Microsoft Power Point - LSS GB Mod 3 - Medir v1.0

Entrenamiento LSS Green Belt MOD 3 - MEDIR
MODULO 3 MEDIR
Black & Decker (U.S.), Inc., - V1.0, December 2006
Contenido Objetivos del Modulo
Pagina 5 6 10 13 22 29 36 44
PASO 1 Seleccionar CTQs Producto/Proceso Introduccin a la Estadstica Tipos de datos Media y Variacin Introduccin a Minitab Manipulacin de Datos Graficando Datos
Contenido PASO 2 Definir Estndares de Desempeo Defectivos/Defectos/Mtricos Rendimiento de serie de procesos (RTY) PASO 3 Validar el Sistema de Medicin Ejercicio de Calentamiento Datos Electrnicos GR&R por atributos GR&R por Variables Resumen del Modulo
Pagina 55 58 67 75 79 84 88 105 108
Definir
1. Seleccionar CTQs Producto/Proceso
Entregable: Pueden los datos de salida y los ajustes de entrada ser confiables Herramientas: Seleccionar CTQ Introduccin a la Estadstica Introduccin a Minitab
Medir
Analizar
Mejorar
Controlar
2. Definir Estndares de Desempeo

Entregable: Identificar los limites de especificacin para los CTQs de producto/Proceso Herramientas: Mediciones claves de Desempeo Rendimiento de serie de procesos (RTY)
3. Validar el Sistema de Medicin

Entregable: Evaluar la calidad de los datos que usted va a analizar Herramientas: GR&R por Atributos Otros Mtodos
Objetivos de Aprendizaje
Entender la estadstica bsica Aprender y usar el software (Minitab) Entender que crea defectos Como validar tu Sistema(s) de datos
Objetivos de Medir
Este modulo es la fase de medir del curso de Lean Six Sigma Greenbelt Establecer CTQs y sus especificaciones entender que crea un defecto Introduce estadstica bsica y el software Minitab Aprender la importancia de la variacin del sistema de medicin y como evaluarlo
Definir
Medir
Analizar
Mejorar
Controlar


Seleccionar CTQs del Producto o Proceso Seleccionar CTQs del Producto o Proceso
En la etapa de Definir seleccionamos los CTQs del cliente Con frecuencia necesitamos traducirlos a nuestro propio lenguaje Interno Algunas veces la Y del cliente puede resultar en varias y internas Interiorizar los CTQs nos ayuda a enfocarnos claramente en el objetivo
Ejemplo Ejemplo
Un cliente puede decir que necesita un buen nivel de servicio, a que realmente se refieren ?
Buen Nivel de Servicio

Orden para entregar tiempo de ciclo
Razn de llenado de la unidad
Entrega a Tiempo
Interiorizar los CTQs nos ayuda a enfocarnos claramente en el objetivo

Paso 1: Seleccionar Caractersticas CTQ

Caracterstica CTQ: Que ser mejorado
Proyecto Y: ej./ Precio Correcto (salida)
Fuente de Datos / Herramientas: ej./ SAP & Datos del Almacn
Introduccin a la Estadstica Introduccin a la Estadstica
10
Por que Estadstica? Por que Estadstica?

La Estadstica es solo usar datos a nuestro favor y ayudarnos a tomar mejores decisiones La estadstica consta de 3 disciplinas:
Disciplina Uso
Estadstica Descriptiva Probabilidad Estadstica de Inferencia
Entender los datos Probabilidad de ocurrencia Prediciendo la salida
La meta final es predecir y prevenir en lugar de inspeccionar y detectar

11
Por que Estadstica? Por que Estadstica?

La Estadstica nos permite tomar decisiones basadas en informacin incompleta (datos de una muestra) La estadstica nos da la habilidad para cuantificar la incertidumbre en nuestro proceso de toma de decisin. El Software Minitab tienes las formulas , hace los clculos y crea las graficas
La meta final es predecir y prevenir en lugar de inspeccionar y detectar

12
Estadstica Descriptiva Estadstica Descriptiva

La Estadstica descriptiva nos permite sumarizar los datos hay dos tipos generales de datos, que llamamos: Discretos/Atributos Continuos/Variables La Estadstica usada para sumarizar datos y las herramientas analticas que usamos varan de acuerdo al tipo de datos.
13
Datos por Atributos Datos por Atributos

Datos que proveen etiqueta o nombres por categoras
A. Embarcado
20 unidades no embarcadas 80 unidades embarcadas
20%
80%
Que piensa usted sobre los datos por Atributos?

14
Datos Variables Datos Variables

Datos que indican cuanto o cuantos con precisin Al menos 10 veces mayor que el valor (ejemplo: minutos para algo que toma horas)
Histogram of Unloading Time
Tiempo en descargar un trailer 2.18, 2.30, 2.21. . . . . . . . . 2.15, 2.27, 2.43 Limite superior 2 hrs. 40 min. (2.7 hrs.)
Normal 6 5 4 3 2 1 0 2.2 2.3 2.4 2.5 2.6 Unloading Time 2.7 2.8
Frequency
Defectos
Usualmente representados por un histograma/curva normal, la cual nos permite predecir el proceso de una cuantas mediciones
15
Otros Nombres para Tipos de Datos Otros Nombres para Tipos de Datos
ATRIBUTOS Embarcar a tiempo CATEGORIA Clasificacin de Inventario
A articulos A tiempo No a tiempo B articulos C articulos D articulos
2 6 4 3 11 Defectos
Frequency
DISCRETOS Das para pagar factura

Limite de Especificacin 15 9
6 5 4 3 2 1 0
VARIABLES Tiempo para descargar trailer
2 3 4 5 6 7
2 .2
2 .3
2 .4
2 .5 2 .6 Ulo d gT e n a in im
2 .7
2 .8
Estaremos usando solo atributo o variable

16
Resumen de Tipos de Datos Resumen de Tipos de Datos

Usaremos atributos y variables a travs de el entrenamiento Un Atributo es una cuenta de algunos resultados (# que pasaron, # que fallaron), tambin necesita de muchas mediciones Un dato Variable es una medida precisa que nos deja saber que tan bueno o malo es el desempeo, y as podemos usar pocas mediciones. Usamos Estadstica para analizar y predecir el proceso
17
Datos Descriptivos Datos Descriptivos

Describimos datos con 2 medidas
Locacin (Posicin) Dispersin
Para datos variables usted conocer bien estos como

Promedio o Media Variacin o Desviacin Standard
Analizando datos con ambas en mente le ayudara a usted a arreglar la causas raz.
18
Locacin y Dispersin Locacin y Dispersin
Pobre Locacin..Pobre Dispersin
Buena Locacin..Pobre Dispersin
Pobre Locacin.. Buena Dispersin

Buena Locacin Y Buena Dispersin

19
Locacin y Dispersin Locacin y Dispersin
Arreglar la media y la variacin
Arreglar la variacin
Arreglar la media
LA META
20
Locacin y Dispersin Locacin y Dispersin Locacin

La relacin de la media al objetivo Un proceso bien locacionado efectivamente iguala la media de los resultados al objetivo En otras palabrasCentrado
Dispersin
La cantidad de variacin en el proceso
Es una combinacin de Locacin y Dispersin la que crea DEFECTOS

21
Describiendo Datos -- Locacin Describiendo Datos Locacin

Media
El promedio de un conjunto de valores Fuertemente afectado por valores extremos Usada para datos Normales (variable)
Mediana
El punto medio cuando los datos estn arreglados en orden ascendiente No afectada por valores extremos Usada para datos No-Normales (variable)
Moda
Es el valor que mas frecuentemente ocurre Usada para datos discretos
22
Describiendo Datos -- Locacin Describiendo Datos Locacin

Rango
Del valor mas grande al valor mas pequeo (Valor mayor-Valor menor)
Varianza
Una medida de la distancia promedio de cada punto alejado de la media En trminos estadsticos, el promedio cuadrado de la desviacin de cada punto individual (dato) de la media
Desviacin Standard

La raz cuadrada de la varianza La distancia promedio de los puntos (datos) de la media

23
Describiendo Datos -- Notacin Describiendo Datos Notacin n Numero de medidas x Una medida individual La primera y la ultima medida x1, xn x o x testada Media de las mediciones R s s2 Rango Desviacin Standard Varianza
Una lista completa esta en el Apndice
24
Clculos Clculos
Media
X=
Mediana
Con datos Ordenados
Impar
Number of Data Points
(x1 + x2 ++ xn)
n
Par
Moda
Valor que ocurre mas frecuentemente Mediana = Numero del Centro Mediana = (2 #s de Centro) / 2
Varianza
S2 =
(x1 - x)2 + (x2-x)2 + (xn - x)2

N-1
Desviacin Standard
S = S2
25
Ejercicio Ejercicio
x 105.5 95.9 99.9 98.0 99.8 100.1 92.5 99.9 99.7 102.9
(xi x)
(xi x)2
Calcule a mano para el grupo de datos lo siguiente. Promedio = x = _______ Varianza = s2 = ______ Desviacin Standard = s = ______
Suma
Dividir entre n
Suma
Dividir entre n - 1
Promedio
s2
Varianza
26
Entendiendo la Probabilidad
El Juego de los Dados
Supongamos que nosotros tenemos un proceso de manufactura que consiste en tirar 2 dados El cliente requiere que solamente las combinaciones que sean de un 3.4.5.... o 11 sean "buenos" tiros Por lo tanto, los tiros que sean de 2 o 12 son "defectos"
Asumiendo los dados son justos, podemos predecir nosotros la cantidad de defectos que se tiraran?
27
El Juego de los Dados (Continuacin )
1 2 3 4 5 6
1 2 3 4 5 6 7
2 3 4 5 6 7 8
3 4 5 6 7 8 9
4 5 6 7 8 9 10
5 6 7 8 9 10 11
6 7 8 9 10 11 12
Cuntas combinaciones forman 2? Cuntas forma 12? Cuntas combinaciones totales existen?
28
El Juego de los Dados (Continuacin )
1 1 2 3 4 5 6
0.0278 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278
Por lo tanto, la probabilidad de un defecto es 5.6%

