Guia Examen Fase I

1
ndice Fase I
- Introduccin a Seis Sigma Pg. 3
- Seis Sigma Pg. 4-10
- Proceso DMAIC Pg. 11-12
- Proceso DMADOV Pg. 13-16
- Resumen Pg. 17-20
- Definicin Pg. 21-29
- Mapa de Proceso Pg. 30-44
- Diagrama de Pareto Pg. 45-50
- Es o No es Pg. 51-55
- rbol de definicin Pg. 56-64
- Definicin de CTQs Pg. 65-79
- CAP Pg. 80-87
- Retos y Oportunidades CAP Pg. 88-89
- Dentro de marco Pg. 90-94
- Grafica de Gantt Pg. 95-96
- AMEF Pg. 97-120
- Conceptos Estadsticos
- Variacin Pg. 121-124
- Tipos de datos Pg. 125
- La curva Normal Pg. 126-130
- Desviacin Estndar Pg. 131-133
- Capacidad del proceso Pg. 134-137
- Planificacin de la recoleccin de datos
- Subgrupos Racionales Pg. 138-145
- Componentes de variacin Pg. 146
- Variacin de causa comn Pg. 147-149
- Variacin de causa asignable Pg. 150-151
- Capacidad a corto y largo plazo Pg. 152-156
- Desarrollo de subg. Racionales Pg. 157-163
- Introduccin a Minitab Pg. 164-180
- Graficas Pg. 181-204
- Prueba de Normalidad Pg. 205-207
- Estadsticas Bsicas Pg. 208-209
- Chart Pg. 210-211
- Time Series Plot Pg. 212-214
- Boxplot Pg. 215-219
- Marginal Plot Pg. 220-221
- Interval Plot Pg. 222-223
- Graficas de pareto Pg. 224-225
- Diagrama de causa efecto Pg. 226-228
- Generar de datos aleatorios Pg. 229-230
- Multivari Pg. 231
- Medicin Pg. 232- 235
- Gage RyR Pg. 236-278
- RyR en Excel Pg. 279-282
- Datos no medibles Pg. 283-286
2
- Anlisis de datos continuos Pg. 287-288
- Lnea base Pg. 289
- Normalidad Pg. 290-302
- Definicin de Z Pg. 303-306
- Anlisis de datos discretos
- Rendim. Comb. Del proceso Pg. 307-321
- Rendim. Prom. Normalizado Pg. 322-325
- Datos Discretos Pg. 326-328
- Product Report Pg. 329-333
- Analizar Pg. 334
- Anlisis de Tolerancias Pg. 335-343
- Antecedentes estadsticos Pg. 344-346
- Mtodo min/max Pg. 347-348
- Mtodo de RSC Pg. 349-378
- Derivadas parciales Pg. 379-381
- Simulacin (Monte Carlo) Pg. 382-389
- Optimizacin de diseo Pg. 390
- Tamao de muestra Pg. 391-402
- Riesgo Alfa Pg. 403
- Riesgo Beta Pg. 404
- Razn Alfa/Beta Pg. 405-406
- Prueba de Hip. para datos continuos Pg. 407-418
- Prueba F Pg. 419-420
- Prueba T Pg. 421-422
- Ejemplos Pg. 423-449
- Conceptos Pg. 450-464
- Prueba de Hip. para datos discretos Pg. 465
- Mapa para datos discretos Pg. 466-470
- Aproximacin Normal Pg. 471-477
- Aproximacin de Poisson Pg. 478-482
- Prueba Binomial Exacta Pg. 483-486
- Prueba Ji-cuadrada Pg. 487-503
- Pasos en el anlisis Pg. 504-506
- Conceptos Pg. 507-515
3
Introduccin a Seis Sigma
PROPOSITO:
Introducir la filosofa y la visin de Seis Sigma y cmo
est siendo aplicada a Mabe.
OBJETIVOS:
1. Definir Seis Sigma como una Visin, Filosofa, Medida,
Benchmark, Herramienta y Mtodo.
2. Definir las variables dependientes e independientes.
3. Describir la diferencia entre los mtodos de DMADOV
(Definicin, Medicin, Anlisis, Diseo Optimizacin y
Verificacin) y DMAIC (Definicin Medicin, Anlisis,
Mejora y Control)
4
Visin
Filosofa
Medida
Benchmark
Herramienta
Mtodo
Una Visin y una Filosofa de compromiso
con nuestros clientes para ofrecer
productos con la ms alta calidad y al
menor costo.

Una Medida que demuestra niveles de
calidad de ejecucin al 99.9997% para
productos y procesos.

Un Benchmark de la capacidad de
nuestro producto y proceso para
compararlos como los mejores en su
clase.

Una aplicacin prctica de Herramientas y
Mtodos Estadsticos que nos ayuden a
medir, analizar, mejorar y controlar
nuestros procesos.
Seis Sigma es una Visin que reta nuestra manera de pensar
con relacin a la calidad
Sigma es una letra del
alfabeto Griego
Qu es Seis Sigma?
5
La Empresa 3 Sigma
Gasta del 15 al 25 % de su ingreso en
dlares de ventas en costo de fallas
Produce 66,807 defectos por cada
milln de oportunidades
Confa en su servicio de inspeccin
para localizar defectos
Cree que la calidad superior es muy
cara
No tiene un sistema disciplinado para
recopilar y analizar los datos.
Considera que el 99 por ciento es lo
suficientemente bueno
Define internamente los CTQs
(Crticos para Calidad)
La Empresa 6 Sigma
Gasta slo 5% de su ingreso en
dlares de ventas en costo de fallas
Produce 3.4 defectos por cada milln
de oportunidades
Confa en procesos eficaces que no
producen fallas
Reconoce que el productor de alta
calidad SIGUE SIENDO el productor de
costos bajos
Utiliza pasos para Definir, Medir,
Analizar, Mejorar, Controlar y Medir,
Analizar, Disear, Optimizar, Verificar
Establece su propio Benchmark contra
el mejor a nivel mundial

Considera que el 99% NO ES aceptable
Define de manera externa sus CTQs
(Crticos para Calidad)
Seis Sigma como una Filosofa
6
6 Sigma como Filosofa
Qu es un Requerimiento del Cliente o del Consumidor?
Un Requerimiento es un rea, sensacin o funcin que ser un factor para tomarse en cuenta
al decidir una compra o al volver a comprar.
Algunos ejemplos de Requerimientos del Consumidor o de los Clientes :
La estufa debe de calentar a la temperatura seleccionada.
Toda queja debe ser solucionada con prontitud.
La mercanca debe ser entregada y puesta en las bodegas a tiempo.
El Cliente : La(s) persona(s) que est(n) enseguida a tu proceso. Puede ser interno o externo a la
empresa.
Ejemplo: Cliente Interno = la lnea de Ensamble es un cliente para el departamento de Esmalte
Cliente Externo = los negocios / las funciones que reciben productos manufacturados pero
que no los utilizan ellos mismos. (por ejemplo : Sears, Centros de Distribucin Regionales,
etctera.)
El Consumidor : Es el usuario final del producto. Generalmente se le considera como externo; es
decir, el propietario o comprador domstico.
El Enfoque de Seis Sigma : El Usuario Final (Cliente o Consumidor)
Seis Sigma inicia y finaliza con el Cliente y el Consumidor
7
El fundamento para todos los proyectos 6 Sigma son los CTQs (Crticos para la Calidad)
y los Requerimientos Tcnicos -
Esto debe definirse de antemano!
Antes de que se pueda iniciar un proyecto 6 Sigma la Voz del Consumidor (Requerimiento
del Cliente) debe ser traducida a la Voz del ingeniero (Requerimientos Tcnicos)
Requerimientos del Consumidor
Requerimientos Tcnicos
el indicador del termostato a los 350
o
tiene que producir temperaturas de 350
o
dentro
del horno
una recepcionista debe contestar 95% de todas las llamadas que entren
(efectividad telefnica)
QFD (Despliegue de la Funcin de Calidad)
Es el Mtodo de TRADUCCION!
CTQ/ Sistema de CTQs
(dimensiones/parmetros que necesitan ser medidos y/o controlados)
Angulo de calibracin del termostato
Estimacin de llamadas atendidas (% de llamadas contestadas)
el horno de la estufa debe de calentar a la temperatura seleccionada
debe haber personal disponible para contestar las llamadas telefnicas
Seis Sigma inicia con el Requerimiento del Consumidor
8
W2.13
Sigma es una unidad estadstica de medida que refleja la capacidad del proceso. La escala Sigma
de medida est perfectamente correlacionada con tales caractersticas como los defectos por
unidad, partes por milln defectuosos y la probabilidad de falla / error.
(Distribucin desplazada 1.5o)
Copyright 1995 Six Sigma Academy, Inc.
2 308,537
3 66,807
4 6,210
5 233
6 3.4
o PPM
Capacidad del
Proceso
Defectos por Milln
de Oportunidades

Reducir los defectos por un
factor de~11
factor de~5
factor de~26
factor de~68
Los niveles de defectos se reducen de manera exponencial conforme
aumentan los niveles Sigma de un valor al siguiente! (no-lineal)
6 Sigma como una Medida
9
Muchas herramientas de calidad conocidas y utilizadas en un
Mtodo estructurado
6 Sigma como Herramienta
1. Mapeo de Procesos
2. Estructura de rbol
3. Anlisis de Pareto
4. Gage R y R
5. Subgrupos racionales
6. Proceso de Lnea Base
7. Anlisis de Tolerancia
8. Bsqueda de Componentes
9. Prueba de Hiptesis
10. Regresin
11. DdE (Diseo de Experimentos)
12. CEP (Control Estadstico de Proceso)
10
Controlar X para Controlar Y
Y
Dependiente
Salida del
Proceso
Efecto
Sntoma
Monitorear
X1 . . . XN
Independiente
Entrada del
Proceso
Causa
Problema
Controlar
Para obtener resultados, Debemos enfocar nuestra atencin sobre la Y o las X?
el enfoque de seis sigma
X1 + X2
Y=
11
Mide
Define
Analiza
Controla
Mejora
el proceso dmaic
DMAIC es:
La metodologa de
calidad conducida por
los datos, para mejorar
los productos y
procesos existentes.
El proceso DMAIC debe ser usado cuando un producto o proceso
existente puede ser mejorado para alcanzar o exceder los requerimientos
del cliente y al mismo tiempo apoyar las metas de negocio de Mabe.
La aplicacin de los mtodos de DMAIC para reducir defectos
resultarn en:
Mayor satisfaccin al Consumidor
Reduccin en el costo de la mala calidad
Rentabilidad incrementada y crecimiento
Seguridad en el trabajo
DMAIC es la clave para lograr la calidad Seis Sigma porque nos da una
metodologa conducida por datos para lograr mejoras de procesos
sostenidas al reducir defectos.
12
D-M-A-I-C se utiliza para mejorar los procesos
existentes
6 Sigma como un Mtodo - DMAIC
PASO 1: Definir - Comprender cmo los CTQ se relacionan con
el QFD y con los Requerimientos Tcnicos y definir los objetivos
del proyecto

