el denominador más bajo
31
• minutos vs. horas
• centímetros vs. metros
• Pruebe y valide su diseño(trátelo)
51
Análisis Grafico – Tally Sheets
Hojas de Recolección de Datos / Verificación
Un método simple para mantener el registro de eventos
FECHA:_______ HORA:____________
Empleado:__________
PARTE #:____________ DESCRIPCION: ______________

CANTIDAD DE MUESTRA: ___________ CARACTERISTICA: ____________
OPERADOR: ________ INSPECTOR: ______________
Propósito: __________________
Use simples
NO-CONFORMANCIA CANTIDAD TOTAL marcas para
DEFECTO CODIGO 10 ///// ///// /// 13 llevar las
DEFECTO CODIGO 11 ///// ///// ///// ///// // 22 cuentas
DEFECTO CODIGO 12 ///// //// 9
TOTAL = 44
Cuando Minitab no esté disponible, usted puede recolectar los datos!!!

52
Analizar
Controlar Definir
Mejorar Medir
Analizar
53
Análisis Grafico – Diagrama de Pareto
Diagrama de Pareto
Es una herramienta esencial que nos ayuda a priorizar objetivos de
mejoramiento. Un Pareto generalmente nos permite enfocarnos en el 20%
de los problemas que causan el 80% del mal desempeño.
Defects Frequency Week

Air Bubble 93 1
Air Bubble 81 2
Air Bubble 62 3
Air Bubble 57 4
Weight Dev 120 1
Weight Dev 132 2
Weight Dev 91 3
Weight Dev 88 4
Deformation 18 1
Deformation 29 2
Deformation 31 3
Deformation 42 4
Color 24 1
Color 42 2
Color 39 3
Color 27 4
54
Uso de Minitab para generar un Diagrama de Pareto

Archivo: Defects 1. Seleccionar:
Estadísticas / Herramientas de
Calidad / Diagrama de Pareto
2. Defectos o datos
de atributos en:
seleccionar Defects
Frecuencias en:
seleccionar Frecuency.
3. Aceptar
55
Ejemplo de Diagrama de Pareto
56
Mas sobre el Diagrama de Pareto:

• El Diagrama de Pareto nos ayuda a identificar cuáles problemas son
más significantes para de esta forma enfocar los esfuerzos de mejora
en las áreas donde las ganancias pueden ser mayores.
• El Diagrama de Pareto es un tipo de Chart de Barras en los cuales el
eje horizontal representa las categorías de interés y no de una escala
continua. Las categorías son usualmente los defectos o las fuentes
de los defectos.
• Al observar las barras de mayor a menor, el pareto puede ayudar a
determinar cuales defectos contienen el mayor número de
ocurrencias.
Ejemplo de aplicación de Diagrama de Pareto:
• Recursos Humanos: Un manager de RR.HH. quiere saber cuáles días de la
semana la mayoría de hojas de vidas son recibidos.
• Información en Sistemas: Los ingenieros quieren saber de cual departamento
se esta recibiendo el mayor número de llamadas por problemas técnicos.
• Ventas: Un manager de ventas quiere revisar las ventas de los últimos meses
por familia de productos.
• Contador: Un contador quiere ver pagos tardes hecho por los clientes.
57

Archivo: Defects 1. Seleccionar:
Estadísticas / Herramientas de
Calidad / Diagrama de Pareto
2. Defectos o datos
de atributos en:
seleccionar Defects
Frecuencias en:
seleccionar Frecuency.
3. Aceptar
58

Analizar
Controlar Definir
Mejorar Medir
Analizar
60
Análisis Grafico – Dot Plots
(3) Turnos de 8 horas
Prod Time Day

95 1 1 Grafica similar a la de un Tally Sheet, permitiendo
100 2 1 mostrar un numero de variables a la vez.
104 3 1
105 4 1 Dotplot of Prod
108 5 1
99 6 1
100 7 1
104 8 1
101 1 2
105 2 2
100 3 2
98 4 2
102 5 2
95 6 2
99 7 2
103 8 2 96 98 100 102 104 106 108
Prod
99 1 3
97 2 3
99 3 3
100 4 3 Un Dot Plot muestra un punto por cada valor, pero en
99 5 3 forma compacta.
102 6 3
99 7 3
100 8 3 61
Dot Plots en Minitab Archivo: Production Time
(1) Grafica > Grafica de Puntos (2) Seleccionar Simple
62
Dot Plots en Minitab

(5) Seleccionar en Frecuencia time &
(3) Seleccionar la variable prod Aceptar
(4) Selecciona Opciones de datos
63
Dot Plots en Minitab
Dotplot of Prod
96 98 100 102 104 106 108

Prod
64
Analizar
Controlar Definir
Mejorar Medir
Analizar
65
Análisis Grafico - Histograma
Histogramas
Es una gráfica de comparación de

cantidades o la distribución de datos
entre variables.
5
4
3
2
1
66
Histogramas
Archivo: Production Time
C1 C2 C3 Graphical comparison of Production

Prod Time Day
95 1 1
100 2 1 Histogram of Prod
104 3 1 12
105 4 1
108 5 1 10
99 6 1
100 7 1 8
104 8 1
Frequency
101 1 2
6
105 2 2
100 3 2
98 4 2 4
102 5 2
95 6 2 2
99 7 2
103 8 2
0
99 1 3 96 98 100 102 104 106 108
97 2 3 Prod
99 3 3
100 4 3
99 5 3
102 6 3 Con un solo vistazo se puede identificar
99 7 3
100 8 3
rápidamente la cantidad de producción que ocurre
mas frecuente utilizando un Histograma.
67
Histogramas
Un Histograma muestra la distribución de valores de datos con barras
una al lado de la otra. Estas no muestran puntos o valores individuales.
Los Histogramas son una buena herramienta para mostrar un gran
número de observaciones o defectos.
• Observación analítica es hecha para ver si existe forma simétrica sesgada.
10 9
8
10
7
Frequency
6
Frequency
Frequency
5 5
5 4
3
2
1
0
0 0
1 2 3 4 5 6 7 8 9
2 3 4 5 6 7 8 9 1 2 3 4 5 6 7 8 9 10
C1
C1 C1
Simétrica Sesgada derecha Sesgada izquierda

• Observación analítica es también hecha para ver si hay un modo o bi-modo.
10
10
Frequency
Frequency
5 5
0 0
2 3 4 5 6 7 8 9 1 2 3 4 5 6 7 8 9 10
C1 C2
Single Mode Bimodal

Histogramas son los gráficos mas comúnmente utilizados para mostrar datos
PERO al mismo tiempo son los que mas errores se cometen al mostrar e
interpretar los datos.
68
Cuál de los dos histogramas probablemente

tiene una distribución normal?
5 4
4
3
Frequency
Frequency
3
2
2
1
1
0 0
10.0 10.5 11.0 11.5 12.0 12.5 13.0 13.5 10 11 12 13 14

Normal Normal
Cambiando el ancho de el intervalo en un

histograma puede cambiar la interpretación de
el gráfico.
69
Histogramas en Minitab
Archivo: Productión Time (1) Grafica > Histograma
C1 C2 C3
Prod Time Day
95 1 1
100 2 1
104 3 1
105 4 1
108 5 1
99 6 1
100 7 1
104 8 1
101 1 2
105 2 2
100 3 2
98 4 2
102 5 2
95 6 2
99 7 2
103 8 2
99 1 3
97 2 3
99 3 3
100 4 3
99 5 3
102 6 3
99 7 3
100 8 3
70
(2) Seleccionar formato Simple
(3) Seleccionar variable (prod) & Aceptar
71
Histogram of Prod
12
10
8
Frequency
0
96 98 100 102 104 106 108
Prod
72
Analizar
Controlar Definir
Mejorar Medir
Analizar
Cantidad
Tiempo
73
Análisis Grafico – Run Chart
Run Chart
Archivo: Production Time Similar al histograma, pero nos muestra las

cantidades sobre tiempo, que se presentan
C1 C2 C3 como línea continua en vez de barras.
Prod Time Day
95 1 1
100 2 1
104 3 1
105 4 1 Gráfica diferentes valores sobre el tiem po.
108 5 1
99 6 1 Run Chart of Prod
100 7 1
104 8 1 107.5
101 1 2
105 2 2 105.0
100 3 2
102.5
Prod
98 4 2
102 5 2 100.0
95 6 2
99 7 2 97.5
103 8 2
99 1 3 95.0
97 2 3 2 4 6 8 10 12 14 16 18 20 22 24
99 3 3 Observation
100 4 3 Number of runs about median: 11 Number of runs up or down: 15
99 5 3 Expected number of runs: 12.25000 Expected number of runs: 15.66667
Longest run about median: 5 Longest run up or down: 4
102 6 3
A pprox P-Value for Clustering: 0.28833 A pprox P-Value for Trends: 0.36856
99 7 3 A pprox P-Value for Mixtures: 0.71167 A pprox P-Value for Oscillation: 0.63144
100 8 3
74
Run Chart en Minitab

Archivo: Production Time
(1) Estadísticas > Herramientas de Calidad > Graficas de Corridas
(2) Doble clic en: Prod
Clic
Aceptar
75
Run Chart en Minitab
Run Chart of Prod
107.5
105.0
102.5
Prod
100.0
97.5
95.0
2 4 6 8 10 12 14 16 18 20 22 24
Observation
Number of runs about median: 11 Number of runs up or down: 15
Expected number of runs: 12.25000 Expected number of runs: 15.66667
Longest run about median: 5 Longest run up or down: 4
Approx P-Value for Clustering: 0.28833 Approx P-Value for Trends: 0.36856
Approx P-Value for Mixtures: 0.71167 Approx P-Value for Oscillation: 0.63144
76
Run Chart
Cuáles patrones perm ite detectar el R un Chart?
Patrón Representación Significado
Tendencia Cambio gradual y sostenido de los Proceso con potencial salida de control,
datos, hacia arriba o hacia debajo dentro ocasionado por fallas en las
del gráfico de corrida herramientas, administración de recurso
humano (turnos de trabajo)
Oscilación Datos fluctuantes hacia arriba y hacia Proceso inestable
debajo de forma consecutiva
Mezclas No se observan valores cerca a la línea Existen datos combinados
central correspondientes a dos poblaciones o
dos procesos que operan en diferente
nivel
Conglomerados Grupos de puntos en cualquier parte del Existencia de causas especiales
gráfico de corrida ocasionadas por problemas de
medición, variabilidad de lote o
muestreo
Los patrones indicados permiten establecer si existe o no aleatoriedad en los datos, es decir si la
variación es ocasionada por causas comunes o causas especiales.
El Run Chart, ofrece dos tipos de pruebas:

1. Número de corridas alrededor de la mediana
2. Número de corridas hacia arriba o hacia abajo
77
Run Chart
Tipos de prueba del R un Chart.
Núm ero de corridas alrededor de la m ediana
Uno o más puntos consecutivos al mismo lado de la mediana.
La identificación de la corrida termina cuando al unir los puntos en una misma dirección atraviesan la
mediana.
2
4
8 10
6
11
3 9
5
1 7
78
Run Chart
Tipos de prueba del R un Chart.
Núm ero de corridas hacia arriba o hacia abajo
Uno o más puntos consecutivos hacia arriba o hacia abajo, es decir en la misma dirección.
Cada corrida inicia cuando hay un cambio de dirección, el final de cada corrida es el que recibe la marca
3 5 9
7 13
11 15
4
2 12 14
6
8 10
79
Run Chart
I nterpretación de los valores presentados en el run chart, para

prueba alrededor de la m ediana
Condición Interpretación
Número de corridas > a número Posible mezcla de datos de dos
esperado de corridas poblaciones
Número de corridas < a número Posible conglomerado de datos
esperado de corridas
Valores de p > 0.05 No se establece ni mezcla, ni
conglomerados
80
Analizar
Controlar Definir
Mejorar Medir
Analizar
Este grafico proyecta los limites de control alto y bajo basado en datos entrados. Cada valor
es un punta de dato individual. El valor del promedio o la media es proyectado al igual que el
rango del promedio.
81
Fundamentos de los Gráficos de Control
 Todos los procesos tienen una variación natural (causas

comunes) y una variación no natural (causas especiales).
 Los gráficos de control son usados para diferenciar esta variación.
 Los gráficos de control incorporan los límites de control superior
(alto) e inferior (bajo) que reflejan los límites naturales de la
variación el proceso.
 Basados en los principios estadísticos, los gráficos de control
permiten la identificación de patrones no naturales (no azarizados)
e identifican oportunidades de mejoramiento del proceso.
 Los límites de control están basados en límites establecidos en +/-
3 sigma para una variable de Entrada o Salida en particular que
está siendo medida.
Meta: Mejoramiento del Proceso
 Graficar los Procesos nos AYUDA:
 Reconocer el grado de variación que existe ahora de tal
manera que no sobre reaccionamos a la variación al azar
 Estudiar el proceso para identificar las fuentes de variación y
entonces actuar para eliminar o reducir esas fuentes de
variación.
 Expansión de estas ideas (Cuatro usos de los gráficos de
control):
 Reportar el estado de control
 Vigilar el mantenimiento
 Determinar la magnitud de los efectos debido a cambios en
el proceso
 Descubrir fuentes de variación
¿Es importante el número de gráficos de control?
Metric
Average Control
Limits
Time
 Nota: No ponemos gráficos de control por todas partes, el

número de gráficos de control no es un indicador de que tan
bien estamos haciendo las cosas.
 ¿Qué características de las salidas son importantes para el
cliente?
 ¿Pueden ser medidas?
 ¿Controladas?
Tipos de Variación
Variación debido a Causas Especiales
Inusual - Variación no esperada de ese proceso en particular.
Esporádica - Variación que ocurre esporádicamente.
Específica - Variación que ocurre bajo un conjunto único de circunstancias.
Estos aspectos de la variación debido a causas especiales la hacen

impredecible e incontrolable
Variación debido a Causas Comunes

Natural - Variación esperada de ese proceso en particular.
Al Azar – Variación que ocurre probabilísticamente en el proceso.
Estos aspectos de la variación debido a causas comunes nos

permiten predecir futuros eventos y controlar el proceso dentro de
los límites esperados.
Identificación de Causas Comunes de Variación
Los Gráficos de Control nos permiten identificar cuando las causas
especiales entran al proceso. Cuando una variación inesperada entra al
proceso, ya no será estable ni predecible. Un proceso dominado por
causas especiales de variación no es controlable. Debe encontrarse la
fuente de la causa especial de variación y eliminarse para retornar el
proceso a su nivel esperado de desempeño.
Estrategia para las Causas Especiales

Uso oportuno de datos.
Preguntarse: “¿Qué ha cambiado?”
Tomar acciones locales rápidas, para

evitar la recurrencia.
Objetivo #1 de los Gráficos de Control
El objetivo #1 de los gráficos de control es el de demostrar

que el proceso es dominado por causas comunes de
variación.
Pruebas para el Control

La prueba primaria de un gráfico de control es, “¿este proceso es un
sistema de causas comunes?” A medida que la respuesta sea SI, el
proceso es un sistema de causas probables que demuestran la
variación natural del proceso. Este es controlable y predecible a través
del tiempo. Si la respuesta es NO, entonces una causa especial de
variación está afectando el proceso, debemos eliminarla y mostrar
nuestra habilidad para controlar el proceso y predecir efectivamente su
comportamiento futuro.
Reducción de las Causas Comunes de Variación
Los gráficos de control nos permiten predecir la variación esperada del
proceso. Cuando las causas comunes esperadas son muy grandes,
generalmente se requiere un cambio sistémico. Debemos agregar varias
M’s al proceso no apegadas al nivel local.
Estrategia para Causas Comunes
Buscar todos los datos.
El sistema requiere cambios

fundamentales.
Generalmente se requiere la acción de la

gerencia.
Los Gráficos de Control
Los gráficos de control son la herramienta principal en el Control
Estadístico de Procesos.
Algunas características similares de los gráficos de control son:
1. Puntos de datos ordenados a través del tiempo
2. Reflejan el rango esperado de variación de los datos
3. Identifican cuando una causa especial está actuando en el proceso

Límite Superior (Alto) de Control
Línea Central
Límite Inferior (Bajo) de Control
Proceso a través del tiempo

La Curva Normal
Curva Normal y Áreas de Probabilidad

Límite 68% Límite
Inferior de Superior de
Control Control
95
%
99.73%
(µ - 4σ) (µ - 3σ) (µ - 2σ) (µ - 1σ) µ (µ + 1σ) (µ + 2σ) (µ + 3σ) (µ + 4σ)
Especial Causas Comunes de Variación Especial

Componentes de un Gráfico de Control
Límite Superior de Control
X-bar Chart
615
UCL=613.6
Sample Mean
605
Línea Central
X=599.1
595
585 LCL=584.6
0 10 20
Sample Number
Límite Inferior de Control

Cual es la diferencia entre los Límites de
Control y la Capacidad
 Límites de Control - están basados en el

DESEMPEÑO DEL PROCESO anterior.
 Capacidad – es la habilidad del proceso para

desempeñarse dentro de las
ESPECIFICACIONES DE INGENIERIA.
Decisión para los gráficos de control
Tipos de Datos
Datos Datos de
Datos de
Continuos Defectuosos
Defectos
(Mediciones/ (Categorizan Datos
(cuentan
Datos Atributos - Pasa/Falla,
atributos - DPU)
Variables) Go-NoGo)
Alto Volumen
Tamaño de Tamaño de
o Bajo
Volumen Muestra Muestra
Alto Bajo constante variable constante variable
Xbarra y R I-MR c u np p
Xbarra y s Vari -Nom
Mediana y R Vari -Target Delta
Tipos de Gráficos de Control
GRAFICOS PARA VARIABLES
• Generalmente usados con datos continuos

• Usa valores medidos
–Longitud, días de facturación, pulsaciones, errores, etc.
• Un flujo de proceso por gráfico
• Los datos continuos pueden ser caros, pero proporcionan
más información que los datos discretos.
Gráficos de Control para Datos Variables
 Gráficos X-barra
 Miden el objetivo o centro del proceso
 Vigilan los cambios en la Media de la variable a través del tiempo
 Gráfico de Rangos
 Miden la ganancia o pérdida de uniformidad
 Vigilan la variabilidad del proceso a través del tiempo
 Gráfico Sigma
 Similar al gráfico de Rangos
 Usan la muestra para estimar Sigma
 Gráfico de Individuos
 Similar a los gráficos X-barra
 Grafican los puntos individuales en lugar de la Media
 Gráfico de Rangos Movibles
 Similar a los gráficos de Rangos
 Los nuevos rangos se grafican con cada punto consecutivo
 Usados con los gráficos de Individuos
Gráficos de Control para Variables
• Útiles para mediciones de datos continuos: tiempo, días,
longitud, radios, alturas, etc..
• Los dos gráficos más comunes:
» Gráfico I-MR:
– I = Mediciones individuales.
– MR = Rangos Movibles.
» Gráfico Xbarra-R:
– Xbarra = Promedios de los subgrupos.
– R = Rango, la diferencia de cada subgrupo.
• Herramienta muy poderosa usada en el sitio de aplicación y

graficada por el operador.
• Gráficos que pueden ser creados en Minitab o fácilmente

mantenidos a la mano.
Gráficos Individual y Rangos Movibles (I-MR)
Los límites de control superior e inferior en el gráfico Individual,

Part# Stem Length Range
representan los valores máximos y mínimos esperados. x-Barra es la
1 5.2493 media de este conjunto de muestras.
2 5.2477 0.0015
3 5.2534 0.0056
4 5.2551 0.0017 Stem Length
5 5.2475 0.0076 3.0SL=5.260
5.26
6 5.2478 0.0003
Ind ivid ua ls
7 5.2461 0.0016
8 5.2490 0.0029 5.25 X=5.249
9 5.2425 0.0065
10 5.2488 0.0063 5.24
11 5.2465 0.0023 -3.0SL=5.238
12 5.2504 0.0038 Observation0 5 10 15 20 25
13 5.2490 0.0014
14 5.2424 0.0066 0.015
3.0SL=0.01374
M o ving R a ng e
15 5.2505 0.0081
16 5.2486 0.0019 0.010
17 5.2511 0.0025
17 5.2526 0.0015 0.005
R=0.004204
19 5.2543 0.0017
20 5.2524 0.0020
0.000 -3.0SL=0.000
21 5.2485 0.0039
22 5.2443 0.0042
23 5.2573 0.0131
24 5.2467 0.0106
25 5.2501 0.0034 Los límites de control superior e inferior del gráfico de Rangos
Movibles representan la variación máxima y mínima esperada
entre parte y parte. R-Barra es la media de este conjunto de
muestras.
Análisis Grafico – Control Chart
I-MR en Minitab
(1) Estadisticas > Graficas de Control > Variables para Individuos > I- MR
(2) Doble click en: Prod
98
I-MR en Minitab
I-MR Chart of Prod

110 U C L=109.45
Individual V alue
105
_
100 X=100.54
95
LC L=91.64
90
2 4 6 8 10 12 14 16 18 20 22 24
O bser vation
U C L=10.94
10.0
M oving Range
7.5
5.0
__
M R=3.35
2.5
0.0 LC L=0
2 4 6 8 10 12 14 16 18 20 22 24
O bser vation
99
Pruebas en Minitab para Causas Especiales
Las primeras tres son consideradas generalmente pruebas
fundamentales. Las restantes son seleccionadas según la necesidad.
*Este menú es para gráficos de variables. Minitab usa pruebas similares para atributos
Gráficos X y R
Se grafican los promedios de los subgrupos en el gráfico X.
Los Rangos de los subgrupos se grafican en el gráfico R.
FLANGE HEIGHT
Rango del Subgrupo “R” DATA Promedio del Subgrupo “X”
1.2516
.0028 1.2502 1.2515 3.0SL=1.251
1.2502
1.2488
Means
1.2505
1.2506 X=1.250
.0002 1.2504 1.2505 1.2495
1.2504 1.2485 -3.0SL=1.249
1.2500 Subgroup 0 5 10 15 20 25
.0006 1.2506 1.2503
0.004
1.2503 3.0SL=0.003363
0.003
Ranges
1.2489
.0018 1.2498 0.002
1.2507
R=0.001306
1.2497 0.001
1.2495 0.000 -3.0SL=0.000
1.2509
.0025 1.2511
1.2520
(1) Estadisticas > Graficas de Control > Variables para subgrupos > Xbar-R
(2) Doble click on: Prod

(3) Seleccionar subgrupos de 3 (3 dias)
102
Xbar-R Chart of Prod

U C L=106.21
105.0
Sample M ean
102.5
_
_
X=100.54
100.0
97.5
95.0 LC L=94.87
1 2 3 4 5 6 7 8
Sample
16
U C L=14.26
12
Sample Range
8
_
R=5.54
4
0 LC L=0
1 2 3 4 5 6 7 8
Sample
103
Tipos de Gráficos de Control
GRAFICOS PARA ATRIBUTOS
• Generalmente usados para datos discretos

