Fase Medir LSS Yelow Belt

Metodología DMAIC
Six Sigma Yellow Belt
Expositor :
Expositor: Ing. BBLSS Jesús García Melgarejo.
© Instituto para la Calidad – PUCP 2016. Todos los derechos reservados

TEMARIO
1.0 ETAPA DEFINIR

1.1 DMAIC del Six sigma
1.2 Identificación y selección del problema
1.3 Project Charter
1.4 SIPOC
1.5 Diagrama CTQ
2.0 ETAPA MEDIR

2.1 Análisis del Sistema de medición
2.2 Normalidad
2.3 Control del proceso (Gráficas de control)
2.4 Capacidad de procesos
2.5 Cálculo del nivel sigma del proceso

SIGUE TEMARIO
3.0 ETAPA ANALIZAR
3.1 Diagrama de análisis de Causa – Efecto
3.2 ¿5 por qué?
3.3 AMEF 1. Análisis de Modo y Efecto de fallas
3.4 Correlación y regresión lineal
3.5 Introducción a las pruebas de hipótesis, y al ANOVA
3.6 introducción al DOE
4.0 ETAPA MEJORAR

4.1 AMEF 2
4.2 Plan de implementación de soluciones
4.2 Nuevo nivel Sigma del sigma
5.0 ETAPA CONTROLAR

5.1 Plan de control del proceso mejorado
5.2 Estandarizar y control del proceso mejorado (gráficas de control)
5.3 Entregables
Diagrama de procesos
Operación Operación Operación Operación (Bienes o

X 1 2 3 n Servicios)
X1….. X1 X1 X1
X2…. y X2 y X2 y X2
X3…. X3 X3 X3
X4…. X4 X4 X4
X5…. X5 X5 X5
X6…. X6 X6 X6
(6 M)
TAREA: Elaborar un diagrama de procesos

2.1 ANÁLISIS DEL SISTEMA
DE MEDICIÓN
Para poder establecer la línea de base del proyecto, en otras palabras, para saber cuales son
los indicadores actuales del proceso, debemos tomar mediciones, para tomar mediciones
debemos conocer si el procedimiento de medir nos garantiza que la data con la que se va a
trabajar cumple con las condiciones de:
 Exactitud: Cuando el valor medido tiene poca desviación al valor real
 Repetibilidad: Cuando la misma persona ha tomado mediciones en el mismo artículo o
característica y obtiene el mismo resultado
 Reproducibilidad: Se logra cuando otras personas u otros laboratorios obtienen el
mismo resultado. El estudio de los dos últimos se llama R&R. (GOAL/QPC GB)
 Estabilidad: Cuando las medidas de la misma persona, varían poco en el tiempo
Cuando no es posible aplicar herramientas estadísticas, hacemos una AUDITORÍA AL
SISTEMA DE MEDICIÓN

¿Qué es una auditoría al sistema de medición?
Es revisar si se cumplen los procedimientos establecidos para la
planificación de la toma de mediciones, para la toma de
mediciones, para procesarla, para reportar la información, para
guardar la información, entre otras.
Si no existen procedimientos se debe, implementar, con sus
indicadores de control; para asegurar que los datos y la
información derivada de ellos, sea fiable

2.2 NORMALIDAD
DISTRIBUCIONES DE PROBABILIDAD
Distribución Normal
Distribuciones de muestras
DISTRIBUCIONES -Ji-cuadrada
CONTINUAS -t de student
-Distribución F
DISTRIBUCIONES Distribución Exponencial
DE PROBABILIDAD Distribución de Weibull
Binomiales (p, np)

DISTRIBUCIONES Poisson (c, u)
DISCRETAS Pascal (Geométrica)
Hipergeométrica
(Douglas Montgomery – Arizona State University – Control Estadístico de la Calidad - LIMUSA WILEY – 2005)

DISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIONES
CONTINUAS
Es cuando la variable que se está midiendo, se expresa
12
Histogram of LLENADORA 102
Normal en una escala continua, su distribución de probabilidad
Mean 650.4
StDev 0.2806
N 48
10
8
se llama DISTRIBUCIÓN CONTINUA.
Frequency
4
Ejemplo: La distribución de probabilidad del volumen
2
0
de cerveza llenado en una botella de 650 mml.
649.8 650.1 650.4 650.7 651.0
LLENADORA 102
Cuando el parámetro que se está midiendo solo puede

DISTRIBUCIONES
DISCRETAS
asumir ciertos valores, como los enteros 0, 1, 2, …,
La distribución de probabilidad se llama
DISTRIBUCIÓN DISCRETA.
Por ejemplo: La distribución del número de
disconformidades o defectos en tarjetas de circuitos
impresos.

Distribuciones de probabilidad
TIPOS DE DISTRIBUCIONES
1.- Distribuciones Discretas
Cuando el parámetro que se está midiendo solo puede asumir ciertos
valores, como los enteros 0,1, 2, 3, …; o del tipo “pasa – no pasa”, su
distribución de probabilidad se llama DISTRIBUCIÓN DISCRETA.
Ejemplo:
Número de disconformidades o defectos en tarjetas de circuitos impresos.

Distribuciones Discretas
Las más usadas de estas distribuciones son:
1.1. Distribución binomial.-Cuando el resultado de cada ensayo es “éxito”
o “fracaso”, y la probabilidad (defectuosos), de éxito es constante.
Tamaño de muestra es variable (p), tamaño de muestra es constante (np)
1.2. Distribución de Poisson.-Cuando el resultado del ensayo es “defectos
por Unidad”. Tamaño de muestra variable (u), tamaño de muestra constante (c).

Distribuciones de
probabilidad
2.- Distribuciones continuas
Es cuando la variable que se está midiendo se expresa en una escala continua.
Su distribución de probabilidad se llama DISTRIBUCION CONTINUA.
Ejemplo:
La distribución de mediciones de diámetros de anillos de pistones.
La distribución de mediciones del nivel de llenado de las botellas de cerveza.

Distribuciones Continuas
Distribución Normal.- Es la distribución más importante tanto en la teoría
como en la aplicación de la estadística.
La apariencia visual de la distribución normal es una curva simétrica, unimodal,
en forma de campana (Gaus).
Ejercicios en MINITAB

DISTRIBUCIÓN NORMAL
La apariencia visual de la distribución normal, es una curva simétrica,

unimodal, o en forma de campana, en donde se cumple que sus límites
son: X +/- 3 s
(Douglas C. Montgomery, Arizona State University)

Conceptos básicos de Probabilidad
Distribución de probabilidad Normal
¿Qué dice la desigualdad de Chebyshev y la Regla Empírica?

CONTROL ESTADÍSTICO DE CALIDAD Y SEIS SIGMA: Humberto Gutierrez y Román de la Vara Mc Graw Hill 2009
Práctica: Determinación de la normalidad, usando el Pvalor,

con el software MINITAB.

2.3.-CONTROL DE PROCESOS (CEP)
Para que los datos de una característica de calidad de un proceso sirvan para
determinar la línea de base del proceso; lo primero que tenemos que hacer es
llevar al proceso a una situación de estabilidad en el tiempo (Proceso en
control).
Los usos fundamentales de una CARTA DE CONTROL según DOUGLAS C.
MONTGOMERY (Arizona State University) , son:
1. Reducción de la variabilidad del proceso
2. Monitoreo y vigilancia de un proceso (“estable en el tiempo”)
3. Estimación de los parámetros del producto o del proceso
Control estadístico de la calidad. LIMUSA WILEY. 2005

CONTROL DEL PROCESO
Gráfica de Individuales (APILADOS)