29
Grafica de resultados
Valores Combinaciones Valores Combinaciones 2 2
6 5 4 3 2 1 0
1 1 2 2 3 3 4 4 5 5 6 6 5 5 4 4 3 3 2 2 1 1
30
3 3
LSL LSL
USL USL
4 4 5 5 6 6 7 7 8 8 9 9 10 10 11 11
0
12 12
Distribucin normal
Histograma
Muchos acontecimientos al azar que ocurren naturalmente producen datos con las distribuciones que son: Forma de campana, simtrica Una curva continua la llamamos Curva de Probabilidad Normal se usa para estimar la Distribucin Normal de eventos al azar que ocurren naturalmente.
, Desviacin Estndar
Curva Normal
, Media = Mediana = Moda
La Distribucin Normal se usa como un modelo matemtico. La distribucin es suave y continua Probabilidad debajo de la curva = 1
31
Estatura de 1000 hombres

Xbar 5ft 9in(1.75m) S = 3in(0.076m)
Xbar +/- 1s = 5ft 6in - 6ft approx. 68% poblacin (1.68m - 1.83m)
32

Xbar = 5ft 9in(1.75m) S = 3in(0.076m)
Xbar +/- 2s = 5ft 3in - 6ft 3in aprox. 95% poblacin (1.6m - 1.9m)
inches
33

Xbar = 5ft 9in(1.75m) S = 3in(0.076m)
Xbar +/- 3s = 5ft - 6ft 6in aprox. 99.73% poblacin (1.52m - 1.98m)
34

Xbar = 5ft 9in(1.75m) S = 3in(0.076m)
La curva normal es un buen modelo para muchos procesos de fabricacin y es fundamental a muchas tcnicas estadsticas
35
Tipos de Distribucin
Los histogramas son tiles en la representacin de distribuciones
Distribucin normal Forma de campana, simtrica
Crestas mltiples (procesos mltiples)
Distribucin uniforme Distribucin Sesgada
Dnde esperbamos encontrar estos tipos de distribuciones? Black & Decker (U.S.), Inc., - V1.0, December 2006
36
Poblacin vs. Muestra Poblacin vs. Muestra

Poblacin Se refiere a todas las cosas en grupo dado. Muestra se refiere a un subgrupo de artculos escogidos de la poblacin.
Muestra
(x&s)
Poblacion
(&)
Ejemplos Poblacin: Todas las flecha de la armadura producidas de un torno dado Muestra: 100 flechas tomadas de un da de produccin o 5 flechas tomadas cada hora
37
Porque usar datos de una Muestra? Porque usar datos de una Muestra?
Hay varias razones por las cuales estudiamos muestras en lugar de poblaciones: Es muy lento y caro estudiar la poblacin entera Las Predicciones basadas en una muestra son casi tan precisas como las predicciones en la poblacin entera. Igualamos la distribucin estadstica a nuestros datos de muestra para representar la poblacin y ser capaz de predecir el desempeo
38
Introduccin al Minitab Introduccin al Minitab
39
Introduccin a Minitab Introduccin a Minitab

Acceso al programa Entrada de datos y Manipulacin Graficas Bsicas
Histograma Box Plot Time Series Plot Estadsticas Bsicas
Stat Guide (Men de Ayuda) Ayudas para reporte

40
Introduccin a Minitab Introduccin a Minitab

Paquete de Anlisis Estadstico en todo el Corporativo Excelentes capacidades para graficar Amplia variedad de herramientas estadsticas Gran Ayuda en caractersticas Localmente instalado para lideres, MBBs y BBs y por excepcin para usuarios especficos Disponible a travs de Citrix donde quiera que sea.
41
Introduccin a Minitab Acceso a Citrix Introduccin a Minitab Acceso a Citrix

Start>Programs>Engineering Applications>Minitab 14 Login with your usual network ID and password
Ingresar screen shots locales regionales
42
Introduccin a Minitab Tipos de Archivos Introduccin a Minitab Tipos de Archivos

Archivos .mtw son solo para hojas de datos Mini Tab Worksheet Archivos.mpj son archivos de proyectos completos Minitab ProJect Graba hojas de datos, graficas, texto de salida, bloque de reporte histrico, etc
43
Entrada de Datos Entrada de Datos

Tecleando Abriendo un archivo
No solo archivos .mtw Excel y archivos de texto se abren directamente
Copiar y pegar va Clipboard Generado dentro de Minitab

Datos aleatorios Datos patrn
44
Ejemplo en Minitab Ejemplo en Minitab

B&Q uno de nuestros mas grandes clientes Europeos quiere un mejor nivel de servicio. Hemos escogido 1 SKU para probar y entender el orden de los patrones. El SKU particular no es vendido nicamente a B&Q. Al mismo tiempo el grupo de manufactura Suzhou se est quejando acerca de ordenes irregulares Usaremos Minitab para manipular y analizar los datos para tratar y enfocar algunas actividades de mejora
Plot of Manufacturing Orders 2003 by Week
9000 8000 Order Qty KA160KT-GB 7000 6000 5000 4000 3000 2000 1000 0 0 5 10 15 20 Week Number 25 30 35
45
Agenda de Manipulacion de Datos Agenda de Manipulacion de Datos

Abra la hoja de trabajo BQ.mtw y haremos lo siguiente juntos
Ventana de informacin Apilar columnas Almacenar estadstica descriptiva Extraer fecha/tiempo Sub agrupar hojas de trabajo
La razn para esta manipulacin llegara a ser clara cuando hagamos el anlisis grafico Acceso/Excel es a menudo usado para manipular datos antes de copiarlos a Minitab O solo colecte o teclee los datos de una manera apropiada
46
Ventana de Informacin Ventana de Informacin

Haciendo clic en el icono da la siguiente vista :-
Dato Tipo N Numrico, T Texto, D - Fecha Valores faltantes Celdas vacas Longitud de columna Numero de datos (puntos) Columna de referencia Columna encabezado (si es usado)
Use la ventana de Informacin para ayudar a validar validar sus datos Black & Decker (U.S.), Inc., - V1.0, December 2006
47
Apilado de Columnas Apilado de Columnas

Nuestros datos son conocidos como datos sin apilar Ejemplo, los datos del cliente estn en diferentes columnas Minitab: Data>Stack>Blocks of Columns [c1&c2, c3&c4]
Minitab: Etiquete las nuevas columnas como se muestra

48
Almacenamiento de Estadstica Descriptiva Almacenamiento de Estadstica Descriptiva

Solo queremos ver los totales para cada da por cada cliente Minitab: Stat>Basic Statistics>Store Descriptive Statistics
Minitab: Estadsticas y opciones como se muestran

49
Almacenamiento de Estadstica Descriptiva Almacenamiento de Estadstica Descriptiva

Su hoja de trabajo deber ahora verse como la que esta abajo :-
apilados y luego Sumados
Minitab: Re nombre las columnas C8, C9 y C10 como se muestra

50
Convirtiendo Fechas a Das/Semanas Convirtiendo Fechas a Das/Semanas

Frecuentemente obtenemos fechas de sistemas, pero estamos mucho mas acostumbrados a ver tendencias a travs de la semana o mes Minitab: Data>Extract from Date/Time>To Text Verificar Da de la semana
51
Hoja de trabajo de Subgrupo Hoja de trabajo de Subgrupo

Usted algunas veces colecta mas datos de los que necesita Sub agrupando la hoja de trabajo le permitir extraer los datos que usted necesita. El mismo sub grupo esta disponible directamente mientras grafica Minitab: Data>Subset Worksheet [Cust=B&Q]
52
Manejo de hojas de trabajo Manejo de hojas de trabajo

Ahora usted tiene 2 hojas de trabajo Minitab: Haga Clic en el icono de manejo de hojas de trabajo
2 hojas de trabajo Columnas excluidas porque tenan diferente longitud
Usted puede usar esta misma caracterstica en el interior de las graficas para evitar sub grupos de hojas de trabajo
53
Graficas Graficas
Usemos la hoja de datos completa (BQ.mtw) que ahora tenemos y analicemos la situacin juntos Histograma Time Series Plot Boxplot Estadsticas Descriptivas
54
Histograma Histograma
Minitab: Graphs>Histogram [Simple, column C10]
Histogram of Qty
40
30
La mayora de las ordenes son pequeas 1 outlier (punto fuera del grupo comn de datos) Black & Decker (U.S.), Inc., - V1.0, December 2006
Frequency
20
10
0 0 2000 4000 Qty 6000 8000
55
Time Series Plot Time Series Plot

Time series plot usa numero de rengln si no hay informacin del tiempo disponible Minitab: Graph>Time Series Plot[Con grupos para Cant. por Cliente]
Time Series Plot of Qty

9000 8000 7000 6000 5000 Qty 4000 3000 2000 1000 0 1 5 10 15 20 25 30 Index 35 40 45 50
C ust B&Q Other
Usted puede ver que los 8,500 es B&Q y el orden no encaja con el patrn normal
56
Boxplot Boxplot
Outlier Verifique estos datos Mximo excluyendo los outliers 75% a travs del rango de los datos 50% a travs del rango de los datos 25% a travs del rango de los datos
Q3 Mediana Q1 Whisker
Mnimo excluyendo outliers
Boxplot ayuda a mostrar la distribucin de sus datos Si los datos son de una distribucin normal entonces el box plot y la curva normal estn relacionados
57
Muestra de Estadsticas Descriptivas Muestra de Estadsticas Descriptivas

Buena primer vista de sus datos Minitab: Stat>Basic Statistics>Graphical Summary [Qty]
Summary for Qty
A nderson-Darling N ormality Test A -S quared P -V alue < M ean S tD ev V ariance S kew ness Kurtosis N M inimum 1st Q uartile M edian 3rd Q uartile M aximum 30.80 12.64 0.005 368.29 1199.96 1439905.41 6.5384 44.8680 51 1.00 31.00 122.00 267.00 8520.00 705.79 160.00 1491.64
-2000
2000
4000
6000
8000
95% C onfidence Interv al for M ean 95% C onfidence Interv al for M edian 63.02
Que sabe usted en esta grafica?

