SSGB Dia 2 Alumno Online PDF

DMAIC
Estudio del estado actual

Métricas Six Sigma
Histograma
Boxplot
Métricas de Rendimiento Six Sigma
◼ Para Proyectos Six Sigma, debemos primero resumir nuestro estado actual utilizando métricas de
rendimiento
◼ Métricas de rendimiento pueden ser expresadas como una medida de negocios en bruto donde se desea la
mejora unidireccional.
◼ Ingresos ( $),costos ( $ /unidad), Etc.
◼ Utilización (), Tiempo Parado (); Tiempo del Proceso ()
◼ El Estado Actual puede resumirse como conformidad con una especificación para una Métrica QCD. Ejemplos:
◼ % características del producto en especificación (Q),
◼ % tareas realizadas correctamente (Q)
◼ % en presupuesto (C)
◼ % A tiempo (D)
Six Sigma Green Belt © Kaizen Institute

Tipos de Outputs
◼ Método usado para resumir rendimiento/capacidad del proceso depende del tipo de
datos para el output
◼ Algunos Tipos de datos comunes (para Y´s):
◼ Datos de atributos Binario - cada unidad se considerará defectuosa o no defectuosa

(pasar/fallar)
◼ Datos de múltiples atributos dónde cada unidad tiene múltiples oportunidades de error
(Cada unidad puede tener uno o más defectos)
◼ nota: 'unidad' puede ser un paciente, documento, procedimiento, etc.
◼ Variable Numérica (ej., continuo) dónde cada característica medida puede ser
únicamente identificada (resultado de una medida o estimación numérica)

Variable Numérica - Conformidad a Especificación
◼ Para asegurar conformidad a especificación o estándar (ej., % Rendimiento, %

defectuoso, PPM, DPMO), se necesitan criterios estándar o limites de especificación
◼ LSL - Lower Specification Limit (limite de Especificación Inferior)
◼ USL – Upper Specification Limit (limite de Especificación Superior)
◼ Los limites de Especificación identifican niveles de aceptación
◼ Unilateral
◼ Tiempo de Proceso < 30 días
◼ Costo real < costo de presupuesto (USL)
◼ Bilateral
◼ 30 +/- 5 días (Nominal (Meta) = 30; LSL = 25; USL = 35)
Tolerancia 1000 + /- 0.5 mm

Ejemplo: Terminología de Especificación
◼ Ejemplo: Tiempo de Proceso de Factura en Especificación = 28 +/- 2 días

◼ Nominal = _____ Tolerancia = _____
◼ LSL = USL =
LSL USL
Defectos Defecto por

por debajo del LSL encima del USL
Nominal
(Objetivo) = __

Estimaciones de Tres Puntos
◼ Si no hay especificaciones disponibles, es posible que tengamos que establecerlas

preguntando a responsables de los procesos o los clientes acerca de sus
expectativas.
◼ Una Aproximación es usar el método de “la estimación de los tres puntos”,
preguntar al dueño del proceso y al cliente:
• ¿Qué es razonable estimar bajo condiciones operacionales típicas?
▪ objetivo (punto 1)
• ¿Cual es el mínimo y el máximo que esperas?
▪ LSL y USL (punto 2 y 3)
◼ Puede realizar algún análisis para establecer especificaciones significativas (Éxito

potencial de un Proyecto Six Sigma)

Métricas comunes de mejora Six Sigma (evaluar el
estado actual)
▪ Una vez que verificamos un buen sistema de medidas, podemos utilizar

las siguiente herramientas para resumir el estado actual (línea base)
1. Rendimiento (ej., % Aceptable, % a tiempo, etc.)

2. % Tiempo de Valor Añadido
3. Partes Por Millón Defectuosas (PPM)
4. Defectos Por Millón de Oportunidades (DPMO)
5. Índice Nivel Sigma

1. Rendimiento (% Aceptable)
◼ Rendimiento = (# unidades buenas) / (# Total de unidades) X 100%

◼ Rendimiento = (1 - fracción defectuosa) x 100%
◼ Fracción defectuosa = # unidades defectuosas/# Total de unidades
◼ Unidad: parte, servicio, cliente, documento, procedimiento, etc.
◼ # Buenas (Defectuosas) es una evaluación binaria (0-no tarde; 1-tarde)

◼ Convenio típico → defecto = 1
◼ Ejemplo:
◼ Supongamos 232 de 1034 cuentas son tardías (802 son a-tiempo), Cual es el
Rendimiento?

2. % Tiempo de valor añadido
◼ Al evaluar el tiempo para un proceso (de una o varias etapas), es posible que desee examinar el %
del tiempo total que es valor añadido (en comparación con el de no valor añadido) - (similar al
Rendimiento de Calidad %)
◼ Tiempo de Valor añadido (VA) → Tiempo necesario para completar el proceso con todos los
requerimientos del cliente o conducir el negocio eficiente y legalmente
Procesos
Valor
Añadido
~Tiempo Total
Definiciones:
Valor Añadido vs No-Valor Añadido
◼ Tiempo de Valor añadido (VA)

◼ Valor Añadido del Cliente(CVA) - toda tarea por la que el cliente está dispuesto a pagar por ella
◼ Ejemplo: Seguro del Auto cubre robo total.
◼ Valor añadido del Negocio (BVA) - una tarea que un cliente puede no querer pagar pero es
necesaria para ejecutar el negocio de manera eficiente o cumplir con los requisitos legales o
regulaciones gubernamentales ('inevitable NVA') Ejemplo: Inspecciones regulatorias
◼ Nota: Se puede clasificar como no-valor añadido
◼ No-Valor añadido (NVA) – tarea antieconómica que debería ser eliminada

◼ Ejemplo: Excesivo Tiempo gastado mirando información o rehacer un tarea porque no se hizo bien a
la primera (reproceso)