PASO 2: Medir - Calcular capacidad inicial del proceso

PASO 3: Analizar - Reducir hasta las potenciales X vitales

PASO 4: Mejorar - Confirmar las pocas X vitales
- Optimizar las pocas X vitales

PASO 5: Controlar - Controlar las pocas X vitales
- Cierre
13
Qu es DMADOV?
- Una metodologa sistemtica
Herramientas, instruccin y medidas
- Que nos permite disear productos y procesos que alcanzan las
expectativas del cliente (CTQs) a un nivel 6o
- Que usa mtodos estadsticos
- Para predecir y mejorar la calida y el desempeo
- Antes de construir prototipos
- Con verificacin usando corridas piloto, pre-produccin y
produccin
14
dmadov
Disear
Construir
Modelos de
Sistemas y
Subsistemas
Generar
Funciones de
Transferencia
Anlisis
Estadstico
de Motores
de Varianza
Ascenso de
Capacidad de
Proceso para
todos los
Subsistemas
Optimizar
Optimizar el
Diseo
Diseo
Robusto
A Prueba de
error
Anlisis y
Asignacin de
Tolerancias
Medir
CTQ Flujo
descendente
y Estructura
de Funcin de
Transferencia
Anlisis y
Capacidad del
Sistema de
Medicin
Definir
Identificar
CTQs de
Desempeo
de Producto/
Proceso y
Confiabilidad
Poner Metas
de Calidad
QFD
GE dmadov Producto/ Proceso -- 14 Pasos
Analizar
Desarrollar
Diseos
Conceptuales
Diseo para
Confiabilidad
Scorecards
DFSS
Valoracin de
Riesgo
Verificar
Verificacin
del Diseo de
Producto /
Proceso

Desarrollar
Planes de
Control para
Manufactura y
Proveedores
Documentar y
Transicin
Error
Tipo I
o
Error
Tipo II
|
Decisin
Correcta
(1- o)
Decisin
Correcta
(1- |)
1 2
3
4
5
6
7
8
9
10
11
12
13
14
15
Ve de dmaic a dmadov cuando pegues con una pared
Si
Si
Analizar Medir Mejorar Control Definir
la mejora es
producto/
proceso nuevo o
Rediseado?
es suficiente
aumentar la
mejora?
existe
proceso?
No No
Si No
Proceso DMAIC
Disear Verificar Medir Definir Analizar Optimizar
Proceso DMADOV
16
Tomar en cuenta el impacto de incertidumbres
impacto dmadov en ingeniera de diseo
Proceso disciplinado de diseo integrado con la
Introduccin de Producto Nuevo (NPI)
Agrega un enfoque de ingeniera de sistema al
proceso de diseo
Funciones de transferencia cuantitativas entre CTQs
(Ys) y parametros clave de diseo (Xs)
Paradigma de diseo estadstico mejor que
determinstico
Optimizacin de diseo y diseo robusto, permite a
los productos ser minimamente sensitivos a la
variacin por diseo, operacin y manufactura
Diseo para la manufacturabilidad integrada para
asegurar que los CTQs de producto se logran a la luz
de la capacidad de manufactura
Confiabilidad diseada en los productos
17
recapitulando...
dmaic dmadov
gran enfoque en los requerimientos
de desempeo derivados del cliente
proceso estadstico riguroso para
medir y ajustar el desempeo
establecer control de las xs para
mantener el desempeo
para productos/ procesos existentes
funciones simple de transferencia,
y=f(x), de DdE o principios bsicos
concentrado en 1 o 2 ctqs
medir la capacidad de proceso, z
establecer especificaciones y rasgos de
diseo que controlan las xs para
mantener el desempeo robustamente
mayor enfoque en los requerimientos
de desempeo derivados del cliente
proceso estadstico riguroso para
medir, predecir y ajustar el
desempeo
para productos / procesos nuevos
funciones de transferencia de orden
mayor, y=f(x), de DdE, modelos analticos
o principios bsicos
jerarqua de ctqs multiples negociados
ctqs del cliente llevados a z > 6
18
6 Sigma es una metodologa rigurosa para la aplicacin de
herramientas estructuradas, para resolver problemas. Esta se puede
aplicar donde se puedan definir defectos.
Los proyectos pueden estar en:
- Manufactura- DMADV/ DMAIC
- Comercial - DMADV/ DMAIC
- Transaccional - DMADV/ DMAIC
Los proyectos comerciales se enfocan a los procesos que estn muy
cerca del cliente / consumidor.
Ejemplos:
Procesos de cobranza y levantamiento de pedidos
Programacin de llamadas de servicio
Distribucin de material POP en las tiendas de ventas al detalle
Envo de productos a los Centros de Distribucin
Los proyectos 6 Sigma usan herramientas de DMADV y DMAIC
en la Manufactura, Comercial y Transaccional
Los Mtodos 6 Sigma se pueden aplicar en todas partes!
19
Qu es lo diferente con 6 Sigma?
Calidad Tradicional Seis Sigma
Centralizado

No hay estructura formal para la
aplicacin de herramientas

Carece de soporte en el empleo de
herramientas

Para tomar decisiones combinan
Datos con presentimientos

Enfocado hacia poner remiendos
o parches

Le falta capacitacin estructurada

Inspeccin de calidad (enfoca en
Y)

Los Black Belts reportan
directamente dentro de las funciones

El uso estructurado de herramientas
estadsticas para ayudar a solucionar
problemas

Estructura de apoyo para la gente
que utiliza las herramientas

Decisiones basadas en Datos

Causa raz - Solucin Slida

Entrenamiento estructurado en
estadstica aplicada

Controla las entradas de proceso
(las X)
20
Introduccin
1) Niveles de Sigma comparados a Niveles de PPM

2) Y = f (X)

3) DMAIC mejora los procesos actuales

4) DMADOV estudia procesos semejantes para el desarrollo de
diseo, y procesos actuales para su re - diseo

5) Los Proyectos pueden usar herramientas comunes de los
mtodos (DMAIC o DMADOV)

6) Seis Sigma es la aplicacin de herramientas estructuradas de
solucin de problemas y de toma de decisiones basada en
datos.
CONCEPTOS CLAVES
definir
Introduccin a definir
22
O Lo que importa al
negocio (la necesidad de
un cambio)
O Definicin preliminar del
problema
O Alcance del proyecto
O Lo que proveemos al
Cliente
O Roles
Definir Medir Analizar Mejorar Controlar
Seleccin
Enfoque al
Cliente
Mapeo de
Procesos
O Definicin de Calidad
O Tipos de Clientes
O Traducir las Necesidades
del Cliente a Requerimientos
Especficos
O Mtodos de Colectar los
Requerimientos del Cliente
O Analizar la Voz del Cliente
O Definicin del Proceso
O Conectar Su Proceso con las
necesidades del Cliente
O Mapear los Procesos del
Negocio
O Mapear Directrices
O Beneficios y Aplicaciones del
Mapeo de Proceso
Definicin
23
Objetivos de Definir
Identificar el proceso o producto a mejorar.
Explicar y demostrar ejemplos de las herramientas y
tcnicas de VOC.
Identificar clientes y traducir sus necesidades en
CTQs.
Desarrollar un Contrato del equipo.
Enunciado de Problema/meta, alcance del proyecto ,
Caso de Negocio, roles del equipo, y metas intermedias.
Desarrollar un mapa de proceso de alto nivel para las
4 5 pasos ms significativos del proceso.
Obtener aprobacin formal del proyecto.
24
Tengo una idea.
Har la diferencia?
Definir - Empezando con una idea
Quin es el cliente?
Qu piensa que es
crtico para la calidad?
Quin habla por el
cliente?
Cul es la estrategia del
negocio?
Quin en el negocio
tiene inters en esto?
Quin ayuda a definir
los problemas?
Cules son los procesos
involucrados?
25
Un gran proyecto debera...
Tener claras las fronteras con las metas definidas
Si parece muy grande, es que lo s
Estar alineado con los problemas crticos del negocio y sus
iniciativas
Activa el soporte completo del negocio
Ser sentido por el cliente
Debe haber un impacto significativo
Trabajar con otros proyectos para efectos combinados
Temas en desarrollo locales o globales
Mostrar mejoramiento que sea localmente ejecutable
Difcil manejar mejoras en la fbrica desde el campo
Estar relacionado a tu trabajo diario
26
X es la causa
Y
Dependiente
Salida del
Proceso
Efecto
Sntoma
Monitorear
X1 . . . XN
Independiente
Entrada del
Proceso
Causa
Problema
Controlar
Debemos enfocar nuestra atencin sobre la Y o las X?
X1 + X2
Y=
el enfoque de seis sigma
27
Fuentes de ideas de proyectos
Despliegue de la Funcin de Calidad (QFD)
Tableros de Mtricas (Dashboards) de clientes
Encuestas y scorecards
Temas en desarrollo activos
Otros proyectos disponibles
Tormenta de ideas
Anlisis de los procesos crticos
Base de datos de proyectos Seis Sigma
Discusiones con el cliente
Anlisis Financieros
Problemas internos

28
Proceso
Salida
(las Y)
(Cliente)
Las X Controlables
Las X No
Controlables
Elementos de un Proceso
29
Optimiza los Factores de xito para Maximizar los beneficios 6 del proyecto
xito y trampas en Seleccin de Proyecto
Factores de xito
El alcance del proyecto es manejable
El proyecto tiene un defecto identificable
El proyecto tiene un impacto identificable
Para ser exitoso
Tener el alcance del proyecto en el Contrato y ser revisado
Mide donde los defectos ocurren en el proceso
Evala y cuantifica el impacto potencial
Desarrolla un anlisis de partes interesadas
Trampas comunes...
Los recursos en el proyecto son inadecuados
Proyecto duplicado
Prdida de momento en el proyecto
Tomar la X fcil, no la crtica
Evitando las Trampas...
Identificar y obtener recursos autorizados desde el comienzo
Busca en la base de datos y toma lo que sea posible
Establecer metas intermedias y un plan de comunicacin para
el proyecto
30
Mapa de Proceso de Nivel Alto
(PEPSC)
Un proceso es una serie de pasos o actividades que
toman entradas provistas por los proveedores,
aaden valor, y producen valor para los clientes
Proceso
(transformar
para agregar
valor)
Entradas
Salidas
Proveedo
r
Cliente
P E P S C
Proveedores Entradas Proceso Salidas Cliente
Requerimientos Requerimientos
Flujo
Pensar
El enfoque es sobre el cliente: CSPEP (COPIS)
Mapa de Proceso
Proceso
Medidas Medidas
mapa del proceso de negocio
32
PEPSC
En qu proceso existe el
problema que se
identific?
Quines son los clientes
del proceso?
Qu salidas requieren?
Cules son las
transformaciones bsicas
del proceso?
Qu entradas tiene el
proceso y quin las
provee?
P E P S C
Paso 1 Paso 2 Paso 3 Paso 4 Paso 5
Cliente
Salidas Entradas
Proveedor Proceso
Pasos
33
Pasos para el Mapeo de Procesos
1. Definan el proceso a ser representado
2. Establezcan los puntos de inicio y fin del proceso
(fronteras)
3. Determinen las salidas del proceso
4. Determinen los Clientes del proceso
5. Determinen los requerimientos de los clientes
6. Identifiquen los proveedores del proceso y acuerden
sobre las entradas al proceso
7. Acuerden sobre los 5 a 7 pasos de nivel alto que ocurren
entre los puntos de inicio y fin del proceso
8. Validen el proceso para asegurar que los 5 a 7 pasos del
proceso ocurren realmente
34
1. Defina el Proceso a ser
representado.
Este paso evita que el equipo se
deje arrastrar al verse
retado por plantear el
proceso. El nombre del
proceso debera incluir algn
verbo activo y un nombre.
El equipo debe discutir las
consecuencias de su
definicin. La forma en que se
defina tendr impacto en el
alcance del trabajo a ser
hecho.

