Documentos de Académico
Documentos de Profesional
Documentos de Cultura
◼ 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.
◼ El Estado Actual puede resumirse como conformidad con una especificación para una Métrica QCD. Ejemplos:
◼ % en presupuesto (C)
◼ % A tiempo (D)
◼ Método usado para resumir rendimiento/capacidad del proceso depende del tipo de
datos para el output
◼ Algunos Tipos de datos comunes (para Y´s):
◼ Variable Numérica (ej., continuo) dónde cada característica medida puede ser
únicamente identificada (resultado de una medida o estimación numérica)
◼ Bilateral
◼ 30 +/- 5 días (Nominal (Meta) = 30; LSL = 25; USL = 35)
Tolerancia 1000 + /- 0.5 mm
LSL USL
Nominal
(Objetivo) = __
◼ 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
Six Sigma Green Belt © Kaizen Institute
Definiciones:
Valor Añadido vs No-Valor Añadido
◼ 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
# 𝑇𝑜𝑡𝑎𝑙 𝑑𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑜
𝐹𝑟𝑎𝑐𝑐𝑖𝑜𝑛 𝐷𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑎 =
# 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠 𝑖𝑛𝑠𝑝𝑒𝑐𝑐𝑖𝑜𝑛𝑎𝑑𝑎𝑠
◼ Supongamos el proceso son 4000 ordenes y 35 son tarde. ¿Cual es el PPM Defectuosas?
PPM =
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 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
◼ Nivel Sigma es un índice no lineal que traspasa el rendimiento y PPM o DPMO a una
escala de -1.5 a 6
◼ Fracción Defectuosa =
◼ # fuera de especificación / # inspeccionadas (unidades)
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
Tendencias?
◼ 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.
Frecuencia
Relativa
◼ Frecuencia Relativa Acumulada
◼ Frecuencia/ Total
◼ Frecuencia Relativa
Acumulada
◼ total de frecuencias
relativas iguales o
menores
◼ 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
Los Histogramas pueden ser usados para ayudar a identificar patrones o forma de
distribución
En algunos proyectos six sigma, el Objetivo es a menudo eliminar las causas de la "No-
normalidad".
Sesgada Bimodal
Six Sigma Green Belt © Kaizen Institute
Box Plots
◼ 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.
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
un patrón similar al
histograma?
◼ 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.
Valor atípico
◼ Supongamos una empresa
estudia el tiempo de un
proceso de estampado para
78 piezas
Valor
◼ Aquí, alguna razón inusual
probablemente explica este valor
en comparación con la variación
aleatoria inherente en el tiempo
para reparar.
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
◼ 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
Ideal
(Media en (Media fuera de
(En Objetivo
objetivo y alta objetivo y baja
y baja varianza)
varianza) varianza)
Six Sigma Green Belt © Kaizen Institute 42
Índices de Capacidad del proceso
◼ Nota: Cp, CR, Cpk ~ estimado con variación del subgrupo de un proceso estable basado en un SPC chart
ത 2
σ𝑛𝑖=1(𝑋𝑖 − 𝑋)
𝑆=
𝑛−1
Six Sigma Green Belt © Kaizen Institute 44
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)
◼ PR = 1 / Pp
◼ Nota: CR = 1 / Cp
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
Ppk tiene en cuenta cualquier diferencia entre el objetivo y la media del proceso (X).
𝑈𝑆𝐿 − 𝑋ത 𝑋ത − 𝐿𝑆𝐿
𝑃𝑝𝑘𝑈 = 𝑃𝑝𝑘𝐿 =
3𝜎 3𝜎
PpkL PpkU
Target X = Media
Six Sigma Green Belt © Kaizen Institute 48
Ejercicio de Cálculo Pp y Ppk
◼ Calcular 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
DPM=6000 DPM=6000
LSL USL LSL USL
A B
μ = 20 μ = 23
σ = 1.82 σ = 0.8
Six Sigma Green Belt © Kaizen Institute 52
Combinaciones de Pp y Ppk
P1
Six Sigma Green Belt © Kaizen Institute 54
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)
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
Pp = 0.80
Ppk = 0.74
Summary Statistics
USL 0.7 Histogram
Target
LSL -0.7 14
Sample Size, N 50 12
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
DPM Total Expected 18646.7
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
Stdev (Within) 0.051
Stdev (Overall, S ) 0.103 25
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
DPM Total Expected 652004.6
Pp = 2.31
PPK = 2.07
Summary Statistics
USL 0.7 Histogram
Target 0
LSL -0.7
Sample Size, N 50 25
Mean 0.074
Median 0.064 20
Stdev (Within) 0.089
Stdev (Overall, S ) 0.101 15
Range 0.551
10
USL − X
para USL: Ppk =
3
= X − LSL
Para LSL: Ppk
3
Para Ppk, estimar σ utilizando desviación estándar de la
muestra, S
Six Sigma Green Belt © Kaizen Institute 61
Mejora del proceso
Para especificación unilateral, podemos mejorar Ppk (y reducir defectos) desplazando la media o reducir
la desviación estándar.
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
▪ 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
1 .0
0 .5
Index 10 20
▪ 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
Proceso Estabilizar
Centrar el
inestable (Reducir
proceso
Variación)
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)
▪ 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
-.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 #
▪ 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
▪ 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:
Tamaño de Muestra Igual
Tamaño de Muestra desigual por subgrupo
(Limites constantes)
▪ 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
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…
Mano de Obra
Medio Ambiente
Métodos
Maquinas y Equipos
Materiales
Falta De A para B
de Formación
Tarea
equivocada
EFECTO
Fallo en la construcción
CAUSAS
Temperatura
Pesado
Parámetro Equivocado
Medio
Material Máquina
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…
• Eje Y Izquierdo
– Frecuencia o
frecuencia
Relativa
• Eje Y derecho
– Porcentaje
acumulado
Hemos identificado
la causa raíz ?