DATA 1 DATA 2
50.75 1
50.50
Valor individual
50.25 LCS=50.244
_
50.00 X=49.983
49.75 LCI=49.723
3
6
PROCESO EN
49.50
CONTROL
1 11 21 31 41 51 61 71 81 91
Observaciónes en el tiempo

LAS FUENTES DE VARIABILIDAD DE UN PROCESO
1. El sistema de medición: Debido al proceso de tomar las mediciones

(equipos, personal, método, R&R, entre otros)
2. La variabilidad de causa asignable: Son causas que están y/o
aparecen en el proceso, pero no le pertenecen; su retiro es factible, es
la variabilidad de largo plazo.
3. La variabilidad de causa común: son causas que están en los
procesos y le pertenecen, ejemplo la variabilidad de los equipos y/o de
la mano de obra, su retiro toma tiempo, es más complicado; es la
variabilidad de corto plazo.

TÍPICA GRÁFICA DE CONTROL
Límite de Control Superior
Línea Central-Promedio
Límite de Control Inferior

CONCEPTO DE SUBGRUPOS RACIONALES
1.-El subgrupo necesita representar la población definida
º Normalmente unidades consecutivas.
º Tienen que venir de una población simple y definida.
º Dentro del subgrupo, la variación debe ser solamente ruido blanco.
º Entre subgrupos, debe captar la variación debido al ruido negro.
2.-Establezca el tamaño mínimo del subgrupo para reflejar la variación “dentro”.
3.-Establezca la frecuencia de la muestra para captar la variación “entre”.
4.-Recoja datos manteniendo la información secuencial.

SUBGRUPOS RACIONALES
V
A Variación de causa
R
Ruido
I asignable negro
A
C
.
Ruido Variación de
Blanco causa común
D
E
L
P
R
O
C
E
S
O
TIEMPO
º Minimizar la variación dentro de los subgrupos

º Maximizar la variación entre los subgrupos
º Construir subgrupos Racionales, permite que las muestras solo incluyan ruido blanco
º El Ruido negro (causa asignable o causa especial), ocurre entre muestra y muestra

CONCEPTO DE ESTRATIFICACIÓN
ESTRATIFICACIÓN DE LA INFORMACIÓN
OPERARIO 1
TURNO 1 MAQ.1
OPERARIO 2
LINEA 3 TURNO 2 MAQ.1 OPERARIO 1
MAQ.1
TURNO 3 MAQ.1 OPERARIO 1
MAQ.2 OPERARIO 1

TIPOS DE GRÁFICAS DE CONTROL
Gráfico de control por variables
* Gráfico promedio-rango (Ẋ-R)
* Gráfico promedio-desviación estándar (Ẋ- S)
* Gráfico de mediciones individuales
Gráfico de control por atributos

* Gráfico p (proporción o fracción defectuosa)
* Gráfico np (número de unidades defectuosas)
* Gráfico c (número de defectos)
* Gráfico u (número de defectos por unidad)

GRÁFICO DE CONTROL: X - R
Diagrama de control que se aplican a procesos masivos, tipo continuo.
Aplica mejor para cuando tamaño del subgrupo “n” < 10
1. Shewhart, recomienda, n = 4 o 5.
2. En un gráfico combinado X – R, primero se analiza la gráfica R, luego de
tener en control esta gráfica, recién se va a analizar la gráfica X.
2.-En promedio debe haber uno de cada 25 puntos, fuera de los límites de
control. Si hay más incrementar la frecuencia, si hay menos disminuirla (Pizdek).
3.-Número de muestras: Veinte subgrupos, con n=5; o veinticinco subgrupos
con n=4 (100 observaciones individuales)

Gráficos de Control X – R
• GRÁFICA DE RANGOS:
LC  R
LSC  D4 R
LIC  D3 R
Donde R es el Rango medio, y D3 y D4 son enteros que se encuentran en la tabla
de factores.

