SESION 3 y 4 SIX SIGMA DMAIC MG ROCIO ROMANI ALUMNOS 1pptx

DIPLOMA INTERNACIONAL EN
GERENCIA DE LA CALIDAD Y
GESTIÓN POR PROCESOS
ESTRATEGIA
SIX SIGMA
MEDIR
ANALIZAR
Mg Rocío Romani
ESTRATEGIA SIX SIGMA
DMAIC
Catedrático:
Mg Rocío Romani
Recordando la clase anterior…
¿Qué recuerdas?
TEMARIO
• - Visión general de la metodología Lean Six Sigma.
• - Mapa DMAIC (definir, medir, analizar, mejorar,
controlar)
• - Definir el alcance del proyecto.
• - Equipos de trabajo.
• - Habilidades y funciones del líder.
• - Desarrollo e implantación de soluciones.
Fuentes basadas en referencias del Ing. Miguel Ángel Patiño Antonioli, MBA
1. ¿Qué es Estrategia?
2. ¿Cuál es la importancia de definir Estrategias en procesos de mejora en una
empresa?
3. ¿Cuándo sabe uno que necesita revisar sus procesos y sus estrategias?
4. ¿Cuáles son los enemigos de los procesos de mejora?
5. ¿Todas las áreas tienen procesos?
6. ¿Los procesos de mejora tienen enemigos diferentes que el diseño de Estrategias o es
el mismo tipo de enemigo?
7. ¿Hay alguna diferencia de actitud generacional frente a los procesos y estrategia?
8. ¿La tecnología suma o no suma a la mejora de procesos?
9. ¿Existe el cliente ideal? ¿El cliente siempre tiene la razón?
10. ¿La Mejora de procesos se aplica todos los rubros de las empresas?
Objetivos
Al finalizar esta sesión, el participante:
1. Comprender las principales herramientas de la etapa Medición y
Análisis, dentro del marco del Diagnóstico Lean Six Sigma.
2. Comprende la interpretación y es capaz de desarrollar un Staffing
(optimización de recursos) respecto a un proceso escogido.
3. Comprende las principales herramienta asociadas para medir y
analizar las variables críticas y culminar las Oportunidades de Mejora
del punto de partida (Baseline).
CONTENIDO
 Conceptos de impacto: Touch Time Vs Cycle Time

 Staffing: optimización de recursos y el Balance de Línea.
 Comprender la demanda Volumen y Mix
 Medición de la Capacidad del Proceso (Cp, Cpk, Cpm, Pp y PPk y Ppm).
 Indicadores Lean Six Sigma para cuantificar la situación actual (Nivel Z Sigma,
 Touch Time, OEE, OPE)
 Diagrama de la efectividad general del proceso.
 Pruebas de normalidad Anderson-Darling e identificación de las distribuciones de
probabilidad para las variables asignadas
 Análisis de Y bajo los cuatro cuadrantes clave: Técnicas Estadísticas para cuantificar
las relaciones X e Y
 Comparación inferencial de uno, dos o más sets de variables para casos normales y
no normales (métodos paramétricos vs no paramétricos)
Control de lectura
Lecturas previas obligatoria
 Molteni, R., & Cecchi, O. (2008). El liderazgo del
Lean Six Sigma. Buenos Aires, Argentina:
Macchi.
 Medir
 Cuatrecasas, L. (2010). Lean Management: la
gestión competitiva por excelencia. Barcelona,
España: Profit Editorial.
 Capítulo 17: Dos grandes herramientas
visuales de soporte a la implantación lean:
Value stream y A3
 D’Alessio, F. (2013). El proceso estratégico: Un
enfoque de gerencia (2a ed., pp. 565-580).
México. D.F. México: Pearson.
 Complemento D-8
Recordando dónde estamos en el Proyecto Lean
Diagnóstico
Etapa MEDIR
“No puedes gestionar, lo que no mides”
“Sin datos, no
eres más que
otra persona
con una
opinión”
W. E. Deming
“No hay nada más inútil
que hacer algo
eficientemente, que …
no debería
hacerse en un
Edwards Deming
principio”
La medición del Proceso
i. Las Herramientas de Medición Lean
Herramientas de definición clave del Diagnóstico
 Relevar la “Voz del Cliente” (VOC)
 Conocer el Tiempo Neto de Procesamiento

(Touch-Time)
 Conocer el Ritmo (Takt Time)
 Análisis del Flujo de Materiales e

Información (VSM)
La “Voz del Cliente” (VOC)
Concepto
 La Voz del Cliente (VOC) representa los

requerimientos de los clientes, es decir, “lo
que quiere el cliente” en específico.
 Debe ser el inicio y objetivo de todo proyecto
Lean y conocerla nos asegura el éxito.
¿Por qué utilizarla?
 Para comprender las necesidades