• Información Pasa/Falla o Bueno/Malo
• Muy útil en proyectos de calidad
• Muchas características por gráfico
• Requiere más datos para tomar decisiones
Gráficos de Control para Datos Atributos
 Gráficos p (Porcentaje o Fracción defectuosa de unidades no

conformantes)
 Bueno / Malo o Pasa / No Pasa
 Gráfico np (Número de unidades no conformantes)
 Muestras de igual tamaño
Ejemplos: La no luz enciende / La plancha gotea
 Gráfico c (Número de no conformancias)
 Muestras de igual Tamaño
 Cada unidad puede tener más de una no conformancia
 Gráficos u (Número de no conformancias por unidad)
 La muestras pueden no ser del mismo tamaño
Ejemplos: Errores en una factura
Tipos de Datos
Datos Datos de
Datos de
Defectos
(cuentan
atributos - DPU)
Variables) Go-NoGo)
Alto Volumen
o Bajo
 Realiza el seguimiento de la proporción de defectuosos y detecta
la presencia de causas especiales . Cada una de las entradas en
la columna de la hoja de trabajo es el número de defectuosos para
un subgrupo , que se supone provino de una distribución binomial
con los parámetros n y p.
 Elementos del cuadro de diálogo
 Variables: Ingrese columnas que contengan el número de defectuosos para
cada muestra.
 Tamaños de los subgrupos: Ingrese un número o una columna que contenga
los tamaños de subgrupo . Si los subgrupos no son iguales, cada límite de
control no es una línea recta sino que varía según el tamaño del subgrupo. Si
los tamaños de los subgrupos no varían considerablemente, convendría
establecer que los límites de control sean constantes, para lo cual deberá
especificar un tamaño de subgrupo fijo Opciones de Gráfica P > Estimar.
 Supongamos que usted trabaja en una planta que fabrica tubos de
imágenes para televisores. Para cada lote, usted toma algunos tubos y
realiza una inspección visual. Si el tubo presenta rayones en su interior,
usted lo rechaza. Si un lote tiene demasiados rechazos, usted realiza una
inspección 100% en ese lote. Una gráfica P puede definir cuando usted
necesita inspeccionar la totalidad del lote.
 1 Abra la hoja de trabajo EJA_CAL.MTW.
 2 Elija Estadísticas > Gráficas de control > Gráficas de atributos > P.
 3 En Variable, ingrese Rechazos.
 4 En Tamaños de los subgrupos, ingrese Muestreados. Haga clic en Aceptar.
Interpretación de los resultados
 La muestra 6 está fuera del límite de control superior. Considere inspeccionar el lote.
 Hace un seguimiento del número de defectuosos y detecta la
presencia de causas especiales . Cada una de las entradas en la
columna de la hoja de trabajo es el número de defectuosos para
un subgrupo , que se supone provino de una distribución binomial
con los parámetros n y p.
cada muestra.
especificar un tamaño de subgrupo fijo utilizando Opciones de gráfica NP >
Estimar.
 Usted trabaja para una compañía que fabrica juguetes y su trabajo
consiste en inspeccionar el número de neumáticos para bicicleta
defectuosos. Usted inspecciona 200 muestras en cada lote y luego decide
crear una gráfica NP para supervisar el número de defectuosos. Para
hacer que la gráfica NP sea más fácil de presentar en la próxima reunión
con el personal de la compañía, usted decide dividir la gráfica en
segmentos de 10 lotes de inspección.
 1 Abra la hoja de trabajo JUGUETES.MTW.
 2 Elija Estadísticas > Gráficas de control > Gráficas de atributos > NP.
 3 En Variable, ingrese Rechazos.
 4 En Tamaños de los subgrupos, ingrese Inspeccionado.
 5 Haga clic en Opciones de gráfica NP, luego haga clic en la ficha Mostrar.
 6 En Dividir gráfica en una serie de segmentos para efectos de visualización, elija
Cada segmento contiene __ subgrupos e ingrese10.
 7 Haga clic en Aceptar en cada cuadro de diálogo.
 Los lotes de inspección 9 y 20 se ubican por encima de los límites de control superior, lo
que indica que es posible que causas especiales hayan afectado el número de
defectuosos en estos lotes. Usted debe investigar cuáles son las causas especiales que
han podido ejercer influencia en el número fuera de control de neumáticos para bicicleta
defectuosos, para los lotes 9 y 20.
 Hace un seguimiento del número de defectos y detecta la
presencia de causas especiales . Cada entrada en la columna
especificada contiene el número de defectos para un subgrupo ,
que se supone proviene de una distribución de Poisson con
parámetro m. Este valor es tanto la media, como la varianza .
 Por opción predeterminada, el número promedio de defectos en el
proceso, m, se estima a partir de los datos. Este valor es la línea
central de la gráfica C. Minitab también utiliza este valor para
calcular los límites de control.
cada muestra.
 Supongamos que usted trabaja para un fabricante de lino. Cada 100
yardas cuadradas de tela pueden contener cierto número de manchas
antes de ser rechazadas. Para propósitos de calidad, usted desea rastrear
el número de manchas por 100 yardas cuadradas en un período de siete
días, a fin de determinar si su proceso se comporta de modo predecible.
Usted desea que la gráfica de control muestre límites de control a 1, 2 y 3
desviaciones estándar por encima y por debajo y de la línea central.
 1 Abra la hoja de trabajo EJA_CAL.MTW.
 2 Elija Estadísticas > Gráficas de control > Gráficas de atributos > C.
 3 En Variables, ingrese Manchas.
 4 Haga clic en Opciones de gráfica C, luego haga clic en la ficha Límites S.
 5 En Mostrar límites de control en, ingrese 1 2 3 en Estos múltiplos de la
desviación estándar. 6 En Colocar bandas a los límites de control, marque Banda
de límite inferior de desviación estándar e ingrese 0.
 Debido a que los puntos se ubican en un patrón aleatorio, dentro de las bandas de los
límites de control de las 3s, usted concluye que el proceso se comporta de modo
predecible y está bajo control.
 Realiza un seguimiento de los defectos por unidad muestreada y
detecta la presencia de causas especiales . Cada entrada en la
columna de la hoja de trabajo representa el número de defectos en
una muestra (o subgrupo ), que se basa en el supuesto de que
procede de una distribución de Poisson con el parámetro m, que
es tanto la media como la varianza .
 Por opción predeterminada, Minitab calcula el número promedio de
defectos del proceso, m, a partir de los datos. Este valor es la línea
central. Minitab también calcula los límites de control utilizando
este valor.
 Variables: Ingrese las columnas que contienen el número de defectos por
unidad muestreada.
especificar un tamaño de subgrupo fijo utilizando Opciones de gráfica U >
Límites S.
 Como gerente de producción de una compañía que fabrica juguetes,
usted desea supervisar el número de defectos por unidad de los autos de
juguete con motor. Usted inspecciona 20 unidades de juguete y crea una
gráfica U para examinar el número de defectos en cada unidad. Usted
desea que la gráfica U exhiba límites de control rectos, de manera que
pueda fijar un tamaño de subgrupo de 102 (número promedio de juguetes
por unidad).
 1 Abra la hoja de trabajo JUGUETES.MTW.
 2 Elija Estadísticas > Gráficas de control > Gráficas de atributos > U.
 3 En Variables, ingrese Defectos.
 4 En Tamaños de los subgrupos, ingrese Muestra.
 5 Haga clic en Opciones de gráfica U, luego haga clic en la ficha Límites S.
 6 En Cuando los tamaños de los subgrupos no sean iguales, calcule los límites de
control, elija Suponiendo que todos los grupos son de tamaño luego ingrese 102.
 Las unidades 5 y 6 se encuentran por encima de la línea superior del límite de control, lo
que indica que es posible que causas especiales hayan ejercido influencia en el número
de defectos en estas unidades. Usted debe investigar cuáles causas especiales han
podido influenciar el número fuera de control de defectos en los autos de juguete con
motor para estas unidades.
Dia No. Llamadas Llamadas Fallidas
Domingo 45 2
Lunes 78 6
Martes 96 4
Miercoles 89 9
Jueves 79 4
Viernes 94 8
Sabado 56 22
Domingo 33 3
Lunes 75 5
Martes 93 7
Miercoles 92 3
Jueves 84 7
Viernes 61 7
Sabado 52 12
120
Wafer Number Wafer Number
Number of Defects Number of Defects
1 16 14 16
2 14 15 15
3 28 16 13
4 16 17 14
5 12 18 16
6 20 19 11
7 10 20 20
8 12 21 11
9 10 22 19
10 17 23 16
11 19 24 31
12 17 25 13
13 14
121
Ejemplo
Límite Superior
de Control
X-Bar Chart for Process B
= Causa Común 80
UCL=77.27
Sample Mean X =70.98

70
= Causa Especial
Reacción requerida LCL=64.70
60
50
0 5 10 15 20 25
Sample Number
Límite Inferior
de Control
Razones para el uso de gráficos de control
• Los gráficos de control ilustran cuando un proceso

es controlable y predecible.
• Los gráficos de control son efectivos cuando se

utilizan en procesos Xs o procesos Ys.
• Los gráficos de control identifican cuando se debe

tomar acción para investigar la variación
inesperada del proceso.
• Los gráficos de control proporcionan información de

diagnóstico.
A Favor
• Excelente herramienta para monitorear las Y’s de un proceso o las
X’s vitales al nivel del proceso inicial.
• Identifica Causas Especiales de Variación.
• Permite respuestas a los cambios al proceso en tiempo real.
• Pueden ser utilizados cuando no se tenga un dispositivo a prueba de
error.
• Pueden ser usados para datos discretos o continuos.
• Simples de usar, y todavía versátiles y estadísticamente poderosos.
En Contra
• El CEP requiere la compra por el equipo para que sean efectivos.
• No es un substituto de los poka-yoke.
• No son usados para investigar la variación debido a causas
comunes.
Analizar
Controlar Definir
Mejorar Medir
Analizar
125
Análisis Grafico – Diagrama de Dispersión
Un diagrama de Dispersión muestra la relación entre dos variables.

Matemáticamente, el eje Y (vertical) muestra para predecir o explicar una
ocurrencia. El eje X (horizontal muestra los valores de la variable de la cual se
basa nuestra predicción o explica su ocurrencia.
Diagrama de Dispersión
50
40
Y
kills
30
20
10
450 550 650 750
boats
X
La primera herramienta que se concentra en medir “X”
126
Positivo Negativo
No correlación
127
Se casan generalmente las

personas de la misma
estatura?
128
Altura del hombre en el eje X ( 71” )

Altura de la mujer en el eje Y ( 63” )
Continue plotting couples for the study on height & marriage
72 inches 64 inches 68 inches

61 inches 56 inches 61 inches
129
Archivo: XYcouples Probaremos la altura de las parejas contra el

peso de las parejas
(1) Grafica > Grafica de dispersion Las parejas mas altas también pesan más?
(2) Seleccionar (Simple)
130
(3) Seleccionar variable Y (weight) y variable X (height)
131
El gráfico muestra la distribución de la respuesta (Y) basada en el

predictor (X) pero no explica adecuadamente todos los puntos.
132
El gráfico muestra la distribución de la respuesta (Y) basada en el

predictor (X) pero no explica adecuadamente todos los puntos.
133
Analizar
Controlar Definir
Mejorar Medir
Analizar
134
Análisis Grafico – Gráficos de Caja
Comparando dos Medias

La Comparación es la clave para entender muchas clases de datos. Por ejemplo:
• Queremos saber cual de dos terapias es más efectiva contra una enfermedades
en particular.
• Queremos comparar dos comidas por nutrición o sabor. Tal vez, necesitamos comparar un
nuevo producto con un competidor existente.
Un gráfico de caja le mostrará la distribución de sus datos dentro de la población total. 75% de sus datos
serán capturados en una caja con colas mostrando la dispersión total.
La cola se extiende hasta el valor

Un gráfico de Caja le mostrará la distribución de más alto dentro del límite superior
90%
sus datos dentro del total de la población.
Línea del Tercer Cuarto 75%

El 50% de sus datos serán capturados en una
caja con colas mostrando la dispersión total.
Línea de la Mediana 50%
Línea del Primer Cuarto 25%
La cola se extiende hasta el valor 10%

más bajo dentro del límite
inferior
135
Perro Perro
de Carne de Pollo
Usando un Grafico de Caja compararemos el nivel de sodio en los perros.
Analizar el contenido de sodio
136
Archivo: Hot Dogs

C1
Sodium
C2
Type
(1) Gráfica > Gráfica de Caja
495 Beef
477 Beef
425 Beef
(2) Seleccionar con Grupos (2 grupos;

322 Beef
482 Beef
beef & poultry)

587 Beef
370 Beef
322 Beef
479 Beef
375 Beef
330 Beef
300 Beef
386 Beef
401 Beef
645 Beef
440 Beef
317 Beef
319 Beef
298 Beef
253 Beef
430 Poultry
375 Poultry
396 Poultry
383 Poultry
387 Poultry
542 Poultry
359 Poultry
357 Poultry
528 Poultry
513 Poultry
426 Poultry
513 Poultry
358 Poultry
581 Poultry
588 Poultry
522 Poultry
545 Poultry
137
(3) Selecciona variables (sodium) y agrupación (type)
138
Boxplot of Sodium vs Type

700
600
Gráfico de Caja muestra: 500
Sodium
• 2 Medianas diferentes
• distribución de la población
• variación dentro de la población 400
300
200
Beef Poultry
Type
Más tarde en esta sección aprenderemos que necesitaremos valores estadísticos para acompañar un
gráfico para determinar con mas exactitud una diferencia verdadera entre dos variables.
139
Analizar
Controlar Definir
Mejorar Medir
Analizar
140
Análisis Grafico – Gráficos de Regresión
• El Análisis de Regresión es un análisis de las relaciones entre

variables cuantitativas. Es una ecuación matemática que analiza
las relaciones entre la variable a ser pronosticada y variables de
experimentos.
• La razón más importante para hacer una análisis de regresión,

particularmente en negocios y economía, es que puede ser usado
para pronosticar variables.
• Las Salidas (Y’s) son denotadas como Variables Dependientes.
• Las Entradas (X’s) son denotadas como Variables Independientes.
141
• Una ecuación de regresión corresponde a una línea

recta en un diagrama de dispersión de todas las
entradas.
B Promedio
¿Cuál es la
mejor?
Temperatura A Promedio
Tiempo
142
Cuando la forma de las relaciones en un diagrama de dispersión es Lineal (variables X y Y),

es más exacto expresado en números. Rara vez, los datos se alinean perfectamente, de tal
manera que configuramos una línea entre ellos.
Regression Plot
kills = -35.1276 + 0.112608 boats
S = 5.40952 R-Sq = 83.2 % R-Sq(adj) = 82.2 %
50
40
A medida que “ X” se
incrementa,
(más barcos)
kills
30
también “Y”
20 (manatíes muertos)
10
450 550 650 750

boats
En este gráfico, estamos determinando si el número de barcos registrados lleva a un

incremento en la muerte de manatíes. Si sabemos que las X (número de barcos), podemos
predecir Y ( manatíes muertos).
Los datos sugieren que la muerte de más manatíes ocurrirán a medida que se incrementa en número de barcos
143
Archivo: Manatee.mpj
(1) Seleccionar:
Estadisticas > Regresión
> Linea Ajustada
Respuesta = muertes
Predictor = barcos
seleccionar: linear
click: Aceptar
144
Analizar
Controlar Definir
Mejorar Medir
Analizar
145
Análisis Grafico – Diagrama de Probabilidad
Normal Probability Plot for stress

ML Estimates - 95% CI
Un Diagrama de Probabilidad es una

muestra gráfica de un estimado o 99 ML Estimates
predicción.
Mean 675
95
StDev 114.564
90
Goodness of Fit
Por ejemplo; el manofacturador de vidrios
80
70 AD* 1.416
Percent
para aviones quiere predecir el impacto en
60
50
sus vidrios a cierto rango de velocidad. 90

40
30
vidrios fueron probados a 8 diferentes 20
velocidades .
10
5
La grafica va a predecir el porcentaje de 1

fallas en cada nivel de presión.
300 400 500 600 700 800 900 1000 1100
Data
La línea del medio estima el porcentaje de unidades / medidas que fallaran a un

nivel dado de presión (e.g. 50%)
La línea superior e inferior nos dan un intervalo de confianza del 95% de unidades / medidas
que fallaran a un nivel dado de presión.
146
Sodium Type
495
477
Beef
Beef
Analizaremos el contenido de sodio en los perros
425
322
Beef
Beef calientes para determinar si hay una tendencia; poder
482 Beef
587
370
Beef
Beef
predecir el nivel de sodio en ambos grupos de perros
322
479
Beef
Beef calientes.
375 Beef
330 Beef
300 Beef
386
401
Beef
Beef Queremos saber el nivel de sodio donde el 50% de
645 Beef
440
317
Beef
Beef
los perros calientes caen para de esta forma evaluar
319
298
Beef
Beef los niveles totales de sodio en la población entera de
253 Beef
430
375
Poultry
Poultry
perros calientes.
396 Poultry
383 Poultry
387 Poultry
542
359
Poultry
Poultry
Luego podemos utilizar gráficos para predecir los
357
528
Poultry
Poultry niveles de sodio para un número dado de perros
513 Poultry
426
513
Poultry
Poultry
calientes.
358 Poultry
581 Poultry
588 Poultry
522 Poultry
545 Poultry
147
(1) Grafica > Grafica de Probabilidad (2) Seleccionar Individual
(3) Seleccionar variable (Sodium)
148
Probability Plot of Sodium

Normal - 95% CI
99
Mean 427.7
StDev 97.90
95 N 37
AD 0.538
90
P-Value 0.157
80
70
Percent
60
50
40
30 50% de ambos tipos de perros
20 tiene el nivel de sodio sobre 428
10
1
100 200 300 400 500 600 700
Sodium
149
”
(1) Grafica > Grafica de Probabilidad (2) Seleccionar (Multiple)
(3) Seleccionar variable (Sodium)

(4) Seleccionar Categoricas (Type)
150
Probability Plot of Sodium

Normal - 95% CI
99
Ty pe
Beef
95 Poultry
90 Mean StDev N AD P
401.2 102.4 20 0.521 0.163
80 459 84.74 17 0.857 0.021
70
Percent
60
50
40
30
20
Carne 50% = 401
10 Pollo 50% = 459
5
1
0 100 200 300 400 500 600 700 800
Sodium
151
Análisis Grafico
Diagrama de Pareto, Diagrama de Dispersión

Pareto Chart Archivo: Sally’s.mpj
Sally’s tiene una multitud de razones de devolución de maquinas rasurar
eléctricas. Analice los datos y determine la causas mayores utilizando Pareto.
Scatter Plot Archivo: Olympic.mpj

Cómo ha cambiado el redimiendo en las Olimpiadas a través del tiempo?
Analice cada evento.
152
Análisis Grafico
Por defectos
Quantity By Defect
20000 100
80
15000
Percent
60
Count
10000
40
5000 20
0 0
t t t
Part Defect
e w r ib e n it) se d sed or n isy n i k e n ion C u d ed r ib e te n o n ped ted r i be r ib e sty ose k en d ed ge d ti on h er
u l l N e sc R Un it U ni t u- - W - N oI n UBr o Te nsrd -- oun e sc r mi t tur n tr ip Sh or e sc e sc -- R uet lo Br o oun a ma r ica O t
D D (M U u h s d h o r D te ' t S - D D e n p r D b
d e- - er - nd e n k en Br us ra te ou nL a tc r in g C d- - G er - -- I n esn Ho le or d- e r - er - Bla dM ag -C a e- - G er - - r Lu
h k b p l h o h h -- - r v e
B la - Ot F o uBr o - Br o -
i F -
- V ec t ge - w S F ie- - O twi tchh -- D r e w C- - O t- - Ot r e ru shmat u L e pr op
- t - - e f n o tu
d e fec er - ch r
tu De H e- - L
i r y S i tc - - Sc re rd a B Ar Im
Bl a DeL ow S wi t r ma - N o a d esso S win g m a tu C o A rm
a r- -
o A us- l c us Ar Ge
N g
s- - Hs
B Ac
u n e o Ho
o
ne l la
ce ll a i sc e
is M
M
C ount 7818
3067
1942
1452
79876972565327620920019118717917716116014713313112010691 72 711038
Percent 37 15 9 7 4 4 3 3 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 5
C um % 37 52 61 68 72 76 79 83 84 85 86 87 88 88 89 90 91 92 92 93 93 9494 95 95 100
153
Análisis Grafico
Por Cliente
Quantity By Customer
10000
Count 8000
6000
4000
2000
0
C ustomer D R T g e S N LY N L Y 1 D D O S L L LY Y LY A . 1 D S A C Y es S er
A TEU M EMA Rted - EST IO PP TI O PP A T EA TEE TC ESC A P P PA NPP .B. A TEPLI EKA RY I NP A Npr isTE MOth
Reducir el número a 80 para e U U N C U U .B I r
P O R NSET S p U MO RAL SO RAY S P ORPO R PSO - M Y S O MT S I PO RSU P MPA N O MnteS YS
R CO P N P A P
R R RI R U B O O T R R D G
I N U Y V T C E R M R T C
MB p Ee S
incluir mas datos que son CO BAC O ST C O EA C NC NC DA V RO E APPL R S F ANC O P E C O & jm I C
IN S U S B N I I S T B U E E T I 'S L B RV
N Y GI I NDNI CA ST IV AKET NA M NY I S E F F LE NSY A N R IA RT SE
insignificantes. A E
R T O O LLA R A N R N
A JI A N J F
S IO R
O
A ESP AT E
MP A SC TR T C S URM A RI ILI LL VA T M
C O
C OL E ES PE M EM
I
M O LIA ST
TY T E W U N I L
ES A S IN
AU W IM B ET N W
BE S P L O
Y SA
LL
SA
C ount 10139
2253
5484212802772682242132061811771731561391331241221171131111081071049998 974196
Percent 4811 3 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 20
C um % 48586163 646667 686970 7172 737374 757576 7677 77 7878 797980 80 100
154
Análisis Grafico
(1) Seleccione los 3 eventos como “Y”

(2) Use el tiempo como “X”
(3) Seleccione Data options “Project lines”
Archivo: Olympic.mpj
155
Análisis Grafico
Olympics
95
90
85
High
80
75
70
0 10 20 30 40 50 60 70 80 90
Year
Olympics Olympics
2800
350
2600
2400
325
2200
2000
Discus
Long
300
1800
1600
275
1400
1200
250
1000
0 10 20 30 40 50 60 70 80 90 0 10 20 30 40 50 60 70 80 90
Year Year
156
Análisis Grafico
¿Qué hemos aprendido?

 Los gráficos son usados para priorizar el trabajo.
 Revisión general de los métodos gráficos
 Hojas de Recolección de datos.
 Diagrama de Pareto.
 Dot Plots.
 Histogramas.
 Run Chart.
 Control Chart.
 Diagrama de Dispersión.
 Gráficos de Caja.
 Regresión.
 Diagrama de Probabilidad.
 Métodos para Evaluar / Presentar Datos claramente
Ahora si tuviéramos estadísticas para explicar estos gráficos!!!

157
Controlar Definir
Mejorar Medir
Analizar
158
Herramientas Analíticas
7 HERRAMIENTAS ANALITICAS
1. Estadística Descriptiva
2. Prueba de Hipótesis
3. T-test
Poder de P
Intervalo de confianza
4. Regresión Least Square
5. Regresión Múltiple
Diagrama de Gráficos
Tabla de Correlaciones
6. Anova
7. Chi Cuadrado
Analizar
Controlar Definir
Mejorar Medir
Analizar
160
Estadística Descriptiva
• En las herramientas gráficas aprendimos que una gráfica nos puede

mostrar varianza entre 2 grupos, pero no sabíamos si la diferencia era
significativamente diferente. (e.g. el sodio en los perros calientes).
• El saber que existe una diferencia no es suficiente.
• Nuestra meta es saber si los 2 grupos son significativamente diferentes

utilizando estadísticas, especialmente si el análisis.
• Causa cambios de proveedor
• Interviene en la mano de obra
• Incurre en comprar maquinaria
• Pone los niveles de inventario en riesgo
• Afecta la perdida de un cliente
• Pone en riesgo el flujo de producción
• También queremos aplicar la prueba de hipótesis en la cuál la HIPOTESIS

NULA es donde no existe diferencia estadística. Esta sección nos llevara
a Pruebas de Hipótesis.
161
P erro de P erro de
Carne P ollo
Analizar el contenido de sodio
Vimos la diferencia entre

carne y pollo, pero era
significante?
Todo lo que sabemos son las

medianas, las cuartilas y la
extensión
162
• Una herramienta adicional para analizar datos sin utilizar gráficos en Minitab esta
en el área llamada Estadística Descriptiva.
• Esta herramienta le ayudara a extraer la Media, la Mediana y la Desviación
Estándar de los datos.
(1) Stat > Basic Statistics > Display (2) Variable: Sodium , By variable: Type
Necesita hacer click en la

caja para obtener la opcion
de elegir.
163
Rango Probable (MIN & MAX)
Todavía no sabemos si son estadísticamente diferentes.

Todavía no sabemos si las 2 variables son realmente equivalentes.
Necesitamos herramientas adicionales que nos ayuden a analizar.
164
Analizar
Controlar Definir
Mejorar Medir
Analizar
165
Prueba de Hipótesis
• Determina si dos conjuntos de datos son diferentes.

• Nos dice si o no un parámetro estadístico (media,
desviación estándar, etc.) es diferente de un valor de
interés.
• Nos permite manejar adecuadamente la incertidumbre,
es más objetiva para resultados estadísticos y gráficos,
nos ayuda a confirmar o desaprobar asunciones.
• Las pruebas de hipótesis controlan el riesgo de tomar
malas decisiones o conclusiones.
¿está seguro de que sus datos y el análisis son correctos?

166
• La Prueba de Hipótesis es una Inferencia Estadística.