Métodos PPM Defectuosas y DPMO
◼ Podemos convertir 'Rendimiento' a Partes Por millón defectuosas (PPM) o expresar según
condiciones en defectos por millón de oportunidades (DPMO)
◼ El calculo de PPM Defectuosas o DPMO varía basado en el tipo de datos/supuestos
Y Producción
Múltiples
Binario Oportunidades de
'Continuo'
Defectos por Unidad
(Tiempo, Volumen,$$, etc.) (Pasar/Fallar,
Bueno/Malo) (Cada unidad puede
tener 1 o más defectos)
Rendimiento o PPM
Defectuosas (observadas o Rendimiento O,
DPMO o Rendimiento
esperadas) PPM Defectuosas
Nota: PPM se puede llamar también DPM (Defectos por Millón)

3. Método PPM Defectuosas
Supongamos tenemos un proceso donde cada unidad es clasificada como defectuosa o no

defectuosa
# 𝑇𝑜𝑡𝑎𝑙 𝑑𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑜
𝐹𝑟𝑎𝑐𝑐𝑖𝑜𝑛 𝐷𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑎 =
# 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠 𝑖𝑛𝑠𝑝𝑒𝑐𝑐𝑖𝑜𝑛𝑎𝑑𝑎𝑠
PPM Defectuosas = Fracción Defectuosa x 1 Millón

Nota: Rendimiento = 1 – fracción defectuosa
◼ Supongamos el proceso son 4000 ordenes y 35 son tarde. ¿Cual es el PPM Defectuosas?
Fracción Defectuosa: 35 / 4000 = 0.008750
PPM =

PPM Defectuosas
◼ ¿Cuándo usarías Rendimiento y cuando PPM?

4. Método # Defectos por Millón de Oportunidades
(DPMO)
◼ Se utiliza si cada unidad inspeccionada (parte, servicio, documento, etc.) puede

tener 1 o más defectos (múltiples oportunidades)
◼ Por ejemplo, un proceso de aprobación de solicitud identifica 7 oportunidades

de defectos (categorías) que dan lugar a retrasos/tiempo de retrabajo
◼ Nota: cada unidad puede tener 0-7 defectos

Defectos Por Millón de Oportunidades (DPMO)
Usamos oportunidades para resumir el número total de posibles posibilidades de error (es
decir, defectos) en un sistema.
# 𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝐷𝑒𝑓𝑒𝑐𝑡𝑜𝑠
𝐷𝑃𝑀𝑂 = 𝑥 1 𝑀𝑖𝑙𝑙ó𝑛
𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑂𝑝𝑜𝑟𝑡𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠
Donde:
# Total de Defectos = # Total de defectos en todas las
unidades
# Total de oportunidades =  oportunidades

DPMO total - múltiples grupos
◼ DPMO además puede ser usado para resumir múltiples grupos (por ejemplo.,
departamentos, instalaciones) para obtener un rendimiento general
◼ Nota: Oportunidades por grupo además proporciona una medida de complejidad
Defectos (no
Problema Invitados Oportunidades
satisfecho)
Pobre servicio de comidas 447 111 447
Mala limpieza 1000 82 1000
Problemas con la reservación 1000 34 1000
Check in extenso 1000 96 1000
Check out extenso 1000 58 1000
Total 381 4447
DPMO 85676

5. “Nivel Sigma" para un Proceso
◼ Otra métrica usada en Six Sigma es convertir el rendimiento, DPM, o DPMO de un

proceso a “Nivel Sigma"
◼ Nivel Sigma es un índice no lineal que traspasa el rendimiento y PPM o DPMO a una
escala de -1.5 a 6
◼ Un índice de 6 equivale a 3.4 partes por millón defectuosas

“Nivel Sigma“ VS Rendimiento/ PPM
Ejemplos: Rendimiento/PPM relacionadas con ‘Nivel Sigma’
Rendimiento PPM Nivel Sigma
99,99966 % 3,4 6.0
99,98 % 230 5.0
99,4 % 6.210 4.0
93,3 % 66.807 3.0
69,2 % 308.537 2.0
30,9 % 690.000 1.0

PPM Observadas
(Datos Numéricos)
◼ Si recolectas mediciones numéricas, se puede convertir cada observación a un

resultado binario basándose en las especificaciones
◼ Resultado Binario: En especificación o fuera de especificación
◼ Fracción Defectuosa =
◼ # fuera de especificación / # inspeccionadas (unidades)
◼ PPM Defectuosas = Fracción Defectuosa x 1 Millón

PPM Esperadas – Datos Variables
PPM esperado:
◼ Usado cuando se recopilan datos variables y se puede asumir razonablemente que
estos datos siguen una distribución (ej., normal)
◼ Utilizar solamente si tenemos al menos 30-100 muestras
◼ Utilice el software para ajustar los datos a una distribución estadística (ej., normal) y
estimar la probabilidad de un defecto basado en la distribución y sus propiedades
◼ PPM = Pr (Defecto) X 1 Millón
Pr (Defecto) es la probabilidad de un Defecto asumida una distribución. Pr ()

indica Probabilidad

Herramientas Gráficas para Explorar Patrones de
Datos
◼ Evaluar Estabilidad (patrones/tendencias versus tiempo)

▪ Run Chart
◼ Evaluar Distribución (independientemente del tiempo)

▪ Análisis de Frecuencia e Histograma
◼ Agrupados en intervalos del mismo rango
▪ Box Plot

Run Chart (Tendencia)
◼ Gráfico donde observamos los datos en orden temporal

◼ Se puede usar para mostrar dispersión/tiempos/tendencias
Tendencias?

Gráfico de Tendencia – Múltiples outputs
◼ Para mostrar la tendencia de múltiples grupos en el mismo gráfico de tendencia (Run Chart).
◼ No hay necesidad que el tamaño de la muestra sea el mismo.