“reales” de los clientes.
 Para determinar la métrica del proceso.
 Para fijar las metas del proyecto.
“Voz del Cliente” (VOC) vs VOP (“Voz del Proceso)
La Voz del Cliente (VOC) es a variable independiente de la “Voz del Proceso” (VOP)
Analizando diferentes fuentes se consigue entender la naturaleza de las mejoras deseadas
por los clientes (inclusive internos)
Ejemplo 1: Reclamos de instalación de equipo*
* sobre 80 entrevistas realizadas a

80 clientes 1 mes después de la
instalación
Herramienta “Voz del Cliente” (VOC)
Ejemplo 2: La velocidad en la apertura de cuentas puede ser una variable de importancia clave para el cliente
Perspectiva del cliente
 La cuenta es considerada abierta

cuando los tangibles del banco
llegan.
 Para satisfacer al cliente algún
tangible debe llegar antes del 3 día
de solicitud de un plan.
 Recibir los tangibles del banco en el
momento es percibido como un valor
significativo y aumenta el potencial
de activación.
Análisis del Punto de Quiebre (“Breakpoint”) del cliente
Ejemplo 3: Esperas de productos – Tiempo máximo en que un cliente espera una decisión
Política
de tiempo
límite
para
esperas
de
productos
Touch Time (Tiempo de Toque)
 El Touch Time es el tiempo durante el
cual el producto final está siendo %

efectivamente trabajado. Normalmente:
Valor agregado < 20% del tiempo total.
Todo el resto es improductividad
Touch Time (Tiempo de Toque)
Pasos para estimar el “Touch Time” (TT):
1 Calcular el Touch-Time del proceso (cronómetro, 5 o 10 veces/hito)
2 Calcular el Lead Time del proceso (Muestras de 20 a 30 ítems)
3 Identificar potenciales cuellos de botella en el gráfico de Touch-Time
4 Calcular el porcentaje Touch-Time/Lead Time %

5 Validar estimación con las observaciones y dueños del proceso
 TT < 5%: Gran potencial de mejora.

Non Touch-Time no es  5%<=TT<=30%: Proceso ineficiente.
SOLO tiempo muerto  30%<=TT<=50%: Benchmark mundiales
El gráfico del Touch Time
Ejemplo1: Cálculo de Lead Time y % Touch Time en el proceso de apertura de cuenta en red (Tiempo transcurrido para
apertura de una cuenta corriente)
Aprox 3 días
Aprox 3.5 horas

El Takt Time
 El TAKT Time es el tiempo deseado entre la obtención de cada unidad de producto,
sincronizado de acuerdo a la demanda de los clientes.
 Es el Ritmo de la demanda
del cliente, en número de

unidades a cada minuto
* Descontar factores naturales (SSHH, Almuerzos, etc.)
Staffing (Balance de Línea)
Capacidad = FTE x Tiempo Neto Productivo (min) / Tiempo para realizar esa actividad en
minutos
Tiempo Neto
productivo
FTE = Full Time

Employed
N° de empleados
Herramienta “Takt Time”
Análisis del Flujo de Materiales e Información
El VSM es una representación del estado actual que revela las fuentes de pérdida
en todo el sistema
Concepto:
 Es la foto actual que ayuda a
identificar problemas y
oportunidades en el proceso.
 Descripción visual del flujo.
Cuándo utilizarlo:
 Al inicio de una transformación,
para relevar las Fuentes de
pérdidas y ver el proceso
integralmente.
 Para visualizer los flujos de material
e información.
 Para ofrecer marco común a
debate.
Value Stream Map
¿Cómo se pasa de un proceso mapeado a un VSM?
Proceso VSM
Value Stream Map
En resumen, los pasos para crear el VSM del Baseline
Value Stream Map
En cada paso, agregamos nuevos elementos al VSM
Diagrama de Spaghetti
¡A este diagrama se le agregan probabilidades!

D
Comprender la Demanda (D) F
Volumen de Demanda
Ejemplo 1: Variabilidad/predictibilidad de la demanda de préstamos S
ESTADÍSTICA MÍNIMA
Cuadro “núcleo” de la Estadística
INDICADOR MUESTRA (n) POBLACIÓN (N)