• Las estimaciones pueden ser generadas usando datos
simples de un parámetro no conocido. La prueba de
hipótesis es una inferencia para determinar si o no los
datos de la muestra soportan cierta creencia o hipótesis
acerca de la población.
Ejemplos -
– Una compañía que ha tenido un 10% de participación el mercado
lanza una nueva campaña de publicidad. Al final del de la
campaña, la compañía quiere saber si los resultados de una
muestra al azar indican un incremento en la participación de
mercado.
– Una política está interesada en determinar si una nueva parte de
una legislación es igualmente soportada por hombres y mujeres.
Una muestra al azar de hombres y mujeres le proporcionan la
información que ella busca. 167
Manufactura – Un fabricante lentes para binoculares comenzara una

nueva línea de producción para un tipo de lente bien popular. La empresa
quiere estar segura que los lentes de ambas líneas son iguales para poder
ser utilizados sin causar distorsión.
Transaccional - El manager de un departamento de ordenes quiere saber

si un procedimiento es mas rápido que el otro.
Mercadeo/Ventas – Un manager quiere determinar si una nueva

campana de anuncios incremento las ventas.
Diseño - Un diseñador quiere comparar dos prototipos para ver si existe

significante diferencia en rendimiento.
¿Es su nuevo proceso significantemente diferente como resultado de sus

mejoras?
168
 Hipótesis Nula – denotada como H0 (H-cero) siempre especifica un valor simple

para el parámetro de la población.
 Ejemplo – si queremos probar para determinar si la media de pérdida de peso
de la gente quien ha participado en un nuevo programa de control de peso es
10 libras, probamos H0:m =10
 Hipótesis Alternativa – denotada como HA, es la más importante, porque es la

hipótesis que contesta nuestra pregunta. La hipótesis alternativa asume tres
posibles formas: Ejemplos:
 Si en el tiempo, una compañía quiere saber si el promedio de vida de una
llanta de su nueva llanta radial excede su valor de la publicidad de 50,000
millas, la compañía debería especificar la hipótesis alternativa como - HA:
m>50,000
 Si la compañía quiere saber si el promedio de vida de la llanta es menor de
50,000 millas, debería de probar - HA: m<50,000
 Si la compañía quiere saber si el promedio de vida de la llanta es diferente de
la publicitada, entonces debería de probar - HA: m no es igual a 50,000
 En todos los casos, la hipótesis nula debería de ser – Ho = m =50,000
169
• La hipótesis NULA es aceptada cuando los datos

NO son concluyentes para soportar el mejoramiento
o cambio.
– En Minitab la hipótesis nula es que las
poblaciones son iguales
– Si el valor de el parámetro “P” es menor que 0.05
rechazo la hipótesis nula. Entonces las
poblaciones son distintas
– Si el valor de el parámetro “P” es mayor que 0.05
acepto la hipótesis nula. Entonces las
poblaciones son iguales.
• La hipótesis ALTERNATIVA es aceptada solamente

cuando los datos muestran una fuerte evidencia de
que ha habido un mejoramiento.
170
Beta, Poder y Tamaño de la muestra

• Beta viene a tener sentido si la hipótesis nula es
totalmente falsa. Mientras mas falsa es, mayor es son las
95% confianza
oportunidades de detectarla, y menor es el riesgo de Beta. alpha = .05
• En otras palabras si dos poblaciones tienen media
completamente diferentes pero solo por una pequeña
Beta
cantidad, entonces es más probable concluir que son
iguales, haciendo a beta mas grande.
• El poder de la prueba de hipótesis es la habilidad de 95% confianzalidad
alpha = .05
detectar un efecto de una magnitud dada.
Beta
Power = 1 - β
Como incrementar el poder

• Si queremos detectar un efecto menor típicamente
incrementamos el tamaño de la muestra.
Para reducir el riesgo Beta, Necesitamos incrementar el tamaño de la muestra o

incrementar Alpha.
171
Analizar
Controlar Definir
Mejorar Medir
Analizar
172
Prueba T
One sample t-test (cuando no conoces la Desviación Estándar)

One sample z-test (cuando conoces la Desviación Estándar)
Una Prueba T o Z es usada para probar si la media de una población
variable es diferente a un valor de referencia.
Debemos conocer la media contra la cual vamos a hacer pruebas.
• Para una prueba a una clase de perdida de peso para ver si todos
perdieron los 10 kilos anunciados en la campana publicitaria de la
compañía.
• Analizar mpg de un nuevo modelo de carro contra el mpg anunciado.
Two sample t-test

Una Prueba T de dos muestras es usado para comprobar si la media de una
población variable es diferente a la media de otra población.
Podemos comprobar medias iguales o comprobar las diferencias.
• Examinar los grados por promedio de la Universidad de Harvard con la

clase del 2001 vs. la clase del 2008.
173
Prueba T
Estadisticas > Estadisticas basicas > ? test
One sam ple z-test

1 variable & sigm a conocida
One sam ple t-test

1 variable, sigm a desconocida
Tw o sam ple t-test

2 variables
174
Prueba T
Z-test (sigm a conocida de 3) T-test (sigm a desconocida)
Que m edia
P robar
T-test (2 variables )
Data en una colum na

o
Exam inar sim ilitudes o Data en dos colum nas
Diferencias
175
Prueba T
Stat > Basic Statistics > 1 Sam ple Z
Escoga la P rueba: no es igual a
P < .05
Tiene una“diferencia
Significativa”; datos no
son igueales a la media y
desviacion estandar
Debe m eter la Desviación Estándar
y la M edia.
Estos datos se pueden obtener con
176
Prueba T
Beef Poultry
Two-sample t test considera las diferencias entre dos medias de dos

poblaciones. No requieren la asunción especial de que la desviación
estándar de dos poblaciones son iguales.
Asunciones de la Prueba T:
• Las dos poblaciones son distintas
•Los datos son independientes y al azar
• Las poblaciones son normales pero no necesitan tener la misma varianza.
• T test pueden ser computados de seis estadísticas de datos:
2 medias, 2 desviaciones estándar, and 2 tamaños de muestra.
177
Prueba T
Archivo:Hotdogs.mpj
Stat > Basic Statistics > 2 Sample t Samples in one column or different?
Two-sample t test provee un intervalo de confianza para la diferencia entre

las medias (promedios) de dos grupos.
178
Prueba T
El p-value es mayor de 0.05

Podemos aceptar la hipótesis nula
El P- value nos recuerda la prueba hipótesis:
En este caso P>0.05 por esto aceptamos la hipótesis nula y concluimos que
no hay suficiente evidencia de diferencia estadística. Puede haber
diferencia, pero estadísticamente podemos concluir que no es significativa.
179
Prueba T
Boxplot of Sodium by Type Individual Value Plot of Sodium vs Type

700 700
600 600
500 500
Sodium
Sodium
400 400
300 300
200 200
Beef Poultry Beef Poultry
Type Type
180
Prueba T
¿Podem os predecir cuanto se

puede vivir basado en 2 dietas
diferentes?
P lay Biosphere Video 6-1A
181
Prueba T
Utilizaremos dos poblaciones de ratas que fueron puestas en dietas

diferentes.
Ratas en dieta “restringida” Vs. Ratas comelonas
Hay diferencia en el
tiempo que vivirán?
182
Prueba T
Refresher on M initab: Stat > Basic Stats > 2-sam ple t...
Archivo:Rats.mpj
El p-value es menos de 0.05

Por lo que podemos rechazar la hipotesis nula
We are 95% confident that the TRUE

difference falls within this interval
349 Dias 219 Dias Las ratas en dieta restringida viven 219-349 mas
Usando “P” y “95% CI ” para hacer una asunción correcta
183
Prueba T
Ejercicios T-Tests: Archivo: T-tests.mpj
One sample t-test

El one sample t-test es usado para probar si la media de una población variable es diferente
a un valor de referencia.
Ejercicio:
(1) Un investigador quiere determinar si la media de gastos de energía en casas de estratos
altos es diferente al valor publicado de $1080. Cualquier diferencia de por lo menos $100 en
cada dirección es considerada significante.
(2) Repetir los datos usando z-test. $183 es un buen estimado para Sigma.
Two sample t-test

El two sample t-test es usado para probar si la media de dos poblaciones variable es
diferente a un valor de referencia dado.
Ejercicio:
Una firma de salud quiere saber cual de dos hospitales, A & B, tiene el nivel de satisfaccion
mas alto en pacientes de maternidad. La firma usara esta información para referir pacientes
y hacer sugerencias al hospital para mejoras.
184
Regresión de Least Squares
¿Ex iste una relación entre el núm ero

registrado de botes de m otor y el
núm ero de m uertes de m anatíes?
Adivina P rueba
O
asum e ? P or
Estadística
185
Regresión
Análisis de Regresión
 El Análisis de Regresión es el análisis de la relación entre variables

cuantitativas. Una ecuación matemática que analiza las relaciones
entre las variables a ser estimadas y las variables de experimento.
 La razón mas importante para hacer un Análisis de Regresión,

particularmente en los negocios y economía, es que se puede utilizar
para predecir variables.
 Las Salidas (Y’s) son denotadas como Variable Dependientes.
 Las Entradas (X’s) son denotadas como Variables Independientes.
186
Regresión
El Diagrama de Dispersion describe la relacion entre 2 variables
¿Qué significa este gráfico?
187
Regresión
Regresión del Least Square
Ecuaciones de Ejem plo

 Y = 10,000 + 4*A
− Si A = 1000 entonces Y = 14,000
− Si querem os que Y = 6000 entonces A= -1000
 Y = 5 + 3*a + 2*b + 1*c

− Si a=3, b=10, c=100 entonces Y = 134
− Si querem os que Y = 210 entonces a=1, b= 1, c=
200
188
Regresión
Com o funciona la R egresión?
Una ecuación de R egresión cabe en una

W hich one
línea recta de un Gráfico de Dispersión fits the best??
de todas las entradas.
B Average
Tem p A Average
Tim e
189
Regresión
Cuando la forma de la relación en un Diagrama de Dispersión es Linear (variables X y Y), es

expresado con mas precisión con números. Raramente los datos de número alinean
perfectamente así que las líneas son colocadas entre los datos. Este método de colocar las
líneas es conocido como Least Squeares. La clave descansa en los Residuales (las fallas
para colocar los datos).
TOPI COS:
• Diagram a de
Dispersión
• Least squares
• Regresión
• Línea de subida
• Residuales
¿Existe una relación entre el núm ero de

botes registrados y las m uertes de m anatíes?
190
Regresión
y = b o + b 1x
Si conocem os
X,
Y es la P odem os
predecir el
respuesta
valor Y
X es el pre decidor
Form ando la relación de 2 variables
191
Regresión
Y Y
X X
y = bo + b1 x y = bo + b 1 x
Y axis es siem pre vertical X axis es siem pre horizontal
192
Regresión
Bo es la CONSTANTE; donde se cruzan los ejes X en Cero
bo es la intersección
de “0” en el eje
Y
X y el valor Y
bo = 3.0
X
y = b o + b 1x
y = 3.0 + 0.5 x
193
Regresión
La cuesta de la línea describe la relación entre 2 variables.
B1 es el COEFI CI EN TE
Si b 1 es igual 0,
Y La pendiente de la
línea es “plana”
b1 = 0
X
y = bo + b 1 x y = 3.0 + 0 x
Aquí la predicción de “Y” no es influenciada por la variable “X”
Com o “X” increm ente o dism inuya, “Y” se m antiene igual.
b 1 nos da la cuesta de la línea

194
Regresión
La cuesta de la línea describe la relación entre 2 variables.
Como incremente “X”, “Y” disminuye Como “X” incrementa “Y” incrementa
gradualmente gradualmente
b1 Negativo
Y Y
b1 Positivo
X X
y = bo + b 1 x y = bo + b 1 x
y = 3.5 + -.4 x y = 3.5 + .35 x
Sib1 es negativo; Si b1 es positivo,
La pendiente de la línea es “hacia abajo” La pendiente de la línea es “hacia abajo”
b1 = -.4 b1 = +.35
195
Regresión
Y Y
X X
y = 3.0 + 0.5 x y = 3.0 - 0.5 x

Si X = 4 Si X = 3
entonces Y = 5 y = bo + b 1 x entonces Y = 2
b1 positivo; b1 negativo;
+ .5 en eje Y - .5 en eje Y
Si sabem os X, podem os predecir Y

196
Regresión
Least Squares Regression en M initab

Archivo: Manatee
Variables:
Manatíes muertos Y
Botes registrados X
Unidades:
Número de manatíes muertos
1000’s de registraciones de
botes
y = bo + b 1 x
Manatíes muertos = -35 + .11 botes (1000)
Inclinación:
0.11 manatíes muertos por 1,000 botes
197
Regresión
(1) Stat > Regression > Fitted Line Plot
(2) Response = kills Predictor = boats

(3) Select: linear
(4) Click: OK
198
Regresión
12.82 la Desv. Est. original Fitted Line Plot Nueva Desv.

Sin considerar los botes kills = - 35.13 + 0.1126 boats Est. S=5.40953
S 5.40952
R-Sq 83.2%
50 R-Sq(adj) 82.2%
40
R-sq
Explica el
kills
30 porcentaje de
variación 83%
20
10
450 500 550 600 650 700 750
X=0 boats
Y = -35 Cuando el porcentaje de variación es sobre > .70

existe una buena línea (nivel de confianza alta)
199
Regresión
Residuales
Un residual es la distancia que un

punto cae lejos de la línea de
y = b o+ b 1 x regresión predicha.
Residuales – Fallo al alcanzar los datos
200
Regresión
Criterio de Least squares :
Residuales = datos - predicción Residuales = datos - predicción

Minimiza la suma de residuales al cuadrado = 34 - 27
= 7
Criterio de Least Square:
Al poner el Residual al cuadrado,
= 7 * 7 = 49
minimizamos el error en la predicción de la
línea de regresión.
La Regla de m inim izar errores se llam a Criterio de Least Square
201
Regresión
Diagram a Norm al sin Regresión
Un diagram a norm al de PLOT X & Y

M uertes vs. B otes nos da
una m edia de 32.61 y
una Desviación Estándar
de 12.82.
Estam os analizando el
núm ero de m uertes sin
contar con el num ero de
botes.
Descriptive Statistics: kills
Variable N Mean Median TrMean StDev SE Mean

kills 18 32.61 33.50 32.56 12.82 3.02
Variable Minimum Maximum Q1 Q3

kills 13.00 53.00 20.75 44.00
202
Regresión
R-cuadrada es la cantidad de variación que es explicada

Ahora estam os por el modelo. Este modelo explica el 83.2% de la
contando con el variabilidad.
núm ero de botes y
podem os explicar Fitted Line Plot
83.2% de la kills = - 35.13 + 0.1126 boats
variación. S 5.40952
R-Sq 83.2%
50 R-Sq(adj) 82.2%
Un diagram a de 40
Regresión de
M uertes vs. Botes
kills
nos da una nueva 30
Desviación Estándar
de 5.409 20
10
450 500 550 600 650 700 750
boats
203
Regresión
Desviación R -Sq. at 100% es ideal. El resultado aquí es 83.2%

Estándar Es bueno para hacer una predicción
P value es menos de .05 nos dice que tenemos una relación muy fuerte, y
educando a los que conducen los botes y marcando zonas de no botes no ha
ayudado a reducir las muertes de los manatíes. (No hemos encontrado la GRAN
“X”)
204
Regresión
Least Squares Regression
Least Squares R egression

P lay Hubble video clip 24-2A
205
Regresión
Antes del lanzamiento del Hubble, no teníamos

evidencia para probar la velocidad radial y la
distancia de las galaxias. La CUESTA es ahora
usada para todas la aventuras espaciales para
predecir el tiempo requerida para llegar a una
distancia deseada.
La prueba era para la correlación:

El P value <.05 prueba que la cuesta
de la línea no es CERO, y que existe
una correlación verdadera entre
velocidad y distancia.
206
Regresión
Ejercicio BB
Tenemos 3 archivos de Minitab que usaremos. Responda las 3 preguntas de abajo.
Primero: Determine "Y” o la variable de respuesta y determine “X” o la variable a predecir.

Segundo: Compute la regresión de least squares para cada archivo en Minitab.
Archivos Minitab: 1. Cómo el costo de construir un reactor de

electricidad con agua depende de la capacidad de
Nuclear.mpj generar electricidad del reactor?
Unemployment.mpj
Mortality.mpj 2. La taza de desempleo ha cambiado en los Estados
Unidos desde 1950. Como describiría la racha
sistémica en el cambio?
3. Es la taza de mortalidad de una ciudad

relacionada con los ingresos?
207
Regresión Múltiple
Regresión M últiple
Al analizar problemas, hay muchas situaciones donde una herramienta mas
poderosa es requerida.
• Qué haces cuando tienes varias X’s que son necesarias para determinar Y?
• Regresión Múltiple puede analizar más una X .
El m odelo de R egresión es: Y=Bo + B1X

Tenem os una variable de entrada(X) y nuestra respuesta(Y)
En R egresión M últiple, la form ula increm enta en entradas:

Y= Bo + B1X1 + B2X2 + B3X3 + B4X4 + etc.
(Cada entrada (X’s) son identificadas para poder
determ inar cual, si alguna, son necesarias para predecir Y.)
B’s son las constantes que estam os tratando

de encontrar.
208
P or qué?
• Varias variables cam biando sim ultáneam ente

• Variables con efectos com plicados
• Variación inexplicada o al azar es alta
• P redicciones exactas son necesarias para la solución del
problem a u optim ización.
• Necesidad de saber cuales variables son im portantes y cuales
no.
• Variables presentes que engañan la interpretación de los
resultados.
• No inform ación de variables im portantes.
• Cuando tenem os resultados extraños (outliers)
209
Cóm o?
 R egresión M últiple analiza/ cuantifica varias variables

sim ultáneam ente (cuando el acercam iento de una a la vez no
funciona.)
 I dentifica variables de CTQ significantes, tam bién identifica
cuáles no son significantes.
 P redice resultados
 I dentifica outliers
 P rovee un m odelo m atem ático(ecuación)
 Analiza efectos no-lineales
 Analiza interacción de variables
 Analiza técnicas usadas en analizar Diseño de Experim ento.
210
Ejem plo de Hotel: Ocupación en fin de sem ana
• Un Black Belt quiere saber si existe una relación entre la ocupación de un fin
de sem ana en Haw aii y las condiciones del clim a en California.
• Co-relación nos perm ite ver los datos para saber si existe una relación.
• Regresión M últiple perm ite al Black Belt desarrollar un m odelo para predecir
ocupación basado en los niveles de tem peratura y precipitación de California.
(2 X ’s)
Ejemplo de Centro de Llamadas: Llamadas en espera
• Un Black Belt quiere reducir el promedio de tiempo que los clientes pasan en
espera antes de ser atendidos.
• El equipo recolectara datos de experiencia del funcionario, tipo de preguntas, y

hora del día para ver si estos factores influyen en el tiempo de espera. Si es así,
entonces Regresión Múltiple puede ser usada para predecir los tiempos de espera.
(3 X’s)
211
Ejem plo Restaurante: Ganancias en un restaurante
• Un Black Belt quiere predecir las ganancias en un restaurante.
• La asunción de que el precio prom edio por platos, m esas por m eseros y
num ero de opciones en el m enú influencian en las ganancias.
• Usando Regresión M últiple se puede crear un m odelo para analizar

esta asunción. (3 X ’s)
R egresión es la herram ienta analítica que cruje las

estadísticas para DOE/ Diseño de Experim entos
que verem os en el siguiente tópico de Six Sigm a.
Las siguientes diapositivas nos m ostrara R egresión M últiple

usando M initab y a construir una M atriz Grafica y Tabla de
Co-relaciones.
212
Una nueva herramienta para utilizar con Regresión Múltiple es la

Matriz Grafica o Matrix Plot.
Un Matrix Plot ayuda asesorar la posibilidad de una correlación

visualmente, tal como aprendimos en los gráficos de Diagrama de
Dispersión.
Repaso de co-relaciones en Diagrama de Dispersión
Positivo No correlación Negativo
Note: Solo estam os analizando un factor a la vez. (1 X & 1 Y)
213
Regresión M últiple “Ejem plo”
Six Sigm a P izza
VOC / Voz del Cliente nos dice que

los clientes están insatisfechos y no
podem os predecir el tiem po en que
su pizza será entregada en su casa
cuando el tiem po es m as de la m eta
de 30 m inutos.
Nos gustaría desarrollar un m odelo

para que cuando el cliente llam e
podam os predecir con exactitud el
tiem po de entrega.
P rim ero veam os los datos en el M atriz Grafica.

214
Regresión M últiple y M atrix P lot

Construyendo un M atrix P lot en M initab: X X X Y
Total Incorrect Delivery
Archivo: MULTIPLE REGRESSION - PIZZA.MPJ Pizzas Defects Order Time
25 15 0 40
29 16 0 42
33 22 1 45
29 19 2 43
58 42 0 53
48 33 1 51
(1) Graph > Matrix Plot 47 33 2 52
15 10 0 37
23 15 1 39
19 18 1 41
30 24 0 44
42 29 2 49
38 30 2 46
30 31 2 44
27 34 3 43
28 36 2 45
24 26 1 40
28 23 1 43
42 27 3 48
45 29 0 49
35 22 2 46
20 12 3 37
31 23 0 44
20 10 2 39
24 14 3 39
215
(2) Seleccione las 4 variables; Y & X’s (4) Click Lower left
(3) Click Matrix options
(6) Click “OK” (5) Click “OK”
216
N ecesitam os una herram ienta estadística para determ inar si

estas correlacionan.
Matrix Plot of Total Pizzas, Defects, Incorrect Order, Delivery Time
X
Total pizzas & Defectos parecen estar
T otal P izzas
45
relacionados
30 X
Defects
15
3.0
X
1.5
Incor r ect O r der
0.0
50 Y
45
Deliver y T ime
40
20 40 60 15 30 450.0 1.5 3.0
Tiem po de entrega increm enta con el

total y con defectos.
217
M atrix P lot & Tabla de Correlación
Una tabla de Correlación ayuda a confirmar la gráfica de un
Matrix Plot y determinar si existe una correlación verdadera.
(1) Stat > Basic Statistics > Correlation (2) Seleccionar 4 variables
Click
218
N um ero de arriba es la correlación Si el num ero de arriba es cercano

N um ero de abajo es el P value a 1.0, m uestra correlación
Las mismas 3 variables vistas

en el Matrix Plot
Si 2 X’s son significantes,

es difícil de determinar
la mas importante!
El núm ero de abo es el P value y estam os buscando un valor de <.05 que

indica correlación.
219
Regresión M últiple & M initab

Cuáles son los efectos de:
• Núm ero total de pizzas ordenadas
• Defectos
• Orden incorrecta o tiem po de entrega.
Stat > Regression > Regression Response = Delivery Tim e

P redictors = Total pizzas, defects &
incorrect
Click
220
< .05 son predictores significantes

(demasiados defectos y ordenes)
Desviación Estándar Estimada

(mientras mas baja mejor)
P value para la
ecuación total
Cantidad de variación explicada

Mayor contribuyente
221
Anova
ANOVA
Cuando tenem os m as de dos grupos para com parar,
podem os usar ANOVA (m uy sim ilar a la Regresión)
 ANOVA – Análisis de Varianza.