Gráficos de Control: X - R
• GRÁFICA DE MEDIAS:
LC  x
LSC  x  A2 R
LIC  x  A2 R

Gráficos de Control: X - R
 = Se puede obtener a partir de los datos recopilados, pero

generalmente se obtiene de la información proporcionada por la
gráfica de un proceso bajo control.
R
ˆ 
d2
d2, se encuentra en cuadro de factores, de acuerdo al “n”

Una Implicancia práctica
Efecto del Tamaño de la Muestra sobre
la Desviación Estándar de la Media
10
Desviación estándar de X-bar
9
8
7
6
5
4
3
2
1
0
1 10 20 30 40 50 60 70 80 90 100
0
Tamaño de Muestra

Gráficos de Control para Variables:
Factores para el cálculo de la
Línea Central y los Límites de Control (X – R y X – s)
Factores para el calculo de las líneas centrales y limites de control por variables
Observaciones
en la muestra A A2 A3 c4 1/c4 B3 B4 B5 B6 d2 1/d2 d3 D1 D2 D3 D4
2 2.1210 1.8806 2.6586 0.7979 1.2533 0 3.2664 0 2.6063 1.1280 0.8865 0.8530 0 3.6870 0 3.269
3 1.7320 1.0231 1.9545 0.8862 1.1284 0 2.5684 0 2.2761 1.6930 0.5907 0.8880 0 4.3570 0 2.574
4 1.5000 0.7285 1.6281 0.9213 1.0854 0 2.2662 0 2.0879 2.0590 0.4857 0.8800 0 4.6990 0 2.282
5 1.3420 0.5768 1.4273 0.9400 1.0638 0 2.0889 0 1.9635 2.3260 0.4299 0.8640 0 4.9180 0 2.114
6 1.2250 0.4833 1.2872 0.9515 1.0510 0.0300 1.9700 0.0286 1.8744 2.5340 0.3946 0.8480 0 5.0780 0 2.004
7 1.1340 0.4193 1.1819 0.9594 1.0423 0.1180 1.8820 0.1133 1.8055 2.7040 0.3698 0.8330 0.2050 5.2030 0.0758 1.924
8 1.0610 0.3726 1.0991 0.9650 1.0363 0.1847 1.8153 0.1783 1.7517 2.8470 0.3512 0.8200 0.3870 5.3070 0.1359 1.864
9 1.0000 0.3367 1.0317 0.9693 1.0317 0.2390 1.7610 0.2317 1.7069 2.9700 0.3367 0.8080 0.5460 5.3940 0.1838 1.816
10 0.9490 0.3082 0.9753 0.9727 1.0281 0.2843 1.7157 0.2765 1.6689 3.0780 0.3249 0.7970 0.6870 5.4690 0.2232 1.777
11 0.9050 0.2851 0.9273 0.9754 1.0252 0.3220 1.6780 0.3141 1.6367 3.1730 0.3152 0.7870 0.8120 5.5340 0.2559 1.744
12 0.8660 0.2658 0.8859 0.9776 1.0229 0.3541 1.6459 0.3462 1.6090 3.2580 0.3069 0.7780 0.9240 5.5920 0.2836 1.716
13 0.8320 0.2494 0.8496 0.9794 1.0210 0.3815 1.6185 0.3736 1.5852 3.3360 0.2998 0.7700 1.0260 5.6460 0.3076 1.692
14 0.8020 0.2353 0.8173 0.9810 1.0194 0.4067 1.5933 0.3990 1.5630 3.4070 0.2935 0.7630 1.1180 5.6960 0.3281 1.672
15 8.7750 0.2231 0.7886 0.9823 1.0180 0.4279 1.5721 0.4204 1.5442 3.4720 0.2880 0.7560 1.2040 5.7400 0.3468 1.653

GRÁFICA DE CONTROL X – S
Diagrama de control que se aplican a procesos masivos, con variable de salida

de interés de tipo continuo; en donde se requiere tener mayor potencia para
detectar PEQUEÑOS cambios.
Aplica para cuando tamaño del subgrupo “n” > 10
1.-Algunos autores consideran mejor =/> que 10