95% Confidence Interv als

Mean
95% C onfidence Interv al for S tDev 1004.02
Median 0 200 400 600 800
58
Editando Graficas Editando Graficas

Las graficas de Minitab son ahora mucho muy parecidas a Excel Haga clic en el botn derecho del Mouse en el elemento de la grafica, esto le dar opciones.
59
Funcin Helpen Minitab Funcin Helpen Minitab

Usted puede hacer la bsqueda usual a travs del men help O haga clic en el botn derecho del Mouse, tambin accesa la gua de Stat de Minitab. La cual le da links directamente en la rea derecha de help
Esto tambin trabaja desde la ventana de sesin 60
Reporte y Presentaciones Reporte y Presentaciones

Copie graficas y pguelas usando clipboard dentro de otras aplicaciones de Microsoft, como PowerPoint O haga clic en el botn derecho del Mouse y agregue graficas o salida sesin de Windows dentro del bloque de reporte de Minitab. Usted puede ver en cualquier momento haciendo clic en el icono de bloque de reporte Usted puede agregar su propio texto como vaya trabajando en su proyecto Usted puede grabar su bloque de reporte como un documento Word (.rtf file)
61
Bloque de Reporte Bloque de Reporte
62
Resumen de Minitab Resumen de Minitab

Minitab ofrece un paquete muy profesional para su anlisis y mejora necesaria Remueve la necesidad de recordar formulas Las graficas son mucho mejores que las de Excel Como cualquier otro paquete nuevo usted necesita usarlo para aprenderlo La mayora de las herramientas estadsticas comunes se han desarrollado en Excel
63
Informacin del ejemplo Informacin del ejemplo

En el ejemplo (BQ.mtw) trabajamos a travs de datos adicionales y el anlisis ha mostrado deficiencias del proceso mayores
Empuje comercial de las existencias no pronosticado Correcciones al pronostico a ordenes mas grandes toma semanas mientras tanto ver una orden masiva (reaccionando al empuje) y luego a una masiva cancelacin (una vez que el pronostico es regresado a la lnea)
Tambin hemos encontrado a B&Q no respetando las ordenes de las cantidades y cambiando sus parmetros de cadena interna de suministro sin avisarnos
Use su BB/MBB local para ayudarle a aprender

64
Definir
Medir
Analizar
Mejorar
Controlar


65
Definir Estndares de Desempeo Definir Estndares de Desempeo
Step 2: Define Performance Standards
Unidad / Evento
: eg/ Facturacin
Defecto LES / LEI / Objetivo Tipo de Dato
: eg/ crdito debido a precio equivocado : para su Proyecto Y (salida) : Atributo / Continuo
67
Definiendo Estndares de Desempeo Definiendo Estndares de Desempeo

Cuantificar los requerimientos del cliente (CTQ) y los requerimientos internos, definir el Standard de desempeo (Especificacin). El desempeo es medido contra nuestros estndares. La falla en cumplir el Standard de desempeo se define como defecto. La presencia de defectos da como resultado defectivos.
68
Defectivos Defectivos
Un defectivo es cualquier caracterstica (s) la cual causa que un articulo falle a cumplir la especificacin (CTQ). Los Defectivos resultan en re trabajo, desperdicio o retornos de garantas. First Time Pass (FTP) y las Partes por Milln (PPM) son medidas tradicionales de defectivos.
FTP = Cantidad pasada * 100 Cantidad Total PPM = Cantidad defectiva * 1,000,000 Cantidad total
Los defectivos son artculos con uno o mas defectos

69
Defectos Defectos
Un defecto es cualquier ocurrencia de una falla para cumplir con los estndares de desempeo o producir la salida esperada de un proceso. Una unidad Defectiva puede contener mas de un defecto. El conteo de defectos preciso requiere que no nos detengamos a buscar defectos despus de que el primero es identificado.
Cualquier cosa que no es hecha correctamente la primera vez es un defecto

70
Mtricas para Defectos Mtricas para Defectos

Defectos por Unidad (DPU) y Defectos por Milln de Oportunidades (DPMO) son usados para cuantificar defectos
Defectos (Responsable de Desperdiciar o Re trabajar) DPU = ------------------------------------------------Unidades (Originalmente Sumitidas del Proceso)
DPU es el numero promedio de defectos dentro de cada unidad producida

71
Mtricas para Defectos Mtricas para Defectos

DPMO da una visin mas completa de los defectos de las partes/proceso que las mediciones de los defectivos (PPM). Debemos primero definir la Oportunidad: Una Oportunidad es a una posibilidad de crear defectos.
DPMO =
X 1,000,000 Oportunidades
Defectos
DPMO revela la capacidad entera de un proceso

72
Ejemplo -- Comercial Ejemplo Comercial

Un Black Belt estaba trabajando en un proyecto para registrar retornos de productos defectivos por cdigo de fecha de producto en uno de nuestros mayores distribuidores. En 2005, el total de retornos era igual a 5,914. El numero total de productos vendidos fue de 43,344
Cuenta de defectos = 5,914 Oportunidades = 43,344 DPMO = 5,914 / 43,344* 1,000,000 = 136,443 PPM = 5,914 / 43,344* 1,000,000 = 136,443 Porque los DPMO = PPM en este ejemplo?
73
Ejemplo Operaciones Ejemplo Operaciones

Un Black Belt estaba trabajando en un proyecto para reducir los defectos recibidos de unos de nuestros proveedores. el proveedor entrego 152,000 partes en el mes 2,750 defectos fueron encontrados en el mismo periodo
Cuenta de defectos = 2,750 Oportunidades = 152,000 DPMO = 2,750 / 152,000* 1,000,000 = 18,092 PPM = 2,750 / 152,000* 1,000,000 = 18,092 Porque los DPMO = PPM en este ejemplo?
74
DPMO vs PPM DPMO vs PPM

Donde las oportunidades sean igual a 1, Los DPMO sern los mismos que los PPM. Los defectivos manejan la satisfaccin del cliente. Los defectos manejan la mejora del proceso. Los DPMO proveen una medida estable para probar el desempeo del proceso. Los PPM son sensitivos a la distribucin de defectos, no a la cantidad total , mientras que los DPMO son manejados solamente por la cantidad de defecto.
75
Relacin entre % bueno, Sigma, y DPMO Relacin entre % bueno, Sigma, y DPMO Nivel Sigma 2 3 4 5 6 % Bueno 70% 94% 99.4% 99.98% 99.99997% DPMO 308,537 66,807 6,210 233 3.4
Usted puede tambin usar el archivo DPMOSigmaCalculator.xls

76
500 Paso 1
Midiendo el rendimiento de el Proceso Midiendo el rendimiento de el Proceso
Paso 2
Resultado del Rendimiento del Proceso

Bueno X 100 Oportunidades = 488 / 500 X 100 = 97.6%
Paso 3
12 MALO
488 Bueno
77
500 Paso1
Measuring es Ah! esta no the toda la Defects Processpelcula
Paso 2
Resultado del Proceso DPMO

Defectos X 1,000,000 Oportunidades = 12 / 500 X 1,000,000 = 24,000
Paso 3
12 MALO
488 Bueno
78
500 Paso 1
38,000 DPMO 19 MALO y arreglado Paso 2 64,000 DPMO 32 MALO y remplazado Paso 3 12 MALO
La fabrica escondida
488 Bueno
79
500 Paso 1 96.2 % Yield 481 Bueno
Rolled Throughput Yield Rolled Throughput Yield

19 Malo y arreglado
Paso 2 93.6 % Yield RTY = 96.2 x 93.6 x 97.6 = 87.9 %

468 Bueno Step 3
32 MALO y remplazado 12 MALO 97.6 % Yield
488 Bueno
80
Que es el Rolled Throughput Yield? Que es el Rolled Throughput Yield?
Es la probabilidad de una unidad de completar cada paso medido en el proceso con cero defectos.
81
Entrenamiento LSS Green Belt MOD 3 - MEDIR RTY Score Sheet.xls
Ejercicio RTY Ejercicio RTY
Necesitamos 8 voluntarios para trabajar en una lnea de ensamble en una fabrica. 3 trabajadores de lnea 2 Manejadores de Materiales 3 Tcnicos de Calidad
Trabajor 1 Trabajador 2 Trabajador 3
Paso del proceso 1
Manejador de Materiales 1
Paso del proceso 2
Manejador de Materiales 2
Paso del proceso 3
La meta son 25 buenas del paso 3
Tcnico de Calidad 1
Tcnico de Calidad 2
Tcnico de Calidad 3 82
Ejercicio RTY, Continuacin Ejercicio RTY, Continuacin

El Proceso: Hay tres pasos del proceso El cliente quiere 25 buenas del paso 3 En cada paso, el trabajador deja caer una carta desde la posicin vertical a la altura del hombro dentro de una pieza de papel en el piso Cada carta aterrizando dentro del objetivo es pasado a el siguiente paso por el manejador de materiales El tcnico de calidad mantendr el conteo de cuantas cadas toma obtener 20 cartas en el objetivo En cada uno de los 3 pasos usa el mismo enfoque
Calcular RTY para este ejemplo

83
Resumen Resumen
Los Estndares de Desempeo (Especificaciones) deben ser cuantificados, a menudo de CTQs cualitativos Las mediadas de los defectivos y defectos son usados para evaluar nuestro desempeo versus Estndares de Desempeo Midiendo defectos en trminos de DPMO debe ser usado para manejar las mejoras de proceso Las medidas de defectivos son tiles para medir la satisfaccin del cliente.
84
Definir
Medir
Analizar
Mejorar
Controlar


85
Validar el Sistema de Medicin Validar el Sistema de Medicin
Paso 3: Validar el Sistema de Medicin en Y

Sistema de Medicin De donde provienen los datos ? Como obtuvo los datos ? Que va a hacer con ellos ? Verificaciones de la muestras tomadas para ver si los datos son verdaderos? Si si, cuales fueron los resultados pasaron / fallaron ? (necesitan pasar antes de que usted avance al paso 4 !) NOTA diferente herramienta a ser usada para GR&R si los datos son por atributos o continuos.
87
Porque Medir? Porque Medir?

