Entrenamiento Six Sigma

Green Belt.
Estadistica Basica.

x 

CETyS universidad

5-1
 Contenido
I. Objetivos
II. Fundamentos de Estadística Básica.
III. Estadística Básica.
 Tipos de Datos
 Distribuciones
 Medidas de tendencia central
 Promedio
 Mediana
 Medición de la distribución de los datos.
 Rango
 Varianza
 Desviación Estándar
 Medición de la forma de los datos.
 Distribución Normal
 Probabilidad Normal
 Análisis de Datos (Data Mining).
5-2
 I. Objetivos
 Introducir el concepto de Forma, Tendencia
Central, y dispersión de una distribución.
 Aprender de una distribución normal

5-3
 Metodología de mejora de procesos
Paso 0: Definición de Proyecto

Paso I: Medición del proceso.

Plan de proyecto e identificar

variables claves del proceso.
Paso III: Mejora del proceso.

Realizar estudios de gages en Verificar entradas criticas

sistemas claves de medición. usando DOE

Ejecutar estudios de capacidad a Determinar la ventana de

corto plazo y realizar plan de operación óptima.
control.
Actualizar el plan de control.
Paso II: Análisis del proceso.
Paso IV: Control de Proceso.
Completar un FMEA inicial y
evaluar el plan de control. Finalizar el plan de control de
proceso.
Completar un estudio multivari
para identificar variables claves
potenciales. Verificar la estabilidad y la
capacidad del proceso,
Revisión de datos y priorización permanentemente.
de variables potenciales
5-4
 II. Fundamentos de Estadística Básica.
 Estabilidad
 Como se comporta el proceso a través del tiempo?
 La estabilidad se representa con un promedio constante y
una variación predecible a través del tiempo.
 Variabilidad
 Esta el proceso en su meta con mínima variación?
 Usamos el promedio si el proceso esta en su meta. Usamos
la Desviación Estándar para determinar su variación
X-Bar Chart for Process A X-Bar Chart for Process B

UCL=77.20 80
UCL=77.27
75
Sample Mean

Sample Mean
X =70.98
70

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

Cual de los dos es mejor proceso?

5-5
 Variación.
 “Todos los procesos tienen Variación, algunos
muestran variación controlada, otros procesos
muestran variación incontrolada.” (Walter Shewhart)
 La Variación Controlada se caracteriza por un patrón
estable y consistente de variación a través del
tiempo.
 Conocido también como Causas Comunes.

 Variación Incontrolada se caracteriza por aquella que

cambia a través del tiempo.
 Conocida también como Causas Especiales.

5-6
 Ejemplos de Variación

El proceso A muestra variación controlada

El proceso B muestra variación incontrolada

X-Bar Chart for Process A X-Bar Chart for Process B

X-Bar Chart for Process A

UCL=77.20 80
UCL=77.20
UCL=77.27
75
75
Sample Mean

Sample Mean
X =70.98
Sample Mean

70

X =70.91
70 X =70.91 LCL=64.70
70
60

65
LCL=64.62
65
LCL=64.62 50
0 5 10 15 20 25 0 5 10 15 20 25
0 5 10 15 20 25
Sample Number Sample Number
Sample Number

Causas Especiales

5-7
 Se puede tolerar la Variación?
 Siempre habrá variación en los procesos.
 Podremos tolerar la variación si:
 El proceso esta en su meta u objetivo
 La variación total es relativamente pequeña comparado
con las especificaciones de proceso
 El proceso es estable a lo largo del tiempo.

LSL Nom USL

USL

Tradicionalmente
Aceptable
Costo

LSL Nom USL

Actualmente
Costo

5-8
 Costo de la variación
LSL Nom USL

En la meta;
Costo

mínima
variación.

LSL Nom USL

En la meta;
Variación
Costo

apenas
aceptable.

5-9
 Costo con meta no alcanzada
LSL Nom USL

Fuera de
meta;
Cost

variación
mínima.

LSL Nom USL

Fuera de
meta;
Cost

Variación
apenas
aceptable.