2.-En promedio debe haber uno de cada 25 puntos, fuera de los límites de
control.
Si hay más, incrementar la frecuencia, si hay menos disminuirla (Pizdek).
3.-10 subgrupos con n=10 (100 observaciones individuales +/-)

Gráficos de Control para X – s:
GRÁFICA PARA LA DESVIACIÓN ESTÁNDAR
• LÍNEA CENTRAL: LC  S
• LÍMITE SUPERIOR DE CONTROL: LSC  B4 S
• LÍMITE INFERIOR DE CONTROL: LIC  B3 S
Nota importante: En estas gráficas de control, la desviación estándar se estima
con la expresión
S
c4

Gráficos de Control para X – S:
GRÁFICA PARA LA MEDIA
• Gráfica x:
• Línea central: LC  x
• Límite superior de control: LSC  x  A3 S
• Límite inferior de control: LIC  x  A3 S

GRÁFICA DE MEDICIONES
INDIVIDUALES
Es un diagrama para variables de tipo continuo que se aplica a
procesos lentos y/o donde hay un espacio largo de tiempo entre una
medición y la siguiente.
Ejemplo:
Procesos químicos que trabajan por lotes.
Procesos de fermentación, mayores a 100 horas de producción.
Procesos en los que las mediciones cercanas solo difieren por el error de
medición. Ejemplo, temperaturas en procesos, humedad relativa en el medio
ambiente, etc.
Algunas mediciones administrativas que se obtienen cada día o semana.

Donde:
x  X R
x  
R
d 2 1.128
 R 
Límites : X  3* 
 1.128 

Ejemplo: cartas individuales
Latas de café de una libra son llenadas por una máquina, se
sellan y después se pesan automáticamente. Después de hacer
el ajuste para el peso de la lata, cualquier paquete que pese
menos de 16 onzas se retira de la transportadora. Abajo se
presentan los pesos de 25 latas sucesivas. Establecer una carta
de control de rango móvil y una carta de control para las
mediciones individuales. Estimar la media y la desviación
estándar de la cantidad de café empacado en cada lata.
¿Es razonable suponer que el peso de las latas tiene una
distribución normal?

Número de lata Peso
1 16.11
2 16.08
3 16.12
4 16.1
5 16.1
6 16.11
7 16.12
8 16.09
9 16.12
10 16.1
11 16.09
12 16.07
13 16.13
14 16.12
15 16.1
16 16.08
17 16.13
18 16.15
19 16.12
20 16.1
21 16.08
22 16.07
23 16.11
24 16.13
25 16.1

2.4 CAPABILITY PROCESS
CAPACIDAD DEL PROCESO
1.-Es una herramienta viable y valiosa.
2.-Es un aspecto integral de los requisitos del cliente.
3.-Es un discriminador competitivo.
4.-En cualquier proceso de producción de bienes y/o servicios, es importante

medir la variabilidad del proceso, para saber si está de acuerdo con las
especificaciones de nuestros clientes
5.-Es una herramienta estadística que compara el rendimiento actual del
proceso, con las especificaciones del cliente. Compara ancho de
especificación del proceso actual con el ancho de especificación del cliente.

Cp = Rango de especificación / Rango de Proceso (St).
Cp = USL-LSL / 6 Desv. Std. St (Short time)
Pp = Rango de especificación / Rango de Proceso (Lt).
Pp = USL – LSL / 6 Desv. Std. Lt (Long time)

Cpk = Menor de: USL - Media / 3 Desv. Std. (Short time)
o Media - LSL / 3 Desv. Std. (Short time)
Ppk = Menor de: USL – Media / 3 Desv. Std. (Long time)
o Media – LSL / 3 Desv. Std. (Long time)