 ANOVA Un Sentido – prueba la igualdad de las medias de
poblaciones cuando son calificadas por una variable.
 ANOVA Dos Sentidos – Prueba la igualdad de las medias de
poblaciones cuando la clasificación del tratamiento es por dos
variables o factores.
 ANOM – Análisis de la Media
Pruebas usadas para ver si dos o más poblaciones son la misma
Las pruebas son usadas para investigar y modelar las relaciones entre una
variable de respuesta y una o más variables independientes.
Analiza la varianza de la muestra para probar y estimar la media.
222
Anova
¿Cree que los diferentes

tam años de zonas claras afecta
el éx ito a largo plazo en
Queratotom ía Radial?
P lay Laser Eye Surgery Video 26-1A
223
Anova
ANOVA puede ser usada cuando:

• Muestras al azar independientes
• Los datos deben tener una distribución normal
(use un Grafico de Probabilidad para detectar cualquier outliers y
removerlos o corregirlos.
• Los datos deben tener una varianza igual.
(use Gráficos de Cajas para detectar cualquier outlier y removerlo o
corregirlo.
• Y puede usar datos apilados o des apilados 5 YEAR Change
5.375 3.0
2.625 3.5
1.500 4.0
4.625 3.0
3.750 3.5
3.0 3.5 4.0 apilado 3.750 4.0
5.375 2.625 1.500 4.250 3.0
4.625 3.750 3.750 desapilado 4.125 3.5
4.250 4.125 3.000 3.000 4.0
3.250 3.0
3.250 2.625 3.125 2.625 3.5
4.000 4.750 4.750 3.125 4.0
4.125 3.500 3.250 4.000 3.0
4.750 3.5
4.750 4.0
4.125 3.0
El valor P nos dice si existe o no diferencia, pero no nos 3.500 3.0
puede decir que tanta o que tan lejos. 3.250 4.0
224
Anova
ANOVA en M initab “Un-stacked Data”

Un-stacked
(1) Stat > ANOVA > One-W ay Unstacked
3.0 3.5 4.0
5.375 2.625 1.500
4.625 3.750 3.750
4.250 4.125 3.000
3.250 2.625 3.125
4.000 4.750 4.750
4.125 3.500 3.250
(2) Select all 3 responses; C1-C3
(3) Click Graphs

(3) (Option) Click Graphs
(4) Click OK ; OK
225
Anova
ANOVA en M initab “Stacked Data”

Stacked (1) Stat > AN OVA > One-W ay
5 YEAR Change
5.375 3.0
2.625 3.5
1.500 4.0
4.625 3.0 (2) Responses: 5 year Factor: change
3.750 3.5
3.750 4.0
4.250 3.0
4.125 3.5
3.000 4.0
3.250 3.0
2.625 3.5
3.125 4.0
4.000 3.0
4.750 3.5
4.750 4.0
4.125 3.0
3.500 3.0
3.250 4.0 (3) Click Graphs
(4) Click OK ; OK
226
Anova
ANOVA
Tom em os en m ilím etros de la Zona Boxplot of 5 YEAR by Change
Clara
Son diferentes?
5
5 YEAR
3
1
3.0 3.5 4.0
Change
P value es > .05

Las medias no son
estadísticamente diferentes
Aceptam os la Hipótesis
N ula desde que ninguno
de las tres m edias son
estadísticam ente
diferentes.
227
Anova
Archivo: Grocery Store.mtw
Ejercicio 1.
Un ejecutivo de una cadena de supermercados necesita
determinar si o no las ventas de un nuevo producto son afectadas
por el pasillo en el cual el producto es almacenado. Si hay ocho
pasillo en la tienda, el experimento consistiría en localizar el
producto en diferentes pasillos en cada una de las ocho semanas
y registrar las ventas semanalmente. La prueba evaluaría si o no la
media de ventas semanal difiere.
Arreglo en columnas en Minitab de 8 pasillos en el supermercado
228
Anova
Análisis de Variancia
Valor-P > .05
Source DF SS MS F P
Factor 7 79.95 11.42 1.84 0.093 No hay diferencia
Error 72 447.60 6.22 significativa
Total 79 527.55
Individual 95% CIs For Mean
Based on Pooled StDev
Level N Mean StDev ---+---------+---------+---------+---
1 10 5.700 2.751 (-------*------)
2 10 7.700 1.160 (-------*------)
3 10 5.000 2.582 (-------*-------)
4 10 7.800 1.398 (-------*-------)
5 10 5.400 2.875 (-------*-------)
6 10 5.400 2.875 (-------*-------)
7 10 5.900 2.470 (-------*------)
8 10 5.700 3.093 (-------*------)
---+---------+---------+---------+---
Pooled StDev = 2.493 4.0 6.0 8.0 10.0
No hay una diferencia significativa entre los ocho pasillos. Si esto cuesta más dinero
para poner su producto en 2 o 4 pasillos, no hay una ventaja estadística para pagar más
dinero para estar en esos pasillos. Muestran buenas ventas.
229
Anova
Ejercicio 2.
Un manufacturero de productos del campo quiere determinar si el rendimiento
de una cosecha difiere cuando la tierra es tratada con varios fertilizantes.
Fueron plantados puntos de tierra similares con el mismo tipo de semilla pero
fertilizantes diferentes. Al final de la cosecha, se compararon las medias de la
productividad de las muestras. Históricamente, este tipo de experimentos
fueron los primeros para usar el análisis de varianza y la terminología de los
experimentos originales todavía se usan. No importa que experimento sea, las
pruebas están diseñadas para determinar si hay diferencias significantes entre
el tratamiento de las medias.
Arreglo en columnas de 4 puntos en el campo en minitab.
Construir esta
hoja de trabajo
en Minitab.
230
Anova
Resultados ANOVA de los 4 Fertilizantes
Valor-P < .05

Muy significante la
diferencia
El fertilizante B produce menos cosecha y es estadísticamente diferente

que A, C o D.
El fertilizante B probablemente no sería usado en siguiente año. Si el
precio de A fue más que C o D, su elección podría ser C o D para el
siguiente año. Pero, usted no podría diferenciar entre los fertilizantes C y
D.
231
Anova
Correr un Anova y generar un Gráfico de Caja

Ejercicio 3 Archivo: Aisles.M tb
Un ejecutivo necesita determinar si las ventas de un nuevo producto son o no
afectadas por la isla donde el producto es puesto. Pagaría mas para alquilar
espacio en ciertas islas? Por qué? Por qué no?
8 islas en W al-M art puestas en colum nas en M initab.
232
Anova
P value > .05

No hay diferencia significativa
Boxplot of aisle 1, aisle 2, aisle 3, aisle 4, aisle 5, aisle 6, aisle 7, aisle 8
10000
8000
6000
Data
4000
2000
0
aisle 1 aisle 2 aisle 3 aisle 4 aisle 5 aisle 6 aisle 7 aisle 8
No existe diferencia significativa entre las m edias de las 8 islas. El P -value fue de
16% m as alto que 0.05. Esto es suficientem ente cerrado para continuar investigando.
Que resultados obtenem os cuando com param os las poblaciones de 2 y 4 vs. el resto?
233
Analizar
Controlar Definir
Mejorar Medir
Analizar
234
Chi Cuadrada
Una familia de pruebas de hipótesis que compara la distribución observada de
sus datos con su distribución esperada de acuerdo con la hipótesis nula.
Existen diferentes pruebas Chi-Cuadrada para ayudar a:
 Probar el grado de ajuste de una muestra a una distribución teórica. Por
ejemplo, los resultados de un dado de 6 lados siguen una distribución
uniforme, porque los 6 resultados tienen igual probabilidad. Puede probar si
un dado es justo, al lanzar el dado muchas veces y utilizar la prueba chi-
cuadrada de bondad de ajuste para determinar si los resultados siguen una
distribución uniforme. En este caso, la estadística chi-cuadrada cuantifica
hasta qué punto la distribución observada de conteos varía con respecto a la
distribución hipotética.
 Probar la independencia entre variables categóricas. Por ejemplo, un gerente
de tres centros de llamadas de atención al cliente desea saber si una
solución satisfactoria de un problema de un cliente (sí o no) depende de qué
oficina recibe la llamada. El gerente recolecta las soluciones satisfactorias y
no satisfactorias para cada oficina en una tabla y realiza una prueba chi-
cuadrada de independencia con los datos. En este caso, la estadística chi-
cuadrada cuantifica cómo la distribución observada de conteos varía con
respecto a la distribución esperada si no existe ninguna relación entre el
centro de llamadas y una solución satisfactoria.
Como se calcula Chi Cuadrada
1. Trabaja en base a valores observados valores esperados
2. El valor esperado para cada celda de la tabla de contingencia se obtiene
multiplicando el total marginal de columna por el total marginal de la fila
divido por el total
3. Luego se calcula un valor chi para cada celda el cual se obtiene restando el
valor observado menos el valor esperado , esta diferencia se eleva al
cuadrado y se divide por el valor esperado.
4. Finalmente se suman todos los valores chi de todas las celdas y se obtiene
el chi cuadrado
5. Se buscara en la tabla de chi el area que le corresponde según los grados de
libertad
6. Los grados de libertad se obtiene de multiplicar numero de filas menos 1 por
numero de columnas menos 1
Grado de instrucción
total
Primaria Secundaria Superior
Si 120 68 52 240
Control
pre natal
No 300 142 18 460
total 420 210 70 700
420 x 240 210 x 240 70 x 240

Valores esperados e11 = = 144 e12 = = 72 e13 = = 24
700 700 700
(120 − 144 )
2
(68 − 72 )
2
χ =
(52 − 24 )
2
= 32.67
χ = =4 χ = = 0.22
2 2 2
Chi cuadrado parcial 11
144
12
72
13
24
Grado de instrucción
total
Primaria Secundaria Superior
Si 120 68 52 240
Control
pre natal
No 300 142 18 460
total 420 210 70 700
420 x 460 210 x 460 70 x 460

Valores esperados e 21 = = 276 e22 = = 138 e23 = = 46
700 700 700
χ 2
=
(300 − 276 )
2
= 2.09 χ 2
=
(142 − 138)
2
= 0.12 χ 2
=
(18 − 46 )
2
= 17.04
Chi cuadrado parcial 21
276
22
138 13
46
Chi Cuadrada
P rueba Chi Cuadrada
Tenían todos los pasajeros del Titanic las

m ism as oportunidades de sobrevivir?
239
Chi Cuadrada
Prueba Chi Cuadrada
Los residuales predicen el resultado esperado; un número negativo

muestra resultados menos de lo esperado y uno positivo muestra
resultados mayor al esperado.
¿Estaba la Clase del Boleto relacionada con la expectativa de

sobrevivir ? 240
Chi Cuadrada
P value menor de 0.05

entonces podemos concluir
que la Clase fue un factor para
sobrevivir.
La clase fue un factor. Existía otro factor?
241
Chi Cuadrada
Prim era Clase Segunda Clase Tercera Clase
Residuales - muestran lo esperado vs. lo actual; note que en las 3 clases lo hombres tienen
un residuo negativo.
P value en las 3 clases es menos de .05; hombres estaban en mayor riesgo de sobrevivir el
accidente.
La clase fue un factor, también lo fueron sexo y edad 242

Chi Cuadrada
EJEMPLO:
 Supongamos que estamos interesados en la conexión entre sexo y
preferencia a un partido político. Entrevistas 100 personas sobre su
afiliación política y pones el número de hombres en la línea 1 y mujeres en
la línea 2. La matriz se vería de la siguiente manera:
C1 C2 C3
Demócratas Republicanos Otros
Male 28 18 4
Female 22 27 1
¿Se parecen los núm eros?
243
Chi Cuadrada
Chi Cuadrada en M initab

(1) Estadisticas > Tabla > Prueba Chi-cuadrada (tabla de dos factores…
(2) Seleccionar las colum nas que tienen los datos
244
Chi Cuadrada
No existe
diferencia ya que
P-value >.05
El P-value de 0.1152 indica que no hay evidencias fuertes que el sexo y elección de partido
político estén relacionados. Note que hay dos de seis celdas con conteos esperados de menos
de cinco. Por esto aunque se obtenga un valor P significativo para estos datos, la
interpretación del resultado seria dudosa. Para tener mas confianza con el resultado, se
debería repetir la prueba omitiendo la categoría de otros.
245
Chi Cuadrada
Archivo: 1 Tap Ejercicio - Usando M initab
Dos diferentes proveedores suplen a una em presa

artículos de “Tapas”. Los datos m uestran la
condición de las tapas después de ser usados solo
una vez.
¿Existe diferencia estadística en las tapas de los 2
proveedores?
246
Chi Cuadrada
Tap a mejor que predicho “bueno”

93 > 88
Tap b es peor que predicho “bueno”
120 < 124
Tap a es mejor que predicho "defectos”
7 < 11
Tap b es peor que predicho “defectos”
22 > 17
p=.045
Tap “A” es significativam ente diferente al Tap “B”
247
Chi Cuadrada
Archivo: 2 Tap Ejercicio 2 - Usando M initab
Ahora 3 proveedores diferentes suplen a su fabrica

con Tapas. Además de Bueno, defecto, tenemos
algunos mas pequeños antes de ser utilizados.
¿Existe diferencia estadística con los 3 proveedores?
248
Chi Cuadrada
Tap a es mejor de lo predicho “good” 93 > 89

Tap b es peor de lo predicho“good” 120 < 133
tap c es mejor de lo predicho “good” 113 > 103
Tap a es mejor de lo predicho“torn” 7 < 10

Tap b es peor de lo predicho “torn” 22 > 15
Tap c es mejor de lo predicho “torn” 9 < 12
Tap a es peor de lo predicho “undersize” 8 > 7

Tap b es peor de lo predicho “undersize” 18 > 11
Tap c es mejor de lo predicho “undersize” 2 < 8
p=.003
Tap “C” es significativam ente diferente a los taps “A” y “B”

249
Chi cuadrado: homogeneidad de poblaciones
Un estudio sobre caries dental en niños de seis ciudades con diferentes

cantidades de fluor en el suministro de agua, ha proporcionado los resultados
siguientes:
Comunidad Nº niños sin caries Nº niños con caries
A 38 87
B 8 117
C 30 95
D 44 81
E 64 61
F 32 93
Chi Cuadrada
Resum en
 No sabemos lo que no sabemos sobre Estadísticas.

 Existen otras herramientas para resolver problemas difíciles.
 Necesitamos estadísticas como ayuda para evaluar gráficos y
diagramas y tomar una decisión educada.
 Ahora podemos hacer evaluaciones estadísticas.
251
Controlar Definir
Mejorar Medir
Analizar
252
Diseño de Experimentos
Objetivos
 Aprender como podemos experimentar mas

eficiente para mejorar nuestros procesos con
menos recursos.
 Comprender como DOE se relaciona con
DMAIC.
 Comprender que es un Diseño de
Experimento.
 Determinar los tipos básicos de experimentos.
 Investigación
 Optimizar
 Verificar
 Identificar las ventajas y desventajas de los
experimentos.
253
Aplicaciones de DOE
Cualquier combinación de entradas para
crear salidas:
 Kilómetros por Hora
 Kilómetros por Galón
 Proceso de molde
 Proceso de Soldadura
 Proceso de Entregas
 Proceso de Recaudación de Fondos
 Proceso de Pagos
 Proceso de Diseño
 Futbol
254
Necesidad de Observación Mejorada...
EXPERIMENTO:
Una operación hecha bajo condiciones
controladas para de esta forma descubrir un
efecto o ley desconocido, probar o
establecer una hipótesis, o ilustrar una ley
desconocida.
Palabras Relacionadas:
Investigación, Examinar, Análisis,
Estudio, Búsqueda
255
Métodos de Experimentación
 Experimentación ha sido usada por mucho tiempo, algunos

experimentos mas efectivos que otros.
 Experimentos tempranos se pueden agrupar en las
siguientes categorías generales:
• Prueba y Error
• Un Factor a la Vez (OFAT)
256
Ejemplo de Prueba y Error

Problema: El kilometraje de gasolina en un carro es de 40 kpg.
La meta es de >60 kpg.
Posible Soluciones (X’s o variables de entrada):
 Cambiar la marca de la gasolina
 Cambiar el nivel de octano
 Manejar despacio
 Ajustar el carro
 Lavar el carro
 Llantas nuevas
 Cambiar la presión de las llantas
 Remover ornamentos en la cajuela y la antena externa del
carro.
¿Cuántas variables tenemos?
¿A qué número deberíamos de ajustarlos?
Si encuentras la respuesta, Es este el MEJOR (optimo)
rendimiento que puedes obtener?
257
Ejem plo de Un Factor a la Vez

P roblem a: El m illaje de gasolina es de 40 m pg
Velocidad Octano Presion Llantas MPG
55 85 30 25
65 85 30 23
55 91 30 27
55 85 35 27
Cuántas corridas más necesitaríamos hacer para determinar la mejor

configuración de variables?
Respuesta: Demasiadas si no tenemos un mejor plan
Podemos explicar el resultado solo con ver la matriz?
Si tuviéramos mas variables (digamos 8 or12), cuanto duraríamos en
obtener una buena solución?
Que tal si hay una combinación especifica de dos o más variables que
nos lleve al mejor rendimiento en millaje? Lo podríamos identificar? Si
es así, cómo?
258
Mileage: As a Function of
Speed and Tire Pressure
M ejor u Optim a-
75 No observado en
70 17 OFAT
65
Speed (mph)
60 26
55 18 23 26 26 20
50 26
45
40 18 35
35
30
26 28 30 32 34 36 38
Tire Pressure (lbs.)
259
Lo que realmente necesitamos saber...
MPG = f(Velocidad, Octano, Presión de Llantas)
Existe una ecuación matemática que nos

permite resolver para buscar el mejor
número de condiciones?
260
Un Factor a la Vez (OFAT)
Aunque OFAT se vea simple, la eficiencia experimental abandonada es

significante:
 Un experimento innecesario podría ser corrido.

 Se torna confuso cuando el número de factores incrementa a más de
unos cuantos.
 El tiempo para encontrar los factores casuales (factores que afectan
la respuesta) es significante.
 No sabemos los efectos de cambiar un factor mientras los otros
están cambiando.
 Inhabilidad de detectar o aprender sobre como los factores trabajan
juntos para llegar a la respuesta esperada (interacciones).
Sabemos nosotros lo que otras combinaciones de factores

producirá?
261
P reparación para un sim ple DOE
Bill Black Belt
Bateador a turno
262
DOE………….Bateador a turno
Bill tiene un problema. El equipo de Beisbol de su empresa no estaba
haciendo muy bien, y el era parte de la razón. Bill estaba teniendo
problemas al batear.
Pero Bill es un Six Sigma Black Belt. El decidió estudiar su problema
de bateo usando un acercamiento de Six Sigma tal como lo hace en el
trabajo; conduciendo un Diseño de Experimentos.
Primero Bill determino cuales factores son importantes, luego de
tener una larga lista la redujo a 4 variables experimentales.
-1 +1
Factor Nombre Unidad Tipo Nivel 1 Nivel 2
A Posición del Pie Angulo Categorico Cuadrado 45
B Agarre en el bate Pulgadas Númerico 0.000 2.000
C Posición en la caja N/A Categorico Delante Atras
D locidad del lanzamien Mph Númerico 60 Mph 80 Mph
263
DOE… … Hoja de M initab

C1 C2 C3 C4 C5 C6 C7 C8
Orden C. CenterPt Bloques parada agarre posicion veloc. resultados
1 1 1 1 -1 -1 1 5
2 1 1 1 1 1 -1 13
3 1 1 -1 -1 -1 1 2
4 1 1 1 1 -1 -1 38
5 1 1 -1 1 -1 1 14
6 1 1 1 -1 1 -1 11
7 1 1 1 -1 1 1 23
8 1 1 1 1 -1 1 9
9 1 1 -1 1 1 1 27
10 1 1 -1 -1 -1 -1 28
11 1 1 -1 -1 1 1 19
12 1 1 -1 1 1 -1 23
13 1 1 -1 1 -1 -1 40
14 1 1 1 -1 -1 -1 34
15 1 1 1 1 1 1 31
16 1 1 -1 -1 1 -1 13
2 NIVELES & 4 FACTORES

264
Bill decidió pasar unas noches practicando, bateando 100 lanzamientos

para cada combinación de 16 de las 4 variables necesitadas para
conducir un experimento factorial completo.
El lugar de la practica esta equipado con una maquina de bateo que
puede ser programada para lanzar a 60 mph o 80 mph. Bill decidió contar
cualquier bola que pase el cuadro interior como un hit. En 4 noches Bill
pudo completar el experimento, produciendo estos resultados:
Run S ta n c e Ch oke P o s it io n Speed H it s

1 45^ 2 in . Back 60 m ph 13
2 S q u a re 0 in . F o rw a rd 60 m ph 28
4 45^ 2 in . F o rw a rd 60 m ph 38
5 S q u a re 2 in . Back 80 m ph 27
6 45^ 0 in . Back 60 m ph 11
10 45^ 0 in . Back 80 m ph 23
11 45^ 0 in . F o rw a rd 60 m ph 34
12 45^ 0 in . F o rw a rd 80 m ph 5
15 45^ 2 in . F o rw a rd 80 m ph 9
16 45^ 2 in . Back 80 m ph 31 265
DOE… .Resultados en M initab

Fractional Factorial Fit: results versus stance, choke, position, speed
Estimated Effects and Coefficients for results (coded units)
Term Effect Coef SE Coef T P

Constant 20.625 0.8310 24.82 0.000
stance -0.250 -0.125 0.8310 -0.15 0.886
choke 7.500 3.750 0.8310 4.51 0.006
position -1.250 -0.625 0.8310 -0.75 0.486
speed -8.750 -4.375 0.8310 -5.26 0.003
stance*choke -3.000 -1.500 0.8310 -1.80 0.131
stance*position -0.750 -0.375 0.8310 -0.45 0.671
stance*speed 1.750 0.875 0.8310 1.05 0.341
choke*position -0.500 -0.250 0.8310 -0.30 0.776
choke*speed 0.500 0.250 0.8310 0.30 0.776
position*speed 18.750 9.375 0.8310 11.28 0.000
Analysis of Variance for results (coded units)
Source DF Seq SS Adj SS Adj MS F P

Main Effects 4 537.75 537.75 134.44 12.17 0.009
2-Way Interactions 6 1458.75 1458.75 243.12 22.00 0.002
Residual Error 5 55.25 55.25 11.05

Total 15 2051.75
266
El análisis indica que los factores B y D, y especialmente la interacción de C-

D logran una gran diferencia en el rendimiento de Bill. Los factores A y C no
tienen efecto significante en Bill. El siguiente análisis muestra los detalles:
C o e f f ic ie n t 95% C I
F a c to r
E s t im a t e Low H ig h
In t e r c e p t 2 0 .6 3 1 8 .9 0 2 2 .3 5
B -C h o k e 3 .7 5 2 .0 3 5 .4 7
C - P o s itio n - 0 .6 3 - 2 .3 5 1 .1 0
D -S p e e d - 4 .3 8 - 6 .1 0 - 2 .6 5
C - D 9 .3 8 7 .6 5 1 1 .1 0
El nivel de confianza de 95% para C (posición en la caja) incluye cero, que

significa que C no es estadísticamente significante como un efecto principal.
Sin embargo los otros factores en la tabla; B (agarre en el bate) y D
(velocidad del lanzamiento) son estadísticamente significantes.
El factor mas importante es la interacción de C-D, que tiene un efecto
impresionante de 9%.
El estimado del coeficiente nos dice que pasa con el promedio de Bill cuando
el pasa de un nivel a otro. Por ejemplo, cuando B esta en el nivel alto, el
promedio de Bill mejora en 4 puntos de porcentaje.
267
El análisis indica que cuando Bill esta enfrentando un lanzador con gran
velocidad (80 mph), el puede mejorar su promedio de 8% a 28.75% al
pararse en la parte de atrás de la caja de bateo:
P it c h s p e e d B a t t e r b o x p o s it io n A v a ra g e
S lo w F o rw a rd 3 8 .7 5 %
Fast Back 2 8 .7 5 %
En tanto, cuando Bill enfrenta un lanzador lento (60 mph), el promedio es

mejor en frente de la caja de bateo (38.75% en frente vs. 15% atrás).
Combinando todos estos resultados, la estrategia de Bill es de siempre
agarrar el bate corto y posicionarse en la caja de bateo dependiendo de la
velocidad del lanzador.
268
Resum en
¿Qué hem os aprendido?
 I ntroducción a Diseño de
Ex perim entos.
 La habilidad de predecir “Y” basada
en la “X”
 DOE es aplicado para todo, hasta
beisbol.
269
Define
Measure
Factorial Design
Analyze
1 1 1 1
1 1 1 1
1
Improve
B 1 1 1 1
1
1 1 C 1 1
-1 -1
-1 1
A Control
-1 D 1
DOE
270
¿Es un m aterial nuevo de

em paque m ejor que el m aterial
original?
P lay Union Carbide Video 11-1A
271
Un Diseño de Experimentos compara los

efectos de 2 o mas variables (o tratamientos).
3 Variables en el nuevo material : Comodida, Estiramiento & Fatigua
Beneficios del DOE

 El DOE ayuda a reducir el error en las medidas.
( controla los efectos de variables irrelevantes)
 El DOE reduce parcialidad en las conclusiones

( selección al azar de los datos)
 El DOE asegura conclusiones razonables

( replicación; una corrida no es suficiente)
272
Clases Primarias de Experimentos
 Factorial Completo (Full Factorial):

 Mira a todas las combinaciones posible.
 Tiene un numero de corridas máximas.
 Es balanceado
 Lo más intensivo en recursos
 Usado más para optimizar al final del ciclo de experimento
de un proyecto para mejor rendimiento de la ecuación Y =
f(x)
 Factorial Fraccional (Fraccional Factorial):
 Prueba un numero menor de combinaciones
 Usado primariamente para determinar significancia
 Menos corridas significan menos recursos y términos mas
rápidos
273
Conceptos de DOE
 Es una serie de pruebas sistémicas en la cual varias
Variables de Entrada (X) son directamente manipuladas y el
efecto en las Variables de Salida (Y) son observadas.
− Para determinar cual X afecta.
− Para determinar donde colocar la X que influye para
centrar Y en la meta.
minimizar la variación en Y.
minimizar la influencia de otras variables no
significantes (Variables Ruidosas).
 Un experimento bien diseñado puede encontrar efectos en

la presencia de variables ruidosas. Si un efecto ocurre en
la Y, entonces puede ser atado directamente a la X.
274
DOE nos ayuda a identificar...
A1 A2  Factores que corren el prom edio
B1  Factores que afectan variación

B2
 Factores que corren el prom edio y afectan

C2
C1 variación
D1=D2  Factores que no ejercen ningún efecto
275
P roceso de Ex perim entación
P laneación P roblem a P ractico
Convertir a
problem a
Diseño estadístico
Conducción
Solución
Analizar estadística
Convertir a una
Confirm ar solución practica
...Controlar
276
P reguntas antes de un ex perim ento
 ¿Cuál es la meta?  Queremos ...

 ¿Cuál es nuestra motivación? Identificar las metas?
 ¿Lo saben sus superiores? Reducir variación?
 ¿Qué tan grande es la Centrar los procesos?
oportunidad? Determinar fuentes de
 ¿Qué tanto sabemos sobre: variación?
Niveles de variación, Diseñar mejores productos y
defectos? procesos(diseño robusto)?
Características criticas de  ¿Cuál es la respuesta de la
calidad(partes & procesos)? salida?
Sistemas de medición?  ¿Puede la variable ser medida?
La fuente de variación?  ¿Existe mas de una variable de
respuesta?
 ¿Es esto una prioridad?
 ¿Cooperara el cliente?
 ¿Alcanzaremos nuestras
metas?
277
Iniciando el Experimento - 1 & 2
P laneación Diseño
 Seleccionar las X.  Tipo de Diseño.