Análisis de Frecuencia e Histograma
◼ Caracterizar una distribución para una variable independientemente

del orden temporal, uno típicamente crea un tabla de frecuencia.
◼ Inputs necesarios:
◼ Muestra de Datos (al menos 30 muestras - preferir 100 o más)
◼ # de Compartimentos (Clases)(Normalmente calculado automáticamente por software)
◼ 1st Compartimento (basado en el software o definido por el usuario)
◼ Anchura del compartimento (basado en el software o definido por el usuario)
◼ Supongamos las puntuaciones de un test: 77, 77, 73, 84, 84, 81, 93, 98
◼ Compartimento 70-79: 3 valores

Tabla de frecuencia
Frecuencia
Relativa
◼ Frecuencia Relativa Acumulada
◼ Frecuencia/ Total
◼ Frecuencia Relativa
Acumulada
◼ total de frecuencias
relativas iguales o
menores

Histograma
◼ Un Histograma es una representación gráfica de una tabla de

frecuencia.
◼ Es usado para:
◼ Mostrar la forma de la distribución para una variable
◼ muestra la localización (centro), la dispersión, y la simetría
◼ Ejemplos: Normal, Sesgada a la derecha, etc.
◼ Identificar valores atípicos

Histograma
Eje Y típico: frecuencia o frecuencia relativa

Algunas formas de histograma
Los Histogramas pueden ser usados para ayudar a identificar patrones o forma de
distribución

Histograma Forma
¿Qué forma se esta mostrando en este histograma?

Histograma
¿Cuál es la forma de la distribución mostrada?

Normal vs Sesgada o Bimodal
En algunos proyectos six sigma, el Objetivo es a menudo eliminar las causas de la "No-
normalidad".
Sesgada Bimodal
Box Plots
◼ Técnica Gráfica para resumir la distribución de una variable numérica (ej.,

continuo).
◼ Directrices para el tamaño de la muestra (al menos 30, preferir > 100)
◼ El Box Plot debe ser usado para comunicar:
◼ Localización – línea para la mediana (punto medio de los datos)
◼ Nota: algunos softwares incluyen un punto para la media
◼ Dispersión – las cajas muestran el 25º - 75º rango de valor percentil (Q2 y Q3).
◼ Cajas asimétricas – una caja mayor que la otra sugiere falta de simetría.
◼ Identificación de los valores atípicos leves y extremos.

Cálculos de Box Plot
Aislado extremo
Q3 – 75o Percentil
Aislado leve Mediana – 50o Percentil
*
* Q1 – 25o Percentil
Ultimo valor fs = Q3 - Q1
del limite superior
Limite Superior:
Tercer cuartil(Q3)
Q3 + 1.5 fs
Mediana
Primer Limite Inferior:
cuartil(Q1) Q1 - 1.5 f s
Ultimo valor *
del limite inferior Q1 - 1.5 fs > Atípico > Q1 - 3.0fs >atípico
leve extremo
Q3 + 1.5 fs < Atípico < Q3 +3.0fs < atípico
leve extremo

Box Plot Simple
¿Muestra este Box Plot
un patrón similar al
histograma?

Box Plots Vs. Histogramas
◼ Nota: caja más ancha y/o más cola encima de la mediana en el box plot, sugiere más dispersión a la
derecha (sesgada a la derecha).
◼ Patrón similar es mostrado en el histograma.
Box Plot - Rotado Histograma

Valores atípicos extremos
◼ Un problema al evaluar una distribución son los valores atípicos.
◼ Los valores atípicos en general resultan de:

◼ Error de medición (por ejemplo., Falla del equipo de medición)
◼ Error en la entrada de datos (ej., Introducir mal las unidades)
◼ Una observación obtenida bajo diferentes circunstancias (ej., causa especial).

◼ Ejemplos:
◼ La muestra es retrabajada manualmente y no representativa del proceso

◼ La parte fue dañada durante la medición.

Ejemplo de Valor atípico
Valor atípico
◼ Supongamos una empresa
estudia el tiempo de un
proceso de estampado para
78 piezas
◼ Observar valor por > 35 semanas
Valor
◼ Aquí, alguna razón inusual
probablemente explica este valor
en comparación con la variación
aleatoria inherente en el tiempo
para reparar.

Valores atípicos: Bueno o Malo?
◼ Una Trampa de Análisis de Datos, es excluir automáticamente los valores

atípicos.
◼ Los valores atípicos pueden sugerir que se puede hacer mejor.
◼ Pueden sesgar nuestros resultados.

◼ Nota: valores atípicos impactan negativamente en cálculos estadísticos
como media y desviación estándar.
◼ Desafortunadamente, decidir si incluir o excluir valores atípicos, es

habilidad que se desarrolla con la experiencia.
◼ Para mejorar esta habilidad – hay que buscar y entender la fuente de los valores atípicos
antes de descartarlos.

Ejemplo Run Chart,
Una ensambladora de automóviles cuenta con los datos de dos distintos ajustes para los ensambles
de las puertas de ambos lados como muestra para estudiar si son precisos los ensambles (cumplen
con los estándares de calidad de la empresa). El valor meta es no tener una diferencia (Ajuste 0), con
una tolerancia de +/- 1mm y estándar entre operadores.
Pestaña: “Run-Hist-Box”
…Gráfica>>Gráfica de Series de Tiempo…
…Gráfica>>Histograma…
…Gráfica>>Gráfico de caja… Estratificar por operador

DMAIC
Estudio del estado actual
Capacidad de proceso
Estabilidad de proceso
Capacidad del proceso
◼ Mide qué tan bien el output del proceso cumple con los límites de especificación definidos por
los requerimientos de ingeniería o del cliente.
◼ Compara variación del proceso (~ 6*deviación estándar) relativo a la 'tolerancia'
Limites Naturales de
Tolerancia:
+/- 3σ
Contiene la mayoría de los
datos
LSL USL
Limite de
Limite de
Especificación
Especificación
Superior
Inferior
-3 Objetivo +3

Six Sigma Green Belt © Kaizen Institute 41
Evaluar Capacidad del Proceso
◼ Comparaciones: LSL USL

◼ Media vs. Objetivo, y
◼ Variación (6σ) vs. Tolerancia
◼ Usar para identificar posibles condiciones:

◼ Media σ en o fuera de Objetivo Peor condición (Media
◼ Variación (Rango) σ Bajo o Sobre relativo a la tolerancia fuera de objetivo y alta
varianza)
LSL USL LSL USL LSL USL
Ideal
(Media en (Media fuera de
(En Objetivo
objetivo y alta objetivo y baja
y baja varianza)
varianza) varianza)
Índices de Capacidad del proceso
◼ Índices Comúnmente usados en capacidad del proceso

◼ Pp, Cp, PR, CR
◼ Ppk, Cpk
◼ Preguntas Clave:
◼ Excluir o incluir centrado del proceso (media).
◼ Excluir Media: Pp, Cp, PR, CR
◼ Incluir Media: Ppk, Cpk
◼ Método usado para estimar variación (sigma)

◼ Pp, PR y Ppk ~ usar S – Desviación estándar de muestra
◼ Nota: Cp, CR, Cpk ~ estimado con variación del subgrupo de un proceso estable basado en un SPC chart
◼ Foco de este Curso: Pp (o PR) y Ppk

Indice Pp
◼ Pp mide la relación entre la tolerancia y el rango predicho de variación( estimado 6*S).

◼ Pp no considera la ubicación de la media y por lo tanto representa el potencial del proceso para
cumplir especificaciones si la media estuviera en objetivo.
Para Pp, utilizamos desviación estándar de muestra', S, de una muestra

aleatoria.
Nota: Cp usa misma fórmula, pero utilizamos  de una población
ത 2
σ𝑛𝑖=1(𝑋𝑖 − 𝑋)
𝑆=
𝑛−1
Pp y Ppk criterios
◼ Los Valores de Pp y Ppk deseables por las industrias pueden variar. (Mayoría de
industrias/compañías requieren al menos un Pp y Ppk > 1.33)
◼ Algunas metas generales son:
Criterio Formula Objetivos Objetivos

Normales Six Sigma
(𝑈𝑆𝐿 − 𝐿𝑆𝐿)
Pp (or Cp) 6 (𝐷𝑒𝑠𝑣. 𝐸𝑠𝑡) Pp > 1.67 Pp > 2.0
(𝑈𝑆𝐿 − 𝑋)ത (𝑋ത − 𝐿𝑆𝐿)

Ppk (or Cpk) 𝑀𝑖𝑛 , Ppk > 1.33 Ppk > 1.5
3 (𝐷𝑒𝑠𝑣. 𝐸𝑠𝑡) 3 (𝐷𝑒𝑠𝑣. 𝐸𝑠𝑡)
*Asume 2-lados de especificación

PR y CR – Ratios de Capacidad
◼ PR = 1 / Pp
◼ Nota: CR = 1 / Cp
◼ El Performance Ratio (PR) es a menudo preferido a Pp porque es mas

intuitivo.
◼ PR representar el porcentaje de tolerancia usado por la variación.

◼ Si Pp = 1.0 → PR = 1.0 → 100% de la tolerancia es usada
◼ Si Pp = 2.0 → PR = 0.5 → 50% de la tolerancia es usada

Comprender Pp y defectos
Para el mismo Pp, el # de defectos puede variar significativamente ya que Pp (o Cp) no consideran la
media.
Estimados
Caso LSL T USL Mean StDev Pp DPM
1 15 20 25 20.5 1.2 1.39 91
2 15 20 25 22.0 1.2 1.39 6,210
Caso 1: Caso 2:
LSL USL LSL USL
Objetivo defectos Objetivo

defectos
Índice Ppk
Ppk tiene en cuenta cualquier diferencia entre el objetivo y la media del proceso (X).
𝑈𝑆𝐿 − 𝑋ത 𝑋ത − 𝐿𝑆𝐿
𝑃𝑝𝑘𝑈 = 𝑃𝑝𝑘𝐿 =
3𝜎 3𝜎
estimación σ utilizando desviación estándar de muestra, S

Ppk = min(PpkL, PpkU)
LSL USL
PpkL PpkU
Target X = Media
Ejercicio de Cálculo Pp y Ppk
◼ Suponer especificación es 20 +/- 5 mm

◼ Muestra 50 unidades: media = 20,5; S = 1.2
◼ Calcular Pp y Ppk

Diferencia entre Pp y Ppk
Además de decirnos lo cerca que esta la media del objetivo, Ppk proporciona una relación directa a los
defectos (DPM).
Caso LSL T USL Mean StDev Pp Ppk Estimado
DPM
1 15 20 25 20.5 1.2 1.4 1.3 91
2 15 20 25 22.0 1.2 1.4 0.8 6,210
Caso 1: Caso 2:
LSL USL LSL USL
T defectos T defectos

Interpretación Pp y Ppk
◼ Por definición: Ppk ≤ Pp (asume 2 lados de especificación)
◼ Si Media, σ = Objetivo, entonces Ppk = Pp
◼ Si Media, σ ≠ Objetivo, entonces Ppk < Pp
◼ Pp proporciona una estimación de la capacidad potencial si la media del

proceso está en objetivo.
◼ Útil considerar ambos para determinar si los defectos están relacionados por media fuera
de objetivo o por alta variación.

Capacidad del Proceso:
Media vs. Variación
◼ DPM por si solo no dice si la media y/o la variación es el principal problema

◼ DPM en ambos casos es 6000.
▪ ¿Qué tipo de problema es cada uno?
DPM=6000 DPM=6000
LSL USL LSL USL
A B
μ = 20 μ = 23
σ = 1.82 σ = 0.8
Combinaciones de Pp y Ppk
Combinaciones: LSL USL
1. Problema de media y variación

◼ Bajo Pp, Ppk << Pp
LSL USL
2. Problema de variación
◼ Bajo Pp, Pp  Ppk
3. Problema de media LSL USL