Necesitamos saber... Dimensiones
Dimetro externo, Dimetro interno, Longitud
Velocidades
Tiempo de ciclo, Razn de alimentacin, Velocidad de giro
Cualidades
Color, Acabado, Porosidad, Ralladuras
Cantidades
# completados, # Buenos, # Malos
Que tanto error potencial introducimos dentro de nuestro proceso debido a la forma en que medimos???
88
Ejercicio de Calentamiento Ejercicio de Calentamiento
Le ser mostrado un texto Individualmente usted contara las letras f o F Tiene solo 40 segundos para contarlas
No muy difcil, verdad? Ser la clase un buen gage?

89
Ejercicio de calentamiento Ejercicio de calentamiento

The Necessity of Training Farm Hands in the Fatherly Handling of Farm Live Stock is Foremost in the Eyes of Farm Owners. Since the Forefathers of the Farm Owners Trained the Farm Hands for First Class Farms in the Fatherly Handling of Farm Live Stock, the Farm Owners Feel they should carry on with the Family Tradition of Training Farm Hands of First Class Farmers in the Fatherly Handling of Farm Live Stock Because they Believe it is the Basis of Good Fundamental Farm Management
No muy difcil, verdad? Ser la clase un buen gage?

90
Porcentaje efectivo Porcentaje efectivo

Cual seria una razn de error aceptable para este ejercicio? 90%, 95% , 99% o mas? % Efectivo = Numero de personas correctas Total de personas en la clase Que tal si tuviramos otro prrafo para contar o otras letras a encontrar? Es esta clase un buen sistema de medicin?
91
Ejercicio de Calentamiento Ejercicio de Calentamiento

The Necessity of Training Farm Hands in the Fatherly Handling of Farm Live Stock is Foremost in the Eyes of Farm Owners. Since the Forefathers of the Farm Owners Trained the Farm Hands for First Class Farms in the Fatherly Handling of Farm Live Stock, the Farm Owners Feel they should carry on with the Family Tradition of Training Farm Hands of First Class Farmers in the Fatherly Handling of Farm Live Stock Because they Believe it is the Basis of Good Fundamental Farm Management
Mejoramos el sistema de medicin?

92
Como evaluar su sistema de medicin? Como evaluar su sistema de medicin?

Veremos una herramienta llamada GR&R Datos por atributo Datos variables (modulo opcional) Tambin veremos que puede usted hacer cuando esas tcnicas no aplican Datos electrnicos, por ejemplo
93
Datos Electrnicos Datos Electrnicos

Que tal si sus datos de medicin viene de una fuente electrnica como SAP o algunos otros software de administracin de datos?
Hay algn humano o gauging involucrado?
Discuta de donde vienen los datos de su proyecto
94
Ejemplo: Caso de Estudio Reduccin de Inventario Ejemplo: Caso de Estudio Reduccin de Inventario
Un distribuidor estaba recolectando datos electrnicos respecto a la semana de inventario disponible y las vueltas de las existencias a travs de un software para administracin de la distribucin. Para determinar la habilidad de este sistema de medicin, una auditoria en varias tiendas fue llevada a cabo para contar manualmente los niveles de inventario y revisar las vueltas de las existencias. Hubo un 100% de igualdad entre los datos electrnicos y los de la tienda.
Una auditoria puede ser una evaluacin conveniente del sistema de medicin para los datos provenientes de la fuente electrnica
95
Cuando un GR&R no es aplicable, como validar el Cuando un GR&R no es aplicable, como validar el sistema de medicin? sistema de medicin? Verifique que todos los registros estn siendo completados
Verifique los valores faltantes, espacios vacos, registros 0 etc.
Cree una Grafica de Time Series Plot

Busque los datos que se ajusten al patrn Ejemplo, tiempo de ciclo de transporte areo (2 das) vs. transporte martimo (30 das)
Revise Subgrupos
Dan los procesos parecidos resultados similares? Ejemplo, todos los contenedores en el mismo carguero tienen el mismo tiempo de transito?
Tipos de Datos
Son los tipos de datos consistentes? Ejemplo, Ha sido ingresado texto cuando valor numrico es esperado etc.
96
Ejemplo: Identificando discrepancias en los datos Ejemplo: Identificando discrepancias en los datos
Los siguientes 3 contenedores embarcados 1 da mas temprano pero este es el mismo carguero
Vessel/MAWB SKAUBOARD SKAUBOARD MOL VIGOR ZIM CALIFORNIA ZIM CALIFORNIA ZIM CALIFORNIA ZIM CALIFORNIA APL PHILIPPINES APL PHILIPPINES APL PHILIPPINES APL PHILIPPINES MOL ELBE MING SOUTH SOPHIA BRITANNIA NORFOLK EXPRESS NORFOLK EXPRESS Shipper Pick Up Loading JPSMZ JPSMZ CNYTN HKHKG CNSHK CNSHK CNSHK CNYTN CNYTN GBFXT CNYTN CNSHA
4/12/2004
Shipped On 6/30/2004 6/30/2004 6/25/2004 6/24/2004 6/23/2004 6/23/2004 6/23/2004 7/12/2004 7/12/2004 7/12/2004 7/12/2004 6/28/2004 7/1/2004 6/23/2004 6/24/2004 6/26/2004
97
D.NAGATA CO., LTD. D.NAGATA CO., LTD. SUNCRAFT HARDWARE TOOLS (HK) LTD TOP CONCEPT INDUSTRIAL LTD BDC INTERNATIONAL LIMITED 6/16/2004 BDC INTERNATIONAL LIMITED 6/16/2004 BDC INTERNATIONAL LIMITED 6/16/2004 FINEMOST LIMITED. 7/8/2004 FINEMOST LIMITED. 7/8/2004 FINEMOST LIMITED. 7/8/2004 FINEMOST LIMITED. 7/8/2004 SHANGHAI XINPENG METAL PRODUCTS CO.de Esperando un Puerto BDC INTERNATIONAL LIMITED de origen 6/26/2004 cdigo no DELTA ELECTRONICS (THAILAND) PUBLIC una fecha BLACK & DECKER (SUZHOU) CO LTD 6/21/2004 BDC INTERNATIONAL LIMITED 6/21/2004
THLCH CNSHA CNSHK
GR&R por Atributos GR&R por Atributos
98
Porque estudiar Atributos Porque estudiar Atributos del Sistema de Medicin? del Sistema de Medicin?
Para determinar que tan bien los inspectores de calidad estn conforme aun conocido muestrario con rangos de aceptacin y rechazo Para determinar que tan bien los inspectores de calidad estn conforme a ellos mismos Para determinar si los rangos de aceptacin y rechazo del muestrario existente proveen suficiente criterio para los inspectores de calidad
Recordatorio: Un atributo es un dato discreto, ejem. contar

99
Principio del GR&R Principio del GR&R

Partes representativas del proceso
Operadores tomado decisiones
1. Hace cada operador la misma evaluacin cada vez que el/ella evalan la misma parte? 2. Diferentes operadores aplican diferentes estndares? 3. Aun cuando todos los operadores estn de acuerdo cada vez, toman ellos la decisin correcta?
100
Principio del GR&R Principio del GR&R

Hace cada operador la misma evaluacin cada vez que el/ella evalan la misma parte?
REPETIBILIDAD
Diferentes operadores aplican diferentes estndares?
REPRODUCIBILIDAD
Aun cuando todos los operadores estn de acuerdo cada vez, toman ellos la decisin correcta?
EFECTIVIDAD
101
Criterio de Aceptacin Criterio de Aceptacin

% del Operador Repetibilidad - indica si el operador esta de acuerdo con el mismo en ambos intentos % de Puntuacion vs. Atributo - Indica si el operador esta de acuerdo en ambos intentos contra un Standard conocido Screen % Effective - Indica si los operadores estn de acuerdo entre ellos Screen % Effective vs. Atributo Indica si los operadores estn de acuerdo con ellos mismos y con un Standard conocido.
El objetivo para todas las puntuaciones es 100%, pero 80% o mayor es aceptable
102
Guas para GR&R por atributos Guas para GR&R por atributos
al menos dos, pero preferentemente tres o mas operadores Cada unidad es medida al menos 2 veces por cada operador
103
Procedimiento Procedimiento
1. 2. 3. 4. Seleccionar 10 partes del proceso que incluya muestras buenas y malas Dos operadores independientemente midan cada parte 2 veces (en orden aleatorio) Use el archivo MSC_GRR.XLS para registrar los datos y calcule la puntuacin Efectiva Una puntuacin Efectiva aceptable es 80% o mas alta
Es apropiado el GR&R para todos proyectos transaccionales?