5-10
 Puntos de análisis de datos para Mejoras.
 Determine si el proceso es estable.
 Si el proceso no es estable, identifique y remueva las
causas de inestabilidad.
 Calcule el promedio del proceso – Esta en su
meta (target)?
 Si no, identifique las variables que afectan el promedio
y determine los ajustes óptimos para alcanzar la meta
(o target).
 Estime la magnitud de la variación total - Es
aceptable con respecto a los requerimientos del
cliente (límites de especificación)?
 Si no, identifique las fuentes de variación y elimine o
reduzca su influencia en el proceso.
Ahora revisaremos la Estadística que ayuda este
proceso.
5-11
 III. Estadística Básica
 Tipos de Datos
 Distribuciones
 Medidas de tendencia central
 Promedio
 Mediana
 Medición de la distribución de los datos.
 Rango
 Varianza
 Desviación Estándar
 Medición de la forma de los datos.
 Distribución Normal
 Probabilidad Normal
 Analisis de Datos (Data Mining).

5-12
 Tipos de Datos

Datos Atributo (Cualitativos)

 Categorías
 Bueno / Malo
 Máquina 1, Máquina 2, Máquina 3
 Numero de turno
 Cosas a contar (# de Errores en un documento, #
unidades enviadas, etc.)
Datos Variables (Cualitativos)
 Datos continuos (Divisiones Decimales)
 Tiempo (segundos)

 Presión (psi)

 Velocidad del conveyor (ft/min)

 Longitud (inches)

 etc.

5-13
 Distribuciones Estadísticas
 Podemos describir el comportamiento de
cualquier proceso o sistema graficando múltiples
datos para la misma variable
 En el tiempo
 A través de líneas de productos.
 En diferentes máquinas, etc.
 La acumulación de estos datos se pueden ver
como una distribución de valores.
 Se pueden representar por:
 histogramas
 Curva normal u otras distribuciones “suavizadas”.

5-14
 Medidas de tendencia central.
 Promedio: Promedio aritmético de un conjunto
de valores.
 Refleja la influencia de todos los valores
 Fuertemente influenciado por los valores extremos
n
 xn
x  n 1
n

 Mediana: Refleja el 50% de un rango – El número

central de un conjunto de numeros que ha sido
ordenado. No necesariamente incluye todos los
valores en su cálculo.

Por que habríamos de usar el promedio en vez

de la mediana en nuestros proyectos de mejora
continua?
5-15
 Ejemplos
Calcule el promedio y la mediana de los siguientes
conjuntos de datos

41 39 39 40 40 42 40 42 41 41 43 42 38 37

5-16
 Ejemplos
Calcule el promedio y la mediana de los siguientes
conjuntos de datos

38 40 39 38 41 39 38 40 40 47

5-17
 Ejemplos
Calcule el promedio y la mediana de los siguientes
conjuntos de datos

105 75 35 115 55 75 85 55 15 35 125 225 25 155 105

5-18
 Ejemplos
Calcule el promedio y la mediana de los siguientes
conjuntos de datos

99 77 78 75
92 87 74 78
91 89 79 75
76 73 82 71
79 92 85 73

5-19
 Conclusiones
 Que pasa cuando media y promedio son iguales? Que
concluye?

 Que concluye cuando media y promedio no son iguales?

 Que utilidad tendrá estos ejercicios?

5-20
 Mediciones de Variación

 Rango: la distancia entre los valores extremos de

un conjunto de datos (Mayor - Menor)
 Varianza (  ): El promedio de la desviación
cuadrada de cada punto vs el promedio.
 Standard Deviation (  ): la raíz cuadrada de la
Varianza.
 El rango es mas sensitivo a los “outliers” que la
varianza.

La medición mas común y útil de la variación es

la desviación estándar – Por qué?

5-21
 Mediciones de Variación

 Cuando utilizaremos el Rango?

 Cuando utilizaremos la varianza?

 Que utilidad tiene la desviación estándar?