Definiciones de Capacidad
de Procesos
ST = Corto Plazo (Dentro)

LT = Largo Plazo (General)
Rango de Especificación (s) USL - LSL

Cp = Ancho del Proceso (corto plazo) =
6ST
Rango de Especificación (s) USL - LSL

Pp = Ancho del Proceso (largo plazo) =
6LT
Cpk= Menor de: USL - X o X - LSL

3ST 3ST
Ppk= Menor de: USL - X o X - LSL

3LT 3LT

El desplazamiento ocurre
Capacidad de Proceso
Largo Plazo
Capacidad Proceso
LSL Corto Plazo USL
-6 -4 -2 0 2 4 6

PROCESO NO CAPÁZ

PROCESO CAPÁZ
(en el límite)

“0 defectos”

EL CAMBIO EXISTE!!!

Características del Cp:
1.- Cp = 1, significa que, la anchura del proceso, y el ancho de
las especificaciones del cliente son iguales.
2.- Cp < 1, Indica que el ancho del proceso, es mayor a la permitida por
las especificaciones, originando productos fallados fuera de especificación.
3.- Cp > 1, Indica que la anchura del proceso, es menor que la anchura de
las especificaciones del cliente.
4.- El Cp, nos dice cuantas veces encaja el ancho del proceso, en el ancho
de la especificación del cliente.
Ejemplo Cp = 2, el proceso encaja 2 veces (Proceso Six sigma)

Características del Cp y Cpk
1.- Los índices Cp y Cpk, se deben analizar en conjunto, el valor de Cpk, no puede
ser mayor al del Cp.
2.- Cpk = 1, nos dice que la cola de la distribución y el límite de la especificación

están a igual distancia que la media del proceso.
3.- Cpk < 1, nos dice que algunos datos están fuera del límite
4.- Cpk > 1, nos dice que los datos están dentro de los límites de especificación
5.- En cuanto el Cpk aumenta, el proceso se irá centrando en los límites de la

especificación de los clientes
6.- si el Cp = Cpk, entonces el proceso está centrado, eso quiere decir que la media
del proceso es igual a la media de la especificación.

INDICE Z
Es la métrica de capacidad de procesos de mayor uso en Seis Sigma.
Se obtiene calculando la distancia entre la media y las
especificaciones, y esta distancia se divide entre la desviación
estándar.
ES     EI
Zs  Zi 
 
Z  mínimoZs, Zi

Ejemplo:
En un proceso de envasado de cemento, se tiene las especificaciones

del contenido de los costales 50 Kg., con una tolerancia de 0.6 Kg. De
esta forma las especificaciones son EI = 49.4 Kg., y ES = 50.6 Kg.
Siendo µ = 50.01 y la desviación estándar de 0.2 Kg
Zi = 50.01-49.4/0.2 = 3.05
Zs = 50.6-50.01/0.2 = 2.50
Entonces: Z = 2.50

Qué hemos aprendido?
1. ¿Qué entiende por la segunda fase de la metodología DMAIC
2. ¿Por qué es necesario el análisis del sistema de medición?
3. ¿Cómo determinar la normalidad de un conjunto de datos?
4. ¿Es normal un proceso cuya data tiene un Pvalor = 0.05?
5. ¿Por qué debemos llevar a un proceso a control?
6. ¿Para procesos rápidos que gráficas de control se usan?
7. ¿Cuál debe ser el tamaño ideal de la data, para hacer control de
proceso?
8. ¿Los procesos administrativos (lentos), con que gráfica de control, se les
hace seguimiento?
9. ¿Cuándo se declara a un proceso en control (estadístico)?

Muchas Gracias !!!