2. Establezcan los puntos de
inicio y fin del proceso
(fronteras)
No existe una respuesta nica al
establecer las fronteras del
proceso, sin embargo esta
decisin tiene impacto en el
alcance del proyecto
Un tramo largo de proceso entre
las dos fronteras da ms
visin, pero tambin puede
implicar un proyecto de
mucho ms tiempo
35
3. Determinen las salidas del
proceso
La salida del proceso debiera ser
declarada en trminos de
simples nombres sin
calificativos
La adicin de adjetivos slo hace
ms difcil el trabajo por
adelantarse a s mismos en
el trabajo de las ltimos
pasos del Mapa de Procesos
Un proceso puede tener mltiples
salidas, es recomendable
que el equipo se oriente a la
del proyecto presente
4. Determinen los Clientes del
proceso
Los clientes del proceso ya deben
de estar determinados, el
documento que lo debe de
referir es el rbol de Crticos
para el Cliente, ah debe
aparecer quin es el cliente y
cules son sus requerimientos
Los clientes deben tener una
jerarqua, debe haber
identificado al menos un
segmento de clientes
primarios, con necesidades y
requerimientos a los cules se
les asignar el mximo peso.

36
5. Determinen los
requerimientos de los
clientes.
Este trabajo ya debe estar
realizado, en el rbol de
Crticos para el Cliente, en
requerimientos que pueden
estar en dos niveles o tres.
Es recomendable en este punto
comenzar a pensar en la
forma en que los
requerimientos pueden ser
medidos, especialmente
como los percibe el cliente.
6. Identifiquen los proveedores
del proceso y acuerden sobre
las entradas al proceso.
Ahora el enfoque es sobre el lado
izquierdo del Mapa de
Proceso, los proveedores son
en principio todos los que
estn afuera del proceso
proporcionando entradas, no
slo el proveedor que inicia la
secuencia del proceso.
Esto implica proveedores ms
atrs del proveedor
inmediato y proveedores de
pasos posteriores del proceso.
37
7. Acuerden sobre los 5 a 7
pasos de nivel alto que
ocurren entre los puntos de
inicio y fin del proceso.
Haga una tormenta de ideas para
generar los 5 a 7 pasos de
nivel alto que ocurren en el
proceso. Despus ordnelos.
Asegrense que cada paso de
nivel alto tiene asociado un
verbo activo.
8. Validen el proceso para
asegurar que los 5 a 7 pasos
del proceso ocurren
realmente.
Recuerden que hay cuatro niveles
de proceso:
El proceso como creemos que
es.
El proceso como es (un
entregable de la etapa de
definicin), aqu estamos.
El proceso como debe ser
(un entregable de la etapa de
mejora).
El proceso que podra ser
(un entregable de la etapa
futura a disear).

38
Subproceso
la parte ms difcil :
determinar en qu nivel te encuentras
Nivel Transaccional Ejemplo Manufactura Ejemplo
MACRO Organizacin Distribucin Planta San Luis P.
LOCAL Proceso Devoluciones Proceso Ensamble
MICRO Recepcin
Paso del
Proceso

Copete
niveles de mapeo de procesos
39
pasos del mapeo de procesos
1. Listar los pasos del proceso y los CTQ
Identificar las X / las Ys

2. Identificar los pasos del proceso como est en la realidad
(pasos con valor agregado y sin valor agregado)
Pasos del proceso, inspeccin/prueba, retrabajo, puntos de
desperdicio

3. Mostrar las salidas claves de cada paso (Proceso y
Producto)

4. Listar y clasificar las entradas clave:
Entradas controlables
Entradas crticas (Variables que han mostrado significacin
estadstica)
Entradas de ruido (Variables que son difciles /imposibles de
controlar)

40
paso del proceso u operacin
demora
medicin o inspeccin
almacenaje
decisin
transporte o movimiento
transmisin electrnica de datos
smbolos de mapeo
41
Used With Permission
AlliedSignal 1995 - Dr. Steve Zinkgraf
Preparar el Mapa de Proceso
Equipo de Apoyo Tcnico (EAT):
Operadores, Tcnicos, Gerentes, Clientes, Proveedores,
etc...
Entradas para el Mapeo
Lluvia de ideas
Manuales de operacin
Polticas y procedimientos
Especificaciones de ingeniera
Experiencia del operador
Las 6M (Diagrama de Espina de Pescado)
Mentes (Gente), Mquina (Equipo), Mtodo
(Procedimientos), Medicin, Medio ambiente y Materiales
42
usos del mapa de proceso
Entradas para la Matriz de Causa y Efecto

Entradas para AMEF

Entradas para Resumen del Plan de Control

Entradas para Estudio de Capacidad

Entradas para Estudios Multi-variables

43
Qu es la herramienta?
Es una ilustracin grfica
del proceso
Qu identificar esta
herramienta?
Todos los pasos del
proceso con valor
agregado o sin valor
agregado
Variables de Entrada Clave
al Proceso (las X)
Los CTQ (la Y)
Puntos de Recoleccin de
Datos
Cundo se aplica el mapeo
de proceso?
Siempre
Para que se utiliza el Mapeo
de Proceso?
Identificar los sistemas que
requieren Estudios de
Medicin
Identificar los CTQ para
Estudios de Capacidad
Identificar baches en el Plan
de Control
Oportunidades para eliminar
pasos
Identificar los cuellos de
botella o limitaciones
y f x x x
k
= ( , ,..., )
1 2
Mapeo del Proceso al Detalle
44
pasos siguientes
PAPERWORK TURN STEAM ON
TO DICY TANK
LOAD DMF LOAD DICY LOAD 2MI
1
BILL OF MATERIALS

ISO PROCEDURES

REWORK
SCALE ACCURACY

PREHEATING
LOAD ACCURACY

CLEANLINESS

RAW MATERIAL
LOAD ACCURACY

ENVIRONMENT
(HUMIDITY)
RAW MATERIAL

MIXER SPEED

LOAD ACCURACY

ENVIRONMENT
(HUMIDITY)
RAW MATERIAL

MIXER SPEED

Mapa de Proceso
1 2 3 4 5 6 7 8 9 10 11
Process Step Process Inputs H
e
a
v
i e
s
i n

P
r
o
d
u
c
t
L
i g
h
t s
i n

P
r
o
d
u
c
t
M
o
i s
t u
r
e
i n

P
r
o
d
u
c
t
A
c
i d
i t y
i n

P
r
o
d
u
c
t
L
o
w
C
a
p
a
c
i t y

F
r
o
m
U
n
i t
E
x
c
e
s
s
i v
e

D
o
w
n
t i m
e
M
a
t e
r
i a
l
L
o
s
s
e
s
C
o
r
r
o
s
i o
n
o
f
E
q
u
i p
m
e
n
t
P
o
o
r
R
e
a
c
t o
r

P
e
r
f o
r
m
a
n
c
e
Total
139 Day Tanks Analysis 10 10 9 9 335
9 Reactor Cat./HF Ratio 5 8 7 157
7 Reactor Rxr Temperature 6 5 4 7 149
73 Lights Removal Condenser Leak 4 8 2 4 1 148
74 Lights Removal Reboiler Leak 4 8 2 4 1 148
131 Purification Low Stages 8 8 144
144 Final Storage Containers 3 2 6 6 140
100 Neutralization pH Value 6 6 3 138
16 Catalyst Stripper Pluggage 3 6 5 3 137
111 Drying Decomposition 2 6 3 2 2 134
39 Drier Water Carryover 4 6 5 1 132
34 Drier Molecular Sieve 3 3 2 7 2 125
Matriz de Causa y
Efecto
Process
Step/Part
Number
Potential Failure Mode Potential Failure Effects
S
E
V
Potential Causes
O
C
C
Current Controls
D
E
T
RPN
Actions
Recommended
Resp.
COATING &
IMAGING
DIRTY PHOTOMASK MICROCRACKING,
DELAMINATION, STREAKS 8
LOW FREQUENCY OF CLEANING
8
SOP, VISUAL INSPECTION
7 448
INCREASE FREQUENCY
TO ONCE EVERY 20
PANELS
MG
IMPROVE CLEANING
METHOD
PF
PURCHASE OFF-LINE
CLEANING SYSTEM
MG
TEST ON-LINE MASK
REPLACEMENT
PF
AMEF
Process Step Input Output
Process
Specification
(Target, LSL, USL)
Cpk
Mean - Sigma
Measurement
Technique
%R&R
P/T
Sample
Size
Sample
Frequency
Control
Method
Reaction Plan
Coating Dosage 22.5, 22, 23 1.22 UIL-1700 25% 1/hr Auto-timer Cross check
Coating
Height
24,23,25 1.54 Micrometer 31%/0.47 35 pts per
panel
1/hr Coating &
pump
speed
Adjust previous
Coating
width
14,12,16 1.78 Laser Measuring
Device
1/hr None in place
Coating
length
36,34,38 1.43 Laser Measuring
Device
1/hr None in place
Vacuum 35" Hg Vacuum Gauge 1/hr Monitor Compare
guages, look
for blockage
Evaluacin Inicial de
Capacidades y Planes de Control
Customer Requirement
(Output Variable)
Measurement
Technique
%R&R or P/T
Ratio
Upper
Spec
Limit
Target
Lower
Spec
Limit
Cp Cpk
Sample
Size
Date Actions
Gel Time
Viscosity
Cleanliness
Color
Homogeneity
Consistency
Digets Time
Temperature
Solids
Key Process Output Variable
Capability Status Sheet
45
Diagrama de Pareto
Objetivo:
ordenar por importancia de magnitud conceptos a
estudiar

Descripcin:
Una Herramienta de Despliegue de Datos que separa
las observaciones discretas en categoras con el
propsito de identificar las Pocas Vitales. El
reconocimiento de que la mayor aportacin a la
variabilidad de los problemas proviene de unas
pocas causas, permite hacer una mejor asignacin
de los esfuerzos
46
Diagrama Pareto
C A B D E
Frecuencia
Razn
Ejemplo 1:
La grfica de Pareto se basa en los
principios desarrollados por el
economista italiano Vilfredo Pareto
quien not que la influencia de unos
pocos vitales puede tener un mayor
impacto.
La regla 80/20 se ha demostrado cierta
en muchas circunstancias.
47
Diagrama Pareto
N
m
e
r
o

d
e

U
n
i
d
a
d
e
s

D
e
f
e
c
t
u
o
s
a
s

P
o
r
c
e
n
t
a
j
e

A
c
u
m
u
l
a
t
i
v
o

100
90
80
70
60
50
40
30
20
10
Nmero de Unidades Investigadas: 5,000
abril 1 junio 30
D B F A C E Otro
0
2 0
4 0
6 0
8 0
1 0 0
1 2 0
1 4 0
1 6 0
1 8 0
2 0 0
Ejemplo 2:
48
Ejemplo: Diagrama de Pareto
En una lnea de lavadoras se
estn revisando los defectos
de la transmisin. El tipo de
defecto asociado a cada
transmisin rechazada se ha
anotado y se tiene una tabla
de frecuencias. Se usar un
grfica de Pareto para
identificar los defectos sobre
los que se debe empezar a
trabajar.