 Media µ
 Desv. Est. S σ
 Varianza S2 σ2
 Proporción o π
Hacer deducciones
INFERENCIA interpretar, hacer proyecciones y comparaciones.
 Correlación r ρ
Estimadores puntuales Parámetros
o Estadísticos
Administrar un proceso, una empresa de
forma efectiva requiere la recolección de
datos apropiados. Muchas veces los datos se
obtienen de los elementos de muestras, y las
muestras se toman de la población, de tal
forma que sean los más representativas.
1-7
Descripción de Datos
Tipos de Variables VARIABLES
Cualitativas Cuantitativas
Discretas
Continuas
Atributos
Uso del análisis gráfico y arreglo de datos para la toma de decisiones
Análisis exploratorio de los datos, distribución de frecuencias
 Distribución de Frecuencias
Agrupamiento de datos en categorías que
muestran el número de observaciones y su
% en cada categoría.
 Medidas de Tendencia Central/Posición
Aquellas que indican el valor de un punto
medio o representativo de un grupo de datos.
 Medidas de Dispersión
Aquellas que indican como se encuentran
esparcidas las observaciones de un grupo de
datos, representando la variabilidad.
Distribución de Frecuencias para Tablas y Gráficos
 Intervalo de clase
Número reducido de datos que sirve para agrupar los datos.
 Amplitud del intervalo
Diferencia entre el Límite superior e inferior de un Intervalo.
 Marca de clase
Punto medio entre los Límites de un Intervalo.
 Frecuencia de clase
Número de variables incluidas en un intervalo de clase.
Pasos para construir una tabla de distribución de frecuencias:

1. Calcular el Rango (R), la distancia máxima de los datos: R=Lím. Sup. - Lím.
Inf.
2. Determinar el tipo y número de intervalos o clases (K). Regla general : 5 – 20 y
según la fórmula de Sturges: # intervalos = 1 + 3.322 log(n) (Redondeo
sup.)
3. Determinar la amplitud de la clase (A): A = (R) / K
4. Calcular las marcas de clase (mi)
5. Contar el número de observaciones en cada clase (fi) y todas las frecuencias.
Distribución de Frecuencias para Tablas y Gráficos
Notación General:
 mi: Marca de clase. Lím. Inf. Lím. Sup. mi fi Fi hi Hi

 fi: Frecuencia 31.00 39.50 35.25 12 12 0.12 0.12
Absoluta. 39.50 48.00 43.75 10 22 0.10 0.22
 Fi: Frecuencia 48.00 56.50 52.25 14 36 0.14 0.36
Absoluta 56.50 65.00 60.75 17 53 0.17 0.53
Acumulada. 65.00 73.50 69.25 15 68 0.15 0.68
 hi: Frecuencia
73.50 82.00 77.75 15 83 0.15 0.83
Relativa (fi/n).
82.00 90.50 86.25 8 91 0.08 0.91
 Hi: Frecuencia
90.50 99.00 94.75 9 100 0.09 1.00
Relativa
Acumulada. 100 1.00
Fuente: Dpto. Contabilidad Tienda BETA
Tablas y Gráficos
2) Los Gráficos
Pueden se puntos, líneas, cajas, áreas y volúmenes:
2.1) Diagrama de dispersión de puntos (o Nube de Puntos)
Ej.: Gráfico 1: Relación entre las Calificaciones (1 al 10) y el porcentaje de asistencia a clases.
Tablas y Gráficos
2) Los Gráficos
2.2) Diagrama Lineal
Ej.: Gráfico 2: Ventas mensuales (en soles)
Ventas 12
miles S/.
10
0 Meses
Ene Feb Mar Abr May Jun Jul
Fuente: Departamento de Marketing

Tablas y Gráficos
2) Los Gráficos
2.3) Gráfico de Barras
Ej.: Gráfico 3: Número de hijos en edad escolar por trabajador
Nº de 30
Trabajadores
25
20
Ejemplo con
variable 15
cuantitativa
10
discreta
5
0 Número de hijos
0 1 2 3 4 5 (escolares)
Fuente: Departamento de Marketing
Tablas y Gráficos
2) Los Gráficos
2.4) Histograma Ej.: Gráfico 5: Peso de 100 Personas (en Kg.)
 Son barras verticales Número de
presentadas una a continuación Personas
25
de otra (en variables continuas).
 El ancho es homogéneo 20
(amplitud de clase). 15
 La altura está en función a la
10
frecuencia.
 La organización de datos en un 5
Peso
histograma permite una mejor 0 (Kgs)
29.5 39.5 49.5 59.5 69.5 79.5 89.5 99.5
compresión de los datos.
Fuente: Encuesta, enero 1998
Tablas y Gráficos
2) Los Gráficos
2.5) Barras Horizontales
 Normalmente se utilizan también para representar variables cualitativas. El ancho y el
espacio entre barras debe ser homogéneo. La longitud de la barra es proporcional a la
frecuencia
Ej.: Gráfico 6: Asignación del personal por departamento
Departamentos
Personal
Producción
Mercadeo
Logística
Finanzas Nº de
trabajadores
0 10 20 30 40 50 60 70 80 90 100
Fuente: Planilla de Pagos. Oficina de Personal
Tablas y Gráficos
2) Los Gráficos
2.6) Polígono de Frecuencias
 Se construye uniendo los punto medios del lado superior de
las barras del histograma
Ej.: Gráfico 7: Peso de 100 Personas (en Kg.)
25
Número de
Personas20
15
10
0 Peso (Kgs)
29.5 39.5 49.5 59.5 69.5 79.5 89.5 99.5
Tablas y Gráficos
2) Los Gráficos
2.7) Diagrama Circular
 El circulo se divide en segmentos circulares, de tamaño
proporcional a la frecuencia de la categoría.
Ej.: Gráfico 8: Ventas trimestrales: 1997 1er trim.
(en soles) 2do trim.
3er trim.
4to trim.