 Seleccionar los artículos a ser  Fractional Factorial -
arreglados. investigación
 Seleccionar los niveles.  Full Factorial – Optimización
 Objetivos.  Otro
 Inferencia en el  Tamaño de la muestra.
espacio(estrecho, amplio).  Puntos centrales.
 Programar.  Replicación.
 Soporte de los superiores.  Repetición.
 Capacidad de medición.
278
Iniciando el Experimento - 3 & 4
Conducción Analizar
 Escoger al Azar  Identificar efectos significantes

 Mirada practica a los datos
 Disciplina
 Gráfica
 Seguimiento del  Analítica
flujo de proceso  Interpretación Practica.
 Tomar notas.  Predicciones.
Pareto Chart of the Effects Normal Probability Plot of the Effects

(response is Yield, Alpha = .10)
(response is Yield, Alpha = .10)
A: Temp
1.5 A: Temp
A B: Conc
B: Conc C: Cat
A C: Cat
1.0
AC
AC
Normal Score
0.5
B
0.0
AB
-0.5
C
-1.0
ABC
-1.5
BC 0 10 20
Effect
0 10 20
279
I niciando el Ex perim ento - 5
Confirm ar
 Verificación de los buenos

resultados.
 Probar el modelo con otros ajustes
en el proceso.
 Significancia practica de los
resultados.
 ¿Objetivos alcanzados?
280
DOE Full Factorial

Ejem plo Interaction Plot (data means) for yield
temp
-1
1
80
F a c to r ia l D e s ig n 70
Mean
1 1
60
1 1 50
-1 1
1 catalyst
1 1
B 1
Main Effects Plot (data means) for yield
1 1
-
C
-1
-1
-1 A 1 70
65
Salidas del DOE

y ield
60
55
N-1 = 7 50
t em p c onc c at aly s t
A, B, C, AB, AC, BC, and ABC
281
Diseño Full Factorial
 Diseñado para probar TODAS las posibles COMBINACIONES de

factores a un nivel dado de números.
 Es mejor usada para cuantificar INTERACIONES y para definir la
mejor área para correr el proceso.
 Puede no ser la mejor opción durante la etapa inicial de
experimentación.
 Permite estimación de efectos de factores e interacción de los
efectos simultáneamente y con igual precisión.
282

 Ventajas
 Información sobre todos los efectos principales
 Información sobre todas las interacciones
 Todas las posibles combinaciones de factores k en 2 niveles.
 Fácil de planear y analizar.
 Balanceado.
 Cuantificado Y=f(x)
 Desventajas
 Requiere un alto número de corridas para completar experimentos
complejos.
 2 Factores - 4 Corridas
 15 Factores - 32,768 Corridas

Gran demanda de recursos
 Nomenclatura: 2k
 2 = niveles
 k = número de factores
283
Nom enclatura
 Designando un diseño 2k porque k es el número de factores y
2 es el número de niveles en la cual el factor es probado.
 Un factorial 23 tiene 3 factores, cada uno con 2 niveles (este
experimento puede ser en corridas de 2*2*2=8)
Ejemplo:
Un proceso con 5 entradas a 2 niveles. Los factores son: Tiempo,
Temperatura, Acido, Concentración, y Operador.
Nomenclatura Full Factorial es = 2k
Con 5 factores = 25
o 2 * 2 * 2 * 2 *2 de corridas = 32 Corridas en Total
284
P laneación del Ex perim ento

Experimento estrecho Experimento ancho
 1 lote de material  Múltiple operadores
 1 tipo de material  Múltiple turnos
 1 día  Múltiple ajustes
 1 operador  Múltiple días
 1 turno  Múltiple lotes de material
 1 ajuste  Múltiple tipos de material
 Inferencia estrecha no son  Ve el proceso por completo

influenciados por ruido. (maquinarias, turnos,
operadores, etc. )
 Se enfoca en un
subconjunto de toda la  Los datos son tomados en
operación. un largo periodo de tiempo.
 Estudios de inferencia
ancha son influenciados por
ruido.
285
Objetivo del DOE

R ecuerde que hay 2 objetivos generales del DOE
Identificar los factores I dentificar la varianza que
cambiantes principales afecta a los factores
B1
A1 A2
B2
Es fácil de ver que para O am bos

¿Qué tal si queremos
los factores que C2 medir la variabilidad?
cambian, se puede C1
Recordar repetir y
simplemente medir el replicar.
promedio de salida
(diámetro, tiempo de
ciclo, etc) .
Las variables de respuesta (Salidas) en un DOE se deberían

basar en el objetivo deseado.
286
Diseñando el Código (2k)
Los diseños 2k son generados y analizados fácilmente.
La “k” (número de variables) es usado para determinar el

número mínimo de experimentos necesario para correr el plan
de experimento y el número inicial de columnas en un diseño.
Código usado para este diseño es:
“-” = nivel bajo de un factor
“+” = nivel alto de un factor
Usando los símbolos de +,- nos ayudara a entender como los

diseños son generados. Más tarde los códigos pueden tomar
cualquier forma que el experimentador prefiera (e.g. A, B; 1, 2;
1, -1; etc.).
287
Disposición del Diseño

Diseño 2x2 a b c d
-1 -1 -1 -1
22
-1 -1 -1 1
-1 -1 1 -1
Diseño
-1 -1 1 1 2x2x2
-1 1 -1 -1
23
-1 1 -1 1
-1 1 1 -1
-1 1 1 1
1 -1 -1 -1
1 -1 -1 1
1 -1 1 -1
1 -1 1 1
1 1 -1 -1
Diseño
2x2x2x2 1 1 -1 1
1 1 1 -1
24 1 1 1 1
288
Conduciendo Repeticiones y Replicas
 Repeticiones
 Variaciones cortas –dentro de la instalación.
 Podría tener implicaciones de costo.
 Replicas
 Error puro entre variaciones de instalación.
 Las consideraciones de costos son mas grandes que las
repeticiones.
 Inferencia estadística mayor.
 Captura mas variaciones.
 Gana un grado de libertad.
289
Conduciendo un diseño de 2 3
 Este ejemplo se relaciona con variables de entrada cuantitativa
(Temperatura y Concentración) y una entrada cualitativa (Catalizador)
de producción.
 Los factores y niveles:
− Temp: 160o C (-1), 180o C (1)
− Concentración (%): 20 (-1), 40 (1)
− Catalizador: Marca A (-1), Marca B (1)
 El diseño de la matriz con resultados se ve así:
Temp Conc Catalis Rend.
-1 -1 -1 54
1 -1 -1 56
-1 1 -1 47
1 1 -1 55
-1 -1 1 51
1 -1 1 88
-1 1 1 45
1 1 1 85
Diseño Full Factorial con una observación por
tratamiento.
290
Interacciones
Dos factores interactúan cuando el efecto que un factor tiene

en la respuesta depende del ajustamiento de otro.
Temp = 100 grados

Tiempo= 45 minutes
Effectiveness of Heat Treat

Ejemplos
Tratamiento de Calor Eff = f
(Tiempo, Temp.)
Temp = 100 grados
Tiempo= 20 minutos
100 Temp 800
¿ Cómo se vería esta grafica sin interacción?
291
Diseño de 23 con Interacciones
A B C A*B A*C B*C A*B*C Output

-1 -1 -1 (Y)
1 -1 -1
-1 1 -1
1 1 -1
-1 -1 1
1 -1 1
-1 1 1
1 1 1
Entradas
Salidas
292
Analizando el DOE
 Vista práctica a los datos

 Existe algo sobre los datos que sobresaltan? Tendencia?
 Se movió la respuesta? (ya sea la media o variabilidad)
 Mirando a la matriz organizada de mejor a peor, algunos de los factores por
columnas muestra algún patrón?
 Pudo el DOE capturar la meta o el valor deseado para el proceso?
 Vista grafica a los datos:

 Diagramas de los Efectos.
 Pareto de los Efectos.
 Diagramas de Interacción.
 Diagramas de Probabilidad Normal.
 Analítico
 Cálculos de Efectos.
 Modelos Y = f(x) .
 Minitab.
 Significancia Estadística.
293
Mirada práctica a los datos
 Clasificar los datos
Temp Conc Catalist Producc

1 -1 1 88
1 1 1 85
1 -1 -1 56
Tem peratura 1 1 -1 55
alta(1) -1 -1 -1 54
P arece tener -1 -1 1 51
la m ayor -1 1 -1 47
influencia en -1 1 1 45
la producción.
Ve algunas pistas?
294
Gráfico
Main Effects Plot (data means) for yield Interaction Plot (data means) for yield
temp
-1 1 -1 1 -1 1 -1
1
70
80
65
70
Mean
y ield
60
55 60
50
50
temp conc cataly st
-1 1
catalyst
Cube Plot (data means) for yield
45 85
¿Cóm o obtenem os estos gráficos? 1 47 55
conc 51 88 1
M initab o Diagram ado a m ano! -1 54 56 -1

catalyst
-1 1
temp
Veam os estos cálculos m as de cerca
295
Analítico – Calculando los Efectos

Ahora calculemos los efectos del experimento. Primero veamos la
Temperatura. Simplemente reste el promedio de alto del promedio de
bajo.
Temp Conc Catalyst Producc.
1 -1 1 88
1 1 1 85
1 -1 -1 56
1 1 -1 55
-1 -1 -1 54
-1 -1 1 51
-1 1 -1 47
-1 1 1 45
Pro@ alto 71.00
Pro@ bajo 49.25
Efecto = Pro Alto – Pro Bajo
Efecto (∆) 21.75
(88+85+56+55) (54+51+47+45)
Temperature Effect=
4 4
= 71.00 - 49.25 = 21.75
Esto puede ser interpretado como la producción aumentando en un promedio de 21.75
puntos mientras la temperatura se mueve de Baja a Alta.
296
Diagram a de Efectos P rincipales

 Para hacer un diagrama de efectos principales simplemente:
 Tome el promedio de todas las respuestas cuando el factor era
bajo (-1) y grafíquelo.
 Tome el promedio de todas las respuestas cuando el factor era
alto (+1) y grafíquelo.
 Dibuje un línea entre los dos puntos.
 El ejemplo para Cat(K) ya esta hecho.
 Individualmente, complete las graficas para Temp and Conc
70 •71
65
Diagrama 60
de Efectos
Principales55
50
• 49
(-1) (+1) (-1) (+1) (-1) (+1)
Temp Conc Cat
297
Diagram as de I nteracción
 Para cada diagrama de interacción (usando Temp x Conc como ejemplo.
 Para Temp -1, saque el promedio de cada respuesta cuando Conc era -1
 Para Temp +1, saque el promedio de cada respuesta cuando Conc era -1
 Grafique los dos puntos. Dibuje una línea entre los 2 puntos y nómbrela “Conc
-1”
 Repetir para “Conc +1”
 Complete los otros diagramas de interacción.
 Que indicaría una interacción “fuerte” entre los factores?
Temp x Conc Temp x Cat Conc x Cat

Temp -1, Conc -1 = (54+51)/2=52.5
Temp +1, Conc -1 = (56+88)/2=72
Temp -1, Conc +1 = (47+45)/2 = 46
Temp +1, Conc +1 = (55+85)/2 = 70
75 ••
65
55
•
45 •
(-1) (+1) (-1) Conc (+1)
(-1) Temp (+1) Temp
298
Diagram a de P robabilidad Norm al

 Aunque no veremos la mecánica para preparar un
diagrama de probabilidad normal, debemos entender
algunos puntos claves:
 El Diagrama de Probabilidad Normal trata de crear un
distribución “normal” de los efectos calculados para el
experimento.
 El diagrama marcara cualquier efecto que caiga fuera
de la distribución normal como “causa especial” o
“significante”.
 Una distribución normal es determinada por la
central, sección recta del diagrama.
299
Análisis Estadístico
Fractional Factorial Fit: yield versus Temp, Conc, Cat
Estimated Effects and Coefficients for yield (coded units)

Constant 60.125 0.3750 160.33 0.004
Temp 21.750 10.875 0.3750 29.00 0.022
Conc -4.250 -2.125 0.3750 -5.67 0.111
Cat 14.250 7.125 0.3750 19.00 0.033
Temp*Conc 2.250 1.125 0.3750 3.00 0.205
Temp*Cat 16.750 8.375 0.3750 22.33 0.028
Conc*Cat -0.250 -0.125 0.3750 -0.33 0.795
Coeficientes Probabilidad de
representando el Llamar a un Termino
modelo Significante cuando
no lo es.
P-Value menor .05 es Estadísticamente

Significante
300
Térm inos Com unes del Análisis DOE
 Blocks – Experimentos aplicado bajo diferentes condiciones con el

mismo tratamiento.
 Randomized Design – Mezclar las corridas en forma Aleatoria.
 Degrees of Freedom – Número de comparaciones que un
experimento puede estimar.
 Sum of Squares – Computa la sume de los valores al cuadrado.
Ejemplo - x1, x2, …, xn, entonces la suma de los cuadrados es (x12+
x22 + … + xn2).
 Mean Square - Sum of Squares / Degrees of Freedom
 p-value - El p-value representa la probabilidad de hacer un error de
Tipo 1, el cual es un falso positivo. La industria acepta el nivel de .05.
 R -Squared - También llamado el coeficiente de determinación = (SS
Regresión)/(SS Total)
301
Evaluación
 Un vistazo práctico a los datos

 ¿Existe consistencia en los datos cuando
son ordenados?
 Un vistazo gráfico a los datos
 ¿Muestran los gráficos algo?
 Analítico
 ¿Qué nos dicen las estadísticas?
302
Repaso a la confirmación del modelo
Planeación Antes de Clamar Victoria,

tenemos que Validar el Modelo.
Diseño Probar los resultados

Observando el Proceso.
Conducción
Analizar
Confirmar
303
Un M odelo con Replicas
Factores Interacciones Replicas
AxBxC
Run A B C AxB AxC BxC 1 2 3 avg std
1 -1 -1 -1 1 1 1 -1 6.3 6.9 6.2 6.5 .38
2 1 -1 -1 -1 -1 1 1 7.2 6.7 7.3 7.1 .32
3 -1 1 -1 -1 1 -1 1 9.3 9.2 9.1 9.2 .10
4 1 1 -1 1 -1 -1 -1 3.7 3.9 3.8 3.8 .10
5 -1 -1 1 1 -1 -1 1 7.0 6.6 7.4 7.0 .40
6 1 -1 1 -1 1 -1 -1 3.9 3.6 4.3 3.9 .35
7 -1 1 1 -1 -1 1 -1 6.0 6.3 6.1 6.1 .15
8 1 1 1 1 1 1 1 5.0 4.9 5.1 5.0 .10
Usada para desarrollar el modelo Y= f(x)

Usada para desarrollar el modelo σ= g(x)
304
Diseño de Ex perim entos en M initab
Stat > DOE > Factorial > Create Factorial Design
305
DOE
Entre el diseño deseado – Predeterminado es 2-level factorial
Mostrar
Diseños
Disponibles
(Veamos las
opciones que
tenemos antes de
seleccionar el
modelo)
Entre el número de Factores en el Diseño
306
DOE
Muestra de Diseños Disponibles
Resolución
Disponible
307
DOE Full Factorial
Diseños
Agregar: Punto Central

Replicas
Blocks Opciones
De Diseño
308
DOE Full Factorial
Opciones
Fold Options
Aleatorio
309
DOE Full Factorial
Factores
Nombre de los Valores

Factores establecidos
310
DOE Full Factorial
DOE
Layout
6 Factores Elim ina nom bram ientos
2 Niveles
Total de 64 Corridas
Aleatorio
311
DOE Full Factorial
Entre la salida
Para cada
tratamiento
DATOS
MEDIDOS
312
DOE Full Factorial
Stat > DOE > Factorial > Analyze Factorial Design
313
DEO Full Factorial
Entre Respuesta
Seleccionar
314
DOE Full Factorial
Seleccionar Términos:
Efecto Principal
Todos con interacción
de 2 formas
El Modelo evaluara 3 formas,

4 formas, 5 formas y 6
formas de interacción con su
Análisis de Variación.
315
DOE Full Factorial
Seleccionar Gráficos
Diagrama de
Efectos Principal
Diagrama
De Residuales
Cuatro en Uno
316
DOE Full Factorial

Gráfico de Efectos
Pareto Chart of the Standardized Effects
(response is RESULTS, Alpha = .05)
2.018
AC F actor N ame
CD A A
A B B
BC C C
AF D D
B E E
CF F F
BE
AE
D
Term
BD
CE
DE
C
AD
BF
AB
DF
EF
E
F
Línea de 0.0 0.5 1.0 1.5 2.0

Standardized Effect
confianza
317
DOE Full Factorial
Normal Probability Plot of the Standardized Effects

(response is RESULTS, Alpha = .05)
99
Effect Ty pe
Not Significant
95 Significant
90 F actor N ame
A A
80 B B
C C
70 D D
Percent
60 E E
50 F F
40
30
20
10
5
AC
1
-3 -2 -1 0 1 2 3
Standardized Effect
318
DOE Full Factorial

Cuatro Gráficas en Una
Residual Plots for RESULTS
Normal Probability Plot of the Residuals Residuals Versus the Fitted Values
99.9
99 20
90
10
Residual
Percent
50 0
10 -10
1
-20
0.1
-40 -20 0 20 40 40 50 60 70 80
Residual Fitted Value
Histogram of the Residuals Residuals Versus the Order of the Data

16
20
12
10
Frequency
Residual
8 0
4 -10
-20
0
-20 -10 0 10 20 1 5 10 15 20 25 30 35 40 45 50 55 60
Residual Observation Order
319
DOE Full Factorial

Session Window Fractional Factorial Fit: output versus A, B, C, D, E, F
Estimated Effects and Coefficients for output (coded

units)

Constant 4.6875 0.09375 50.00 0.013
A 0.6250 0.3125 0.09375 3.33 0.186
B 1.9375 0.9688 0.09375 10.33 0.061
C 0.0625 0.0313 0.09375 0.33 0.795
D 1.4375 0.7187 0.09375 7.67 0.083
E -0.3125 -0.1563 0.09375 -1.67 0.344
F 0.4375 0.2187 0.09375 2.33 0.258
A*B -0.3125 -0.1562 0.09375 -1.67 0.344
A*C -0.1875 -0.0938 0.09375 -1.00 0.500
A*D -0.0625 -0.0313 0.09375 -0.33 0.795 1 of 3
A*E 0.1875 0.0938 0.09375 1.00 0.500
A*F 0.0625 0.0313 0.09375 0.33 0.795
B*C -1.3750 -0.6875 0.09375 -7.33 0.086
B*D 0.0000 0.0000 0.09375 0.00 1.000
B*E 0.2500 0.1250 0.09375 1.33 0.410
B*F 1.0000 0.5000 0.09375 5.33 0.118
C*D 0.3750 0.1875 0.09375 2.00 0.295
C*E -0.5000 -0.2500 0.09375 -2.67 0.228
C*F 0.6250 0.3125 0.09375 3.33 0.186
D*E -0.5000 -0.2500 0.09375 -2.67 0.228
D*F 0.6250 0.3125 0.09375 3.33 0.186
E*F 0.3750 0.1875 0.09375 2.00 0.295
320
DOE Full Factorial

Session Window
A*B*C -1.1250 -0.5625 0.09375 -6.00 0.105

A*B*D 0.2500 0.1250 0.09375 1.33 0.410
A*B*E 0.7500 0.3750 0.09375 4.00 0.156
A*B*F 0.1250 0.0625 0.09375 0.67 0.626
A*C*D -0.1250 -0.0625 0.09375 -0.67 0.626
A*C*E -0.2500 -0.1250 0.09375 -1.33 0.410
A*C*F 0.5000 0.2500 0.09375 2.67 0.228
A*D*E 0.2500 0.1250 0.09375 1.33 0.410
A*D*F 0.2500 0.1250 0.09375 1.33 0.410
A*E*F 0.0000 0.0000 0.09375 0.00 1.000
B*C*D -0.0625 -0.0313 0.09375 -0.33 0.795
B*C*E 0.3125 0.1562 0.09375 1.67 0.344 2 of 3
B*C*F 0.6875 0.3437 0.09375 3.67 0.170
B*D*E -0.4375 -0.2188 0.09375 -2.33 0.258
B*D*F 0.4375 0.2188 0.09375 2.33 0.258
B*E*F 0.1875 0.0937 0.09375 1.00 0.500
C*D*E 0.0625 0.0312 0.09375 0.33 0.795
C*D*F 0.8125 0.4063 0.09375 4.33 0.144
C*E*F 0.1875 0.0938 0.09375 1.00 0.500
D*E*F 0.3125 0.1563 0.09375 1.67 0.344
321
DOE Full Factorial

A*B*C*D -0.3125 -0.1562 0.09375 -1.67 0.344
Session A*B*C*E 0.0625 0.0312 0.09375 0.33 0.795
A*B*C*F 0.0625 0.0313 0.09375 0.33 0.795
Window A*B*D*E 0.5625 0.2813 0.09375 3.00 0.205
A*B*D*F -0.1875 -0.0937 0.09375 -1.00 0.500
A*B*E*F -0.6875 -0.3437 0.09375 -3.67 0.170
A*C*D*E 0.0625 0.0313 0.09375 0.33 0.795
A*C*D*F 0.6875 0.3438 0.09375 3.67 0.170
A*C*E*F 0.3125 0.1563 0.09375 1.67 0.344
A*D*E*F -0.5625 -0.2812 0.09375 -3.00 0.205
B*C*D*E 0.3750 0.1875 0.09375 2.00 0.295
B*C*D*F 0.1250 0.0625 0.09375 0.67 0.626
B*C*E*F 0.2500 0.1250 0.09375 1.33 0.410
B*D*E*F 0.8750 0.4375 0.09375 4.67 0.134
C*D*E*F -0.3750 -0.1875 0.09375 -2.00 0.295
A*B*C*D*E -0.3750 -0.1875 0.09375 -2.00 0.295
A*B*C*D*F 0.2500 0.1250 0.09375 1.33 0.410
A*B*C*E*F 0.3750 0.1875 0.09375 2.00 0.295
A*B*D*E*F -0.2500 -0.1250 0.09375 -1.33 0.410 3 of 3
A*C*D*E*F -0.7500 -0.3750 0.09375 -4.00 0.156
B*C*D*E*F 0.4375 0.2187 0.09375 2.33 0.258
Analysis of Variance for output (coded units)
Source DF Seq SS Adj SS Adj MS F P

Main Effects 6 104.063 104.063 17.3438 30.83 0.137
Residual Error 1 0.562 0.562 0.5625
Total 63 311.750
322
DOE – Ejercicio en Equipo

 El Rey, Rey Sigma el 6to, requiere que el equipo de la catapulta
pueda predecir el punto de impacto para varias posiciones y
diferentes cargas.
 El equipo conducirá una serie de DOE con el objetivo de

desarrollar una ecuación de predicción certera para la catapulta.
Seleccionar 4-6 variables para

Analizar con R eplicacion
Comenzaremos con el objetivo de 5 pies!!
323
Resumen DOE
Que hemos aprendido?
 Nomenclatura Full Factorial

 Como preparar un Diseño Full Factorial Design
 Como evaluar un Diseño Full Factorial
324
Analizar
Disecar variación and cerrar el enfoque en KPIVs
325
Optimizador de Respuestas
Utilice el Optimizador de respuestas de Minitab para
identificar la configuración de factores que optimiza una
respuesta individual o un conjunto de respuestas. En caso
de que sean múltiples respuestas, se deben satisfacer los
requisitos de todas las respuestas del conjunto.
La optimización de respuestas frecuentemente es útil en

el desarrollo de productos cuando es necesario
determinar las condiciones operativas que permitan
obtener un producto con las propiedades deseables. Por
ejemplo, usted puede necesitar determinar la
configuración que optimiza varias propiedades de un
conjunto, tales como su valor aislante, la densidad y la
resistencia.
327
Optimización
(1) Estadisticas > DOE > Factorial > Analizar diseño factorial…
(2) Elegir respuestas > Aceptar
File: Catapulta
Optimización
(1) Estadisticas > DOE > Factorial > Optimizador de respuesta…
Optimización
Optimización
(4) Seleccionar Objetivo (5) Entrar los parametros
(6) Aceptar
(7) Aceptar
Experimento Factorial Fraccional
Optimize Design Parameters

Nivel optimo deseado
Ajustes para
(Queremos el numero
obtener nivel
mas alto)
optimo
Rendimiento
esperado para cada
Y
Ajustar X para optimizar Y

y = f(x)
Controlar Definir
Mejorar Medir
Analizar
FMEA puede hacese en cualquier fase

del ciclo DMAIC.
FMEA
Objetivos
 Introducir FMEA y su función en

sistema de servicios y manufactura
 Entender las ventajas del FMEA
 Aprender los pasos para desarrollar y
usar un FMEA de Sistemas
 Diferencia entre FMEA de Sistemas, de
Diseño y de Proceso.
FMEA
Failure Modes And Effects Analysis

FMEA (Failure Modes And Effects Analysis)
es un método estructurado que estudia un
sistema, diseño o proceso que busca
anticipar y minimizar rendimientos no
deseados o fallas inesperadas.
Este hace la pregunta que puede pasar mal,
aunque el producto este dentro de las
especificaciones y luego documenta los
pasos a tomar.
FMEA
Historia del FMEA

 El FMEA fue desarrollado por el Departamento de Defensa (DOD) de
los Estados Unidos durante la Segunda Guerra Mundial.
 MIL-STD-1629
 Failure Mode Effects Criticality Analysis (FMECA)
 Históricamente los FMECA han sido mandatorios en la industria de
defensa.
 Introducido en la industria aeroespacial a mediados de los 60.
 En 1976 fue adaptado en el Programa de Confiabilidad Ford (FRP).
 En 1986, su aplicación fue incluida en Six Sigma por Motorola y luego

otras empresas comenzaron a utilizarlo como TRW, Texas
Instruments, General Motors, Chrysler, Hughes, Boeing, IBM, Hewlett
Packard.
 Hoy en día los FMEAs son utilizados extensamente en las industrias

medicas, automotriz y por proveedores de empresas subscritas al QS-
9000, ISO-9000 y organizaciones que requieren aprovacion del FDA
(Food and Drugs Administration).
FMEA
En otras palabras un FMEA es…
…una forma de identificar y evaluar posibles

fallas en productos y procesos y los riesgos
asociados con estas fallas. De esta
información, acciones pueden ser planeadas
para reducir o eliminar los riesgos.
FMEA
Terminología del FMEA

Modo de Falla
Es la manera en que una parte, ensamble o servicio potencialmente
puede fallar al no cumplir con los requerimientos o falla en
funcionamiento. Es la razón por la cual se rechace una parte.
Efectos
La no-conformancia potencial mostrada en términos del ensamble o
rendimiento del sistema (visto desde la perspectiva del cliente).
Causas
La razón potencial detrás del modo de falla, usualmente mostrada
como una indicación de un diseño especifico o debilidad en el
proceso.
Análisis
Al utilizar un modelo de FMEA, se anticipan los modos de falla, se
determinan y se evalúan los riesgos para el cliente/producto, y se
actúa para neutralizar los riesgos a niveles aceptables.
RPN
Numero de Prioridad de Riesgo (Risk Priority Number)
FMEA
Tipos de FMEA
 FMEA de Sistemas
 Condiciones peligrosas
 Mal funcionamientos
 Vida corta del producto o servicio deficiente
 Satisfacción
 FMEA de Diseño
 Ingeniería diseña para cumplir con los requerimientos del cliente
 Modo de Falla = Falla a Funcionar
 Causa = Debilidades del diseño
 Detección = Verificaciones en el diseño para capturar las debilidades antes de que sean
aprobadas para manufactura.
 FMEA de Proceso
 Ingeniería diseña el proceso para cumplir con las especificaciones
 Modo de Falla = Rechazar (Fuera de especificaciones)
 Causa = Debilidades en el proceso
 Detección = Controles puestos en el proceso para prevenir que los defectos llegue al
cliente.
FMEA
Porque hacer un FMEA?