5-22
 Ecuaciones
N

Promedio de la X i

población  = i 1
N
N

Desviación estándar  i
(X   ) 2

de la población.  =S= i=1

N
n

x i
Promedio de la x= i=1

muestra n

 x  x
n 2

Desviación estándar i

de la muestra   s  i 1

n1
5-23
 La desviación cuadrática
Mientras mas grande el error, mas peso se da al mismo
cuando lo elevamos al cuadrado.

2
(x - x)
100
Sq-Dev

50

0
0 5 10
Deviates

5-24
Parámetros de la población vs. Valores
estadísticos de la muestra.

x = Promedio de la muestra  = Promedio de la población

s = Desviación  = Desviación
estandar de la estandar de la población.
muestra

Estadísticos estimación Parámetros

5-25
 Componentes de la Varianza
La variación total (varianza) de la salida de un
proceso se puede dividir en la variación de las
partes de las entradas del proceso

Si  total
2
 varianza de la salida del proceso;
 X2  varianza debido a la variable de entrada X1 ;
1

 X2  varianza debido a la variable de entrada X 2 ;

2

entonces,  2
Total  2
X1  2
X2

Asi que,  Total   X2 1   X2 2 B

5-26
 Componentes de la Varianza - Ejemplo
Para el proceso abajo mostrado, calcular el Lead
Time y su varianza.

5-27
 La Distribución Normal.
 La Distribución “Normal” es una distribución de
datos que tienen ciertas propiedades
consistentes.
 Estas propiedades son muy útiles en entender
las características de los procesos de donde se
obtienen los datos.
 La mayoría de los fenómenos y los procesos
hechos por el hombre se distribuyen
normalmente, u pueden ser representados como
normalmente distribuidos.

5-28
 La Distribución Normal
 Propiedad 1: Una distribución normal puede ser
descrita completamente conociendo solamente:
 Promedio, y
 Desviación estándar

Distribución Uno

Distribución
Dos

Distribución Tres

Cual es la diferencia entre estas tres distribuciones normales?

5-29
La curva normal y las areas de probabilidad
asociadas con la desviacion estandar
 Propiedad 2: El area bajo las secciones de la
curva pueden ser usadas para estimar la
probabilidad acumulada de que un cierto evento
ocurra.
Probabilidad
Probability of sample value

68% acumulada de
40%
obtener un valor
entre dos valores de
30%
95% desviación estandar
20%

99.73%
10%

0%
-4 -3 -2 -1 0 1 2 3 4
Numero de desviaciones estandar vs el promedio.
5-30
 Ejemplo
Para el proceso abajo mostrado,
 que porcentaje caerá en ±3?
 Que valores son ±3

 Si tenemos un cliente que nos marca producir

por debajo de 35 minutos, que porcentaje de la
producción estará fuera de ese tiempo?

5-31
 Probabilidad Normal Estándar.
Suponga que tiene estas tres graficas:

=10 =15 =20

=1 =1 =2

Para contester el tipo de pregunta del ejercicio anterior,

tendríamos que tener un tratamiento personalizado para cada
una de estas gráficas.

5-32
 Probabilidad Normal Estándar.
Si estandarizamos todos los procesos, podemos
usar una table genérica para nuestros estudios.

𝑿−µ
Z= 
Z: Valor Z, reportado en tablas estandars genéricas.
X: Cualquier punto que queremos estudiar.
: Promedio de los datos
: Desviación estandar de los datos.

5-33
Probabilidad Normal Estándar.

Usemos esta tabla para

poder interpreter datos
de manera genérica.

5-34
 Ejemplo
Para el proceso abajo mostrado,
 Si tenemos un cliente que nos marca producir
por debajo de 35 minutos, que porcentaje de la
producción estará fuera de ese tiempo?

5-35
 Ejemplo
Se tiene un proceso de llenado de mermelada en
tarros de 16 onzas.
Los estudios de ingeniería nos dice que es un
proceso normalmente distribuido con promedio
de 16 y varianza de 0.0025
Si tenemos como tolerancia de 0.4 onzas, que
porcentaje estará por encima de la tolerancia?

5-36
 Resumen
 Introducción a los conceptos de Forma, Centro y
variación de las distribuciones.
 Aprender de la Distribución Normal.

5-37