1 Abra la hoja Trans.MTW.
2 Elija
Stat > Quality Tools > Pareto Chart.
3 Elija Chart defects table.
Ponga Defectos en Labels in
y Frecuencias en Frequencies in.
Marque OK.

O
th
e
rs
T
o
rn
illo
fa
lta
B
a
n
d
a
f lo
ja
T
o
rn
illo
flo
jo
E
n
g
ra
n
e
d
e
s
c
e
n
tra
d
o
B
ra
z
o
s
u
e
lto
B
ra
z
o
d
o
b
la
d
o
7 9 27 29 31 62 151
2.2 2.8 8.5 9.2 9.8 19.6 47.8
100.0 97.8 94.9 86.4 77.2 67.4 47.8
300
200
100
0
100
80
60
40
20
0
Defect
Count
Percent
Cum %
P
e
r
c
e
n
t
C
o
u
n
t
Pareto Chart for Defectos
El defecto ms importante
49
Pocas causas
generan la
mayor parte de
la variabilidad.
Esto implica que
identificar y
controlar las
pocas causas
importantes es
necesario para
reducir la mayor
variabilidad de
salida de un
proyecto.
O
th
e
rs
In
c
o
m
p
le
te
P
a
rt
D
e
fe
c
ti v
e
H
o
u
s
i
L
e
a
k
y
G
a
s
k
e
t
M
is
s
in
g
C
lip
s
M
is
s
in
g
S
c
re
w
s
18 10 19 43 59 274
4.3 2.4 4.5 10.2 13.9 64.8
100.0 95.7 93.4 88.9 78.7 64.8
400
300
200
100
0
100
80
60
40
20
0
Defect
Count
Percent
Cum %
P
e
r
c
e
n
t
C
o
u
n
t
Pareto Chart for Defects
DIAGRAMA DE PARETO
50
Observaciones en los Diagramas Pareto
El Principio de Pareto (Pocas categoras indican la
mayora del problema)
Asegurar que la categora Otro es menor
Seguimiento apropiado a los Problemas
Enfoque en lo Ms Importante
Arreglar las situaciones obvias (Arreglos Fciles)
Considere Tcnicas alternativas para separar los datos
La eleccin del eje Y basado en el impacto
51
ES NO ES
Objetivo: declarar la
situacin problema de una
manera clara y concisa, que
nos permita convertir la
declaracin del problema en
un proyecto de cambio.

Descripcin: responder
preguntas lgicas sobre la
situacin problema
Identidad: qu es y qu no
es, quin tiene y quin no lo
tiene
Ubicacin: dnde es y dnde
no es, cmo es y no es
Tiempo: cundo es y cundo
no es, desde cundo es y
desde cundo no es
Magnitud: cunto es y cunto
no es
Usos: la lgica de ES NO ES
se usar en varias partes;
en la definicin del proyecto
nos permitir dar enfoque al
proyecto.
52
Ejemplo: ES NO ES
Fuga de aceite en el filtro no. 1
Vlvula de
limpieza
Tuberas,
mecanismos
No en
uso
Al cargar
aceite, inicio
turno
No en
el turno
Antes de
hace 3
das
unidad1 Unidad 2 Unidad 3 unidad4 Unidad 5
Fuga de 5 a 10
galones por
turno
Menos de 5
galones
Ms de 10
galones
Identidad:
Unidad con falla
Qu falla?
Ubicacin:
Dnde se observa la
falla?,
geogrficamente
Dentro de unidad
Tiempo:
Cundo se observ la falla por
primera vez?
Cundo ha vuelto ha
observarse desde entonces?
Magnitud:
Extensin de la falla
No. de unidades afectadas
qu tan afectada est la
unidad?
53
ES NO ES
Fuga de aceite en el filtro no. 1
Vlvula de
limpieza
Tuberas,
mecanismos
No en
uso
Al cargar
aceite, inicio
turno
No en
el turno
Antes de
hace 3
das
unidad1 Unidad 2 Unidad 3 unidad4 Unidad 5
Fuga de 5 a 10
galones por
turno
Menos de 5
galones
Ms de 10
galones
Filtro #1
empaque
cuadrado,
otros redondo
Vlvula de limpieza
se abre y se vuelve
a apretar todos los
das cada turno
Mantenimiento
mensual hace 3 das,
aceite a presin slo
cuando se usa, al
inicio de turno es
cuando el aceite entra
a presin
QUE DISTINGUE A?
GENERAR
POSIBLES
CAUSAS
Empaque de esquina
cuadrada es nuevo,
instalado hace 3 das
en la revisin
mensual de
mantenimiento
Ubicacin y nivel de
vibracin los
mismos durante
aos
Filtro #1 ha sido
abierto, limpiado y
cerrado durante
aos
54
Ejemplo malo:
Los clientes estn enojados con nosotros y pagan tarde su
cuenta.

Ejemplo mejorado:
En los ltimos 6 meses (cundo), 20% de nuestros clientes
clientes repitiendo, no de primera vez estn pagando
tarde ms all de 60 das nuestras facturas (qu). La tasa
actual de pagos tardos subi de 10% en 1990 y representa
el 30% de nuestras cuentas sobresalientes (magnitud).
Esto afecta negativamente nuestro flujo de efectivo
operativo (impacto o consecuencia).
ejemplo de declaracin de problema
55
Pago de deudas
(Clientes que Repiten)

60
Fecha de pago fecha acordada (das)
Requerida
Existente
DPMO iniciales: ~200,000
Los pagos tardos estn impactando el Flujo de Efectivo operativo
Calidad Costo Entrega Confiabilidad Crecimiento
Clientes
1a vez
Clientes que
Repiten
30% de las
cuentas
sobresalientes
Ejemplo de Declaracin de Problema (Mejor)
Definicin
enfocada de
Proyecto
Problema
Prioridad de
negocio
afectada
56
rbol de Definicin de Proyecto
Objetivo: El Proyecto se define a partir de una situacin
problemtica que se presenta a nivel gerencial,
generalmente una discrepancia entre un mtrico del
negocio y una meta establecida.
Descripcin: rbol que describe los cortes que eliminan
temas y conceptos que no se tratarn en el proyecto y
concentra la atencin en los conceptos que son el
fundamento del proyecto. El rbol se puede construir
usando la lgica de ES NO ES.
57
Se divide la situacin problemtica de acuerdo a cuatro
enfoques posibles:

enfocar al rea de ms influencia de varias iguales, para
despus repetir la solucin
enfocar eliminando las reas sin influencia a la situacin
problemtica
enfocar por conectividad entre mediciones, llevando al
proyecto en donde se puede tener una medicin equivalente
enfocar buscando progresivamente a travs de la situacin
problemtica eliminando las posibilidades no lgicas de causa.
Utilizando el mecanismo de ES NO ES

rbol de Definicin de Proyecto
58
Lavadora vibra
Modelos grandes Modelos pequeos
Centrifugar Lavar
Ciertas partes Todo el ciclo
Cambio herramental Cambio suspensin
Resorte y pistn
sobre amortiguan
Varillas y ligas
Cambiar
componente de
amortiguamiento
Especificar K de
resorte
Problema de negocio
Se observa en lavadoras de ms de 9 kg
Vibracin inaceptable en etapa
de centrifugado
Desde inicio hasta final vibra
No es viable cambiar
herramental
Especificando una K de resorte
apropiada se eliminar el problema de
vibracin despus de paso en
frecuencia natural
Anlisis de vibracin indica sobre
amortiguamiento de resorte
rbol de definicin de problema
59
Fallas de la turbina Problema
Defecto requiere
energa para
mostrarse
Defecto presente
en el punto de
embarque
Tensor
torcido
Turbina
Movida
Distribucin de
Energa
Distribucin de
Resistencia
Modos de Falla
Rozamiento
tensores
Falla de
Balero
Otras fallas
Problema no enfocado
Esta caracterstica puede
ser el parmetro de enfoque
80% de la falla es
debido a rozamiento
Weibull Beta > 2
Tensores torcidos
encontrados antes del
rozamiento
La resistencia es ms
fcil de arreglar
Medir
resistencia
directa
Medir cambio
del claro en la
punta
Estos cortes ayudan a
moverse de un estado de
falta de enfoque a uno con
enfoque
Conforme el tensor se
debilita y tuerce, el claro
en la punta disminuye
60
3
2
1
4
1
2
3
4
Reducir/eliminar fallas de turbocargador no da mucho enfoque
Tensor de turbocargador

0.014
USL
Una imagen vale ms que mil palabras.
Requerido
Existente
La Variable a medir est
claramente definida. Y es
directamente enlazada al
problema del cliente
Lmites de especificacin
mostrados (incluir lmites
fsicos)
Distribuciones requerida y
existente mostradas
Se indican las unidades
de medicin
Cambio en la brecha
de la punta
(pulgadas)
Una representacin grfica de una Y importante, hace fcil ver la
magnitud del problema, el enfoque del equipo, la meta del equipo, etc.
61
Costos de Inventario demasiado altos
Valle del Grano Otros cinco sitios
Comprar Hacer
Todas Ciertas partes
Reducir precio Reducir cantidad
La cantidad
presente correcta
Cantidad presente
mayor que la
necesaria
Reducir
demanda
Reducir el
tiempo de ciclo
de reposicin
Problema de negocio
V de G tiene 70% del valor de inventario
Material comprado representa
el 80% del valor del inventario
El cdigo 7 de bienes representa la ms
grande cantidad de valor de inventario
(20%)
La reduccin de precio no es
viable
Reducir tiempos de ciclo de reposicin
permitir un nivel de inventario ms
estable, reduciendo incertidumbre por
razones de negocio
La variacin actual en el nivel de
inventario ocasionalmente (pero rara
vez) se vuelve cero
62
3
2
1
4
Cdigo # 7 de Bienes