Tablas y Gráficos
2) Los Gráficos
2.8) Diagrama Radar
 Utilizado para visualizar, por ejemplo, el cumplimiento de
metas de ventas por zonas geográficas.
Ej.: Gráfico 9: 100
Ventas por región
80
60
40
20 Este
Oeste
0
Norte
Sur
Fuente: Hoja de registro de ventas, enero 1998

2) Los Gráficos
2.9) Diagrama de Cajas
 Utilizado para visualizar la variabilidad o la dispersión de los datos.
 Normalmente se utiliza para comparar 2 o más grupos de datos.
 La medida del ancho de la caja marca la variabilidad y se conoce
como el RI (Rango Intercuartil). RI = Q3-Q1.
*
Tablas y Gráficos
2) Los Gráficos
2.10) Diagrama de Pareto
 Utilizado para enfocar un análisis en el 80% principal por prioridad.
Ej.: Gráfico 11: Pareto de causas de rechazo
Caso Metalmecánica
En la planta de una empresa metal-mecánica se levantó la

siguiente información referida a las lesiones sufridas por el
personal entre el 1ro. de Enero y 31 de Mayo. Analizar y
Concluir
Lesiones Enero Febrero Marzo Abril Mayo
Esguince de espalda 6 10 10 7 5
Quemadura con acido 1 1
Cortadura de mano 1 4 1 3 2
Esguince de tobillo 1 2 1
Cuerpo extraño en el ojo 2 1 1
Cortadura de pierna 1 1 2 1 1
Caso 1 - Metalmecánica
“La estadística es una
ciencia que demuestra que
si mi vecino tiene dos
coches y yo ninguno, los
dos tenemos uno en
George Bernard Shaw promedio”
(1856-1950)
Resumen numérico de los datos
Características de los Datos
Tendencia Central
(Posición)
Dispersión
(Variación)
Sesgo
Medidas de Tendencia Central
 Aquellas que nos indican cual podría ser el punto medio
o representativo de un conjunto de datos analizados.
 Llamados “Promedios”, buscan dar su “opinión” respecto
al valor central. Los principales son:
 Media Aritmética simple

 Media Ponderada
 Media Geométrica
 Media Armónica
 Mediana
 Moda
Media Aritmética Simple
N n
 Todo conjunto de variables  Xi  xi
posee una Media. i 1 i 1
 ;x 
 La suma de las desviaciones N n
de cualquier valor y la media
es cero.
 Es sesgada (afectada) por
valores extremos. =
 “A la Media no le importa
cuántos sean los datos, sino
cuánto valgan”
Media Aritmética Simple – datos
agrupados
Ejemplo: Desempeño Número de
La distribución de frecuencias (puntos) técnicos

siguiente, representa los puntajes 12 - 16 4
obtenidos en una evaluación del 17 - 21 8
desempeño, aplicado al personal 22 - 26 15
técnico de una empresa. El puntaje 27 - 31 23
máximo en la prueba es 50. 32 - 36 10
Calcule e interprete en media. TOTAL 60
Media Aritmética Simple – datos agrupados
1. Calcular las marcas de clase (mi): el valor intermedio de cada intervalo.
2. Sumatoria del producto de cada marca y su respectiva frecuencia (fi) .
3. Dividir entre la sumatoria de las frecuencias de clase.
Marca Frecuencia
Clase de Clase (mi) Absoluta (fi)
14(4)  19(8)  24(15)  29(23)  34(10)
x
12 -16 14 4 4  8  15  23  10
17-21 19 8
1575
22- 26 24 15
x
27-31 29 23 60
32- 36 34 10
Total 60 x  26.25 puntos
Interpretación:
Si se elige al azar a un técnico, se espera que tenga un puntaje de 26.25 en su evaluación
de desempeño.
Media Ponderada
k
w X i
Media aritmética en la cual

i
i 1 se considera a cada uno
 k de los valores de las
w
p
i variables de acuerdo con