 Para identificar y priorizar las partes
de un producto o proceso que
necesita mejoras.
 Para mejorar la calidad, confiabilidad
y seguridad de los productos y
servicios.
 Para incrementar satisfacción al
cliente.
 Para documentar y controlar
acciones tomadas para reducir
riesgos.
FMEA
Cuando hacer un FMEA

 Cuando el proceso es muy complejo.
 Cuando un producto o servicio nuevo esta siendo
diseñado.
 Cuando un proceso es creado, mejorado o
rediseñado.
 Cuando productos existentes, servicios, o
procesos son usados en formas nuevas o nuevos
ambientes.
 En el paso de Mejorar del DMAIC para exponer
problemas potenciales en las soluciones
encontradas.
FMEA
RPN
 RPN - SERVERIDAD x OCURRENCIA x DETECCION

 Severidad – Es una evaluación de la seriedad del modo
de falla en el ensamble, el sistema o el usuario.
 Ocurrencia – Es una evaluación de la probabilidad de un
modo de falla y la causa de que ocurra.
 Detección – Es una evaluación de la habilidad de un
diseño o programa de desarrollo de identificar y detectar
modos de falla potenciales y sus causas antes de que el
diseño llegue al cliente.
FMEA
Guía para el Análisis de Riesgo
Severidad
FMEA
Análisis de Modos y Efectos de Falla Potencial

Hoja de Trabajo
Proceso/Producto: Fecha del FMEA: (Original)
Equipo FMEA: (Revisión)
Black Belt: Página: de
Proceso de un FMEA Resultados de las Acciones
Ocurrencia
Ocurrencia
Severida
Responsable y
Severidad
Detecció
Detecció
Efecto (s) Causa (s) Fecha de
RPN
Item/Paso del Modo Controle Acción Acciones
RPN
d
n
Potencial (es) Potencial
Proceso Potencial s Recomendada Terminación del Tomadas
de Falla (es) Objetivo
de falla Actuales
de Falla
Número de Prioridad de Riesgo Total Resultados del Número

de Prioridad de Riesgo
RPN = Número de Prioridad de Riesgo
FMEA
Pasos para realizar un FMEA

1. Revisar el producto, servicio, o proceso.
2. Hacer una lluvia de ideas de posibles modos de falla y agruparlas.
3. Liste uno o más efectos potenciales para cada uno de los modos de falla.
Conteste la siguiente pregunta: ¿Si la falla ocurre, cuáles son las consecuencias?
4. Asigne una valoración de severidad para cada efecto.
5. Asigne una valoración para cada causa de falla.
6. Asigne una valoración para cada modo de falla.
7. Calcule el número de prioridad de riesgo (RPN) para cada efecto.
8. Usar el RPN para seleccionar el modo de falla con prioridad más alta.
9. Hacer un plan para reducir o eliminar el riesgo asociado al modo de falla con prioridad más alta
10. Llevar acabo los planes
11. Recalcular los RPN

FMEA
FMEA: Escala de valoración de Severidad

Severidad – Las consecuencia de que una falla pudiera ocurrir
Valoración Criterio – Una Falla pudiera:
Malo
10 Dañar a un cliente o empleado.
9 Ser ilegal.
8 Dejar el producto o servicio no apto para usarse.
7 Causar una insatisfacción extrema en el cliente.
6 Resultar en un mal funcionamiento parcial.
5 Causar una pérdida de desempeño la cual probablemente resulte en una queja.
4 Causar una pérdida de desempeño menor.
3 Causar una molestia menor, pero es superada con el desempeño.
2 No ser notada y tiene un efecto menor en el desempeño.
1 No es notada y no afecta el desempeño.
Bueno
FMEA
FMEA: Escala de Valoración de Ocurrencia

Ocurrencia – La probabilidad o frecuencia de una falla
Valoración Período de Tiempo Probabilidad

Malo
10  Más de una vez por día > 30%
9  Una vez cada 3-4 días ≤ 30%
8  Una vez por semana ≤ 5%
7  Una vez por mes ≤ 1%

6  Una vez cada 3 meses ≤ .03%
5  Una vez cada 6 meses ≤ 1 por 10,000
4  Una vez por año ≤ 6 por 100,000
3  Una vez entre 1-3 años ≤ 6 por Millón
2  Una vez entre 3-6 años ≤ 3 por 10 Millones
1
Bueno  Una
añosvez entre 6-100 ≤ 2 por Billón
FMEA
FMEA: Escala de Valoración de Detección

Detección – La probabilidad de que una falla sea detectada antes de darnos cuenta
de su efecto
Malo Valoración Definición
 10 El Defecto causado por una falla no es detectable.
 9 Ocasionalmente son verificadas las unidades para ese defecto.
 8 Sistemáticamente las unidades son muestreadas e inspeccionadas.
 7 Todas la unidades son inspeccionadas manualmente.
 6 Las unidades son inspeccionadas manualmente con dispositivos a prueba de error
 5 El proceso es vigilado con CEP e inspeccionado manualmente
 4 El CEP es usado con reacción inmediata a condiciones fuera de control.
 3 El CEP e inspecciones 100% circundan las condiciones fuera de control.
 2 Todas las unidades son inspeccionadas automáticamente.
 1 Los defectos son obvios y pueden ser eliminados sin afectar al cliente.
Bueno
FMEA
Tips para los FMEA

 Usar lluvia de ideas y/o métodos de análisis de datos para identificar
modos de falla claves.
– Procesos Críticos o pasos del proyecto.
– Alto costo y/o impacto en el cliente.
– Alta probabilidad (problemas que vemos frecuentemente)
 Recordar: Los Números son juicios.
 Identificar pasos proactivos / preventivos así como pasos de

inspección y “control-de-daños”.
– Dispositivos a prueba de error (poka-yoke).

– Diseño Robusto
 Usarlos para ayudar a priorizar esfuerzos de mejoramiento futuro.
FMEA
Análisis de Modos y Efectos de Falla Potencial
Número y Modo Potencial S Causa(s) Potencial O Controles Actuales D R
Descripción de de Falla de Falla E / Mecanismo(s) de C Detección/Prevención E P
la Operación V Falla C T N
Retraso o perdida Ocasionalmente los

Llenar planilla de inmediata del pacientes entregan
llegada Faltan boligrafos paceinte 7 Boligrafos sin tinta 10 los boligrafos sin tinta 10 700
Al comienzo de cada
Pacientes se llevan dia se recopilan los
7 los boligrafos 10 boligafos 9 630
Retraso o perdida
inmediata del Copiadora no Matenimiento
Faltan planillas paceinte 7 funciona 9 preventivo 10 630
Determinar si el paciente es Computadora no esta Tener que preguntar 4 La coneccion a la red no 8 Ninguno 10
nuevo conectada al sistema al paciente es confiable 320
Llenar formualrio nuevo Faltan formularios Retraso o perdida 7 9 10
inmediata del Copiadora no Matenimiento
paceinte funciona preventivo 630
Obtener archivo del Demora en obtener el Retraso 5 Ausentismo de personal 8 Ninguno 7
paciente archivo medico de administracion 280
Consultrio disponible No se revisa cuando Retraso 4 Falta de un modo 7 9
un consultorio esta sistematico y simple
disponible 252
Doctor diagnostica al Diagnostico 10 4 10
paciente equivocado 400
Programar otra cita Computadora no esta cliente tiene que 8 La coneccion a la red no 8 10
conectada al sistema volver a llamar o es confiable
perdida del cliente 640
FMEA
FMEA de Sistemas – Actividad de Reforzamiento
 Revisar el Mapa de Proceso de la catapulta

 Iniciar un proceso de Análisis de Modo y Efecto de
Falla para el proceso de lanzamiento con la catapulta.
 Lo que se nos da: Considerar que una lesión del
operador puede ocurrir si las bolas se caen durante el
lanzamiento, la máquina se dañará si se rompe la
liga, y hay una especificación adicional de la distancia
de derecha a izquierda con el centro de (10%).
Objetivo de la Catapulta – lanzar la bola tan lejos como

sea posible en el aire
FMEA
Resumen FMEA

• Perspectiva general sobre los FMEA’s
• Beneficios de los FMEA’s
• Cuando usarlos / actualizarlos
• Definiciones
•Pasos para el desarrollo de un FMEA
Controlar Definir
Mejorar Medir
Analizar
Objetivo
1. Lugar de Trabajo Visual (5S’s)
 Revisión de Métodos para Reducir el
Desperdicio
 Entender las 5 S’s
 Aprender las 5 palabras Japonesas
2. Desarrollo de Instrucciones de Trabajo
 Procedimientos de Operación Estándar
3. Métodos LEAN (Manufactura Esbelta)
 Sistemade Jalón (Pull System)
 A Prueba de Error (Poka-Yoke)
Crear procesos estables

Establecer flujo de trabajo
Entender nuestros procesos
Controlar Definir
Mejorar Medir
Analizar
1. El Lugar de Trabajo Visual
Actividades que agregan valor y desperdicio
Actividades que agregan valor Actividades que no agregan valor
 Una actividad que transforma o cambia

(la primera vez) un material o
Aquellas actividades que toman tiempo o
recursos, pero no agregan valor a los
información para cumplir los requerimientos del cliente
requerimientos del cliente
Tipos de Desperdicio
• Sobreproducción, producir artículos que no podemos vender
inmediatamente después de producirlos.
• Espera, en la operación subsiguiente
• Transporte, de material
• Sobre procesamiento, pasos en procesos que no son necesarios
• Inventarios, más que el mínimo absoluto
• Movimientos, movimientos innecesarios de gente durante el curso de su
trabajo
• Partes defectuosas, scrap y retrabajos
Controlar Definir
Mejorar Medir
Analizar
Las 5 S’s
 Al nivel más fundamental, todos los pasos de 5S’s se
traducen fundamentalmente en un lugar de trabajo
limpio y ordenado.
 Este orden y limpieza nos lleva a mejorar los niveles
de tiempos de respuesta, mejoramientos de calidad, y
reducciones de costos.
 5S ayuda a descubrir la “fábrica escondida”.
 Cuando se expone la “fábrica escondida”, aparecen
rápidamente las oportunidades de mejoramiento y el
proceso empieza a estandarizarse.
Minimizar / Eliminar la Variación

5S - El Juego de Números . . .
0 30 $ 8 #
0
1 15 2 8
22
7
2 %
# $ 16
28 3 5 $
9 24
Arriba se va a presentar un listado de números. Cuando aparezcan realice las

siguientes actividades lo más rápido posible (tiempo máximo: 30 segundos c/u)
 Ubique y cuente los números de 1 a 15.

 ¿Cuál es el rango de los números?
 ¿Qué número(s) dentro del rango hace(n) falta?
5S El Juego de Números - S1
24 9
5 3 28
16
2
7
22
20 15 10
8 30
Ahora los números han sido clasificados y se han eliminado los elementos
innecesarios y que no hacían parte de un grupo común.
Repita el ejercicio. (30 Segundos)

 Ubique y cuente los números de 1 a 15.
 ¿Cuál es el rango de los números?
 ¿Qué número(s) dentro del rango hace(n) falta?
5S - El Juego de Números – S2, S3 ¿el
proceso es
más fácil?
Ahora los números han sido organizados y depurados un poco (alineados).
Repita el ejercicio.
24 18 9 5 12 3 28
21 16 1 29 7 17
13 2
11 4 20 23 22
14 15 19
6 27 30
25 8 2 26 10
5S - El Juego de Números – S4
Ahora los números han sido completamente simplificados, ordenados y
estandarizados.
Repita el ejercicio.
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 26 27 28 29 30
5S - El Juego de Números
1 2 3 4 5 6 7 8 9 10
11 12 14 15 16 17 18 19 20
21 22 23 24 25 26 27 28 30
¿Qué números han desaparecido?
¡¡ Qué fácil es detectar anormalidades cuando se

usan las 5S!!
5 “S” Concéptos Básicos
“Si usted puede hacer 5S, entonces puede hacer
cualquier cosa. La compañía que puede hacer bien las
5S’s, también puede hacer bien todas las otras
prácticas. La compañía que ni siquiera puede
implementar las 5S’s básicas, no será capaz de hacer
ninguna otra cosa requerida para una organización
competitiva.”
Takashi Osada
‘Las 5S’s: Cinco Claves para un
Ambiente de Calidad Total’
OHT 04
Dificultades frecuentes en la
implementación
• Limitarlo a una acción periódica de limpieza cuando hay visitas ó
auditorias.
• Ejecutarlo a partir de orden del jefe sin generar cultura y conciencia.
• Limitar la participación y opinión de las personas.
• Utilizar lenguaje extranjero o confuso.
• Descargar el trabajo a una sóla persona.
• Los jefes o lideres NO dan ejemplo.
• Trabajarlo como una metodología aislada y no ver beneficio alguno.

Nuestro Objetivo
Antes Después
# 1 Seiri – Seleccionar, Separar,
Depurar
Depurar todo lo que no es necesario.
 Despejar el lugar de trabajo / oficinas y remover todas las cosas que

no son necesarias tale como, herramientas, contenedores, equipo,
excesos de material. Remover manuales y documentación obsoletos.
 ¿De qué podemos deshacernos?
Puntos de verificación para los lugares de trabajo:

 ¿puede encontrar cosas innecesarias abarrotando su lugar /
espacio de trabajo?
 ¿hay cables o tubos innecesarias dejados ahí nomás?
 ¿hay herramientas o materiales dejados en el piso / oficinas?
 ¿hay artículos innecesarios ordenados, clasificados,
almacenados y etiquetados?
 ¿hay calibradores, herramientas, equipo de oficina clasificados y
almacenados adecuadamente?
 ¿hay papelería almacenada que no es requerida?
 ¿hay duplicados de todo almacenados?
Primer Paso: Seleccionar
Objetivo: Eliminar el desorden del lugar de trabajo
Herramientas: Rótulos rojos y área de espera
Pasos: 1. Definir el área

2. Por cada objeto, preguntar
- ¿Lo necesito?
- ¿Necesito esta cantidad?
- ¿Lo necesito aquí?
3. Retirar los objetos innecesarios
4. Rotular los objetos que se retirarán después
5. Mantener los objetos dudosos en el área de espera hasta definir su
destino final
6. Establecer estándares para objetos innecesarios
7. Introducir auditorias de la primera “S” Seleccionar
Ejemplo de criterios para los objetos innecesarios:
AREA CRITERIOS
Oficinas:
Equipamiento de Oficina Sólo el que se este usando
Nada que sea mayor a 1 año, o 3 años para el historial

Documentos en el archivo importante (excepto los de requerimiento legal o por
procedimientos de documentación)
Letreros/Memorandos Ninguna información anticuada
Superficies de los escritorios Solo los documentos que se necesitan para la tarea actual
Solo los que se necesitan por su historial o los que requieren

Correo Electrónico
ser atendidos
CLASIFICACION ACCION
No se está Las mercancías
usando o se defectuosas y
utiliza poco el inventario Descartarlo
muerto no
serán usadas.
Inventario de Retirarlo de la
artículos Usado dos zona de trabajo y
Raramente
veces al año. ponerlo en otra
usado parte
Usado una vez Almacenar cerca

Usado cada uno o dos del proceso en el
Se está ocasionalmente meses que se utiliza
usando
Almacenar cerca
Usadas una vez de la operación
De uso
por semana en la que se utiliza
frecuente
Ejemplo de criterios para los Usadas

Mantenerlo al
objetos innecesarios: alcance todo el
diariamente tiempo
# 2 Seiton – Arreglar, organizar,
ordenar
Organizar lo que queda! Arreglarlos e identificarlos para un uso fácil.
 Todo tiene un lugar: Un lugar para cada cosa y cada cosa en su lugar
 Designar localizaciones en una variedad de formas
 Líneas en el piso
 Señalamientos que cuelgan del techo
 Tableros de herramientas
 Áreas que indican donde debe ir la papelería
 Herramientas con código de colores o formas y espacios de trabajo
 Mejorar los métodos y lugares de almacenamiento
 Puntos de verificación para su lugar de trabajo:

 ¿están las posiciones de los corredores, pasillos principales, y lugares de
almacenamiento claramente marcados?
 ¿están las herramientas / equipo de oficina divididos por uso especializado y
artículos semejantes?
 ¿están siempre los “pallets” o tarimas estibadas a la altura correcta?
 ¿hay algo almacenado alrededor de los extintores?
 ¿el piso tiene depresiones, quebraduras, u obstáculos?
 ¿las áreas de oficinas /estaciones de trabajo están claramente identificadas?
 ¿los reportes actuales tienen un lugar que está identificado?
Segundo Paso : Organizar
Objetivo : Crear un lugar de trabajo limpio y sano
Herramientas: Programas de limpieza
Pasos : 1. Hacer la limpieza inicial

2. Eliminar las fuentes de suciedad
3. Hacerlo fácil de limpiar
4. Desarrollar e implementar programas de limpieza
5. Introducir auditorias de la segunda “S” Organizar
Segundo Paso : Organizar
Una vez seleccionados los objetos necesarios, se procede a
ubicarlos por su frecuencia de uso
Colocar en área de Colocar junto a

archivo muerto Usted
Es posible A cada
que se use Momento
Archivo, papeles, Varias

Algunas Colocar cerca
Colocar en moviliario,equipos, veces al a Usted
alguna bodega, veces al Materiales,
cuarto o archivo Herramientas,..etc. día
Año
Algunas veces Varias veces

al Mes por semana
Colocar en áreas Colocar cerca
comunes cerca a su en su oficina o
oficina o piso de area de
producción trabajo
Métodos para disposición de
deshechos
 Tirar Eliminar como deshecho, a la basura,
reciclar, desperdicio peligroso etc.
 Vender Vender al proveedor etc.
 Devolver Devolver al almacén principal.
 Distribuir Dar los artículos a otros departamentos.
 Centralizar Enviar a un área de retención para
distribución, etiquetar el área, almacenar o
eliminar.
#3 Seiso - Limpiar
Limpiar todo! Limpiar diariamente.
 Pintar, restaurar, limpiar, etc. Conseguir que los artículos que quedaron
vuelvan a su condición original, que queden como nuevos!
 Eliminar el papeleo innecesario. Limpiar las áreas de oficina.
 Limpieza es inspección!

 Vea cuidadosamente los pisos, pasillos y alrededor de las
máquinas.¿Cuánto aceite, polvo, o virutas de metal puede encontrar?
 Vea las áreas de oficina, ¿hay papeles amontonados?¿se ven
desorganizadas?
 ¿hay partes de máquinas sucias con aceite o fragmentos de metal?
 ¿hay líneas de aire, electricidad, gas, o agua sucias o necesitan
reparación?
 ¿hay desagües de aceite atascados con mugre?
 ¿las lámparas, reflectores están sucios?
 ¿las computadoras, escritorios, sillas requieren limpieza?
 ¿hay comida o basura tirada en el suelo?
Tercer Paso : Limpiar
Objetivo : Un lugar para cada cosa y cada cosa en

su lugar
Herramientas: Tableros, rótulos, demarcaciones, códigos
de colores, índices, procedimientos estándar,
flechas, planos del piso
Pasos: 1. Decidir los lugares adecuados
2. Decidir las cantidades - límites
3. Identificar visualmente los lugares
4. Mover los objetos allí
5. Extender la auditoria a la tercera S
Secuencia de las 5S
1
• Seleccionar
2
• Organizar
3 • Limpiar
Estándar y Disciplina
#4 Seiketsu – Uniformizar, estandarizar
Estandarizar los métodos de limpieza.
 Hacer un hábito diario las 3 primeras s’s (seiri, seiton y seiso)

Es un estado que existe cuando se mantienen
implementadas cabalmente las tres primeras s’s
 Asignar responsabilidades para aplicar estos procedimientos
 Integrar Seiri, Seiton, Seiso en las actividades normales de

trabajo
 Verificar el mantenimiento de Seiri, Seiton, Seiso

 ¿tiene estándares, procedimientos y ha asignado
responsabilidades para Seiri, Seiton, Seiso?
Cuarto Paso: Estandarizar
 Establecer procedimientos para asegurar el sostenimiento de
las primeras 3 columnas.
 Usar la Hoja de auditoría 5S asegura que las primeras tres

“s” del proceso 5S están mantenidas consistentemente.
 Los cronogramas de auditoría 5S se desarrollan para incluir

operadores, trabajadores, jefes de departamento y área, y el
gerente de planta para evitar condiciones que vuelvan las
condiciones a los indeseables niveles anteriores.
 Las actividades 5S deben ser programadas a la frecuencia

necesaria para mantener un ambiente de trabajo limpio,
ordenado y seguro.
#5 Shitsuke – Disciplina, sostener
Establecer la disciplina, un plan, un programa.
 Seguir las reglas que estableció con el equipo!
 Involucre a la gente en la producción de documentos estándar y

hojas de verificación
 Desarrollar hábitos para que no se olviden!
 Puntos de verificación en su lugar de trabajo:

 ¿tiene una rutina de inspección diaria y la sigue?
 ¿los reportes de ordenes de trabajo se ejecutan
adecuadamente y a tiempo?
 ¿la gente sigue los procedimientos?
 ¿hay artículos que aparecen fuera de su lugar regularmente?
Quinto Paso: Sostener
 Instale la disciplina en la organización para
mantener las victorias realizadas en los primeros
tres pasos – mantenga el curso.
Compromiso con las columnas 5S

Nos comprometemos a mantener un
curso de acción por que los beneficios
de mantener el curso son mayores que
las recompensas por dejarlo.
Quinto Paso: Sostener
 Conocimiento Todos los empleados deben entender que son

las columnas 5S y como mantenerlas.
 Tiempo Todos los empleados necesitan hacer tiempo

para implementar 5S
 Estructura Debe estar dada para implementar y sostener

5S & Soporte
 Recompensa & La implementación de 5S debe ser

emocionante
Reconocimiento e impulsadora para evitar retrocesos a
condiciones inaceptables en el pasado.
Aplicando algunos conceptos de las 5S’s
De un punto de vista práctico – el menos tiempo que tarde haciendo algo
y más continua sea la acción, menos es la probabilidad de que
cometa un error.
Estamos tratando de eliminar el RUIDO entre los pasos que agregan
valor. REDUCCION DE LA VARIACION!!!
Ejemplos:
• Tener que buscar herramientas y seleccionar una equivocada.
• Escribir muchos fragmentos de información en papeles y olvidar
que es que.
• Terminar con la revisión de un documento equivocado.
• No entender el flujo del proceso, y hacer cambios o remover
materiales o datos.
Tarjeta Roja
La Tarjeta Roja es usada para establecer las 5S’s. La estrategia de tarjeta roja nos ayuda
a establecer los fundamentos del mejoramiento haciendo obvio cuales artículos no son
necesarios.
Las Tarjetas Rojas

Estrategia de Μµσ son usadas para
Tarjeta Roja identificar los artículos
innecesarios
Un Evento de Tarjeta Roja