◼ Alto Pp, Ppk << Pp

Caso de Estudio: Ejemplo Puerta
◼ Revisemos datos de varias dimensiones de puertas para interpretar

diferentes resultados.
◼ 13 Dimensiones en un ensamble de puerta
◼ Cada dimensión : especificativo 0 +/- 0,7 mm
◼ Nota: todas los valores de la medición son registrados como desviaciones de objetivo por lo que la
medias = 0) P6 P7
P9
P8
P5 P10
P11
P4
P12
P3
P2 P13
P1
Pp y Ppk criterios
◼ Los Valores de Pp y Ppk deseables por las industrias pueden variar. (Mayoría de industrias
/compañías requieren al menos un Pp y Ppk > 1.33)
◼ Algunos metas generales son:
Criterio Formula Objetivos Objetivos

Normales Six Sigma
(𝑈𝑆𝐿 − 𝐿𝑆𝐿)
Pp (or Cp) 6 (𝐷𝑒𝑠𝑣. 𝐸𝑠𝑡) Pp > 1.67 Pp > 2.0
(𝑈𝑆𝐿 − 𝑋)ത (𝑋ത − 𝐿𝑆𝐿)

Ppk (or Cpk) 𝑀𝑖𝑛 , Ppk > 1.33 Ppk > 1.5
3 (𝐷𝑒𝑠𝑣. 𝐸𝑠𝑡) 3 (𝐷𝑒𝑠𝑣. 𝐸𝑠𝑡)
*Asume 2-lados de especificación

Pp y Ppk Ejemplos
◼ Suponer Objetivo: Ppk > 1.33 y Pp > 1.33
◼ Problema de media y/o variación:

◼ P09: Pp = 0.85 y Ppk = 0.02 σ M y/o V
◼ P04: Pp = 0.80 y Ppk = 0.74 σ M y/o V
◼ P05: Pp = 2.26 y Ppk = -0.13 σ M y/o V

◼ Nota: ¿qué implica que Ppk sea negativo?
◼ P12: Pp = 2.31 y Ppk = 2.07 σ M y/o V
M→ Problema de Media; V → Problema de Variación

P09: Media y Variación Problema
(Pp < 1.33, Ppk << Pp)
Pp = 0.85
Ppk = 0.02
Summary Statistics Histogram
USL 0.7
Target
12
LSL -0.7
Sample Size, N 50 10
Mean 0.687
Median 0.742 8
Stdev (W ithin) 0.242
Stdev (Overall, S ) 0.276 6
Range 1.284
4
Expected Overall Performance
DPM < LSL 0.2 2
DPM > USL 480869.2
0
DPM Total Expected 480869.5
-0.80 -0.60 -0.40 -0.20 0.00 0.20 0.40 0.60 0.80 1.00 1.20 more

P04: Variación Solamente Problema
(Pp << 1.33, Ppk ~Pp)
Pp = 0.80
Ppk = 0.74
Summary Statistics
USL 0.7 Histogram
Target
LSL -0.7 14
Mean -0.054
Median 0.004 10
Stdev (Within) 0.275
8
Stdev (Overall, S ) 0.293
Range 1.309 6
4
Expected Overall Performance 2
DPM < LSL 13616.8
0
DPM > USL 5030.0
-0.68 -0.48 -0.28 -0.08 0.12 0.32 0.52 more

P05: Media Solamente Problema
(Pp >> 1.33, Ppk << Pp)
Pp = 2.26
Summary Statistics Ppk = -0.13
USL 0.7 Histogram
Target
LSL -0.7 40
Sample Size, N 50
Mean -0.740 35 LSL USL
Median -0.770
30
Range 0.450
20
15
10
Expected Overall Performance
5
DPM < LSL 652004.6
DPM > USL 0.0 0
-1.000 -0.800 -0.600 -0.400 -0.200 0.000 0.200 0.400 0.600

P12: Media y Variación
(Pp > 1.33 Ppk > 1.33)
Pp = 2.31
PPK = 2.07
Summary Statistics
USL 0.7 Histogram
Target 0
LSL -0.7
Mean 0.074
Median 0.064 20
Range 0.551
10
Expected Overall Performance 5

DPM < LSL 0.0
DPM > USL 0.0 0
DPM Total Expected 0.0 -0.80 -0.60 -0.40 -0.20 0.00 0.20 0.40 0.60

V. Índices de Capacidad para especificaciones de
un lado
◼ Para algunos procesos, podemos usar sólo un límite de especificación.

◼ Tiempo de Completar Orden <= 28 días (USL = 28)
◼ Fuerza > = 13 libras de presión (LSL = 13)
◼ aquí, solamente calculamos Ppk
USL − X
para USL: Ppk =
3
= X − LSL
Para LSL: Ppk
3
Para Ppk, estimar σ utilizando desviación estándar de la
muestra, S
Mejora del proceso
Para especificación unilateral, podemos mejorar Ppk (y reducir defectos) desplazando la media o reducir
la desviación estándar.
Estado Actual Estado Futuro

Ppk = 0.8 USL
1) Desplazamiento de media → 18,
x = 22 , s = 1.2 misma Sigma (s =1.2)
USL=25
USL
Ppk = 1.9
O
2) Reducir s → 0.52
Misma Media (22)
Ppk = 1.9
defecto
Six Sigma Green Belt s © Kaizen Institute 62
Ejemplo Análisis de Capacidad
Una empresa importadora de productos de China monitorea el tiempo que tarda cada barco desde
que sale del puerto Shanghái hasta llegar al Puerto de Valparaíso, la meta para este año es no superar
los 40 días por barco.
Realiza un análisis de capacidad para conocer si están logrando su meta.
Pestaña: “Capacidad”
…Estadísticas>>Herramientas de Calidad>>Análisis de Capacidad>>Normal

Aplicación en Juego
Análisis de Capacidad
Comprensión de la Estabilidad del Proceso
▪ SPC proporciona una herramienta (control chart) para evaluar estabilidad (consistencia)
▪ Causa común es la aleatoria, inherente y predecible nivel de variación
▪ Solución típica si es muy grande → REDISEÑO del proceso
▪ Causa Especial – cambio de turno, tendencia asignable en datos
▪ Solución típica → Eliminar causa y volver al control
▪ Estable ~ Causa Común (inherente) variación solamente (sin causas especiales)

1 .5 Variación de
Causa común
Output
1 .0
0 .5
Index 10 20
Causa Especial ej.,. Cambio de turno