i 1
su importancia relativa en
k
w x
i 1
i i
el grupo y se trata de
encontrar un valor
x  k representativo tomando en
p
w i 1
i
cuenta esos “pesos”.
Media Ponderada
Ejemplo:
Un productor de yogurt ha decidido capitalizar un reciente "boom"
en la demanda para yogurt de sabores. El presenta su producto bajo
diferentes marcas (A, B, C, D) y quiere ampliar su publicidad dando
énfasis a los sabores; pero a la vez desea mantener la diferenciación
de marcas. Sabe que si varía demasiado los precios esperados por
sus consumidores en las distintas marcas, ellos se tornarán más
cautos al momento de escoger los sabores. Por lo tanto, decide
efectuar un estudio de mercado para sus productos, empleando tres
diferentes niveles de precios en cada una de sus marcas.
Media Ponderada
 ¿Cuál será el precio promedio de cada una de las marcas, basado en la
cantidad comprada por cada consumidor de marca, en cada uno de los tres
precios propuestos en el estudio de mercado?
 ¿Cuál será el ingreso total por ventas, para cada marca; encontrado en este
estudio de mercado, sí el productor coloca sus precios al nivel del promedio
hallado, y si las mismas cantidades por marca fueran vendidas?
 Para ayudar al productor en su presupuesto del próximo año, asuma que la
demanda para el yogurt de sabores no es estacional. Asuma además que los
precios promedio hallados son usados en cada marca y que las cantidades
vendidas por marca en la muestra serán vendidas a este precio. ¿Cuál será
su venta total anual esperada de yogurt de sabores?
Media Ponderada
Marca Precio USD Frec. de Compra
0.20 33
A 0.25 42
0.29 30
0.35 40
B 0.37 47
0.40 23
0.41 28
C 0.43 31
0.45 34
0.47 47
D 0.49 27
0.51 17
Media Geométrica
 De n números positivos  G  N X 1 X 2 X 3 .. X n
es la raíz n-ésima del
producto de los n
números.
 N 1 Valoralfinal 
 Para promediar
 G   Valoralinicio   1
porcentajes de variación,  
índices y cifras relativas.
 Determinar el incremento
porcentual promedio en
ventas, producción, etc.
Media Geométrica
Ejemplo:
La siguiente tabla muestra la tasa de aumento en las ventas
durante los últimos meses. Calcule e interprete la tasa
media mensual.
Meses Enero Febrero Marzo Abril Mayo
Aumento de
2.6% 5.4% 3.8% 0.5% 1.4%
Ventas
La tasa 2.6% también se puede expresar como 0.026 y, ya que como

se refiere a un aumento a partir de 100%, el factor de variación será
1.026. Para los otros datos se opera igual.
Media Geométrica
xg  n x1, x 2, x 3,...... x
x g  5 (1.026) (1.054) (1.038) (1.005)(1.014)

x g  5 1.143903377
xg  1,0272540 ( Factor de crecimiento medio)
Tasa Media de Variación  ( x g  1)  100
= (1,0272540 - 1) x 100 = 2.72%
Interpretación
Si se selecciona al azar un mes entre enero y mayo, se espera que las
ventas se hayan incrementado 2.72% con respecto al mes anterior.
Mediana
 Punto medio de los valores Med  X  N2  0.5

después de ordenarlos.
 Es un promedio de posición. DatosNoAgrupados
 No es afectada por valores
extremos. N 
2  faA
 No le importa cuánto valgan Med  Li   i
 fi  
los datos, sino cuántos 
son.
DatosAgrupados
Mediana
Ejemplo:
Los siguientes datos se refieren al número de clientes
atendidos durante los últimos 11 días en una tienda de
artefactos. Calcule e interprete la mediana.
12, 10, 5, 15, 8, 11, 13, 8, 10, 17, 16
Primero se ordenan lo datos:
5, 8, 8, 10, 10, 11, 12, 13, 15, 16, 17
mediana
5 datos menores 5 datos mayores
Interpretación:
Durante 5 días se atendieron a menos de 11 clientes, y durante 5 días se
atendieron a más de 11 clientes.
Moda
 Valor que más se repite en un  d1 
conjunto de datos. Mo  Li   i
 No es afectada por valores  d 1  d 2
extremos. DatosAgrupados
 Para datos discretos es fácil de
calcular.
 No puede ser calculada
exactamente en una
distribución de frecuencias.
Moda
Ejemplo:
4, 5, 7, 8, 8 , 10, 12, 15
4, 7, 12,12 , 15, 16, 20, 20 , 24, 27
7, 12, 15, 18, 25, 30, 31, 38 73

Percentiles
 Medidas de posición.
F j  X  jn F  0.5
 Dividen en: DatosNoAgrupados
 Cuatro (Qj)
 Diez (Dj)  jn  faA
 Cien (Pj)    F i
F j Lij  f 
 Formulación  ij 
semejante a la
mediana. DatosAgrupados
Medidas de Dispersión
 Describen cuan agrupados o separados están los datos

respecto a un valor común (media).
 Permiten juzgar la confiabilidad de la medida de
tendencia central.
 Es posible comparar dispersión de diversas muestras.
 Rango, desviación media, varianza, desviación
estándar, coeficiente de variación.
Rango o recorrido
R  V . max  V . min.  Diferencia entre el valor

mayor y el valor menor
DatosNoAgrupados de un conjunto de datos.
R Ls ( A)  Li ( B)  No está afectado por los
DatosAgrupados valores comprendidos
entre los extremos.
Varianza N
  X    2
  i 1
2
 Media aritmética de las
desviaciones cuadráticas N
respecto a la media. Poblacion
 Expresada en unidades al n
 xi  x 
2
cuadrado.
 n-1, factor de corrección. S 2  i 1
n1
Muestra
Miden la dispersión promedio alrededor de la media, que tanto varían los
valores más grandes que están por encima de ella y cómo se distribuyen los
valores menores que están por debajo de ella.
Puntaje Estandarizado “Z”
x  
Z 