Requerida
Existente
48 0 360
Tiempo de ciclo Reposicin
(desde que la necesidad es creada hasta que la parte
est en anaquel)
(horas)
Costos de Inventario demasiado altos no da mucho enfoque
Una representacin grfica de una Y importante, hace fcil ver la
magnitud del problema, el enfoque del equipo, la meta del equipo, etc.
1
2
3
4
fsicos)
existente mostradas
de medicin
63
5
definicin de proyecto enfocado
DPMO inicial de 168,000 calculado de reporte de desperdicio (GRR no validado)
es el GRR adecuado para la solucin del problema?
Es el GRR adecuado para inspeccionar partes dentro de tolerancia 3.900 - 3.960?
Este tipo de descripcin grfica de un problema se usa para proyectos donde la Y es
continua. Otras situaciones pueden involucrar una Y discreta cosas como si un
programa fue compilado o no, o si una factura se proces correctamente. Las Ys
discretas no tienen un terreno medio - el resultado es bueno o malo.
Objetivo centrado (a menos que
se anote otra cosa)
Varilla elevador 400 NBL

3.900 3.960
LE inferior LE superior
Longitud (pulgs)
Requerida
Existente
DPMO inicial: 168,000
1
2
3
4
fsicos)
existente mostradas
de medicin
64
La facturacin (throughput) est limitando las ventas
400NBL Otras
lneas
En
Recibo
En
manuf.
En
Prueba
En
campo
Calidad Costo Entrega Confiabilidad Crecimiento
Longitud
Incorrecta en
Varilla elevador
Barrenos
incorrectos en
Varilla
Defectos de
pintura en
producto
terminado
Impacto al negocio
rea del
Problema:
Pareto de retraso
por Modelo
Punto de
descubrimiento
de problema
Modos de Falla:
73% de todo el
desperdicio/retrabajo
es debido a longitud
de un problema a un proyecto: dnde enfocar?
65
Especificar CTQs
Definicin de CTQ y Elementos de CTQ
Los CTQs son la
traduccin de las
necesidades del Cliente
en Requerimientos
cuantificados para
nuestro producto o
servicio
Los CTQs son los
requerimientos crticos
puestos sobre el
producto o servicio
Tiempo de Proceso de
Prstamo
Tiempo de Solicitud de
desembolso de fondos
(Horas)
< 3.4 DPMO
CTQ
Caracterstica
de Servicio
/Producto
Medir
Especificacin
/ Lmite(s) de
Tolerancia
Tasa tolerada
de Defecto
Objetivo/
Valor
Nominal
Prstamos
Rpidos
Necesidad
de Cliente
Desempeo
Seis Sigma
Meta de
Negocio
48 Horas
72 Horas
66
Especificar CTQs
Definicin de CTQ y Elementos de CTQ
Caracterstica de Producto o Servicio: Una palabra o frase
que describe algn aspecto del producto o servicio.

Medicin: una definicin de cmo la caracterstica del
producto o servicio va a ser cuantificada. Puede haber
varias formas de cuantificar una caracterstica dada.

Valor Objetivo o Nominal: A donde apuntaremos nuestro
producto o servicio. Si no hubiera variacin en el producto
o servicio, este es el valor que siempre lograramos.

Lmites de Especificacin: Cunta variacin tolerar el
cliente en la entrega del nuestro producto o servicio?

Tasa Permisible de Defectos: Cun a menudo estamos (los
productores) queriendo producir un producto o servicio
fuera de los lmites de especificacin?
67
proceso
general
para
determinar
ctqs
Resumen CTQ
Caracterstica Medida Objetivo LIE LSE DPMO
Tiempo De recepcin 3 das 5 das 3.4
de procesar de queja a
queja comprobacin
recibida
(das)
Nota: Algunos
esfuerzos de diseo
no distinguen entre
caractersticas y
mediciones
Entender la necesidad del
Cliente
Identificar
Caracterstica(s) de
Producto o Servicio
Determinar como medir la
caracterstica (Gage RyR)
Medida Continua
Determinar Objetivo
Determinar Lmite de
Especificacin o
Tolerancia
Determinar Tasa
permisible de
defecto
(DPMO, SIGMA)

Correlacin
con la
necesidad
?
Medida discreta
Determinar Objetivo
DPMO/Sigma
Correlaciona a
necesidad y Car.
?
Si
No
No
Quiero mi queja atendida
rpidamente
Tiempo de procesar la
queja
(Si)
Tiempo desde recibir la queja
hasta comprobacin recibida
por el quejoso
(Si)
(Continuo)
3 Das
(Basado en encuestas a
clientes)
5 Das
(Especificacin Superior)
6o
(<3.4 DPMO)
Si
Arbol detallado del Proceso/Producto
El Black/Green Belt es asignado para trabajar en remover los defectos
en los CTQs para mejorar los procesos.
Sub-Producto
A
CTQ
1
CTQ
2
CTQ
3
CTQ
4
CTQ
5
CTQ
6
CTQ
7
CTQ
8
CTQ
9
Proceso 1

Proceso 2

Proceso 3

Proceso 4
Importante para nuestro cliente
Sub-Producto
B
Sub-Producto
C
Producto
Celda
simple
Proyectos
Proyectos Basado en Proceso
C
T
Q

d
e

P
r
o
y
e
c
t
o
s

C
o
n
t
r
o
l
a
b
l
e

p
o
r

n
o
s
o
t
r
o
s

Requerimientos del
cliente (CTQs del
cliente)
Requerimientos del
proceso (CTQs del
proceso)
Define el rbol del producto o
proceso
e identifica los CTQs del
producto y proceso
Como los CTQs del cliente
se convierten en CTQs del
proyecto
69
de vuelta al contrato
Despus de que has identificado tus CTQs, compara con el
contrato y revisa necesariamente:
Est relacionado el CTQ con el enunciado del problema?
Necesitas re-escribir o revisar cualquier seccin?
Caso del
Negocio
Enunciado
y meta
del
problema
Alcance
Metas
Intermedias
Roles
y
Responsabilidades
puntos claveidentificando ctqs del proyecto
Un proyecto exitoso est enfocado en el cliente y est
claramente delimitado con metas definidas.
Para determinar los CTQs del proyecto, deben determinarse el
cliente y sus requerimientos. Las Caractersticas crticas para
la Calidad (CTQs) son determinadas por el cliente.
Un proyecto exitoso est relacionado con uno o mas de los 4
CTQs vitales del cliente:
Respuesta /comunicacin al cliente
Competitividad de mercado-Valor/Producto/Precio
A tiempo, Preciso, y entregas completas
Desempeo tcnico del Producto/Servicio
Los CTQs del proyecto estn integrados con la estrategia del
negocio a traves del rbol de detalle del producto/proceso.
71
Mnimo tres versiones
(Usualmente)
Como crees que es... Como te gustara que
fuera...
Como es realmente...
las versiones de un proceso
72
Completar el
Reporte de Gastos
ENTRADAS

(Pasos del Proceso)
SALIDAS

(Los CTQ)
Exactitud
Puntualidad
1. Llenar la informacin personal
2 Llenar los gastos de alimentacin por negocios
3. Llenar los gastos diarios
4. Subtotal / Verificar los gastos
5. Pasar el Subtotal a la hoja del frente
6. Indicar los gastos que asume la empresa
7. Firmar
8. Enviar al Gerente
9. Esperar la firma

Paso 1: Listar los pasos del proceso en general y las
principales variables de salida claves del cliente
73
1 2
6
3
7 4 9 8 5
Paso 2: Identificar los pasos con valor agregado y sin
valor agregado en el proceso
7. Firmar
9. Esperar la firma
74
A) Exactitud
B) Puntualidad

Los CTQ
Paso 3: Mostrar los CTQ de cada paso
(Proceso y Producto)
A A A A A,B A A B B
1 2
6
3
7 4 9 8 5
7. Firmar
9. Esperar la firma
75
A) Exactitud
B) Puntualidad

Los CTQ
Leyenda de entrada

Crtico

Controlable

Ruido
1 2
6
3
7 4 9 8 5
A A A
A
A,B A A B B
Nombre
Direccin
Departamento
Alimentos
Cantd.Dls.
Ubicacin
Hotel
Renta Auto
$ Amt
Aerolnea
$ Amt
Firma
Habilid. Mat.
Honestidad
Habilid. Escrit. Sistema Envo Horario
de
Trabajo
LEYENDA
2 Llenar los gastos de comidas de negocios
7. Firmar
9. Esperar la firma
Paso 4: Listar y clasificar las entradas claves del
proceso
76
1 2
6
3
7 4 9 8 5
A A A A A,B A A B B
Nombre
Direccin
Departamento
Alimentos
Cantd.Dls..
Ubicacin
Hotel
Renta Auto
Cantd. $
Aerolnea
Cantd. $
Firma
Habilid. Mat.
Honestidad
Habilid. Escrit. Sistema Envo Horario
de
Trabajo
Especificaciones
Nombre Nombre Completo
Direccin Direccin de Trabajo
Departamento Clave de Departamento
Cantidad Dinero Moneda nacional (incluir centavos)
Hotel Tarifa preferencial a Mabe
Tipo de hotel De acuerdo a nivel en organizacin
Habilidad Matemtica. Matemticas Bsicas
Honestidad Apoya los lineamientos de Mabe
Habilid. Escrit. Escritura bsica
Lnea Area Tarifa econmica
Firma Legible
Paso 5: Aadir especificaciones de operacin reales y
objetivos de proceso para las entradas controlables y
crticas
77
tiempo total de ciclo
78
Actividad con
valor agregado
Actividad Sin valor
agregado
Tiempo transcurrido
(sin actividad )
Dimensin de tiempo del
proceso
Examinar las demoras con mayor tiempo por causas, por ejemplo:
Recursos restringidos
Problemas de secuencia
Tamao del lote
Defectos
Actividades sin valor agregado
Tiempo de ocio
Tiempo en espera
Almacenaje
En trnsito
Defectos de calidad (rendimiento)
Desarrollar planes para eliminar las demoras y reducir
el ciclo del tiempo.
tiempo total de ciclo
79
retrabajo
lazo de
TPD - 8 das
TPD - 3 das
Dnde son generadas?
Cules son los
principales defectos
encontrados?
TPD = Tiempo para detectar
Qu tan rpido identificamos los defectos ?
diagrama de calidad potencial
80
EQUIPO CONSTITUDO
CAP

PROCESO DE CAMBIO

ARMI

DENTRO DE MARCO

RETOS Y OPORTUNIDADES
81
PROCESO DE CAMBIO
Objetivo: Asegurar que las soluciones del proyecto estn
fundamentadas durante la implementacin, as como
despus de terminar el proyecto

Descripcin: reconocer que la efectividad en los resultados
de los proyectos definidos, depende de un Proceso de
Cambio expresado de la siguiente manera

Efectividad = Calidad de esfuerzo x
Aceptacin de la solucin
82
PROCESO DE CAMBIO
E = Q * A
(Efectividad = Calidad de esfuerzo * Aceptacin de la solucin)
Debe usted cumplir con lo siguiente:
Estar comprometido personalmente
Desempear el papel o papeles que se le asignen
Participar activamente
Retar el status quo
Manejar las dificultades de manera proactiva
Demostrar un sentido de urgencia, pasin y enfoque para el proyecto
Su equipo, deber cumplir con todos los requerimientos anteriores, ADEMS DE LO
SIGUIENTE:
Evitar actitudes que pudiesen impedir el cambio
Evitar la no intervencin prematura
Evitar trabajar por s solo
Evitar que el esfuerzo de cambio sea intil
83
Creacin de una Necesidad
Compartida
Creacin de una Visin
Lograr el Compromiso
Hacer el Cambio Perdurable
Cambio de Sistemas y Estructuras
Conducir el Cambio
Estado
Actual
Estado de
Transicin
Estado
Mejorado
Monitorear el Progreso
PROCESO DE CAMBIO
84
Preparacin para el xito
Enfocarse hacia un CTQ que sea terriblemente claro
Definir un alcance que sea terriblemente claro