Causa Común vs. Causa Especial
▪ Causa Común
▪ Ejemplos transaccional/Servicios:
▪ Variación Inherente resultante de pequeños cambios en niveles de carga de trabajo, expectativas del
cliente, motivación, etc.
▪ Ejemplos de manufactura:
▪ Variación Inherente debido a pequeños cambios en materias primas, cambios incontrolables en
temperatura, presión del aire, etc.
▪ Causa Especial
▪ Ejemplos Transaccional/Servicios:
▪ Nuevo procedimiento, nuevo empleado, o nuevo sistema de Información
▪ Ejemplo de manufactura:
▪ Cambio en el proceso de setup, diferente material usado
Todos los procesos tienen algunas causas comunes

Resolver un Problema de Calidad - Un enfoque
general
Proceso Estabilizar
Centrar el
inestable (Reducir
proceso
Variación)

SPC Chart Genérico
Upper
Control Limit
Eje Y Calidad de (UCL)
Medida o
Estadístico Center Line
[por ejemplo: Tiempo (Central Tendency)
de Servicio (X)
O Rendimiento %] Lower Control
Limit (LCL)
Subgrupos i (secuencia de tiempo)

Los limites de control de los SPC chart son típicamente basados en 99.73%
intervalos de confianza siendo monitoreado en el eje Y
Concepto Subgrupo
▪ Para evaluar la estabilidad (separar causas especiales), recolectar datos en

SUBGRUPOS sobre el tiempo
▪ Ejemplos de Subgrupos y tamaños de Subgrupos:
▪ Recolectar datos cada día para medir la tasa de defectos
▪ Tamaño Subgrupo = # servicios o unidades producidos cada día
▪ Nota: Puede ser de tamaño constante (ej.., 200 por día)
▪ Recolectar 1 muestra con algo de tiempo entre muestras (ej.., medir 1 muestra cada 10 minutos, o 1 por
día, etc.)
▪ Tamaño seria = 1
▪ Recolectar consecutivas muestras (ej.., 5) tomadas a tiempo periódico (cada hora, cambio de turno, día,
etc.) para algunas variable (ej.., tiempo de proceso)
▪ Práctica Común: tamaño de subgrupo de 3-5 muestras consecutivas con algunos tiempo entre muestreos

Fuera de Control y patrones no aleatorios
▪ 1 o más puntos fuera de los límites de control

▪ 9 consecutivos sobre o bajo la línea central (cambio)
▪ 6 consecutivos incrementando o bajando (Tendencia)
.1 2
-.2 3
UCL = -0,3122
-.5 8 CL = -0.5813
LCL =-0.8503
-.9 3
-1 .2 9
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33
Subgrupo #
Six Sigma Green Belt © Kaizen Institute 9 70

Tipos de Gráficas SPC
▪ Algunos Gráficos de control Comúnmente Usados

▪ Para datos atributivos (ej.., binario)
▪ P-chart para monitorear % defectuoso (o Rendimiento)
▪ U-chart para monitorear defectos por unidad (múltiples oportunidades de defectos)
▪ Para datos variables (ej., tiempo de proceso)
▪ Individual/Moving Range Chart (I & MR) (tamaño de subgrupo = 1)
Six Sigma Green Belt © Kaizen Institute 10 71

Selección de SPC Chart
Variable
Múltiples Oportunidades de
‘Continua’ Binaria Defectos por Unidad
(Tiempo, Volumen, $$, (Pasar/Fallar, (Donde cada unidad puede

Longitud, Voltaje, etc.) Bueno/Malo) Tener 1 o mas defectos)
Compara métricas de Output
para las especificaciones (LSL calcular
calcula DPMO
y/o USL) y calcular Rendimiento
O, como Rendimiento
Rendimiento O, PPM
O en PPM
SPC Chart Contar unidades

(Test de Estabilidad) Contar # de defectos
defectuosas (datos
(datos poisson)
Si tamaño Subgrupo (n), binominales)
use u-chart
n=1 usa Individual/MR use p-chart
Fuera del alcance del curso Fuera del alcance del Fuera del alcance del curso
n=2 .. 10 - usar X-bar/Range Curso (o si tamaño de (puede usar c-chart si define
n > 10 - usar X-bar/S subgrupo constante usar np- constante la inspección de
chart) tamaño
Evaluar Estabilidad de Datos Variables -
Individual/Moving Range Chart
▪ Para evaluar estabilidad para datos variables (numérica), podemos utilizar

individual/Moving range chart (TAMAÑO SUBGRUPO = 1)
▪ Para datos variables, utilizamos 'dos gráficos ' por output (Y)
▪ Un gráfico monitorea la media (o valor individual) entre subgrupos
▪ Otro gráfico monitorea la variación por subgrupo sobre tiempo
▪ Si subgrupo > 1, usaremos X-bar/Range Chart

Ejemplo: Individual (I) / Moving Range (MR)
Chart
¿Es el procesos estable? que puedes predecir en el futuro?
Subgrupo Individual Rango Movil Cálculo de MR
1 2,75
2 3 0,25 3,00 − 0,25
3 2 1 2,00 − 1,00
4 2,5 0,5 2,50 − 0,5
5 3,25 0,75 … Calculado
6 2 1,23 con software
7 3 1
8 3 0
9 3,5 0,5
10 2,25 1,25
11 3 0,75
12 4 1
13 3 1
14 3,25 0,25
15 2,75 0,5
16 2,75 0
17 3 0,25
18 2,25 0,75
19 2,25 0
20 3 0,75
Evaluando Estabilidad (atributos) Utilizando P-
Charts y U-Charts
Tipo de gráficos de atributos depende en el tipo de datos recolectado Dos

gráficos comunes:
“Unidades Defectuosas" (cada unidad es defectuosa o no)
1. P-chart – dibuja fracción defectuosa por subgrupo
▪ También puede usarse con rendimiento (rendimiento = 1 - fracción defectuosa)
"# de defectos" (cada unidad puede tener 1 o mas defectos)

2. U-chart – dibuja números de defectos por unidad por subgrupo
▪ Ejemplo de subgrupo: # de unidades producidas o servicios en un día
▪ Otros tipos de gráficos de atributos son np-chart y c-chart (no cubierto)
Solamente un grafico de atributo por situación...no necesitas ambos.