-3σ -2σ -1σ

μ +1σ +2σ +3σ
Z
-3 -2 -1
0 +1 +2 +3
Puntaje Estandarizado “Z” Z=(13-9)/2.5 = 2
Ejemplo: Z=(15-18)/2 = -1.5
Miguel está llevando el curso de Mecánica Cuántica y saca 13 de

promedio en un salón donde la media es 09 y la desviación estándar, 2.5.
Por otro lado, un sujeto llamado Ricardo está llevando el curso de Corte y
Confección en un salón que tuvo una nota promedio final de 18 con
desviación 2. Ricardo sacó 15.
1. ¿Podríamos afirmar que Ricardo tuvo un mejor desempeño que Miguel?

2. ¿Es correcto?
3. ¿Cómo podemos comparar e interpretar correctamente?
Medidas de Dispersión Z=(13-9)/2.5 = 2
Coeficiente de Variación Z=(15-18)/2 = -1.5

 Indica la magnitud relativa CV  *100
de la desviación estándar
 CV = 2.5/9*100 =27.7%
con respecto a la media Poblacion

aritmética.
S
 Comparación de CV  *100 CV 2/18*100=11.1%
distribuciones. x
Muestra
Se expresa en porcentaje y mide la dispersión de los datos con respecto a la media.

Coeficiente de Variación %
CV Grado de Variablidad
0 < CV < 10 Datos muy homogéneos

Datos regularmente homogéneos
10 ≤ CV < 15
Datos regularmente variables

15 ≤ CV < 20
20 ≤ CV < 25 Datos variables
CV ≥ 25 Datos muy variables

Ejercicio:
El Gerente de operaciones del servicio de entrega de paquetes está evaluando la
posibilidad de adquirir una nueva flota de camiones. Al guardar los paquetes en los
camiones para su entrega, se deben tomar en cuenta dos características principales de
cada artículo:
• El peso (kilogramos)
• Volumen (metro cúbico)
El gerente toma una muestra de 200 paquetes y encuentra que la media del peso es 26
kilos con una desviación estándar de 3.9 Kilos, mientras que la media en volumen es 8,8
m3 con una desviación estándar de 2.2 m3. ¿Cómo puede el Gerente de Operaciones
comparar la variación de peso y volumen?
Para el peso = Coeficiente de variación = CV = (3.9/26) x 100 = 15%
Para el volumen = Coeficiente de variación = CV = (2.2/8,8) x 100 = 25%
De esta forma en relación con la medida del volumen del paquete es mucho más
variable que su peso.
Puntuaciones Z
Las puntuaciones Z son útiles para identificar atípicos. Cuanto mayor es la
puntuación Z, mayor es la distancia entre tal valor y la media.
La puntuación Z es igual a la diferencia entre ese valor y la media, dividida por
la desviación estándar.
Medidas de Simetría y Curtosis
Sesgo de una distribución
Negativamente Positivamente
Simétrica Sesgada
Sesgada
Media < Mediana < Moda Media = Mediana = Moda Moda < Mediana < Media
Medidas de Simetría y Curtosis
Coeficiente de Curtosis
 Grado de concentración con relación a la media aritmética.

 Se emplea para distribuciones unimodales simétricas.
 Sin unidades.
 Valores (0, ½) 1 3− 1
=
2 9 − 1
Distribución Normal
 Es simétrica respecto a la media.
 Su grafica tiene forma de campana
 El valor de la media, mediana y moda es el mismo.
 Es asintótica (no corta el eje X)
 Existe una familia de distribuciones.
X
μ
Media
Mediana
Moda
Distribución Normal
0.0214 0.1359 0.3413 0.3413 0.1359 0.0214
Media
0.683
0.955
0.997
“En la carrera
de la Calidad
no hay línea
David T. Kearns
de meta”
(1930-2011)
El Control de Gestión
ii. Gráficos de Control y Control Estadístico
Tipos de Controles
iii. Gráficos de Control y Control Estadístico
Varios Datos numéricos
datos
Gráficas de categóricos o discretos
numéricos Control
De Variables De Atributos
Gráfico R Gráfico p
Gráfico X Gráfico c
Gráficos de VARIABLES - Gráfico X (El promedio
está
(aumentando)
Distribució
n
de
Muestreo
Tendencia Central
(Posición)
LSC
Detecta el aumento
LIC
Gráficos de VARIABLES - Gráfico X
LSC x = x + A2R
De la Tabla
 Muestra la
media de las Rango de
muestras a lo LIC x = x − A2R la muestra
en el
largo del tiempo. Media de la tiempo i
n muestra en
 xi
 Muestra la el tiempo i
n
 R
media del
proceso.
x  i  i
LM = R = i =1
n Número de n
muestras
Gráficos de VARIABLES - Gráfico R
Distribución (La dispersión está