3 herramientas principales para lograr una definicin
clara sobre el alcance y CTQ
Incluir / Excluir en el marco
PEPSC
Proyectos y Equipos
85
Hoja de Trabajo ARMI
Fase 1
Medicin/
Identificar
Fase 2
Analizar/
Disear
Fase 3
Mejorar/
Optimizar
Fase 4
Controlar/
Validar
Participante
Fase del Proyecto
A Se requiere la Aprobacin de esta persona, para cualesquiera decisiones
fuera del alcance del equipo
R Proporcionar Recursos al equipo, con la experiencia o asesora
necesaria para trabajar de manera apropiada
M Miembro del equipo
I Parte Interesada que ser informada sobre el avance del proyecto
Proyectos y Equipos
86

Proyectos y Equipos
Preparacin del Equipo
Haga que los miembros del equipo de trabajo se
conozcan entre s
Definir las formas preferidas del trabajo en
equipo
Enfocarse hacia el cliente
Revisar el contrato del proyecto
Discutir cualquier aspecto del contrato
Asignar responsabilidades
Preparar una copia de contratos operativos

87
Cmo podemos lograr lo que buscamos?
Hacer el
Cambio
Perdurable
Celebrar los
xitos anticipadamente
Dedicar
recursos
Demostrar
compromiso
Alentar a la
gente
Interpretar las
lecciones
Integrar
esfuerzos
88
Creacin de una Necesidad Compartida
Matriz de Amenaza y Oportunidad
Amenaza Oportunidad
A Corto
Plazo
A Largo
Plazo
Necesidad Compartida
89
Crear una necesidad compartida
Matriz Retos vs. Oportunidades
Retos Oportunidades
Corto
Plazo
Largo
Plazo
Entregas tardas
penalizadas

Costos altos de retrabajo

Exceso de produccin
Ms agilidad en mercado

Menor costo de calidad

Menores ajustes de
ltimo minuto
Prdida de participacin
de mercado

Dificultad de vender otros
productos por reputacin
daada
Crecimiento Continuo

Capacidad para introducir
nuevos productos

Ms activos disponibles
para reinversin
90
DENTRO DE MARCO
Objetivo: facilitar en el trabajo en equipo la
comprensin del alcance del proyecto
Descripcin: dentro de un marco fsico se colocan
tarjetas con descripciones a temas relacionados al
proyecto. Al final se distinguirn temas dentro del
marco, fuera del marco y marginales.
91
Dentro del Marco
Mejorar Recepcin
Intercambio
unitario de
material
Capacidad de
Muelle
proveedor de
material
Tiempo de
Ciclo
Embarque en
Planta
Sistema MRP
Llevar Registro
92
Dentro del Marco
1. El lder del equipo debe crear tres columnas sobre una
pared del cuarto de reunin.
En la parte superior de la primera columna habr una tarjeta
grande que diga dentro.
En la segunda columna habr una tarjeta que diga fuera.
En la tercera y ltima columna aparecer una tarjeta con ?
signos de interrogacin.
2. El lder de equipo (BB GB) describir el caso de negocio
y presentar una Declaracin del Problema Preliminar,
usando las guas dadas anteriormente en el material.
3. Se les repartirn tarjetas a los participantes, en cada
tarjeta separadamente se escribir lo que cada miembro
considera dentro del marco del proyecto, lo que esta fuera
del marco y de lo que se tiene duda.
93
Dentro del Marco
4. Los miembros del equipo podrn poner sus tarjetas dentro
de la columna apropiada.
5. El lder del equipo revisar cada tarjeta aclarando lo que
esta escrito y buscando al mismo tiempo duplicacin de
ideas en lo generado por el equipo. Ms importante an, el
lder buscar las tarjetas que aparecen en ms de una
columna, estas tarjetas deben de ponerse el columna de
interrogantes, junto a las ideas en que los miembros del
equipo tienen duda.
6. Es responsabilidad del GB BB tomar el trabajo creado
por el equipo e inmediatamente reportarlo al Champion.
Sobre esta base el Champion dejar slo dos columnas: lo
que esta dentro del marco del proyecto para el equipo y lo
que queda afuera.
94
Puntos Clave

1. La aceptacin es importante para que el
proyecto tenga xito

2. Las CAP deben aplicarse en los
proyectos en puntos apropiados, con
el fin de asegurar la aceptacin de
soluciones y el xito del proyecto

3. Revisin del uso de herramientas CAP,
lo que animar a la gente a considerar
y atender el lado flaco del proyecto,
y no a ignorarlo

4. Los beneficios de las herramientas no
pueden identificarse si no se usan

95
Objetivo: programar las actividades que tendrn que
realizarse en la ejecucin del proyecto definido

Descripcin: mostrar las actividades y fechas de
ejecucin que permitan observar los avances y
brechas que en el desarrollo del proyecto definido se
siguen
GRFICA DE GANTT
96

ID Nombre de la Tarea
Identificar Clientes
Identificar Necesid.
Desarrollo de CTQs
Revisin
Desarrollo de Concep.
Diseo de Nivel Alto
Capacidad
Revisin del Diseo
Desarrollo de detalles
Simulacin
Anlisis de costos
Revisin del Diseo
Obtencin
Implementacin
1
2
3
4
5
6
7
8
9
10
11
12
13
14
Oct. Nov. Dic. Ene. Feb. Mar. Abr. May Jun. Jul. Ago. Sep.
Qtr 4, 1996 Qtr 1, 1997 Qtr 2, 1997 Qtr 3, 1997
Ejemplo Grfica de Gantt
97
Controles
el modelo amef
Efecto
Cliente externo o
paso del proceso
con la corriente
Causa
Modo de la Falla
(Defecto)
Paso del Proceso
Material o
Entrada de
Proceso
Prevencin Deteccin
Deteccin
98
Modo de la
Falla 1
Modo de la
Falla 2
Efecto 1
Modo de la
Falla 1
Efecto 1
Efecto 2
relacionando los modos de falla a los efectos
La relacin entre el Modo de la Falla y el Efecto no siempre es 1 a 1
Modo de la
Falla 1
Modo de la
Falla 2
Efecto 1
99
ejemplo de matriz de cye
Indice de
Importancia para
el Cliente
10 8
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Entradas de Proceso
E
x
a
c
t
i
t
u
d
P
u
n
t
u
a
l
i
d
a
d
R
e
q
u
e
r
i
m
i
e
n
t
o
R
e
q
u
e
r
i
m
i
e
n
t
o
R
e
q
u
e
r
i
m
i
e
n
t
o
R
e
q
u
e
r
i
m
i
e
n
t
o
R
e
q
u
e
r
i
m
i
e
n
t
o
R
e
q
u
e
r
i
m
i
e
n
t
o
R
e
q
u
e
r
i
m
i
e
n
t
o
R
e
q
u
e
r
i
m
i
e
n
t
o
R
e
q
u
e
r
i
m
i
e
n
t
o
R
e
q
u
e
r
i
m
i
e
n
t
o
R
e
q
u
e
r
i
m
i
e
n
t
o
R
e
q
u
e
r
i
m
i
e
n
t
o
Total
1 Nombre 10 10 180
2 Direccin 10 10 180
3 Departamento 10 10 180
5 Cant.$ 10 10 180
10 Honestidad 10 10 180
9 Habilid.Mat. 10 8 164
11 Habilid.Escr. 9 4 122
13 Firma 2 10 100
15
Horario de Trab.
2 10 100
12 Lnea Area 8 0 80
14 Sist.Correo 0 10 80
4
Tipo de comida
6 0 60
7 Hotel 6 0 60
8 Renta Auto 6 0 60
6 Restaurante 4 0 40
Matriz de
Causa y Efecto
100
Proceso AMEF
1. Revisar el Proceso
Asegurase que el equipo
entiende el proceso.
El equipo deber revisar un
plano del producto o un
diagrama de proceso detallado
de la operacin
El producto debe ser conocido
fsicamente y presente y el
proceso debe ser caminado en
el orden en que fluye
Incluya un experto en el
producto o proceso para
responder las preguntas del
equipo
2. Generar y organizar modos
potenciales de falla
Cada miembro del equipo debe
llegar con una lista escrita de
los modos potenciales de falla
Al final de una sesin
conducida se deber tener los
modos de falla agrupados por
afinidad.
3. Listar los Efectos potenciales
de cada Modo de falla
El equipo pone la lista
agrupada de modos de falla en
una hoja de trabajo.
Para algunos modos de falla,
podra haber slo un efecto,
mientras que puede haber
varios efectos para otros
modos de falla
Piense: SI la falla ocurre,
LUEGO cules son las
consecuencias
4. Asignar una calificacin de
severidad a cada efecto
ocurrencia a cada modo de
falla
deteccin a cada modo de
falla y efecto
7. Calcular el nmero prioritario
de riesgo para cada efecto.

101
Proceso AMEF
8. Ordenar Los Modos de
Falla
Decida sobre que Modos
de Falla trabajar,
ordnelos y establezcan
un NPR de corte
Un diagrama de Pareto
pudiera ser til.
9. Actu para eliminar o
reducir Riesgos
Usando un proceso
organizado de solucin de
problemas (M,A,I,C),
identifique las acciones
para eliminar o reducir los
modos de falla de alto
riesgo.
Haga las recomendaciones
en el nivel gerencial
apropiado
102
- Identificar el Proceso a examinar (Renovar rdenes de partes, por ejemplo) y
obtener una copia del Diagrama de Proceso de Flujo

- Identifique quin es el responsable del proceso.
- Identifique al equipo participante en el AMEF.
- Obtenga una copia del formato del AMEF de Proceso.
- Llene las categoras AMEF.