104
Ejemplo Ejemplo
Known Population Sam # A ple ttribute 1 Pass 2 Pass 3 Pass 4 Pass 5 Pass 6 Fail 7 Fail 8 Fail 9 Fail 10 Pass Operator #1 Try #1 Try #2 Pass Pass Pass Pass Pass Pass Pass Pass Fail Pass Fail Fail Fail Fail Fail Fail Fail Fail Fail Fail Operator #2 Try #1 Try #2 Pass Pass Pass Pass Pass Pass Pass Pass Pass Pass Fail Fail Fail Fail Fail Fail Fail Fail Fail Fail Operator #3 Try #1 Try #2 Y/N A gree Y Y Y Y N Y Y Y Y Y Y/N A gree Y Y Y Y N Y Y Y Y N
%A PPRA ISERSCORE(1) -> %SCORE VS. A TTRIBUTE(2) ->
90.00% 80.00%
100.00% 90.00%
0% 0.00%
SCREEN%EFFECTIVE SCORE(3) -> 90.00% SCREEN%EFFECTIVE SCORE vs. A TTRIBUTE (4) -> 80.00%
Que significan los nmeros?

105
Ejemplo Ejemplo
Known Population Sample # Attribute 1 Pass 2 Pass 3 Pass 4 Pass 5 Pass 6 Fail 7 Fail 8 Fail 9 Fail 10 Pass Operator #1 Try #1 Try #2 Pass Pass Pass Pass Pass Pass Pass Pass Fail Pass Fail Fail Fail Fail Fail Fail Fail Fail Fail Fail Operator #2 Try #1 Try #2 Pass Pass Pass Pass Pass Pass Pass Pass Pass Pass Fail Fail Fail Fail Fail Fail Fail Fail Fail Fail Operator #3 Try #1 Try #2 Y/N Agree Y Y Y Y N Y Y Y Y Y Y/N Agree Y Y Y Y N Y Y Y Y N
% APPRAISER SCORE(1) -> % SCORE VS. ATTRIBUTE(2) ->
90.00% 80.00%
100.00% 90.00%
0% 0.00%
SCREEN % EFFECTIVE SCORE(3) -> 90.00% SCREEN % EFFECTIVE SCORE vs. ATTRIBUTE (4) ->
80.00%
Repetibilidad
Reproducibilidad
Estudio Total (Buscar que esto sea > 80.00%!!)

106
Puntuacin de % del Operador Puntuacin de % del Operador

Known Population Known Population Sample # Attribute Sample # Attribute 1 Pass 1 Pass 2 Pass 2 Pass 3 Pass 3 Pass 4 Pass 4 Pass 5 Pass 5 Pass 6 Fail 6 Fail 7 Fail 7 Fail 8 Fail 8 Fail 9 Fail 9 Fail 10 Pass 10 Pass Operator #1 Operator #1 Try #1 Try #2 Try #1 Try #2 Pass Pass Pass Pass Pass Pass Pass Pass Pass Pass Pass Pass Pass Pass Pass Pass Fail Pass Fail Pass Fail Fail Fail Fail Fail Fail Fail Fail Fail Fail Fail Fail Fail Fail Fail Fail Fail Fail Fail Fail Operator #2 Operator #2 Try #1 Try #2 Try #1 Try #2 Pass Pass Pass Pass Pass Pass Pass Pass Pass Pass Pass Pass Pass Pass Pass Pass Pass Pass Pass Pass Fail Fail Fail Fail Fail Fail Fail Fail Fail Fail Fail Fail Fail Fail Fail Fail Fail Fail Fail Fail Operator #3 Operator #3 Try #1 Try #2 Try #1 Try #2 Y/N Y/N Agree Agree Y Y Y Y Y Y Y Y N N Y Y Y Y Y Y Y Y Y Y Y/N Y/N Agree Agree Y Y Y Y Y Y Y Y N N Y Y Y Y Y Y Y Y N N
No se igualan No se igualan
% APPRAISER SCORE (1) -> % APPRAISER SCORE -> (2) % SCORE VS. ATTRIBUTE (2) -> % SCORE VS. ATTRIBUTE ->
(1)
90.00% 90.00% 80.00% 80.00%
100.00% 100.00% 90.00% 90.00%
0% 0% 0.00% 0.00%
(3)
SCREEN % EFFECTIVE SCORE (3) -> 90.00% SCREEN % EFFECTIVE SCORE -> 90.00% (4) SCREEN % EFFECTIVE SCORE vs. ATTRIBUTE (4) -> SCREEN % EFFECTIVE SCORE vs. ATTRIBUTE ->
80.00% 80.00%
Puntuacin del operador calculado por el porcentaje de igualdad de esas dos columnas
As : 9 Iguales / 10 Pares = 90%

107
Screen % Effective Screen % Effective

Known Population Sample # Attribute 1 Pass 2 Pass 3 Pass 4 Pass 5 Pass 6 Fail 7 Fail 8 Fail 9 Fail 10 Pass
No todos se igualan
Operator #1 Try #1 Try #2 Pass Pass Pass Pass Pass Pass Pass Pass Fail Pass Fail Fail Fail Fail Fail Fail Fail Fail Fail Fail
Operator #2 Try #1 Try #2 Pass Pass Pass Pass Pass Pass Pass Pass Pass Pass Fail Fail Fail Fail Fail Fail Fail Fail Fail Fail
Operator #3 Try #1 Try #2
Indicado Aqu
0% 0.00%
Y/N Agree Y Y Y Y N Y Y Y Y Y
Y/N Agree Y Y Y Y N Y Y Y Y N
% APPRAISER SCORE(1) -> (2) % SCORE VS. ATTRIBUTE ->
90.00% 80.00%
100.00% 90.00%
SCREEN % EFFECTIVE SCORE(3) -> 90.00% (4) SCREEN % EFFECTIVE SCORE vs. ATTRIBUTE ->
80.00%
Puntuacin de Screen % Effective calculada por el porcentaje de igualdad del operador con cada uno. (Reproducibilidad)
As:
9 Iguales / 10 Pares = 90%

108
Screen % Effective vs. Atributo Screen % Effective vs. Atributo

Known Population Sample # Attribute 1 Pass 2 Pass 3 Pass 4 Pass 5 Pass 6 Fail 7 Fail 8 Fail 9 Fail 10 Pass
No todos se igualan
Operator #1 Try #1 Try #2 Pass Pass Pass Pass Pass Pass Pass Pass Fail Pass Fail Fail Fail Fail Fail Fail Fail Fail Fail Fail
Operator #2 Try #1 Try #2 Pass Pass Pass Pass Pass Pass Pass Pass Pass Pass Fail Fail Fail Fail Fail Fail Fail Fail Fail Fail
Operator #3 Try #1 Try #2
Indicado aqu
0% 0.00%
(3)
Y/N Agree Y Y Y Y N Y Y Y Y Y
Y/N Agree Y Y Y Y N Y Y Y Y N
% APPRAISER SCORE(1) -> % SCORE VS. ATTRIBUTE(2) ->
90.00% 80.00%
100.00% 90.00%
SCREEN % EFFECTIVE SCORE -> 90.00% (4) SCREEN % EFFECTIVE SCORE vs. ATTRIBUTE ->
80.00%
La puntuacin del Screen % Effective vs. Atributo es calculado por el porcentaje de igualdad de la puntuacin del Screen Effective a la Poblacin Conocida (Estudio Total)
As:
8 Iguales / 10 Pares = 80%

109
Ejercicio de Clase (Forma de Precisin) Ejercicio de Clase (Forma de Precisin)

Dividirse en 2 grupos Designar 2-3 inspectores de calidad, un manejador de materiales (para mantener orden aleatorio) y un registrador de datos Le ser dado papel de trabajo para evaluar la precisin Registre los datos usando el archivo MSC_GRR.XLS Su entrenador ser el cliente y llenara la columna de atributos al final Determine la efectividad del sistema y recomiende acciones Este preparado para compartir los resultados con la clase
110
Ejercicio de Clase (M&Ms) Ejercicio de Clase (M&Ms)

Dividirse en 2 grupos Designar 2-3 inspectores de calidad, un manejador de materiales (para mantener orden aleatorio) y un registrador de datos Le sern entregados 10 M&Ms para evaluar Registre los datos usando el archivo MSC_GRR.XLS Su entrenador ser el cliente y llenara la columna de atributos al final Determine la efectividad del sistema y recomiende acciones Este preparado para compartir los resultados con la clase
M&M M&M M&M
111
Extensin de GR&R por Atributos Extensin de GR&R por Atributos

Podemos usar las mismas tcnicas no solo para evaluar pasa o falla, tambin para ver si el cdigo correcto del defecto o cuenta de defecto es asignado Ejemplo dao en tornillo, ralladura, color etc, en coraza. Hay una hoja alternativa de GR&R que permite que sean usados cdigos o cuentas Attr GR&R for Multiple Defects.xls
112
Extensin de GR&R por Atributos Extensin de GR&R por Atributos
113
Localizacin y resolucin de problemas de un Gage pobre Localizacin y resolucin de problemas de un Gage pobre
Fuente Dominante de Variacin
Repetibilidad 1. Reemplace, repare, o ajuste el equipo 2. Si el equipo se esta desempeando a al spec, ya sea vivir con el error o usar promedio de seal
Reproducibilidad 1. Re-entrene 2. Examine calidad y habilidad de los procesos Standard entre operadores
114
GR&R de Variables GR&R de Variables

El GR&R de Variables usa el mismo principio pero involucra matemticas mas complejas Podemos entender mas de donde viene cualquier problema Involucra aparatos de medicin fsica y menos evaluacin humana Este es un modulo de entrenamiento opcional ver a su MBB
115
La Medicin como un Sistema La Medicin como un Sistema

Suponga que usted quiere medir el dimetro de una flecha... Como medira la dimensin? Seleccin del gage Proceso Otras Consideraciones?
Espera que las dimensiones estn correctas? Porque o Porque no?