de aumentando)
Muestreo
Dispersión
(Variación)
LSC
Revela el aumento
LIC
Gráficos de VARIABLES - Gráfico R
 Muestra el rango LSC R = D 4 R
de las muestras
a lo largo del De la Tabla
R = D 3R
tiempo.
 Diferencia entre LIC
el valor más
grande y el más
pequeño de la n Rango de muestras
muestra que se  Ri en el tiempo i
haya examinado.
 Controla la R = i =1
variabilidad del n Número de
proceso. muestras
Gráficos de VARIABLES
Factores para los Límites
de Control
Indicadores de
Capacidad del Proceso
Análisis de Capacidad
de Proceso
Análisis de Capacidad
de Proceso
Informe de capacidad del proceso de Tiempos de reparación
LEI LES
Procesar datos Largo plazo
LEI 94 Corto plazo
Objetivo *
LES 106 Capacidad largo plazo
Media de la muestra 99.9478 Pp 1.31
Número de muestra 300 PPL 1.30
Desv.Est. (Largo plazo) 1.52839 PPU 1.32
Desv.Est. (Corto plazo) 0.949723 Ppk 1.30
Cpm *
Capacidad corto plazo
Cp 2.11
CPL 2.09
CPU 2.12
Cpk 2.09
94 96 98 100 102 104 106
Rendimiento
Esperado Largo Esperado Corto
Observado plazo plazo
PPM < LEI 0.00 49.80 0.00
PPM > LES 0.00 37.50 0.00
PPM Total 0.00 87.30 0.00
Capability SixPack
Informe del Capability Sixpack del proceso para Tiempos de reparación
Gráfica I Histograma de capacidad
105 LEI LES
1 1 1
Largo plazo
1 11 1 1
1
LCS=102.80 Corto plazo
Valor individual
Especificaciones
_ LEI 94
100 X=99.95
LES 106
LCI=97.10
11 1 1 1
1
95
1 31 61 91 121 151 181 211 241 271 94 96 98 100 102 104 106
Gráfica de rangos móviles Gráfica de prob. Normal

4 AD: 0.757, P: 0.048
LCS=3.500
Rango móvil
2
__
MR=1.071
0 LCI=0
1 31 61 91 121 151 181 211 241 271 95 100 105
Últimas 25 observaciones Gráfica de capacidad

Corto plazo Largo plazo Largo plazo
99.5 Desv.Est. 0.9497 Desv.Est. 1.528
Cp 2.11 Pp 1.31
Cpk 2.09 Ppk 1.30
Valores
98.5 PPM 0.00 Corto plazo Cpm *

PPM 87.30
97.5
Especificaciones
280 285 290 295 300
Observación
Recomendaciones en el Diagnóstico
1. Concentrarse en comprender en su totalidad el Flujo de Valor
de un producto, servicio o proceso, “de punta a punta”
2. Resistir a la tentación de pasar al estado siguiente (Diseño)

antes de entender el actual.
3. “Caminar el proceso” rápidamente para identificar

estancamientos, cuellos de botella y volver para reunir datos
detallados de proceso e inventario.
4. No preocuparse por la estructura del VSM en el primer esbozo

– solo dibujar a mano alzada los procesos y organizarlos.
5. “Vaya y vea”, no crea lo que le dicen La gente tiende a ser

optimista y a tratar de adivinar lo que no sabe, de modo que
pruebe y mida TODO, personalmente: Gemba Management
Gráficos de VARIABLES - Proceso Fuera de Control – REGLA 1:
Uno o más puntos caen fuera de los límites de control
Indican un cambio en el proceso

LCS
LCI
Al menos 2 de 3 valores consecutivos caen en la

zona A (más de 2 sigma de la línea central)
LCS
Zona A
Zona B
Zona C
Zona C
Zona B
Zona A
LCI
Al menos 4 de 5 valores consecutivos caen en las

zonas A o B (más de 1 sigma de la línea central).
LCS
Zona A
Zona B
Zona C
Zona C
Zona B
LCI Zona A
7 o más valores consecutivos caen en un mismo

lado de la línea central.
LSC
LIC
Tendencia: 6 o más valores consecutivos aumentan o
disminuyen
LS

 C
 
 LM
 


LIC
LS
 C
 
 LM
 
 