- NOTA: Un AMEF de Proceso debe suponer que el trabajo de diseo fue hecho
apropiadamente. En otras palabras se supone que las tolerancias son correctas,
las elecciones de material son apropiadas y as por el estilo.
Tomar Orden Llenar orden Entregar orden
(NOTA: Un
Diagrama de
proceso no debe
ser as de simple)
Generar el AMEF de Proceso
103
Anlisis de Modos y Efectos de Falla
AMEF de Proceso
PROCESO __ _____________________________ Responsabilidad del Proceso _ ________ Nmero de AMEF _____________
Preparado por:___ ___________ Pag. _ ___de ___ ____
Equipo BASE ________ FECHA AMEF (orig.)__ ___ (rev)________
Tema
Funcin Modos
Potenciales
de Falla
Efecto(s)
Potencial(es)
de Falla
N. Resultados de Accin
P. S O D N.
R.
Accin
Tomada
e c e P.
v c t R.
Tomar
orden
Llenar
orden
Entregar
orden
1. Liste los pasos
del proceso
proceso renovar ordenes de partes
S
e
v
e
r
i
d
a
d
Mecanismos de
Falla
Causa(s)
Potencial(es)
O
c
u
r
r
e
n
c
i
a

Controles de
Proceso
Actuales
D
e
t
e
c
c
i
n

Accin
Recomendada
Responsabilidad
y Fecha Objetivo
104
AMEF de Proceso
Tema
Funcin Modos
Potenciales
de Falla
Efecto(s)
Potencial(es)
de Falla
P. S O D N.
R.
Accin
Tomada
e c e P.
v c t R.
Tomar
orden
Llenar
orden
Entregar
orden
S
e
v
e
r
i
d
a
d
Mecanismos de
Falla
Causa(s)
Potencial(es)
O
c
u
r
r
e
n
c
i
a

Controles de
Proceso
Actuales
D
e
t
e
c
c
i
n

Accin
Recomendada
Responsabilidad
y Fecha Objetivo
Nota: Es posible que modos de falla mltiples
pueda existir para una sola funcin de proceso.
#parte mal

cantidad mal

direccin
mal

cdigo mal
2. Identificar Modos de Falla:
Cmo puede fallar el Proceso
para lograr su funcin?
105
AMEF de Proceso
Tema
Funcin Modos
Potenciales
de Falla
Efecto(s)
Potencial(es)
de Falla
P. S O D N.
R.
Accin
Tomada
e c e P.
v c t R.
Tomar
orden
S
e
v
e
r
i
d
a
d
Mecanismos de
Falla
Causa(s)
Potencial(es)
O
c
u
r
r
e
n
c
i
a

Controles de
Proceso
Actuales
D
e
t
e
c
c
i
n

Accin
Recomendada
Responsabilidad
y Fecha Objetivo
#parte mal

cantidad mal

direccin
mal

cdigo mal
Demora al llenar
la necesidad del
cliente
3. Describe los efectos
potenciales de los modos
de falla
106
efectos potenciales de la falla
Efectos Locales
Efectos en el rea local
Impactos inmediatos
Efectos superiores siguientes
Intermedio entre Efectos Locales y Usuario Final
Efectos finales
Efectos sobre el Usuario final
Los efectos pueden describirse en 3 niveles:
No todos los Modos de Falla tendrn este Efecto Domino
Esto es lo
que se
califica
107
AMEF de Proceso
Tema
Funcin Modos
Potenciales
de Falla
Efecto(s)
Potencial(es)
de Falla
P. S O D N.
R.
Accin
Tomada
e c e P.
v c t R.
Tomar
orden
S
e
v
e
r
i
d
a
d
Mecanismos de
Falla
Causa(s)
Potencial(es)
O
c
u
r
r
e
n
c
i
a

Controles de
Proceso
Actuales
D
e
t
e
c
c
i
n

Accin
Recomendada
Responsabilidad
y Fecha Objetivo
#parte mal

cantidad mal

direccin
mal

cdigo mal
Demora al llenar
la necesidad del
cliente
4. Use la tabla en la siguiente diapositiva
para identificar severidad.
7
108
calificaciones de severidad (amef-proceso)
Efecto Valor Criterios
Menor 1 Es irrazonable esperar que la naturaleza menor de esta falla causar un efecto notable
sobre el desempeo del punto del sistema o proceso siguiente o la operacin de
ensamble. El cliente probablemente no est habilitado para detectar la falla.

Bajo 2-3 Debido a la naturaleza de esta falla, el cliente solo experimenta ligera molestia. El
Cliente probablemente notar deterioro ligero en el desempeo de este punto del
sistema o un ligero inconveniente con un proceso siguiente u operacin de
ensamble.i.e. Retrabajo menor.

Moderado 4-5-6 La Falla causa alguna insatisfaccin en el cliente que puede incluir inconformidad o
molestia. El cliente notar deterioro en el desempeo de este punto del sistema. Esto
podra resultar en retrabajo/reparacin no programada o dao al equipo.

Alto 7-8 Alto grado de insatisfaccin del cliente debido a la naturaleza de la falla, tal cmo
partes inoperables o sistemas. Las Fallas no involucran seguridad o regulaciones
gubernamentales. Podra resultar en una interrupcin seria del proceso siguiente u
operacin de ensamble o requerir un retrabajo mayor.

Muy Alto 9-10 La Falla afecta la seguridad o involucra el incumplimiento de regulaciones del
gobierno. Puede poner en peligro al operador o la maquinaria de ensamble (9 con
aviso, 10 sin aviso).
109
AMEF de Proceso
Tema
Funcin Modos
Potenciales
de Falla
Efecto(s)
Potencial(es)
de Falla
P. S O D N.
R.
Accin
Tomada
e c e P.
v c t R.
Tomar
orden
S
e
v
e
r
i
d
a
d
Mecanismos de
Falla
Causa(s)
Potencial(es)
O
c
u
r
r
e
n
c
i
a

Controles de
Proceso
Actuales
D
e
t
e
c
c
i
n

Accin
Recomendada
Responsabilidad
y Fecha Objetivo
#parte mal

cantidad mal

direccin
mal

cdigo mal
Demora al llenar
la necesidad del
cliente
7
5. Identifique las Causas Potenciales de
falla.
Cmo puede ocurrir la falla?
Nota:
Debe describirse en trminos de algo que
se pueda corregir o controlar.
# parte mal
requerida

Requerimiento
mal entendido

Error de captura
110
AMEF de Proceso
Tema
Funcin Modos
Potenciales
de Falla
Efecto(s)
Potencial(es)
de Falla
P. S O D N.
R.
Accin
Tomada
e c e P.
v c t R.
Tomar
orden
S
e
v
e
r
i
d
a
d
Mecanismos de
Falla
Causa(s)
Potencial(es)
O
c
u
r
r
e
n
c
i
a

Controles de
Proceso
Actuales
D
e
t
e
c
c
i
n

Accin
Recomendada
Responsabilidad
y Fecha Objetivo
#parte mal

cantidad mal

direccin
mal

cdigo mal
Demora al llenar
la necesidad del
cliente
7 # parte mal
requerida

Requerimiento
mal entendido

Error de captura
6. Califique la posibilidad de
que la causa identificada
ocurra.
(use la tabla en la
diapositiva siguiente)
6

6

8
111
tasa de ocurrencia (amef de procesos )
Ocurrencia Criterios
Remota La Falla es poco probable.

Baja Relativamente pocas fallas

Moderada Fallas Ocasionales

Alta Fallas Repetidas

Muy Alta La Falla es casi inevitable
Tasas de Falla
<1 in 1,500,000

1 in 150,000

1 in 15,000

1 in 2,000

1 in 400

1 in 80

1 in 20

1 in 8

1 in 3

>1 in 2
Rango
1

2

3

4

5

6

7

8

9

10
112
AMEF de Proceso
Tema
Funcin Modos
Potenciales
de Falla
Efecto(s)
Potencial(es)
de Falla
P. S O D N.
R.
Accin
Tomada
e c e P.
v c t R.
Tomar
orden
S
e
v
e
r
i
d
a
d
Mecanismos de
Falla
Causa(s)
Potencial(es)
O
c
u
r
r
e
n
c
i
a

Controles de
Proceso
Actuales
D
e
t
e
c
c
i
n

Accin
Recomendada
Responsabilidad
y Fecha Objetivo
#parte mal

cantidad mal

direccin
mal

cdigo mal
Demora al llenar
la necesidad del
cliente
7 # parte mal
requerida

Requerimiento
mal entendido

Error de captura
6

6

8
7. Qu controles reales de
proceso se tienen para
prevenir el modo de falla?
Ninguno

Repetirle la orden
al cliente

# de parte re-
capturada para
confirmacin
113
controles proceso actual
Controles se refiere a cosas que previenen la ocurrencia de los
modos de falla o detectar el modo de la falla si sta ocurre.

- Primera lnea de Defensa - Evitar o Eliminar la (s) Causa (s) de la
Falla
- Segunda lnea de Defensa - Identificar o Detectar Tempranamente
la Falla
- Tercera Lnea de Defensa - Reducir Impactos/Consecuencias de la
Falla
114
AMEF de Proceso
Tema
Funcin Modos
Potenciales
de Falla
Efecto(s)
Potencial(es)
de Falla
P. S O D N.
R.
Accin
Tomada
e c e P.
v c t R.
Tomar
orden
S
e
v
e
r
i
d
a
d
Mecanismos de
Falla
Causa(s)
Potencial(es)
O
c
u
r
r
e
n
c
i
a

Controles de
Proceso
Actuales
D
e
t
e
c
c
i
n

Accin
Recomendada
Responsabilidad
y Fecha Objetivo
#parte mal

cantidad mal

direccin
mal

cdigo mal
Demora al llenar
la necesidad del
cliente
7 # parte mal
requerida

Requerimiento
mal entendido

Error de captura
6

6

8
Ninguno

Repetirle la orden
al cliente

# de parte re-
capturada para
confirmacin
8. cunta posibilidad hay de que la
causa de la falla sea detectada?
(use la tabla en la diapositiva
siguiente)
10

5

2
115
rangos de deteccin ( amef proceso)
Deteccin Rango Criterio
Muy Alto 1-2 Control (es) Actual (es) casi certeza para detectar el modo de
falla.Controles de deteccin confiables son conocidos en
Procesos Similares. El proceso automticamente previene
procesamiento adicional.

Alto 3-4 Controles tienen una buena probabilidad de detectar el modo
de falla. Procesos Automticamente detectan la falla.

Moderado 5-6 Controles podrn detectar la existencia de un modo
de falla.

Bajo 7-8 Controles tienen una oportunidad baja de detectar la existencia
de un modo de falla
Muy Bajo 9 Controles probablemente no detectarn la existencia de un
modo de falla.