116
Seleccin de Gage Seleccin de Gage

La resolucin es la unidad de medicin mas pequea que el gage es capaz de medir.
Un gage debe tener resolucin adecuada de manera que pueda discernir la dimensin a ser medida. Una resolucin de mnimo 10 veces es recomendada Una resolucin de 10 veces significa que el gage es capaz de medir a un grado 10 veces mas que la tolerancia requerida. Por ejemplo: una tolerancia de 1.00 mm +/- 0.1mm requerira un gage con una resolucin de 0.01 mm
117
Calibracin Calibracin
Calibracin es igualar la salida del dispositivo de medicin a un estndar conocido. La principal organizacin en mantener estndares es el Instituto Nacional de Estndares y Tecnologa (NIST), en Mxico es el Centro Nacional de Metrologia (CENAM). Los tres principales elementos a considerar son: Bias Estabilidad Linealidad
La Calibracin solo verifica la Media del Sistema de Medicin no la Variacin

118
Que hace la Calibracin? Que hace la Calibracin?

Valores Verdaderos Valores Medidos
Desplazamiento de la medicin
total =
actual + medicion
Valor Observado = Valor Verdadero + Error de Medicin

El Sistema de Medicin Bias Determinado a travs de el Estudio de Calibracin
119
Bias del Gage Bias del Gage

El Bias del Gage es la diferencia entre el promedio observado de las mediciones y un Standard conocido, mantenido por una organizacin como N.I.S.T.
Standard Conocido Bias
total
actual + medicion
Promedio Observado
Los sistemas de Calibracin corrigen el error del Bias igualando el promedio observado al Standard conocido
120
Estabilidad del Gage Estabilidad del Gage

La estabilidad del gage se refiere a la diferencia en el promedio de al menos dos grupos de mediciones obtenidas con el mismo gage en las mismas partes en tiempos diferentes.
total
actual + medicion
Estabilidad del Gage
Tiempo 1
Tiempo 2
Los sistemas de Calibracin eliminan los errores de estabilidad corrigiendo los errores de Bias a travs del tiempo.
121
Linealidad del Gage Linealidad del Gage

La Linealidad del Gage es la diferencia en la exactitud de los valores a travs del rango de operacin esperado.
Promedio Observado (punto bajo)
total
actual + medicion
Standard Conocido
Standard Conocido
Valor Observado (punto Alto)
Bias Pequeo (punto bajo)
Bias Grande (punto alto)
Rango de mediciones bajo
Rango de mediciones alto
Los sistemas de Calibracin eliminan los errores de Linealidad corrigiendo los errores de Bias a travs del rango de medicin.
122
Propsito del Sistema de Calibracin Propsito del Sistema de Calibracin

Para controlar los siguientes elementos: Bias Igualar el gage a un Standard conocido Estabilidad Asegurar que las mediciones del gage sean las mismas a travs del tiempo (Bias Temporal) Linealidad Asegurar que el gage es exacto a travs del rango entero de us0 (Bias a travs del rango de uso) Removerlos como contribuidores del Error de Medicin.
123

Adems de los errores de Locacin, la Variacin es inherente en el sistema. Lo que necesitamos hacer es entender la variacin debido al sistema de medicin.
Esto es la base para Repetibilidad y Reproducibilidad del Gage
124

Medicin (Variacin Observada)
Variacin del Proceso Actual
Variacin de Medicin
Necesitamos entender que hay dos fuentes de variacin en la Variacin Observada. Variacin Actual del Proceso Variacin de Medicin
125

Medicin (Variacin Observada)
Variacin de Medicin
Lo que queremos ver es esta porcin de la variacin.
Esta porcin de la variacin obscurece lo que queremos ver.
126
Ejemplo 1 Ejemplo 1
Variacin Actual Parte a Parte
Variacin Total Observada
Media Variacin del Sistema de Medicin Que porcin de la Variacin Total es debida al sistema de medicin o debida a las partes?
127
Example 2 Example 2
Variacin Actual Parte a Parte
Variacin Total Observada
Media Variacin del Sistema de Medicin

La Variacin Total es principalmente debida a La Variacin del sistema de Medicin. No podemos claramente ver La Variacin Actual Parte a Parte
128
Fuentes de Variacin Fuentes de Variacin

Variacin Observada
Variacin de Medicin
Operadores
Sistema del Gage
La Variacin del sistema puede venir de 2 fuentes primarias

Operadores Sistema del Gage
129
Fuentes de Variacin Fuentes de Variacin

Variacin Observada del Proceso
Variacin de Medicin
La Variacin debida al Operador es llamada - Reproducibilidad La Variacin debida al Sistema del Gage es llamada - Repetibilidad
Operadores
Sistema del Gage
Reproducibilidad
Repetibilidad
130
Repetibilidad Repetibilidad
La Repetibilidad del Gage es la variacin en las mediciones obtenidas cuando un operador usa el mismo Gage midiendo las caractersticas idnticas de las mismas partes.
2total =
2actual + 2medicion
Promedio verdadero de las Partes
Repetibilidad
131
Reproducibilidad Reproducibilidad
La Reproducibilidad del Gage es la variacin en el promedio de medidas hechas por diferentes operadores usando el mismo Gage midiendo las caractersticas idnticas de las mismas partes
2total =
2actual + 2medicion
Reproducibilidad
Operador A
Operador B
132
Resumen de Sistemas de Medicin Resumen de Sistemas de Medicin

Variacin de Medicin
Gage R y R determina la cantidad de variacin en las mediciones observadas debido a los Operadores y el Equipo. Calibracin asegura que las lecturas del equipo de la media se igualen a Standard conocidos.
Operadores
Sistema del Gage

Repetibilidad
Reproducibilidad
Bias Estabilidad Linealidad
133
GR&R por GR&R por Variables Variables
134
Por que Estudiar SM Por que Estudiar SM Variable? Variable?
Para cuantificar la cantidad de Variacin Observada en el proceso que es debida al error en el sistema de medicin
Tambin necesitamos hacer esto: Evaluar el gage nuevo antes de liberarlo a manufactura. Comparar diferentes tipos de equipos de medicin. Evaluar un gage sospecho de estar deficiente.
135
Precisin a la Tolerancia (P/T) Precisin a la Tolerancia (P/T)

La precisin a la Tolerancia califica la habilidad de un gage para medir las especificaciones del cliente. Ledo como el resultado del % de la Tolerancia . Precisin del Gage P / T = --------------------------- = Ancho de la Tolerancia
6 * MS USL LSL
Si la variacin en el SM es pequea comparada a la tolerancia entonces tiene un efecto mnimo en si la parte es un defecto o no
136
Tolerancia
LSL
Precisin
USL
Precisin a la Variacin Total (P /TV) (1) Precisin a la Variacin Total (P /TV) (1)
La Precisin a la Variacin Total compara la variacin de un gage a la variacin total de las mediciones a ser estudiadas. Califica la Habilidad de un gage para detectar un cambio en el proceso. Se lee como el resultado de % de Contribucin .
Precisin del Gage P / TV = ------------------------------------ = Variacin Total del Proceso
MS 2 total
Si la variacin en el SM es pequea comparada a la variacin Total entonces tiene un efecto mnimo en si la parte es un defecto o no
Precisin
Variacin Total
137
Precisin a la Variacin Total (P /TV) (2) Precisin a la Variacin Total (P /TV) (2)
La Precisin a la Variacin Total compara la variacin de un gage a la variacin total de las mediciones a ser estudiadas. Califica la habilidad de un gage para detectar un cambio en el proceso. Se lee como resultado % de Estudio de Variacin.
Precisin del Gage P / TV = ------------------------------------ = Variacin Total del Proceso
MS
total
Precisin
Variacion Total
Si la Variacin en el SM MS es pequea comparada a el total de la variacin entonces tiene un mnimo efecto en si la parte es un defecto o no
138
Categoras distintas Categoras distintas

Categoras distintas es el numero de grupos dentro de los datos de tu proceso que tu sistema de medicin puede discernir. Califica la habilidad de un gage para detectar diferencias en los datos.
Ejemplo: Cuatro (4) Categoras distintas

Los Datos estn aqu O aqu O aqu O aqu
Entre mas grande las Categoras distintas (mas botes dentro de donde podemos sortear las partes), el efecto menor que tiene SM en si la parte es un defecto o no
139
Criterio de Aceptacin Criterio de Aceptacin

Hay cuatro mtricas usadas para calificar un sistema de Medicin: % Tolerancia % Contribucin % Studio de Variacin Diferentes maneras de medir la misma cosa Categoras distintas
% Tolerancia Aceptar < 10 % % % Contribucin Studio <1% < 10 % Categoras Distintas > 10
Considerar 10 < x < 20% 1 < x < 9 % Critico Rechazar > 20 % >9%
10 < x < 30% > 30 %
4 < x < 10 <4

140
Gua GR&R de Variables Gua GR&R de Variables

Al menos dos, pero preferentemente tres o mas operadores Al menos 10 unidades que representen el 80% de la variacin observada del proceso Cada unidad es medida al menos 3 veces por cada operador
Recomendado 5 veces (para usar el poder de ANOVA)
El equipo debe de tener poder de discriminacin adecuado (Mnimo 10 X Resolucin)