 Un evento de tarjeta roja puede funcionar en varios niveles – la planta, departamento, celda…
 Determinar que será identificado con tarjeta roja – alcance del evento.
 Entrenar a la gente de esa área – pudiera ser una sesión rápida de 15 minutos.
 Libere a la gente! disfrútelo – es increible como se entusiasma y se involucra la gente.
 El grupo procede a poner tarjetas rojas a todo el equipo, material, archivos...esos pueden ser
artículos que ya deben ser tirados a la basura, que tienen cierto valor pero son innecesarios,
o que requieren una disposición especial.
 No tirar nada de los artículos que tienen tarjeta roja durante el evento.
 Los artículos identificados con tarjeta roja son revisados por el grupo y/o la supervisión.
 La revisión determina las acciones a ser tomadas - scrap, basura, disposición o
almacenamiento.
Controlar Definir
Mejorar Medir
Analizar
2. Instrucciones de Operación Estándar
(SOP)
Es la forma conocida más eficiente para completar
una tarea requerida, con las herramientas
disponibles, y el tiempo permitido.
Las instrucciones de operación estándar usan

las siguientes técnicas:
Direcciones paso por paso

Facilidad para seguir direcciones
Términos comunes
SOP
Como podemos comprobar si

las instrucciones son adecuadas?
Pruébalas……
Dale las instrucciones estándar de operación a una

persona que no conoce el proceso y determina si
esa persona puede realizar la operación.
Otras ideas:
Utiliza diagramas de flujo o mapas de proceso
Redacta las instrucciones en bloques que no sean muy largos. No
deben de exceder 2 a 3 paginas.
SOP – Experimento del Cerdo
SOP = Standard Operating Procedure.
Instrucciones: Dibuje un cerdo en el cuadro de

abajo
1 2
4 3
SOP – Experimento del Cerdo - 2
1. Dibuje una M en la intersección 1.
2. Dibuje una W en la intersección 3 y 4.
3. Dibuje un círculo en la mitad del cuadro entre la intersección 1 y 4.
4. Dibuje dos pequeños círculos en el círculo (del paso 3).
5. Dibuje una e cursiva en la mitad del cuadro entre la intersección de 2 y 3.
6. Dibuje una línea cóncava de la parte superior del círculo grande hasta el lado izquierdo de la M en la intersección 1.
7. Dibuje una línea convexa de la parte de abajo del círculo grande hasta el lado izquierdo de la W en la intersección 4.
8. Dibuje una línea cóncava del lado derecho de la W en la intersección 4 al lado izquierdo de la W en la intersección 3.
9. Dibuje un medio círculo para conectar la W en la intersección 3 a la M en la intersección 1, asegúrese de que toque la e
cursiva.
1 2
4 3
Paso 1
1 2
4 3
Paso 2
1 2
4 3
SOP –Experimento del Cerdo - 3
Paso 3
1 2
4 3
Paso 4
1 2
4 3
Paso 5
1 2
4 3
Paso 6
1 2
4 3
Paso 7
1 2
4 3
Paso 8
1 2
4 3
Paso 9
1 2
4 3
Lo logramos !!!
Tal vez no parezca un bonito cerdo, pero
nuestros clientes saben lo que es un cerdo y
como son.
Controlar Definir
Mejorar Medir
Analizar
Lean Manufacturing =
Manufactura Esbelta
¿Por qué los Métodos Lean y Seis Sigma?
Los métodos Lean combinados con Seis Sigma es una
metodología que maximiza el valor para los accionistas
logrando una rapidez de mejoramiento en la satisfacción del
cliente, costo, calidad, velocidad del proceso e inversión de
capital.
• Los métodos Lean solos no pueden llevar a los procesos a
un control estadístico.
• Seis Sigma sólo no puede mejorar la velocidad o reducir la
inversión de capital.
Muchos métodos y herramientas asociados con seis sigma no

se enfocan en el TIEMPO; solo conciernen con la identificación
y eliminación de defectos. Los ahorros en TIEMPO de un
proyecto seis sigma son generalmente resultado de la
reducción de defectos.
Los métodos Lean y Seis Sigma reducen el tiempo de

procesamiento, los gastos indirectos y el inventario.
Siete tipos de Desperdicios en los Negocios
- Corrección
- Sobreproducción – el más maligno
- Transporte Transportes!
Mucho - Excesos de inventario

Inventario!
- Movimientos innecesarios
- Procesamientos innecesarios
- Espera
Sobreproducción! Esperas!
No agregan valor – sólo sirven para incrementar los costos

¿Los métodos Lean sólo aplican a la manufactura?
Lean no solamente está enfocado hacia la manufactura. Es muy
poderosa para mejorar la calidad y la velocidad en todos los
tipos de procesos de transacciones tales como: Ventas,
mercadotecnia, finanzas, desarrollo de productos, aspectos
legales, administración de recursos humanos.
• Lean significa velocidad, y aplica a todos los procesos.

• Los procesos lentos son procesos caros.
• El métrico de Lean Eficiencia del Ciclo del Proceso.
• 95% de los tiempos de producción en muchos procesos es
un tiempo de ESPERA.
80% de los retrasos en los procesos son causados por el

20% de las actividades.
Lean no significa manufactura. Significa velocidad

Los métodos Lean se enfocan en la eliminación del desperdicio
Un actividad que agrega valor Una Actividad que No-Agrega

Valor
• Es una actividad que
transforma físicamente la • Una actividad que toma
materia prima o información tiempo, recursos y espacio,
para cumplir con los pero no agrega valor al
requerimientos del cliente. producto o servicio en si
• Cualquier cosa que el cliente mismo.
está dispuesto a pagar por ella.
• Transforma el producto en • Algo que al cliente no le
algo mejor. interesa.
• Lo hace más valioso para el
cliente. • Agrega costo pero no el valor
• Distingue al producto, lo hace percibido.
más deseable.
• Desperdicio
Beneficios de los Métodos Lean
Incrementando el tiempo disponible de una máquina en 20%,
usted puede correr efectivamente a menos del 80% de la
utilización de su capacidad eliminando los tiempos de espera
causados por la variación.
A medida que aprendemos de Seis Sigma, la variación existe en

todo y en cualquier lugar. La variación tiene efecto directo en el
flujo de material de máquina a máquina.
La forma más directa de incrementar la productividad es

haciendo las mismas cosas en menos tiempo. La Productividad
es la clave para todo; a mayor productividad mayor crecimiento
económico.
Menos manejo de materiales reduce

la demanda de gente y equipo.
Beneficios de los Métodos Lean
Mucho material en un proceso de manufactura pierde 95% de su
tiempo en esperas, esperando a alguien para agregar valor, o
esperando a ser usado, o almacenado como producto terminado.
Reduciendo los tiempos de espera en un 80%, se puede reducir los

gastos indirectos y los costos de calidad hasta un 20%, junto con
entregas más rápidas y bajos inventarios.
• Reducir el tiempo de manufactura de 12 días a 2 días.

• Incrementar las vueltas de inventario del material en proceso
(WIP) de 23 a 67 vueltas por año.
• Reducir los gastos indirectos de fabricación en 22%.
• Incrementar el margen de utilidad bruta de 12% a 19%.
Rápidos tiempos de manufactura hacen crecer las ganancias

Herramientas de los Métodos Lean junto con Seis Sigma!!!!
1. Sistemas de Jalón
• La velocidad del proceso y los tiempos de manufactura están
determinados por el WIP (work-in-process).
• WIP debe tener un límite máximo de inventario.
• Un kanban nos ayuda a controlar el nivel, solamente liberando material
nuevo cuando haya ocurrido un consumo del inventario actual.
(Kanban es una palabra japonesa que significa tarjeta; a medida que se
consume un inventario, se usa una tarjeta para requerir más material).
2. Reducción del Tiempo de Set-up

• El tiempo de Set-up se mide desde la última pieza buena del número de
parte o proceso anterior hasta la primera pieza buena del siguiente
número de parte o proceso.
3. Mantenimiento Productivo
• La máquinas generalmente corren el 60% de su tiempo.
• 20% del tiempo están paradas (comidas, descansos, mantenimiento,
etc.).
• 20% no están programadas (fallas, tiempos de set-up, faltas de
material, ausentismo de los operarios, etc.)
Controlar Definir
Mejorar Medir
Analizar
Sistema de Jalón
• Un sistema de jalón en la manufactura funciona como un
supermercado.
• Los clientes van a la celda de producción que hace y

almacena las partes que ellos necesitan y jalan las
cantidades requeridas de los anaqueles.
• La celda de producción entonces, reabastece las cantidades

que fueron retiradas, de tal manera que los clientes futuros
tendrán la misma selección que los últimos.
Controlar Definir
Mejorar Medir
Analizar
SMED Single Minute Exchange Dies
Tiempo de Setup
El equipo de setup es como un equipo de pit’s en las carreras de autos.

Todos conocen su trabajo, todas las herramientas y materiales están
localizados donde son necesarios y no hay desperdicio de tiempo.
Dos tipos de actividades en el setup
 Actividades del setup interno:

 Son todas aquellas actividades que DEBEN ser
ejecutadas mientras la máquina está parada, no
está haciendo partes.
 Actividades del setup externo:

 Son todas aquellas actividades que PUEDEN ser
ejecutadas mientras la máquina está operando,
haciendo partes.
Fases de Mejoramiento en el Tiempo de Setup
1. Separar la tareas externas de las internas.
2. Hacer tanto como sea posible las tareas internas, externas
3. Mejorar / eliminar tareas internas
4. Mejorar / eliminar tareas externas

Fases de Mejoramiento del Tiempo de Setup
1. Separar actividades externas de las internas
Externas Internas Externas
2. Convertir actividades internas en externas
3 y 4. Reducir las actividades remanentes

¿Qué es SMED?
 Se ha definido el SMED como la teoría y técnicas
diseñadas para realizar las operaciones de cambio en
menos de un 1 minuto.
 Herramienta que permite aumentar la flexibilidad en los

procesos productivos, mediante la reducción de tiempos
de alistamiento y cambio
¿Qué es Cambio de Formato?

Conjunto de operaciones que se desarrollan desde que
se detiene la máquina o proceso para proceder al
cambio de lote o producto hasta que la máquina
empieza a fabricar la primera unidad del siguiente
producto o proceso en las condiciones especificadas
de tiempo y calidad. El intervalo de tiempo
correspondiente es el tiempo410
de cambio.
¿Para qué sirve SMED?
Permite disminuir el tiempo que se pierde en las máquinas e
instalaciones debido al cambio de utillaje necesario para pasar
de producir un tipo de producto a otro.
Reducir el tiempo de preparación

y pasarlo a tiempo productivo Incremento de la seguridad
en el trabajo
Reducir tamaño del
inventario
BENEFICIOS Mayor calidad de vida
Reducir el tamaño de los
lotes de producción
Mejor actitud de las
personas
Producir en el mismo día varios
modelos en la misma máquina o Mejor nivel de
línea de producción. conocimiento de las
máquinas
411
EL “S.M.E.D.” Y EL JUSTO A TIEMPO
El SMED se integra en J.A.T. a través del cambio de Formato
CAMBIAR
LA CULTURA
JAT
KANBAN VSM
LINEA DE
PRODUCCION MANTENIM.
Y SEGURIDAD
ASEGURAR
DIVERSIDAD
LA CALIDAD
ANALISIS POKA JOKE

DE VALOR
CAMBIO DE
FORMATO
COMPETENCIAS PRODUCTIVIDAD
SMED LAS 5 S
412
EL “S.M.E.D.” Y EL JUSTO A TIEMPO
Aspectos positivos del S.M.E.D.
Además de disminuir los tiempos de cambio de formato, el

SMED permite también:
Mejorar la flexibilidad y la reactividad, reduciendo al mismo

el tiempo la inactividad de la fábrica.
Aumentar la disponibilidad de equipos para responder a la
demanda del cliente.
Mejorar los tiempos de mantenimiento, arranques, aseos y
otras actividades que se relacionan con parada de procesos.
413
Situación con muchas piezas en el flujo
fabricación
Nivel de piezas en el proceso

de fabricación
Defectos en el sistema de producción: Defectos en el planing de producción

•Almacenamiento y el sistema de control:
•Concepción del sistema •Control prioritario
•Flujo materia •Repartición
•Capacidad •Estandarización
•División en secuencias
•Capacidad planing
Las existencias esconden los problemas

414
Situación con pocas piezas en el flujo
fabricación
Largo tiempo
Defectos
de ajuste
Desequilibrio Falta de calidad
de la fuerza de personal
competente Paradas
trabajo
máquina
Conceptos que intervienen en los

Conceptos que intervienen en los
defectos en el planing de producción y
defectos en el sistema de producción:
el sistema de control:
•Almacenamiento
•Control prioritario
•Concepción del sistema
•Repartición
•Flujo materia
•Estandarización
•Capacidad
•División en secuencias
•Capacidad planing
Si se reduce las existencias y el tamaño de los lotes,
aparecen los415problemas
La necesidad de realizar cambios,
arranques,….rápidos
CADENCIA
T.C.O. = Tiempo Cambio Interno
T.M.C.= Tiempo subida en cadencia
TCF = TCO+TMC T.C.F. = Tiempo cambio de formato
Producto A
Producto B
400 p/H
300 p/H
T.C.O. T.M.C. TIEMPOS
T.C.F.
416
La necesidad de realizar cambios,
arranques,….rápidos
El aporte del “S.M.E.D.”
TCF = TCO + TMC
El SMED nos ayuda a reducir el TCF a través

de la reducción del TCO y TMC
417
MÉTODO OBJETO
CUANTO? QUÉ
MÉTODO
CÓMO QQCDCC SUJETO
QUIÉN
LUGAR
DÓNDE TIEMPO
CUÁNDO
418
Pasos en la Implementación SMED
ETAPA IV: ESTANDARIZACIÓN DE

SECUENCIAS Y MÉTODOS
ETAPA III: OPTIMIZAR OPERACIONES

INTERNAS Y EXTERNAS
ETAPA II: CONVERTIR OPERACIONES INTERNAS

EN EXTERNAS
ETAPA I: SEPARAR OPERACIONES INTERNAS

Y EXTERNAS
DIAGNÓSTICO: ELIMINAR OPERACIONES DE CERO VALOR
419
Etapas de Mejora con SMED
420
Etapa de Diagnóstico
El primer paso de la reducción del tiempo de cambios, arranques,
paradas o una actividad de tipo administrativo que requiera de
alistamientos, ejecución y cierre, etc es observar lo que está pasando
antes, durante y después de los cambios, arranques, paradas, etc y
medir el tiempo que lleva realizar cada actividad.
Es importante anotar todas las actividades que se realicen:
 La persona responsable de cada tarea.
 La preparación de la máquina, del
puesto de trabajo;
 La limpieza y el orden del puesto de
trabajo…
 La verificación de la materia prima y de
los productos químicos;
 La correcta regulación del equipo;
 El ajuste a patrones, ventanas
referentes de fabricación;
 La realización y la prueba;
 La aprobación y liberación para la
producción.
421
Herramientas para el Diagnóstico
Datos Estadísticos
Claves
• Registros de Tiempos de
CAFO
• Datos en tiempo real
• Estándar en la Toma de
Tiempos
Análisis
• Generar indicador de
seguimiento
• Medición permanente
• Cultura de toma y calidad de
datos
• Análisis de tiempos por etapas
• Identificar Despilfarros y
Diferencias
• Identificar variables que afectan 422
Toma de Videos
Claves
• Registros Espontáneos
• No causar incomodidad
• Tomar en diferentes circunstancias
• Complementar con observación
directa
Análisis
• Mostrar el video al equipo
• Retroalimentar y generar ideas
de mejora en grupo
• Análisis de tiempos y
movimientos
• Identificar Despilfarros
• Identificar variables que afectan
las operaciones
• Tabla de valor añadido y
diagrama de Pareto
423
Claves
Observación Directa
• Visitas Espontáneos
• Visión Crítica
• Necesidad de mejorar
continuamente
• Propuesta de oportunidades
de mejora
Análisis
• Lluvia de ideas
• Retroalimentación de método,
orden entre los integrantes del
equipo
• Análisis de movimientos
• Identificar Despilfarros
• Identificar variables que afectan
las operaciones
424
Identificación de Operaciones que no
agregan valor
Desperdicio: Se puede definir como algo que no

agrega valor y algo por lo que el cliente no va a querer
pagar.
425
Herramientas para Identificar Operaciones
que no agregan Valor
1. Tabla de Valor Añadido (TVA)
Herramienta de análisis que permite hacer una descripción detallada
de todas las actividades que intervienen en un proceso, identificando
aquellas que agregan valor o no al mismo.
Una TVA contiene información correspondiente a:

1. Secuencia
2. Descripción de la actividad
3. Distancia recorrida en la actividad
4. Tiempo utilizado en la ejecución
5. Numero de personas que intervienen
6. Clasificación de la actividad como operación, transporte,
almacenamiento, esperas, etc.
7. Calificación de la actividad en cuanto a si agrega o no valor
8. Acciones de mejora
9. Tiempos de ahorro con las mejora
10. Tiempos proyectados de mejora.
426
Formato Tabla de Valor Añadido (TVA)
CERVECERIA LEONA S.A.
PROYECTO SMED
SALON DE ENVASADO
AREA /SMED
PROYECTO EQUIPO
- LÍNEA 2
TABLA DE VALOR AÑADIDO

Proceso evaluado:
Fecha:
Distancia Tiempo Nº de Simbolos Agrega Tiempo Ahorro Tiempo Oportunidades de
Pasos Actividad
(m) (Min) personas Valor Inicial Proyec. proyec. Mejora y/o LUP
Operación Almacenamiento Inspección -

Cantidad
Transporte Espera Inspección - Calidad
427
2. Muro SMED
Es una herramienta que nos complementa la tabla de valor
añadido controlando visualmente la evolución de los tiempos y
la mejora durante el desarrollo del proyecto de reducción de
tiempos.
428
3. Diagrama de Pareto
El Diagrama de Pareto constituye un sencillo y gráfico método de análisis que
permite discriminar entre las causas más importantes de un problema (los
pocos y vitales) y las que lo son menos (los muchos y triviales).
Nombre en honor del

economista italiano Vilfredo
Pareto (1848-1923) quien
realizo un estudio sobre la
distribución de la riqueza:
descubrió que la minoría de la
población poseía la mayor
parte de la riqueza y la
mayoría de la población
poseía la menor parte de la
riqueza.
429
4. Diagrama de Spaguetti
Representación gráfica sobre el plano de una planta de los movimientos de
personas o mercancías para identificar pérdidas y desperdicios del proceso.
Nos ayuda a optimizar las operaciones y buscar el camino optimo del proceso
430
Controlar Definir
Mejorar Medir
Analizar
Dispositivos a Prueba de Error
A Prueba de Error - elimina errores, hace
imposible cometer errores
En Japonés: Poka-Yoke (POH-kah YOE-kay

• Poka significa inadvertido
• Yoke significa prevenir
• Shigeo Shingo- inició este concepto 1961 después de observar los procesos de
ensamble en la planta de Yamada Electric.
• Dos resortes deben ser ensamblados debajo de dos botones. El defecto más
común es “resorte faltante” en el ensamble. Para eliminar este defecto, el
operador tiene que poner los dos resortes en un disco. Esto muestra al operador
cuando ambos resortes se han usado y el disco está vacío.
“Es bueno hacer las cosas bien la primera vez. Pero es mejor
aún, hacer que sea imposible hacer las cosas mal la primera vez.
Errores: errar es de humanos
alguna vez has hecho los siguiente:
♦ ¿Manejar al trabajo y no acordarte?
♦ ¿Manejar del trabajo a tu casa cuando

pensabas pararte en una tienda?
Esto nos pasa a todos...
♦ Terminamos nuestro
trabajo y no recordamos lo
que hemos hecho.
♦ Después de enviar
facturas todas las mañana,
tenemos que recibirlas en
la tarde.
Tiene dos opciones:
♦ Demandar vigilancia.
Exhortar a los trabajadores
a que “sean más
cuidadosos”.
♦ A prueba –de-errores.
Elimina la probabilidad de
cometer errores.
Ejemplos a prueba-de-errores
♦ Copiadoras
♦ Tomacorrientes / Extensiones Eléctricas
♦ Conectores de teléfono
Aprueba-de-errores en manufactura
♦ Todas las partes son males hasta que se
procesan bien
♦ Tornillos estándar vs. Tornillos de cruz
♦ Patrones por localización de etiquetas
Eliminación de Defectos
♦ Prevención de errores en el
ambiente de trabajo.
♦ Detección de errores (auto-

inspección).
♦ Prevención de errores
(inspecciones en el origen).
♦ Prevención de influencia de
errores.
Estructura de un Defecto
 Los Defectos son el resultado de un Error.
 Para eliminar los defectos debemos eliminar los errores.
 Para eliminar los defectos debemos de crear un ambiente
donde los errores puedan ser siempre prevenidos.
NEGATIVO POSITIVO
• Los Defectos son inevitables • Los defectos pueden ser

eliminados
• la gente comete errores
• Crear el ambiente
• se buscan culpables
• Preguntar ¿por qué?
• se detectan en inspección
final • Aplicar dispositivos a prueba-
de-errores para inspecciones
• hay inspección por muestreo 100%
• Algunos llegan al cliente • HACERLO YA!!!

Causas de Defectos
1) Errores humanos
2) Omisión de procesos
3) Errores en los procesos
4) Errores en ajustar una pieza de trabajo
5) Omisión de ensambles
6) Partes equivocadas
7) Piezas de trabajo equivocadas
8) Errores de operación
9) Errores de ajuste, medición, de dimensión
10) Errores en el mantenimiento del equipo
11) Errores en la preparación de setup o en el ajuste de herramientas
Los Fundamentos
 Un sistema a prueba-de-error existe en dos estados:
 Prevención – previene un defecto antes de que
ocurra.
 Detección – detecta un defecto cuando ya a
ocurrido.
 Las tres funciones básicas de un dispositivo a

prueba-de-error
 Control – Elimina del defecto del sistema.
 Alarma – Da una señal para atraer la atención a
los defectos.
 Paro – Un elemento de restricción para el proceso
cuando ocurre un defecto.
Dispositivos de Control
Eliminan el defecto del sistema
DETECCION
Un huerto de frutas
que siente un gran
orgullo en sus
grandes manzanas,
asegura solamente las
más grandes para sus PREVENCION
clientes, pasando
todas las manzanas a En una gasolinera las pistolas (o
través de un boquillas) de las bombas de diesel
clasificador. Las otras y la entrada del tanque son más
las envía a las tiendas grandes que las de gasolina.
de descuento.
Dispositivos de Señal
“Da una señal para atraer la atención a los defectos”
Detección Prevención
El computador Se activa un
“chilla” cuando se zumbador cuando
entra un comando se dejan las luces
equivocado encendidas.
Paro
Un elemento de restricción detiene el proceso
cuando ocurre un defecto.
 Prevención : Un horno de micro ondas no arranca si

la puerta está abierta.
 Detección: Un horno de mico ondas se parará si se
abre la puerta durante la operación.
Cinco Mejores Poka-Yoke
1) Pins Guía o
diferentes 2) Detección de
tamaños errores y
alarmas
3) Interruptores de límite
4) Contadores 5) Hojas de
verificación
8 Principios para los Poka-yoke
1. Construir la Calidad en los procesos:
Hacer imposible la fabricación de piezas defectuosas incluso aunque se cometa un error.
Usar guardas a prueba-de-error en los jig’s y procesos.
2. Pueden eliminar todos los errores y defectos inadvertidos:
Debemos asumir que las equivocaciones no son inevitables. Donde hay una voluntad
poderosa, puede encontrarse un modo para eliminar todos los errores y defectos.
3. Deje de hacer las cosas mal, y empiece hacer lo correcto ¡¡AHORA!!