P-Chart
Monitorea % Defectuoso (o Rendimiento)
▪ Dado un proceso de variación inherente ,no esperamos tasas de defectos iguales para cada
subgrupo. Pero podemos querer:
▪ Monitorear si la tasa de defectos es consistente/previsible?
▪ Para un P-chart - dibuja % defectuoso (o rendimiento) en orden temporal

▪ Pi =% defectuoso = # defectuoso / # inspeccionado por subgrupo
▪ P-bar =promedio % defectuoso sobre todos los subgrupos (= Total Defectuoso/ Total unidades)
▪ Ejemplo:
▪ Se desea monitorear la performance de los vuelos de una aerolínea a tiempo (% retraso)
▪ Enfoque: definir un subgrupo para recolectar datos (ej...,#vuelos al día →
el subgrupo es un DÍA)
▪ entonces, dibuja la fracción defectuosa (pi) por día sobre tiempo para ver si % llegadas tarde es
estable (consistente) o si son causas especiales

Muestra Igual vs. Desigual en tamaño del Subgrupo
Para un P-Chart:
Tamaño de Muestra Igual
Tamaño de Muestra desigual por subgrupo
(Limites constantes)

U-Chart →
(1 o Más defectos pueden ocurrir por unidad)
Subgrupo No. Clientes Quejas U=Defectos/ud
1 392 38 0.10
▪ Cada unidad puede tener 1 o Más 2 376 27 0.07
3 390 44 0.11
Defectos 4 384 50 0.13
5 394 59 0.15
▪ Ejemplo: cada cliente (unidad) puede 6 414 52 0.13
tener 1 o Más quejas 7 374 28 0.07
8 380 36 0.09
9 378 34 0.09
▪ Organiza unidades en subgrupos 10 434 58 0.13
11 380 31 0.08
▪ ej.., #clientes por día 12 428 56 0.13
13 411 52 0.13
▪ # unidades varía por subgrupo 14 416 62 0.15
15 434 58 0.13
▪ Ui = #defectos / #unidades 16 438 54 0.12
▪ U-bar = #Total Defectos 17 391 38 0.10
18 398 46 0.12
/# Total Unidades 19 370 28 0.08
20 422 52 0.12
Total Unidades Total Defectos Promedio U
8004 903 0.1119

U-Chart Ejemplo
▪ Es el número de defectos por unidad estable en el gráfico abajo?

▪ ¿Qué podemos predecir respecto al futuro?

Capacidad del Proceso vs. Estabilidad
Nota: Gráficos de Control NO INCLUYEN límites de Especificación!!
▪ Límites de especificación son usados para evaluar la capacidad de

proceso – qué tan bien el producto (o Servicio) reúne las expectativas
del cliente
▪ Límites de Control son usados para evaluar la estabilidad del proceso

▪ Procesos inestables a menudo llevan a fallar al satisfacer las necesidades del cliente

Uso de Control Charts
▪ Fase Medir
▪ Evaluar estabilidad del proceso existente
▪ determine si el problema es causa común o causa especial
▪ Fase Analizar
▪ Compara estabilidad de diferentes métodos
▪ Recolectar datos en variables de entrada para relacionar causas potenciales (X´s) para
inestabilidad de Y´s
▪ Fase Control
▪ Puede usarse para monitorear estabilidad del la variable de salida Y o entrada X
▪ Para uso en procesos de control, se debe primero chequear el proceso sin tocarlo (ej.., 20-25 grupos)
para verificar la estabilidad y establecer limites para el futuro
▪ Si estuviera fuera de control, debemos identificar las causas especiales y volver el procesos a un
estado de control estadístico para establecer los límites futuros

Ejemplo Gráficos SPC: Individual/Moving Range, P-Chart, U-Chart
Una empresa de instalación de Internet realiza inspecciones a la totalidad de las fibras ópticas que
instala, clasifica sus defectos en 6 categorías diferentes y desea conocer:
-Si la cantidad de instalaciones hechas está en control.
-Si las unidades defectuosas están en control
-Si la cantidad de defectos está en control.
Pestaña: “SPC”
…Estadísticas>>Gráficas de Control>>Gráficas de variables para valores individuales…
…Estadística>> Gráficas de Control >>Gráficas de Atributos>>P…
…Estadística>> Gráficas de Control >>Gráficas de Atributos>>U…

DMAIC
Análisis Cualitativo
5 ¿Por Qué?
Diagrama de Ishikawa
5 ¿Por qué?

Causa Efecto – 5 M de la Calidad
Mano de Obra
Medio Ambiente
Métodos
Maquinas y Equipos
Materiales

Causa Efecto
Mano Obra Método
Falta De A para B
de Formación
Tarea
equivocada
EFECTO
Fallo en la construcción
CAUSAS
Temperatura
Pesado
Parámetro Equivocado
Medio
Material Máquina
Desarrollado por KAORU ISHIKAWA para identificar

las causas de un problema.
Todas las causas posibles son diseñadas para ser juzgadas (preguntando 5
veces Por qué) teniendo en cuenta su efecto (influencia en el problema)

Causa Efecto

Ejemplo Ishikawa
Una empresa de corte de metales con láser quiere realizar un análisis para eliminar sus fallas y
mantenciones correctivas, antes de comenzar a tomar datos deciden realizar un análisis cualitativo de
las causas de su problema, deciden realizar un diagrama de causa y efecto.
Pestaña: “CausaEfecto”
…Estadísticas>>Herramientas de Calidad>>Causa y Efecto…

Aplicación en Juego
Diagrama de Ishikawa
DMAIC
Análisis Cuantitativo
Estratificación
Análisis de Pareto
▪ Teniendo nuestro resultado agrupado, podemos usar un gráfico de Pareto