Que deberamos hacer si no conocemos la variacin del proceso?
141
Procedimiento para GR&R por Variables Procedimiento para GR&R por Variables
1)
Seleccione muestras representando al menos 80% del rango total del proceso Verifique la calibracin del gage. Haga los preparativos en la hoja de trabajo de Minitab para el estudio Gage R&R Haga que el primer operador mida todas las muestras una vez en orden aleatorio
2) 3) 4)
5) Haga que el segundo operador mida todas las muestras una vez en orden aleatorio;
6) 7) 8) Repita los pasos 4-5 para el numero requerido de intentos Meta los datos y la informacin de tolerancia en Minitab. Stat>Quality Tools>Gage Study>Gage R&R Study (Crossed) Analice los resultados de acuerdo al criterio de aceptacin.
142
Anlisis en Minitab Anlisis en Minitab

FILENAME: Gagerr.mtw Stat>Quality Tools>Gage Study>Gage R&R Study (Crossed)
Mtodo ANOVA esta por default

143
Minitab Analysis Minitab Analysis
Nota: El denominador de el calculo de P/TV puede ser estimado de las muestras usadas en el estudio o de una estimacin histrica.
P / TV =
6*
2 MS
2 6 * total
6 * MS 6 * total
2 6 * MS 6 * MS = P /T = USL LSL USL LSL

144
Resultado de Minitab Resultado de Minitab

Resultado de Ventana de Sesin Resultado Grafico
Ga ge n am e :
Gage R&R (ANOVA) for Measure
Da te o f s tu d y : Re po rte d b y : To l era n c e : M isc :
Components of Variation
1 00 1 .1 % Co n tri b u tio n % Stu d y Va r % To l e ra n c e 50 1 .0 0 .9 0 .8 0 .7 0 .6 0 .5 0 Ga ge R&R Re pe a t Re pro d Pa rt-to-Pa rt 0 .4
By RR Part
Percent
RR Part
10
R Chart by Operator
0 .15
1 2 3
By Operator
1 .1 UCL=0 .12 5 2 1 .0 0 .9 0 .8 0 .7
Sample Range
0 .10
0 .05
R=0.0 3 83 3 L CL=0 0
0 .6 0 .5 0 .4
0 .00
Operator
Xbar Chart by Operator

1.1
1 2 3
Operator*RR Part Interac tion

1 .1 1 .0 UCL=0 .87 9 6 M e an =0.8 0 75 L CL=0 .73 5 4 0 .9 0 .8 0 .7 0 .6 0 .5 0 .4
Operator
1 2 3
Sample Mean
0.7 0.6 0.5 0.4 0.3 0
Average
1.0 0.9 0.8
RR Part
10
Respuestas! Pero que significan?

145
Anlisis de Minitab Anlisis de Minitab

Tabla ANOVA two-way con Interaccin Source DF SS MS RR Part 9 2.05871 0.228745 operator 2 0.04800 0.024000 operator*RR Part 18 0.10367 0.005759 Repeatability 30 0.03875 0.001292 Total 59 2.24912
s2 =
F 39.7178 4.1672 4.4588 P 0.00000 0.03256 0.00016
(Xi X) 2
i =1
n 1
El anlisis de la variacin (ANOVA) es utilizado para partir la varianza dentro de sus partes componentes. Podemos asignar la variacin a las partes, la cual esperamos esperamos tener, operadores (que representa el error del lado humano), repetibilidad (que representa el error del lado del equipo). Un beneficio agregado es la capacidad de ver la interaccin entre el operador y la parte.
146
Componentes de la variacin Componentes de la variacin

Variacin debido al sistema de medicin (dividido en repetibilidad y reproducibilidad) Source Total Gage R&R Repeatability Reproducibility operator operator*RR Part Part-To-Part Total Variation VarComp 0.004437 0.001292 0.003146 0.000912 0.002234 0.037164 0.041602 %Contribution (of VarComp) 10.67 3.10 2 MS 7.56 Contribucin = 2 2.19 total 5.37 89.33 0.004437 = 100.00
0.041602 0.1067
Varianza debida a las partes
=
Total de varianza
Note que las varianzas se suman por lo tanto, el % de contribuciones se suman
147

Desviacin estndar para cada componente de variacin
Source Total Gage R&R Repeatability Reproducibility operador operador*RR Part Part-To-Part Total Variation
Resultados GR&R Resultados GR&R

99.73% de la variacin representada
StdDev (SD) 0.066615 0.035940 0.056088 0.030200 0.047263 0.192781 0.203965 Study Var %Study Var %Tolerance (6 * SD) (%SV) (SV/Toler) 0.39969 32.66 26.65 0.21564 17.62 14.38 0.33653 27.50 22.44 0.18120 14.81 12.08 0.28358 23.17 18.91 1.15668 94.52 77.11 1.22379 100.00 81.59
P / TV = =
6 * MS = StudyVar 6 * total 0 . 3996 = 0 . 3266 1 . 2237
P /T =
6 * MS = Tol USL LSL 0 . 3996 = = 0 . 2665 1 .5
Si nuestro sistema de la medicin es bueno, dnde encontraremos la mayora de nuestra variabilidad?

148
Categoras Distintas Categoras Distintas

Nmero de categoras distintas = 4
Source Total Gauge R&R Repeatability Reproducibility operator Operator*Part Part-To-Part Total Variation Variance 0.004437 0.001292 0.003146 0.000912 0.002234 0.037164 0.041602
Categorias Distintas Sin problemas con el Sistema de Medicion Depende de lo Critico y Costo Rechace el Sistema de Medicion > 10 4-9 <4
2 Total Dist Categoras = Round *2 2 MS 0.041602 = Round * 2 = Round { .33} 4 0.004437
Utilice las categoras distintas como factor de decisin para la frontera GR&Rs.
149
Anlisis Grfico Anlisis Grfico

G age name: Date of study : Reported by : Tolerance: M isc:
100 Percent
% Contribution % Study Var % Tolerance
Measure by RR Part
1.00 0.75 0.50
50
0 Gage R&R Repeat Reprod Part-to-Part
5 6 RR Part
10
R Chart by Operator
1 Sample Range 0.10 0.75 0.05 0.00 _ R=0.0383 LCL=0 0.50 1 2 Operator 3 2 3 UCL=0.1252 1.00
Measure by Operator

1 Sample Mean 1.00 Average 0.75 0.50 _ UCL=0.8796 _ X=0.8075 LCL=0.7354 2 3 1.00 0.75 0.50 1 2 3 4
Operator * RR Part Interaction

Operator 1 2 3
5 6 RR Part
10
Investiguemos cada seccin una a la vez.

150
Componentes de la Variacin Componentes de la Variacin
Queremos que la variacin del GR&R sea baja
Utilcelo para encontrar que que arreglar si el GR/R es pobre
Queremos que la variacin entre parte y parte sea grande
ste es un sumario grfico de la tabla de ANOVA en la ventana de sesin - recuerde % de la contribucin = 10.67%
151
Grafica R para Operador Grafica R para Operador
Deseamos ver partes dentro de los lmites de control Esto grafica las diferencias entre las mediciones para cada parte por cada operador
152
Grfica de X barra por operador Grfica de X barra por operador
Distinto a la grafica x barra queremos variacin entre las mismas partes Esto grafica los promedios de las mediciones para cada parte por cada operador
153
Por parte de RR Por parte de RR
Queremos ver una diferencia en las mediciones de las medias de las partes y queremos ver partes individuales cerca de la media
Esto muestra las mediciones individuales y la media total de cada parte

154
Por operador Por operador
Queremos ver cada operador en promedio midiendo igual
Esto muestra el promedio y las mediciones individuales por operador

155
Operador por RR e Interaccin con la Parte Operador por RR e Interaccin con la Parte
Use esto para ver si diferentes operadores tienen un problema con ciertas partes Esto muestra el promedio de las mediciones por parte por cada operador
156
Fallas de Repetibilidad Fallas de Repetibilidad

Variacin Actual del Proceso
Variacin de la medicin
Ga ge nam e:
Da te o f s tud y : Re ported by : To l era nc e: Misc:
Operadores
By RR Part
1 00 1.1 % Con tri b uti on % Stu dy Var % Tol era nc e 50 1.0 0.9 0.8 0.7 0.6 0.5 0 Ga ge R&R Rep ea t Rep rod Part-to-Part 0.4
Sistema Del Gage

Repetibilidad
Percent
RR Part
10
Reproducibilidad
R Chart by Operator
0.15
1 2 3
By Operator
1.1 UCL= 0.1 25 2 1.0 0.9 0.8 0.7
Sample Range
0.10
0.05
R=0.038 33 L CL= 0 0
0.6 0.5 0.4
0.00
Operator

1 .1
1 2 3
Operator*RR Part Interaction

1.1 1.0 UCL= 0.8 79 6 M ea n=0 .80 75 L CL= 0.7 35 4 0.9 0.8 0.7 0.6 0.5 0.4
Operator
1 2 3
Sample Mean
0 .7 0 .6 0 .5 0 .4 0 .3 0

RR Part
1 2 3
Average
1 .0 0 .9 0 .8
10
157
Fallas de Reproducibilidad Fallas de Reproducibilidad

Variacin Actual del proceso

Ga g e n a m e :
Variacin del Sistema de medicin
Da te o f s tu d y : Re p o rte d b y : To l e ra n c e : M is c :
1 00 1 .1 % Co n tri b u ti o n % Stu d y Va r % To l e ra n c e 50 1 .0 0 .9 0 .8 0 .7 0 .6 0 .5 0 Ga g e R&R Re p e a t Re p ro d Pa rt-to -Pa rt 0 .4
By RR Part
Operadores
1 2 3 4 5 6 7 8 9 10
P ercent
Sistema Del Medicin