Fase Medir LSS Yelow Belt

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

Fase Medir LSS Yelow Belt

Cargado por

Copyright:

Formatos disponibles

Metodología DMAIC

Six Sigma Yellow Belt

© Instituto para la Calidad – PUCP 2016. Todos los derechos reservados

1.0 ETAPA DEFINIR

2.0 ETAPA MEDIR

© Instituto para la Calidad – PUCP 2016. Todos los derechos reservados

4.0 ETAPA MEJORAR

5.0 ETAPA CONTROLAR

Operación Operación Operación Operación (Bienes o

TAREA: Elaborar un diagrama de procesos

© Instituto para la Calidad – PUCP 2016. Todos los derechos reservados

© Instituto para la Calidad – PUCP 2016. Todos los derechos reservados

Binomiales (p, np)

© Instituto para la Calidad – PUCP 2016. Todos los derechos reservados

Cuando el parámetro que se está midiendo solo puede

© Instituto para la Calidad – PUCP 2016. Todos los derechos reservados

1.- Distribuciones Discretas

Cuando el parámetro que se está midiendo solo puede asumir ciertos

valores, como los enteros 0,1, 2, 3, …; o del tipo “pasa – no pasa”, su

distribución de probabilidad se llama DISTRIBUCIÓN DISCRETA.

Número de disconformidades o defectos en tarjetas de circuitos impresos.

© Instituto para la Calidad – PUCP 2016. Todos los derechos reservados

Las más usadas de estas distribuciones son:

1.1. Distribución binomial.-Cuando el resultado de cada ensayo es “éxito”

o “fracaso”, y la probabilidad (defectuosos), de éxito es constante.

Tamaño de muestra es variable (p), tamaño de muestra es constante (np)

1.2. Distribución de Poisson.-Cuando el resultado del ensayo es “defectos

© Instituto para la Calidad – PUCP 2016. Todos los derechos reservados

Es cuando la variable que se está midiendo se expresa en una escala continua.

Su distribución de probabilidad se llama DISTRIBUCION CONTINUA.

La distribución de mediciones de diámetros de anillos de pistones.

La distribución de mediciones del nivel de llenado de las botellas de cerveza.

© Instituto para la Calidad – PUCP 2016. Todos los derechos reservados

Distribución Normal.- Es la distribución más importante tanto en la teoría

como en la aplicación de la estadística.

La apariencia visual de la distribución normal es una curva simétrica, unimodal,

en forma de campana (Gaus).

© Instituto para la Calidad – PUCP 2016. Todos los derechos reservados

La apariencia visual de la distribución normal, es una curva simétrica,

© Instituto para la Calidad – PUCP 2016. Todos los derechos reservados

¿Qué dice la desigualdad de Chebyshev y la Regla Empírica?

Práctica: Determinación de la normalidad, usando el Pvalor,

© Instituto para la Calidad – PUCP 2016. Todos los derechos reservados

Control estadístico de la calidad. LIMUSA WILEY. 2005

© Instituto para la Calidad – PUCP 2016. Todos los derechos reservados

Gráfica de Individuales (APILADOS)

© Instituto para la Calidad – PUCP 2016. Todos los derechos reservados

1. El sistema de medición: Debido al proceso de tomar las mediciones

© Instituto para la Calidad – PUCP 2016. Todos los derechos reservados

Límite de Control Superior

Límite de Control Inferior

© Instituto para la Calidad – PUCP 2016. Todos los derechos reservados

º Normalmente unidades consecutivas.

º Tienen que venir de una población simple y definida.

º Dentro del subgrupo, la variación debe ser solamente ruido blanco.

º Entre subgrupos, debe captar la variación debido al ruido negro.

2.-Establezca el tamaño mínimo del subgrupo para reflejar la variación “dentro”.

3.-Establezca la frecuencia de la muestra para captar la variación “entre”.

4.-Recoja datos manteniendo la información secuencial.

© Instituto para la Calidad – PUCP 2016. Todos los derechos reservados

º Minimizar la variación dentro de los subgrupos

© Instituto para la Calidad – PUCP 2016. Todos los derechos reservados

LINEA 3 TURNO 2 MAQ.1 OPERARIO 1