Elimine completamente los “...pero...”, los “..es que..”, el “...ahí se va...!”
4. No piense en excusas, piense sobre cómo hacer bien las cosas:
Sea una persona proactiva, anticípese a los problemas. Vea los problemas como
oportunidades. Vea los defectos como “ tesoros ”.
5. Un 50% de probabilidades de éxito es suficientemente bueno. Implemente
Su idea ¡ahora!!
Analice la causa y piense la solución. Si su solución tiene 50% de
probabilidad de éxito impleméntela inmediatamente. Puede cambiar o refinar su
solución más adelante basados en los hechos y resultados de la
implementación.
8 Principios para los Poka-Yoke
6) Los Defectos pueden ser reducidos a cero si todos trabajan juntos
No se puede lograr cero errores y cero defectos por una sola persona. Es
importante que todos en la compañía entera trabajen juntos para eliminar los
errores y defectos.
7) Diez cabeza piensan más que una

El esfuerzo mental de una persona es importante, pero la sabiduría y la
creatividad que vienen de los esfuerzos de diez personas es más valioso. El
trabajo en equipo es la clave para el mejoramiento efectivo de las ideas.
8) Investigue las verdaderas causas, usando los 5 Por qué’s y la Causa Raiz
Si ocurre un defecto, no demande más inspectores. En lugar de eso, busque la
causa raíz del problema para asegurar que las contramedidas aplicadas son la
solución real, y no sólo un vendaje. Pregunte ¿por qué ocurrió el defecto? Y la
respuesta debe ser “porque”, y pregunte de nuevo ¿Por qué?. No esté satisfecho
con las causas que lleguen fácilmente a su mente. Pregunte ¿por qué? Al menos
cinco veces para descubrir la raíz del problema. Solamente entonces pregunte
¿cómo arreglamos esto? Y ponga la solución en práctica.
Estrategias para cero errores
• No haga sobre producción
• Haga solamente lo que el cliente necesite, cuando lo necesite, en la cantidad que
necesite
• Los excesos de inventarios hacen más difícil encontrar la mala calidad
• En un ambiente de grandes inventarios, no hay un sentido de urgencia
• Eliminar, Simplificar o combinar operaciones de producción
• Identificar y eliminar el desperdicio
• Seguir los estándares de operación y utilizar ayudas visuales
• Implementar los poka-yokes
• Usar las piezas de trabajo o productos a medida que son procesadas
o ensambladas
• Adoptar un flujo de producción
• Implementar operaciones multiprocesos
• Implementar ciclos de retroalimentación y acción inmediatas
• Involucrar a todos en la prevención de defectos
• Establecer capacidades de proceso a través del CEP
• Usar Paretos de tres niveles para dar seguimiento a las oportunidades más altas
• Hacer mejoramientos diarios
• Inventar dispositivos a prueba de error
Áreas de oportunidad para los Poka-Yoke
1) Ajustes o calzadas 8) Simetría o Asimetría (depende de

la situación)
2) Ajustes o cambios de
herramientas 9) Partes muy similares tales como
anillos-o, clips, o sujetadores
3) Dimensiones o especificaciones
críticas 10) Repetición rápida
4) Muchas partes / partes mezcladas 11) Alto volumen/extremadamente

alto volumen
5) Múltiples pasos
12) Condiciones ambientales
6) Producción no frecuente a. Manejo de Material/proceso
b. Orden y limpieza
7) Falta de, o estándares ineficientes c. Materia Extraña
d. Mala iluminación
e. Otras
Resumen
 Conceptos fundamentales de Lean
 Panorama de las 5S’s
 Métodos de Instrucciones de Trabajo
 Aplicaciones de un Lugar de Trabajo
Visual
 Métodos Lean
 Sistema de Jalón
 Fundamentos del SMED
 Dispositivos a Prueba de Error - Poka
Yoke
Juego de la Cadena – Parte 2
En este juego deben

montar una fábrica para
fabricar cadenas de papel.
Se les asignará un puntaje
dependiendo de cómo
produzcan un producto de
calidad, a tiempo y
obteniendo utilidades.
Controlar Definir
Mejorar Medir
Analizar
Matriz de Soluciones Potenciales
 Herramienta clave en la Metodología DMAIC de Six
Sigma para la selección de soluciones. Este mismo
enfoque se utiliza en Lean Manufacturing y se suele
llamarse Matriz de Contramedidas, que muestra todas
las medidas posibles relacionadas a cada causa raíz.
 Una matriz de selección de soluciones potenciales

contiene lo siguiente:
 La idea de la solución acerca del problema que estamos
intentando resolver.
 Las causas fundamentales atadas al problema.
 Comentarios sobre relacionados a la potencial solución o la
causa raíz.
Matriz de Soluciones Potenciales
Criterio de Causa Raiz
# Idea Comentarios
Seleccion Relacionada
9
Selección Alternativas de Soluciones
 Esta herramienta es una repetición del QFD. En este
caso estamos comparando las necesidades de la VOC
con las alternativas de soluciones identificadas en la
Matriz de Soluciones Potenciales.
 Una matriz de selección de alternativas de soluciones

contiene lo siguiente:
 Criterios: Necesidades o CTQs identificados en la fase Definir
con su peso.
 Soluciones: Soluciones Potenciales atada a las causas raíz.
Selección Alternativas de Soluciones
Soluciones
Peso - %
Criterios
Correlaciones
9 Fuerte
3 Normal
1 Débil
0 No relación
0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
0% #DIV/0! #DIV/0! #DIV/0! #DIV/0! #DIV/0! #DIV/0! #DIV/0! #DIV/0! #DIV/0! #DIV/0!
Análisis Beneficios-Esfuerzo
 Ya hemos pasado por las fases de Definir, Medir y
Analizar en un proyecto Six Sigma. Ahora en Mejorar
tomamos decisiones colectivas en sesiones de lluvia de
ideas y retroalimentación del equipo. Esto nos permite
dar el siguiente paso para identificar las causas de las
oportunidades e identificar las medidas necesarias para
lograr la mejora.
 ¿Pero como el líder del proyecto puede asegúrese de
que las medidas de mejora que se llevan a cabo
transformen todo ese trabajo cerebral en logros tangibles
para su organización? Una forma visual de hacer esto es
a través de la matriz de Beneficios-Esfuerzo.
 Una matriz de Beneficios-Esfuerzo puede ser mejor definido como
un gráfico que en primer lugar se identifican todos los detalles del
beneficio potencial que una iniciativa puede traer versus el esfuerzo
en términos de tiempo y recursos que se requieren con la adición de
una línea de tiempo de la implementación de la mejora.
 Después de identificar todos los pasos de mejora, el siguiente paso
es ir a través de todos y cada elemento de acción y asignar un valor
alto o medio o bajo para beneficio y esfuerzo.
 Los temas de acción para la implementación pueden realizarse en
el siguiente orden:
 Alto beneficio y bajo esfuerzo
 Beneficio medio y bajo esfuerzo
 Alto beneficio y esfuerzo medio

No. Soluciones
1 1
2 2
3 3
Alto
4 4
5 5
6 6
7 7
8 8
Esfuerzo
9 9
10 10
11 11
12 12
13 13
14 14
Bajo
15 15
Controlar Definir
Mejorar Medir
Analizar
Análisis Costo-Beneficio
 Análisis costo-beneficio es una técnica rápida y simple
que se puede utilizar para decisiones no críticas en la
implementación de soluciones en proyectos Six Sigma.
Donde se toman las sumas de misión crítica, o están
involucradas grandes cantidades de dinero, se requieren
otros enfoques tales como el uso de Valores Netos
Actuales o las tasas Retorno Interno que son a menudo
más apropiados.
 Un análisis de costo-beneficio se hace para determinar
qué tan bien o malos serán los resultados en una acción
planificada
Análisis Costo-Beneficio
Soluciones
Beneficios Grosos Unidad
Implementada
Costos
Beneficios Netos 0 0 0
Analizar
Analizar la variación y enfocarse estrechamente en los KPIVs
462
Controlar Definir
Mejorar Medir
Analizar
Objetivo
 Aprender las Funciones de

los Planes de Control
 Aprender a desarrollar
Planes de Control
 Aprender las ventajas de
los Planes de Control
Funciones del Plan de Control
 Describir los cambios realizados en el proceso o producto

para generar ahorros.
 Dar un resumen de las posibles razones por la cual el
proyecto no daria los ahorros esperados.
 Dar posibles acciones a tomar, si el proyecto no esta
generando ahorros, para recapturar los ahorros.
Desarrollo de el Plan de Control
El plan de control se desarrolla en base a dar
respuesta a esta tres preguntas:
 Cuales fueron los cambios realizados para

generar ahorros?
 Cuales son los métricos que se usan para
administrar los cambios?
 Que acciones debo tomar si los métricos no
están dentro de sus especificaciones?
Formatos para Plan de Control
El formato a usarse es libre siempre y cuando conteste
las tres pregunta requeridas. Estos son ejemplos de
formatos usados:
• Diagrama de flujo
• Matriz
• Pregunta y respuesta
• Combinación de diagrama, matriz, y
preguntas/respuestas
Cuales fueron los cambios realizados para
generar ahorros?
 La única manera de mejorar algo es
cambiándolo
 Por eso es necesario identificar que cambios
se realizaron el producto o el proceso para
generar ahorros
 Enumeren los cambios de una manera clara
y simple.
Cuales son los métricos que se usan
para administrar los cambios?
• Enumerar los métricos usados para administrar
los cambios.
•El plan de control tiene que decir como, cuando
y donde obtener los métricos.
•También es necesario enumerar las variables
claves de salida de el proceso, para verificar el
efecto en los requerimientos del cliente.
•Contra métricos son los métricos que si es que
el proyecto tiene un éxito sin precedentes podría
causar problemas. Si existen contra métricos
deben de ser incluidos en el pan de control.
¿Como reaccionar si es que los métricos no
están dentro de las especificaciones?
• Indicar cuales son las acciones que se deben de
tomar si los métricos no están dentro de las
especificaciones
•El plan de control tiene que decir como, cuando y
a quien contactar.
•Si es posible anticipa que puede ir mal en tu
proyecto y ponlo en el plan de control.
Planes de Control
Los Planes de Control describen las acciones
que se requieren en cada fase del proceso
incluyendo los requerimientos periódicos de
recibo, en proceso, y salida, para asegurar que
todas las salidas del proceso estarán en un
estado de control.
Sin embargo..
Los Planes de Control no reemplazan la información

contenida en las instrucciones detalladas del operador
Entradas a los Planes de Control
Mapa de
Revisión de
Proceso
Diseño
FMEA
Prototype Pre-launch Production
Process Control Plan
Key Contact/Phone Date (Orig) Date (Rev)

QFD
mm/dd/yy Date: mm/dd/yy
Rev # 0000
Part Number Latest Change Level: Core Team: Customer Engineering Approval (if required)
Revision
Part Name/ Description Supplier/Plant Approval Date: Customer Quality Approval (if required)
Supplier Plant: Supplier Code: Other Approval (if required) Other Approval (if required)
Process
Part/ Process Machine Device, Characteristics Special Methods
Capability as Evaluation/ Reaction
Process Name/Operation Jig, Tools, for Char.
% of tol. or Product/Process MeasurementSample Sample Control Plan
Number Description Mfg. No. Product Process Class Specification/Tolerance
Technique Size Frequency Method
Cpk
Características
Críticas
Lecciones
Conocimiento
Aprendidas
de Equipos
Ejemplo:
Plan de Control
Reduccion de espera de pacientes
Cambios Metricos Reaccion Comentarios

Investigar la causa raiz de el
Copiadoras funcionan Reporte de malfuncionamiento Ver los anexos que muestran el
malfuncioamiento utilizando la
constantemente tiene que ser menor de 5% reporte y las bitacoras
bitacora de las copiadoras
Mantenimiento preventivo tiene Preguntar al jefe de mantenimiento Revisar la bitacora de cada

que ser realizado un vez poque no realiza el maquina donde se firma el
cada mes mantenimento preventivo mantenimiento preventivo
Cerciorar que haya una orden de Preguntar a la adminstradora de la

Sistema de reorden para los utiles compra puesta por cada oficina porque no se esta
Ver lista de articulos de oficina
de oficina articulo debajo del punto de cumpliendo con el sistema de
reorden reorden
Investigar si hubo cambios en las

Recalcular los puntos de reorden
variables que dictan los Ver lista de articulos de oficina
cada tres meses
puntos de reorden
Tener por lo menos un proyecto Preguntar al personal administrativo

Reducir ausentismo de personal
de mejora continuo en porque no se realizo el Ver lista de proyectos
administrativo
proceso proyecto
Dar incentivo por puntualidad y

Restablecer el incentivo Ver la politica de incentivos
asistencia
Resumen
 Perspectiva general de los
Planes de Control
 Aplicaciones de los Planes de
Control
 Desarrollo de un Plan de
Control Paso por Paso
Controlar Definir
Mejorar Medir
Analizar
Tipos de Datos
Datos Datos de
Datos de
Defectos
(cuentan
atributos - DPU)
Variables) Go-NoGo)
Alto Volumen
o Bajo
Mapa del Camino para los Gráficos de Control
1. Seleccionar la Variable
2. Seleccionar el Tipo de gráfico de Control
3. Establecer las bases para los subgrupos lógicos
4. Determinar el tamaño de la muestra
5. Determinar método/criterio de medición
6. Determinar la capacidad del medidor
7. Establecer los límites de control
8. Preparar las formas para graficar lo datos
9. Actualizar la documentación
10. Entrenar al personal
11. *** Vigilar / Analizar
Paso 1 y 2 – Seleccionar la variable y el gráfico de control
 Selección de la variable
 Entrada Clave
 Salida Clave
 Preocupación del cliente
 Característica significante
 Selección del Tipo de Gráfico de Control
 Determinar el tipo de dato a ser recolectado
 Determinar la aplicación
 Referirse a la hoja anterior de los tipos y aplicación
 Referirse a manual de CEP de la AIAG
Pasos 3 y4 – Muestreo y Subgrupos
 Subgrupos lógicos
 Tome el proceso deseado para control
 Tamaño de Muestra
 Gráfico de Variables: 5 si es posible
 Gráfico de Atributos: 30 o más dependiendo de los
porcentajes
 Frecuencia de Muestra
 Ni grande ni pequeña
 Generalmente, la más frecuente, la mejor
 Los sistemas de medición en línea ofrecen control del
proceso en tiempo real
Los objetivos del muestreo y los subgrupos son

los de tomar la variación resultante dentro y
entre!!
Paso 5 y 6 – Método de Medición / Capacidad del Medidor
 Método de medición / criterio

 Determinar el medidor
 Utilidad para el operador
 Capacidad del Medidor
 Repetibilidad del medidor
 Reproducibilidad del medidor
Paso 7 y 8 – Establecimiento de los Límites de Control y
Formas
 Límites de Control
 Desarrollar los límites de control iniciales a través de un estudio
de capacidad corto. Mínimo 30 datos.
 Estar seguros de que no hay puntos fuera cuando se establecen
los límites de control (elimine los puntos fuera debido a causas
especiales)
 Los límites de los gráficos de control son actualizados con
nuevos datos a medida que se hacen mejoramientos al proceso.
 Formas
 Aplicar la Forma Apropiada
 Hacer las Formas fácil de usar por todos los niveles de la
organización
La meta es mejorar el proceso a través del tiempo y cerrar los límites de control.
Paso 9 y 10 – Actualizar la documentación y
Entrenar
 Actualizardocumentación
 Planes de Control Process Control Plan
Prototype Pre-launch Production Key Contact/Phone Date (Orig) Date (Rev)

mm/dd/yy Date: mm/dd/yy
 FMEAs
Rev # 0000
Part Number Latest Change Level: Core Team: Customer Engineering Approval (if required)
Revision
Part Name/ Description Supplier/Plant Approval Date: Customer Qaulity Approval (if required)
Supplier Plant: Supplier Code: Other Approval (if required) Other Approval (if required)
 Instrucciones de Trabajo
Characteristics Process Methods
Part/ Process Machine Device, Special
Capability as Evaluation/ Reaction
Process Name/Operation Jig, Tools, for Char.
% of tol. or Product/Process MeasurementSample Sample Control Plan
Number Description Mfg. No. Product Process Class Technique Size Frecuency Method
Specification/Tolerance
Cpk
 Instrucciones de medidores
 Entrenamiento
 CEP general (SPC)
 Aplicación de los medidores
 Planes de Reacción
Paso 11 - Monitorear / Analizar
 Cualquier cosa fuera de los límites de control superior o inferior está
obviamente fuera-de-control (Causa Especial)
 Hay muchas reglas situaciones fuera-de-control, pero pocas donde
un operador puede realmente tomar acción.
 Reglas de Western Electric:
(referencia: pruebas)
generalmente las
primeras tres
pruebas se seleccionan
Limite las reglas a aquellos operadores que entienden y pueden

tomar acción
Taller de Análisis
 Con los datos entregados de desperdicio en la extrusión de
Aluminio responder las siguientes preguntas:
1. Esta el desperdicio de Aluminio controlado?
2. Si las especificaciones de desperdicio fueran 0 – 100. Cual es la
capacidad del proceso y el nivel sigma del desperdicio.
3. Existe alguna relación entre el desperdicio y el operario que corre la
maquinaria?
4. Existe alguna relación entre el desperdicio y el estado de la matriz?
5. Existe alguna relación entre el desperdicio y el tamaño del tocho con
el numero de tochos?
6. Cuales son los operadores que mas desperdicios generan?
7. Si comparamos los operadores con la cantidad de desperdicio, existe
alguna diferencia estadística entre los operadores? Cual es mejor y
cual es peor?
8. Si queremos crear una ecuación para identificar que tamaño del
tocho se necesita, con que numero, que operador y que estado de la
matriz para lograr el menor desperdicio con los datos que tenemos.
Cual es el valor P de la ecuación y su R-Cuadrado? Explique sus
conclusiones.
484
Controlar Definir
Mejorar Medir
Analizar
Capability Sixpack
 Utilice para producir un informe de capacidad de proceso cuando
sus datos sigan una distribución normal .
 Para confirmar la estabilidad del proceso , el informe incluye:
 Una gráfica Xbarra (o Gráfica de observaciones individuales para observaciones
individuales)
 Una gráfica R o gráfica S (para tamaños de subgrupo mayores que )
 Una gráfica de corridas de los últimos 25 subgrupos (o las últimas 25
observaciones)
 Para confirmar la normalidad, el informe incluye:
 Un histograma de los datos del proceso
 Una gráfica de probabilidad normal (con intervalo de confianza del 95%,
Anderson-Darling y valores p)
 Para evaluar la capacidad, el informe incluye:
 Una gráfica de capacidad del proceso
 Estadísticas de capacidad dentro de y general; Cp , Cpk , Cpm (si usted
especifica un objetivo ), Pp , Ppk y valores Z de referencia .
Ejemplo - Capability Sixpack
 Un fabricante de alambre de cable desea evaluar si el diámetro del
cable satisface las especificaciones. Un alambre de cable debe tener
0.55 + 0.05 cm de diámetro para satisfacer las especificaciones de
ingeniería. Los analistas evalúan la capacidad del proceso para
asegurarse de que éste satisface el requisito del cliente de un Ppk de
1.33. Cada hora, los analistas toman un subgrupo de 5 alambres de
cable consecutivos de la línea de producción y registran el diámetro.
 1.- Abra la hoja de trabajo CABLE.MTW.

 2.- Elija Estadísticas > Herramientas de calidad > Capability Sixpack >
Normal.
 3.- En Columna individual, ingrese Diámetro. En Tamaño del subgrupo,
ingrese 5.
 4.- En Espec. inferior, ingrese 0.60. En Espec. inferior, ingrese 0.50.
 5.- Haga clic en Opciones. En Objetivo (agrega Cpm a tabla), ingrese 0.55.
 6.- Haga clic en Aceptar en cada cuadro de diálogo.
Ejemplo - Capability Sixpack
Controlar Definir
Mejorar Medir
Analizar
Comparación de Capacidad
La comparación de la capacidad antes/después determina si un
esfuerzo de mejora aumentó la capacidad del proceso para satisfacer
los requerimientos del cliente.
Comparación de Capacidad
Seis Sigma Definido por su Impacto
Corporativo
 Ahorrar dinero - $25,000 por Candidato por Proyecto.
 Crear una Cultura de Mejoramiento Continuo.
 Desarrollar Líderes a través de la Corporación.
 Fomentar y Formalizar la Comunicación y
Transferencia de las Mejores Prácticas.
 Desarrollo Personal.
¿Hemos
alcanzado el
impacto
requerido?
Habilidades de Liderazgo
 Habilidades de Presentación
 Proceso y contenido enfocado
 Efectividad del Líder del Equipo

 Role del Líder del Equipo
 Guiar para conseguir resultados
 Herramientas y técnicas para mantener a su
equipo enfocado
 Niveles de Involucración en la Toma de

Decisiones
Expectativas Técnicas
 Aplicar las herramientas de Seis Sigma para finalización del
proyecto
 Seguir los parámetros de certificación.
 Mantener a la gerencia involucrada en los métodos de solución
de problemas seis sigma.
 Tomar las decisiones basadas en DATOS.
 Preguntarse “la forma que usamos para hacer las cosas”.
 Use la herramientas seis sigma para hacer el trabajo más fácil.
 Anime a otros a participar en el programa seis sigma.
 Haga cambios para beneficiar a la compañía.
 Requiera desarrollo profesional futuro!!
 Entregue su Proyecto para su certificación en los siguientes
tres meses.
Certificación
Repaso de Criterios
para la Certificación
Certificación Six Sigma
Criterio
 Los candidatos deben completar los criterios mínimos definidos
en este modulo.
 Atender/Participar las 2 o 3 semanas de entrenamiento de

Six Sigma Green Belt o Black Belt de Acosixsigma.
 Ahorrar o mejorar un total de $25,000 dólares para Green
Belts o $100,000 dólares para Black Belts anualizado – Los
ahorros o proyección de ahorros deben ser aprobados por
el manager y el controlador financiero de su empresa.
 Demostrar aplicación sistemática de técnicas para resolver
problemas utilizando datos.
 Aplicar las herramientas de Six Sigma identificadas como
requeridas.
 Completar Manage by Fact (MBF), 5 Paginas de la
presentación en formato (DMAIC) , Scorecard & Finanzas.
Certificación Six Sigma
Proceso de Presentación de Proyecto

1. Completar el proyecto con las herramientas requerida y el archivo
electrónico con la Presentación Final.
2. Obtener la aprobación financiera de que se lograron o se
proyectan los logros de ahorros.
3. Presentar su proyecto final al equipo y superiores.
4. Enviar el archivo electrónico con todos los documentos
financieros y copia del contrato a
certificaciones@acosixsigma.com
La petición de certificación toma unas 2 semanas. Este

tiempo incluye repaso del MBB en Acosixsigma y del
MBB de STS.
Preparación para la Semana 3
Que esperam os
 Aplicar las herramientas de Six Sigma ya aprendidas.

 Presentación de la Semana 3 – Demostración de las
herramientas aprendidas durante la semana 2 y
oportunidades futuras.
 Continuar desarrollando sus equipos de Six Sigma.
 Actualizar los slides de Definir y Medir, preparar
Analizar junto a la actualización Financiera.
 Presentar el estado del proyecto a sus superiores antes
de la Semana 3 de entrenamiento.
500
501
Cierre…
 Gracias por una buena semana!
 Que tengan un buen viaje de regreso a
casa!!
 Favor de llamarnos si necesita algo!!
 Nos vemos en tres semanas!
 Trabaje en su proyecto !!!
 Venga preparado para presentar su

proyecto.
502
Contactos Seis Sigma
 Sociedad Colombiana de Six Sigma - Acosixsigma
 Ing. Eri Jorge
 Oficina – (6) 3341574 ● Celular – 316.536.9952
 Email – presidencia@acosixsigma.com
 Claudia Jimena Navarro
 Teléfono oficina –(2) 380.6132 ● Celular – 311.746.5025
 Email – claudiajimena@acosixsigma.com
 Wilson Melgarejo Martínez
 Oficina - (1) 638 6188 ● Celular – 300.265.0686
 Email- wilsonmelgarejo@acosixsigma.com
 Kelly L. Villa
 Oficina – (6) 3341574 ● Celular – 321.641.9462
 Email- kellyvilla@acosixsigma.com
 Synergy Technology Solutions - STS

 Ing. Johanny Angustia
 Teléfono Oficina – (1) 561.372.1199
 Email – jab@synergytechpartners.com
 Ing. Cristian Arenas
 Teléfono Oficina – (1) 561.372.1199
 Email – contacto@synergytechpartners.com

Lean Six Sigma GB-BB

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Lean Six Sigma GB-BB

Cargado por

Copyright:

Formatos disponibles

Mejoramiento Continuo Seis Sigma

Perfección de los Procesos a través de Entrenamiento y

Definir Medir Analizar Mejorar Controlar

Definir el problema, los requerimientos del cliente

Herramientas generalmente usadas:

• Estatuto del Proyecto (Project Chárter)

Definir Medir Analizar Mejorar Controlar

Herramientas generalmente usadas:

La Variación está en todas partes

Variación Controlada Variación No Controlada

“Una falla en la interpretación de observaciones, vista en todo lugar, esta

Variación en las Características del P roducto= Función (Variación en los

 Regla 1 – Preparar y Ejecutar

 Regla 2 – Ajustar en la dirección opuesta

 Regla 3 – Ajustar de Nominal.

 Regla 4 – Ajustar al último resultado

Variación del Proceso en relación al Tiempo

 Recordar que la variación normal (común) puede ser predicha.

Variación del Proceso Vs. Especificación de Diseño

Los cambios en la Media

El Centro del proceso (m) es

¿Podemos tolerar la Variación?

LSL Nom USL

LSL Nom USL

Varianza es Sum able

Desviaciones Estándar no son

Variación y Deviación Estándar

DEVI ACI ÓN ESTÁNDAR

Variación y Deviación Estándar

Variación y Deviación Estándar

DESVI ACI ÓN ESTÁNDAR

Variación y Deviación Estándar

Variación y Deviación Estándar

DESVI ACI ÓN ESTÁNDAR

Variación y Deviación Estándar

Variación y Deviación Estándar

DESVI ACI ÓN ESTÁNDAR

Variación y Deviación Estándar

σ=3 USL=34 Ζ=1.3

 Las partes y los procesos que generalmente usamos son

 Los procesos industriales generalmente consisten de varios

1000 Pcs Cual es la productividad acumulada

Paso Prueba Final

Impacto de Múltiples Partes

# of Parts +3σ +4σ +5σ +6σ

El valor Z indica cuan alejado

Z Bench = “Capacidad Sigma a Largo Plazo”

Área bajo la Curva Normal

Z=2 Población fuera de un punto

Z = Que tan lejos esta un punto

De Tabla Z para Z= 3 (1350)

• Mundo Defectuoso………….datos categorizados

• Mundo de Defectos……………..conteo de datos

• Mundo Continuo…………medir los datos

Mundo Defectuoso…datos categorizados

• La medida es buena o mala, paso o fallo,

Más ejemplos de defectuosos

Mundo de defectos….conteo de datos

• Unidad puede tener múltiples defectos

Más ejemplos de defectos:

Mundo Continuo…medir los datos

• Se pueden medir las unidades en incrementos más finos

Más ejemplos de continuo

Efectos en Errores de Medición

PARTE #: DESCRIPCION: __

OPERADOR: INSPECTOR: ______