Repetibilidad
RR Part
R Chart by Operator
0 .1 5
1 2 3
By Operator
1 .1 UCL =0 .1 2 5 2 1 .0 0 .9 0 .8 0 .7
Sample Range
Reproducibilidad
0 .1 0
0 .0 5
R=0 .0 3 8 3 3 L CL =0 0
0 .6 0 .5 0 .4
0 .0 0
Operator

1 .1
1 2 3
Operator*RR Part Interac tion

1 .1 1 .0 UCL =0 .8 7 9 6 M e a n =0 .8 0 7 5 L CL =0 .7 3 5 4 0 .9 0 .8 0 .7 0 .6 0 .5 0 .4
Operator
1 2 3
S ample Mean
0 .7 0 .6 0 .5 0 .4 0 .3 0
Average
1 .0 0 .9 0 .8
RR Part
10
158
Analizando un GR&R que fallo Analizando un GR&R que fallo

la interaccin operadorparte es el 50% del problema
Utilice la tabla de ANOVA y las graficas para ayudar a entender el contribuidor ms grande de un GR&R pobre
159
Analizando un Gage pobre Analizando un Gage pobre

Fuente dominante de la variacin
Repetibilidad 1. Vea cmo la parte es presentada para la medicin 2. Reemplace, repare o ajusta el equipo.
Reproducibilidad 1. Vea la consistencia en el mtodo que cada operador utiliza 2. Re entrene en estndares
160
Ejercicio Ejercicio
1. 2. 3. 4. Disee y ejecute un estudio de la capacidad de un gage usando 3 operadores que midan 10 partes 3 veces cada uno. Las partes a ser medidas son proporcionadas por su instructor. Mida la dimensin (es) asignadas usando la herramienta de medicin proveda Cree la hoja de la entrada de datos en Minitab para 90 observaciones: 5. 6. 3 operadores * 3 intentos * 10 partes = 90 observaciones Minitab puede hacer los patrones de los datos
Corra el GR&R y de entrada a los datos observados en Minitab. Analice los resultados utilizando Minitab: Stat>Quality Tools>Gage Study>Gage R&R (Crossed)
7.
Evale su sistema de medicin e identifique las posibles soluciones a los resultados pobres. Resuma sus resultados en un grafica.
161
Resumen GR&R Resumen GR&R

Hay una oportunidad de que el error de medicin sea un % alto del producto /variacin del servicio? Corra un estudio GR&R Atributo Si es menos del 80%, mejore la medicin antes de seguir adelante Variable (mtodo corto) - Mejore si esta arriba de 20% de la tolerancia GR&R no siempre es adecuado para procesos Transaccionales USE EL SENTIDO COMUN GR&R es usado para determinar la precisin de nuestro sistema de medicin y validar nuestros datos
La variacin excesiva en nuestro sistema de medicin debe ser eliminada antes de proceder con su anlisis de capacidad en el paso 4, Fase de Analizar. Black & Decker (U.S.), Inc., - V1.0, December 2006
162
Modulo de Medicin -- Resumen Modulo de Medicin Resumen

Los pasos 1 y 2 aseguran que tenemos los CTQs y que entendemos sus especificaciones Esto nos permitir medir los defectos o defectivos de los procesos La estadstica nos ayuda a entender nuestros datos y hacer predicciones en el desempeo Minitab desempea nuestros clculos estadsticos y tiene una gran capacidad para graficar Evaluar nuestro sistema de medicin asegura que tenemos buenos datos antes de iniciar la fase de Anlisis Paso 3
163
Vertical 1. Tipo de Datos - Variable y Que ? 4. Define el Desempeo de Que ? 5. Software estadstico 6. Critico para Que? Vertical 2. Diferentes operadores aplican diferentes estndares 3. Es la probabilidad de una unidad completar cada paso medido en el proceso con cero defectos
164

Fase
Definir
Medir
Analizar
Mejorar
Controlar
Traducir
{ { { { { {
Resumen DMAIC Paso

A, - Cliente, CTQs, Enunciado del Problema, Equipo, Como es el proceso etc. B, C 1 - Seleccionar Producto o Proceso Caracterstica (s); ejem., CTQ y 2 - Definir los Estndares de Desempeo para y 3 - Validar el Sistema de Medicin para y 4 - Establecer la Capacidad del Proceso de crear y 5 - Definir Objetivos de Desempeos para y 6 - Identificar Fuentes de Variacin en y 7 - Filtrar causas potenciales para cambio en y e Identificar Pocas Vitales xi 8 - Descubrir Relacin entre Variables Pocas Vitales xi 9 - Establecer Tolerancias Operativas en Pocas Vitales xi 10 Validar el Sistema de Medicin para xi 11 Verificar mejora en y capacidad de proceso 12 Implementar Controles 13 - Documentacin 14 Resultados de Auditoria
Aprox. Enfoque Y Tiempo Sem 1
y y y y y
Sem 3 Sem 3 Sem 3 Sem 4 Sem 5 Sem 7 Sem 7
x1, x2, . . . xn x1, x2, . . . xn Pocas Vit xi Pocas Vit xi x y y y x y y
Sem 8 Sem 9 Sem 13+ Sem 13+ Sem 14+ Sem 14

165 Sem 14
Discurso
Lean y Seis Sigma combinados proveen una metodologa que maximiza el desempeo del negocio logrando el ritmo mas rpido de mejora en la satisfaccin del cliente, costo, calidad, velocidad de proceso y capital invertido.
166
167

Microsoft Power Point - LSS GB Mod 3 - Medir v1.0

Cargado por

Información del documento

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

Microsoft Power Point - LSS GB Mod 3 - Medir v1.0

Cargado por

Copyright:

Formatos disponibles

Entrenamiento LSS Green Belt MOD 3 - MEDIR

Black & Decker (U.S.), Inc., - V1.0, December 2006

Entrenamiento LSS Green Belt MOD 3 - MEDIR

Contenido Objetivos del Modulo

Black & Decker (U.S.), Inc., - V1.0, December 2006

Entrenamiento LSS Green Belt MOD 3 - MEDIR

Pagina 55 58 67 75 79 84 88 105 108

Entrenamiento LSS Green Belt MOD 3 - MEDIR

2. Definir Estndares de Desempeo

3. Validar el Sistema de Medicin

Black & Decker (U.S.), Inc., - V1.0, December 2006

Entrenamiento LSS Green Belt MOD 3 - MEDIR

Entrenamiento LSS Green Belt MOD 3 - MEDIR

2. Definir Estndares de Desempeo

3. Validar el Sistema de Medicin

Black & Decker (U.S.), Inc., - V1.0, December 2006

Entrenamiento LSS Green Belt MOD 3 - MEDIR

Black & Decker (U.S.), Inc., - V1.0, December 2006

Entrenamiento LSS Green Belt MOD 3 - MEDIR

Buen Nivel de Servicio

Razn de llenado de la unidad

Interiorizar los CTQs nos ayuda a enfocarnos claramente en el objetivo

Entrenamiento LSS Green Belt MOD 3 - MEDIR

Paso 1: Seleccionar Caractersticas CTQ

Proyecto Y: ej./ Precio Correcto (salida)

Fuente de Datos / Herramientas: ej./ SAP & Datos del Almacn

Black & Decker (U.S.), Inc., - V1.0, December 2006

Entrenamiento LSS Green Belt MOD 3 - MEDIR

Introduccin a la Estadstica Introduccin a la Estadstica

Black & Decker (U.S.), Inc., - V1.0, December 2006

Entrenamiento LSS Green Belt MOD 3 - MEDIR

Por que Estadstica? Por que Estadstica?

Estadstica Descriptiva Probabilidad Estadstica de Inferencia

Entender los datos Probabilidad de ocurrencia Prediciendo la salida

La meta final es predecir y prevenir en lugar de inspeccionar y detectar

Entrenamiento LSS Green Belt MOD 3 - MEDIR

Por que Estadstica? Por que Estadstica?

La meta final es predecir y prevenir en lugar de inspeccionar y detectar

Entrenamiento LSS Green Belt MOD 3 - MEDIR

Estadstica Descriptiva Estadstica Descriptiva

Black & Decker (U.S.), Inc., - V1.0, December 2006

Entrenamiento LSS Green Belt MOD 3 - MEDIR

Datos por Atributos Datos por Atributos

Que piensa usted sobre los datos por Atributos?

Entrenamiento LSS Green Belt MOD 3 - MEDIR

Datos Variables Datos Variables

Entrenamiento LSS Green Belt MOD 3 - MEDIR

DISCRETOS Das para pagar factura

VARIABLES Tiempo para descargar trailer

Estaremos usando solo atributo o variable

Entrenamiento LSS Green Belt MOD 3 - MEDIR

Resumen de Tipos de Datos Resumen de Tipos de Datos

Entrenamiento LSS Green Belt MOD 3 - MEDIR

Datos Descriptivos Datos Descriptivos

Para datos variables usted conocer bien estos como

Black & Decker (U.S.), Inc., - V1.0, December 2006

Entrenamiento LSS Green Belt MOD 3 - MEDIR

Locacin y Dispersin Locacin y Dispersin

Pobre Locacin..Pobre Dispersin

Buena Locacin..Pobre Dispersin

Pobre Locacin.. Buena Dispersin

Buena Locacin Y Buena Dispersin

Entrenamiento LSS Green Belt MOD 3 - MEDIR

Locacin y Dispersin Locacin y Dispersin