▪ Grafico de Pareto es un ranking de datos descendentes por frecuencia
▪ Propósito: identificar rápidamente las áreas de impacto
• Eje Y Izquierdo
– Frecuencia o
frecuencia
Relativa
• Eje Y derecho
– Porcentaje
acumulado

Principio de Pareto
▪ El Principio de Pareto sugiere que en la mayoría de las situaciones tiene unos

pocos vitales y muchos triviales
▪ Ejemplos:
▪ Calidad – un pequeño porcentaje de causas de defectos (categorías) será constituir un alto porcentaje
del # total defectos
▪ Costo - un pequeño porcentaje de componentes constituyen un alto porcentaje de costo total producto
▪ Hora – un pequeño número de pasos constituye la mayoría del tiempo para completar un proceso
▪ Otros: Inventario, absentismo, tiempo parado
▪ El principio de Pareto es además conocido como la regla del 80/20.

▪ 20% de las causas genera el 80% de los problemas

Análisis de Pareto - Estratificación
▪ Un grafico de Pareto puede inicialmente no darnos la causa raíz.

▪ Para encontrar la causa raíz debemos segmentar los datos con mayor frecuencia y analizarlos por
variables de estratificación.

Análisis de Pareto - Estratificación
Descomposición de un sistema aguas abajo
Costos por 4 sucursales

(C la peor)
Estratificar sucursal “C” por
Costos de Cierre por Ejecutivo
de prestamos
Hemos identificado
la causa raíz ?

Análisis de Pareto:
Frecuencia vs. Costo (o Gravedad)
▪ El Análisis de Pareto puede ser realizado utilizando:

▪ Frecuencia de ocurrencia (expresado como frecuencia o frecuencia relativa %)
▪ Tiempo Total (Recolección de pasos del proceso)
▪ Costo Total
▪ Gravedad, resultado adverso o evitabilidad
▪ El ítem más frecuente en ocurrencia no necesariamente tiene que ser el

más importante para atender primero.

SSGB Dia 2 Alumno Online PDF

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

SSGB Dia 2 Alumno Online PDF

Cargado por

Copyright:

Formatos disponibles

DMAIC

Estudio del estado actual

◼ Utilización (), Tiempo Parado (); Tiempo del Proceso ()

◼ % características del producto en especificación (Q),

◼ % tareas realizadas correctamente (Q)

Six Sigma Green Belt © Kaizen Institute

◼ Datos de atributos Binario - cada unidad se considerará defectuosa o no defectuosa

Six Sigma Green Belt © Kaizen Institute

◼ Para asegurar conformidad a especificación o estándar (ej., % Rendimiento, %

Six Sigma Green Belt © Kaizen Institute

◼ Ejemplo: Tiempo de Proceso de Factura en Especificación = 28 +/- 2 días

Defectos Defecto por

Six Sigma Green Belt © Kaizen Institute

◼ Si no hay especificaciones disponibles, es posible que tengamos que establecerlas

◼ Puede realizar algún análisis para establecer especificaciones significativas (Éxito

Six Sigma Green Belt © Kaizen Institute

▪ Una vez que verificamos un buen sistema de medidas, podemos utilizar

1. Rendimiento (ej., % Aceptable, % a tiempo, etc.)

Six Sigma Green Belt © Kaizen Institute

◼ Rendimiento = (# unidades buenas) / (# Total de unidades) X 100%

◼ # Buenas (Defectuosas) es una evaluación binaria (0-no tarde; 1-tarde)

Six Sigma Green Belt © Kaizen Institute

◼ Tiempo de Valor añadido (VA)

◼ No-Valor añadido (NVA) – tarea antieconómica que debería ser eliminada

Six Sigma Green Belt © Kaizen Institute

Nota: PPM se puede llamar también DPM (Defectos por Millón)

Supongamos tenemos un proceso donde cada unidad es clasificada como defectuosa o no

PPM Defectuosas = Fracción Defectuosa x 1 Millón

Fracción Defectuosa: 35 / 4000 = 0.008750

Six Sigma Green Belt © Kaizen Institute

◼ ¿Cuándo usarías Rendimiento y cuando PPM?

Six Sigma Green Belt © Kaizen Institute

◼ Se utiliza si cada unidad inspeccionada (parte, servicio, documento, etc.) puede

◼ Por ejemplo, un proceso de aprobación de solicitud identifica 7 oportunidades

Six Sigma Green Belt © Kaizen Institute

Six Sigma Green Belt © Kaizen Institute

Six Sigma Green Belt © Kaizen Institute

◼ Otra métrica usada en Six Sigma es convertir el rendimiento, DPM, o DPMO de un

◼ Un índice de 6 equivale a 3.4 partes por millón defectuosas

Six Sigma Green Belt © Kaizen Institute

Ejemplos: Rendimiento/PPM relacionadas con ‘Nivel Sigma’

Rendimiento PPM Nivel Sigma

99,99966 % 3,4 6.0

99,98 % 230 5.0

99,4 % 6.210 4.0

93,3 % 66.807 3.0

69,2 % 308.537 2.0

30,9 % 690.000 1.0

Six Sigma Green Belt © Kaizen Institute

◼ Si recolectas mediciones numéricas, se puede convertir cada observación a un

◼ PPM Defectuosas = Fracción Defectuosa x 1 Millón

Six Sigma Green Belt © Kaizen Institute

◼ PPM = Pr (Defecto) X 1 Millón

Pr (Defecto) es la probabilidad de un Defecto asumida una distribución. Pr ()

Six Sigma Green Belt © Kaizen Institute

◼ Evaluar Estabilidad (patrones/tendencias versus tiempo)

◼ Evaluar Distribución (independientemente del tiempo)

Six Sigma Green Belt © Kaizen Institute

◼ Gráfico donde observamos los datos en orden temporal

Six Sigma Green Belt © Kaizen Institute

Six Sigma Green Belt © Kaizen Institute

◼ Caracterizar una distribución para una variable independientemente

Six Sigma Green Belt © Kaizen Institute