LIC
Gráficos de ATRIBUTOS – Gráfico p

p (1 - p )
Datos categóricos en LSC p
= p+z
escala. ni
z = 2 para límites del 95,5%;
 Bueno-malo z = 3 para límites del 99,7%
 Pasa o No Pasa
p (1 - p )
 Funciona o No LIC p
= p- z
Funciona ni
 Muestra el tanto por
k Total de artículos
ciento de los artículos
defectuosos.  n i pi defectuosos
p = i =1
 Se basa en la distribucion k Total de articulos
binomial.  ni muestreados
i =1
p = fracción defectuosa promedio de varias muestras

Gráficos de ATRIBUTOS – Gráfico c
 Usar sólo cuando el número de ocurrencias por LSC c
= c + 3 c
unidad de medida puede ser contado. Ejemplo: Utiliza 3
 Rasguños, virutas, abolladuras o errores para límites
por ítem del 99,7%
 Grietas o averías por unidad de distancia LIC c
= c −3 c
 Roturas o rasgones por unidad de área
 Bacterias o agentes contaminadores por Número de
unidad de volumen registros
k defectuosos
 ci
 Número de registros defectuosos que hay en
una unidad reconocida.
 El tamaño de la unidad tiene que ser constante LM = c = i =1
Número de
y utiliza distribución Poisson
k muestras
c = promedio de defectos correspondientes a una cantidad de muestras
¿Qué aprendimos
hoy?

SESION 3 y 4 SIX SIGMA DMAIC MG ROCIO ROMANI ALUMNOS 1pptx

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

SESION 3 y 4 SIX SIGMA DMAIC MG ROCIO ROMANI ALUMNOS 1pptx

Cargado por

Copyright:

Formatos disponibles

DIPLOMA INTERNACIONAL EN

 Conceptos de impacto: Touch Time Vs Cycle Time

 Relevar la “Voz del Cliente” (VOC)

 Conocer el Tiempo Neto de Procesamiento

 Conocer el Ritmo (Takt Time)

 Análisis del Flujo de Materiales e

 La Voz del Cliente (VOC) representa los

¿Por qué utilizarla?

 Para comprender las necesidades

* sobre 80 entrevistas realizadas a

Perspectiva del cliente

 La cuenta es considerada abierta

1 Calcular el Touch-Time del proceso (cronómetro, 5 o 10 veces/hito)

2 Calcular el Lead Time del proceso (Muestras de 20 a 30 ítems)

3 Identificar potenciales cuellos de botella en el gráfico de Touch-Time

4 Calcular el porcentaje Touch-Time/Lead Time %

5 Validar estimación con las observaciones y dueños del proceso

 TT < 5%: Gran potencial de mejora.

Aprox 3.5 horas

FTE = Full Time

¡A este diagrama se le agregan probabilidades!

INDICADOR MUESTRA (n) POBLACIÓN (N)

Pasos para construir una tabla de distribución de frecuencias:

 mi: Marca de clase. Lím. Inf. Lím. Sup. mi fi Fi hi Hi

Fuente: Departamento de Marketing

Fuente: Encuesta, enero 1998

Fuente: Hoja de registro de ventas, enero 1998

En la planta de una empresa metal-mecánica se levantó la

 Media Aritmética simple

Ejemplo: Desempeño Número de

La distribución de frecuencias (puntos) técnicos

i variables de acuerdo con

La tasa 2.6% también se puede expresar como 0.026 y, ya que como

x g  5 (1.026) (1.054) (1.038) (1.005)(1.014)

 Punto medio de los valores Med  X  N2  0.5

4, 7, 12,12 , 15, 16, 20, 20 , 24, 27

7, 12, 15, 18, 25, 30, 31, 38 73

 Describen cuan agrupados o separados están los datos

R  V . max  V . min.  Diferencia entre el valor

-3σ -2σ -1σ

Miguel está llevando el curso de Mecánica Cuántica y saca 13 de

1. ¿Podríamos afirmar que Ricardo tuvo un mejor desempeño que Miguel?

con respecto a la media Poblacion

Se expresa en porcentaje y mide la dispersión de los datos con respecto a la media.

0 < CV < 10 Datos muy homogéneos

Datos regularmente variables

20 ≤ CV < 25 Datos variables

CV ≥ 25 Datos muy variables

 Grado de concentración con relación a la media aritmética.

Distribución (La dispersión está

94 96 98 100 102 104 106

Gráfica de rangos móviles Gráfica de prob. Normal

Últimas 25 observaciones Gráfica de capacidad

98.5 PPM 0.00 Corto plazo Cpm *

2. Resistir a la tentación de pasar al estado siguiente (Diseño)

3. “Caminar el proceso” rápidamente para identificar

4. No preocuparse por la estructura del VSM en el primer esbozo

5. “Vaya y vea”, no crea lo que le dicen La gente tiende a ser

Uno o más puntos caen fuera de los límites de control

Indican un cambio en el proceso

Al menos 2 de 3 valores consecutivos caen en la

Al menos 4 de 5 valores consecutivos caen en las

7 o más valores consecutivos caen en un mismo