Ninguno 10 Controles no pueden detectar la existencia de un modo de falla.
No se conocen controles disponibles para detectar el modo de
falla.
Controles se refiere a cosas que ya sea previenen la ocurrencia de los
modos de falla o detectan el modo de la falla si sta ocurre.
- Primera lnea de Defensa - Evitar o Eliminar la (s) Causa (s) de la Falla
- Segunda lnea de Defensa - Identificar o Detectar Tempranamente la Falla
- Tercera Lnea de Defensa - Reducir Impactos/Consecuencias de la Falla
116
AMEF de Proceso
Tema
Funcin Modos
Potenciales
de Falla
Efecto(s)
Potencial(es)
de Falla
P. S O D N.
R.
Accin
Tomada
e c e P.
v c t R.
Tomar
orden
S
e
v
e
r
i
d
a
d
Mecanismos de
Falla
Causa(s)
Potencial(es)
O
c
u
r
r
e
n
c
i
a

Controles de
Proceso
Actuales
D
e
t
e
c
c
i
n

Accin
Recomendada
Responsabilidad
y Fecha Objetivo
#parte mal

cantidad mal

direccin
mal

cdigo mal
Demora al llenar
la necesidad del
cliente
7 # parte mal
requerida

Requerimiento
mal entendido

Error de captura
6

6

8
Ninguno

Repetirle la orden
al cliente

# de parte re-
capturada para
confirmacin
10

5

2
9. Multiplique las tres
calificaciones para calcular
el Nmero Prioritario de
Riesgo. (NPR)
420

210

112
117
guas NPR / Severidad usadas para identificar CTQs
Severidad mayor o igual a 9
o NPR ms grande que 360
NPR = Severidad x Ocurrencia x Deteccin
Nota: Clasificar un NPR ms grande que 360 como un
CTQ es slo una gua. Un equipo puede
seleccionar el valor ms bajo y tratar un NPR
menor que 360 como un CTQ, pero no deber
elevarlo ms de 360.
Calcular el Nmero Prioritario de Riesgo (NPR)
118
Listar todas las Acciones Recomendadas, Quines
son los Responsables y Completar fechas

Describir Acciones tomadas y Resultados

Re-valorar Severidad, Ocurrencia, y Deteccin

Recalcular el Nmero Prioritario de Riesgo
elementos requeridos para todos los ctqs
Nota:
Una severidad ms grande qu/igual a 9
puede no necesitar acciones basado en la
baja Ocurrencia y tasa de Deteccin
(aunque ello permanece siendo un CTQ).
119
AMEF de Proceso
Tema
Funcin Modos
Potenciales
de Falla
Efecto(s)
Potencial(es)
de Falla
P. S O D N.
R.
Accin
Tomada
e c e P.
v c t R.
Tomar
orden
S
e
v
e
r
i
d
a
d
Mecanismos de
Falla
Causa(s)
Potencial(es)
O
c
u
r
r
e
n
c
i
a

Controles de
Proceso
Actuales
D
e
t
e
c
c
i
n

Accin
Recomendada
Responsabilidad
y Fecha Objetivo
#parte mal

cantidad mal

direccin
mal

cdigo mal
Demora al llenar
la necesidad del
cliente
7 # parte mal
requerida

Requerimiento
mal entendido

Error de captura
6

6

8
Ninguno

Repetirle la orden
al cliente

# de parte re-
capturada para
confirmacin
Reduzca el riesgo general en el proceso
10. Use el NPR para identificar los modos de falla
que necesitan ms atencin. Una vez que la
accin se toma, re-valore Severidad, Ocurrencia, y
Deteccin; luego recalcule el NPR.
10 420 ???? ???? ???? ? ? ? ?

5 210

2 112
120
Cartografa AMEF
Identificar Modo
Potencial de Falla
Identificar Efecto(s)
Potenciales de Modo de
Falla
Identificar Causas
Potenciales de Modo de
Falla
Evaluar los controles
presentes o los
procesos de verificacin
de diseo
Identificar
Acciones para
conducir Mejora
Determinar
Severidad
Calcular
NPR
Determinar
Ocurrencia
Determinar
Detectabilidad
Caso de
Negocio
Declaracin de
Problema
Declaracin de
Meta
Diagrama
Funcional
121
Variacin
Objetivos

Entender que la variacin en los datos representa la
Voz del Proceso.
Conocer los dos tipos de variacin Causas Comunes y
Causas Especiales y las implicaciones de las diferentes
causas
Usar las herramientas apropiadas para Estudiar la
variacin en Situaciones Discretas y Continuas

122
todos los procesos tienen variacin
Todas las actividades repetitivas de un proceso
tienen una cierta cantidad de fluctuacin
Las Mediciones de Entradas, Proceso y Salidas
fluctuarn
Esta fluctuacin se llama Variacin
La Variacin es la Voz del Proceso
Medicin
Tiempo
123
6 Ms
Mquinas

Materiales

Mtodos

Medicin

Medio Ambiente

Mentes
P
R
O
C
E
S
O
124
Tipo Definicin
Causa Comn

Causa Especial
No influida por
una de las
6Ms

Influencia
provocada por
las 6Ms
Esperada
Normal
Aleatoria

Inesperada
No Normal
No Aleatoria

Dos Tipos de Variacin
125
Visin: Tipos de Datos
Binario Categorias
ordenadas
Cuenta
Clasificados
dentro de dos
categorias
Ranqueando Continuos
discretamente
Medidos
en una cantidad
o escala
% de
aplicaciones
con uno o mas
errores
Satisfaccin
del cliente
en una red de
servicios
Nmero de
errores en
una aplicacin
Tiempo (en
hrs) para la
aplicacin de
un proyectpo
Descripcin
Ejemplo
Discretos
Continuos
Continuode
tipos de datos
Cmo mide el cliene tus procesos?
126
La Curva Normal
Definicin:
Una Distribucin de probabilidad donde los valores ms frecuentes ocurren en la
mitad y las otras probabilidades disminuyen simtricamente en ambas
direcciones

Caractersticas:
La Curva tericamente no llega al cero
La curva puede dividirse a la mitad con piezas iguales cayendo de cada lado del
valor ms frecuente en ocurrencia
Una curva Normal indica variacin aleatoria o fortuita
El pico de la curva representa el centro del proceso
El rea bajo la curva representa virtualmente el 100% del producto que el
proceso es capaz de producir
127
curva de campana de la distribucin normal
-3s -2s -1s X +1s +2s +3s
68.26%
95.46%
99.73%
68.26% Queda Dentro +\- 1 Sigma
o = SIGMA
34.13% 34.13%
13.60% 13.60%
2.14% 2.14%
0.13% 0.13%
128
Ecuaciones para Calcular
-

=
X
i E
i = 1
N
N

o
=
( X
i
)
2
E
N
N

Media de Poblacin
Desviacin Estndar
de Poblacin
Media Muestral
Desviacin Estndar
de Muestra
n

X
=
X i E
i = 1
s =
i 1 =
( X i - X )
2
E
i = 1
n - 1
n
n
129
Medicin y Coleccin de Datos: Simulacin de Equipo
Practicar habilidades clave de medicin de
Calidad
1. Calcule los siguientes Estadsticos descriptivos:
a. Media Muestral Para el nmero de
miembros del equipo
b. Desviacin Estndar Muestral Para el
nmero de miembros del equipo
2. Preprese para compartir sus Estadsticos y
conclusiones iniciales
20 Minutos
Objetivo
Instrucciones
Tiempo
130
formar la curva normal
Area de
Rendimiento
Unidades de Medicin
Centro de la barra
Curva suavizada que interconecta el
centro de cada barra
Lmite de
rendimiento
+ -
Dado que el 100% del rea
bajo la Curva Normal est
ubicada entre , podemos
calcular el rea que cae ms
all del lmite de
rendimiento.Logrando esto,
nos revelar la probabilidad
de una oportunidad aleatoria
de ocurrir un defecto.
Nota: Las colas de la Curva Normal tocarn la lnea base aproximndose al infinito.
Probabilidad de un
Defecto
131
La Desviacin Estndar

Punto de inflexin
1o
M LSE
p(d)
Lmite Superior de Especificacin (LSE)
Especificacin de Meta (M)
Lmite Inferior de Especificacin (LIE)
Media de Distribucin ()
Desviacin Estndar de la Distribucin (o)
3o
La distancia entre el punto de
inflexin y la media constituye
el tamao de una desviacin
estndar. Si tres de esas
desviaciones caen entre el
valor meta y el lmite de
especificacin, podramos
decir que el proceso tiene
capacidad tres sigma.
Media
132
Area de
Rendimiento
Lmite de
Rendimiento
Probabilidad de
Defecto
+ -
Nota: Las colas de la Curva Normal tocarn la lnea base aproximndose al infinito.

o
Al usar la tabla normal para acomodar cualquier
distribucin normal, slo necesitamos estandarizar
nuestros datos Z = X -
o
La transformacin convierte nuestra variable aleatoria X en una
nueva variable aleatoria con propiedades normales. La nueva
distribucin normalizada, tiene una media de = 0, o = 1 y el rea
bajo la curva = 1.
El puntaje Z, denotado por Z,
corresponde al valor en X, y es
la distancia entre X y la media
en unidades de la Desviacin
Estndar.
X
Estandarizar los Datos
133
** Area bajo la curva = 1, el objetivo es 0 **
La Desviacin Estndar Normal
Lmite de
Rendimiento
Probabilidad
de Defecto
Ejemplo = .00289
Supongamos que calculamos la desviacin
normal estndar para un lmite de rendimiento
dado y encontramos que Z = 2.76. La
pregunta sera, Qu porcin del rea total,
bajo la curva normal, se extiende ms all de
un valor Z de 2.76? Al contestar esta
pregunta tendremos la probabilidad de
producir un defecto.Recuerde que el valor Z es
una medida de la capacidad de proceso y con
frecuencia se le llamala sigma del proceso,
esto no debe confundirse con la desviacin
estndar del proceso.
Area
Total = 1
Z Area Z Area Z Area Z Area
0.00 .500000000 1.51 .065521615 3.02 .001263795 4.53 .000002999
0.05 .480061306 1.56 .059379869 3.07 .001070234 4.58 .000002369
0.10 .460172290 1.61 .053698886 3.12 .000904215 4.63 .000001867
0.15 .440382395 1.66 .048457216 3.17 .000762175 4.68 .000001469
0.20 .420740315 1.71 .043632958 3.22 .000640954 4.73 .000001153
0.25 .401293634 1.76 .039203955 3.27 .000537758 4.78 .000000903
0.30 .382088486 1.81 .035147973 3.32 .000450127 4.83 .000000705
0.35 .363169226 1.86 .031442864 3.37 .000375899 4.88 .000000550
0.40 .344578129 1.91 .028066724 3.42 .000313179 4.93 .000000428
0.45 .326355105 1.96 .024998022 3.47 .000260317 4.98 .000000332
0.50 .308537454 2.01 .022215724 3.52 .000215873 5.03 .000000258
0.55 .291159644 2.06 .019699396 3.57 .000178601 5.08 .000000199
0.60 .274253121 2.11 .017429293 3.62 .000147419 5.13 .000000154
0.65 .257846158 2.16 .015386434 3.67 .000121399 5.18 .000000118
0.70 .241963737 2.21 .013552660 3.72 .000099739 5.23 .000000091
0.75 .226627465 2.26 .011910681 3.77 .000081753 5.28 .000000070
0.80 .211855526 2.31 .010444106 3.82 .000066855 5.33 .000000053
0.85 .197662672 2.36 .009137469 3.87 .000054545 5.38 .000000041
0.90 .184060243 2.41 .007976235 3.92 .000044399 5.43 .000000031
0.95 .171056222 2.46 .006946800 3.97 .000036057 5.48 .000000024
1.00 .158655319 2.51 .006036485 4.02 .000029215 5.53 .000000018
1.05 .146859086 2.56 .005233515 4.07 .000023617 5.58 .000000014
1.10 .135666053 2.61 .004527002 4.12 .000019047 5.63 .000000010
1.15 .125071891 2.66 .003906912 4.17 .000015327 5.68 .000000008
1.20 .115069593 2.71 .003364033 4.22 .000012305 5.73 .000000006
1.25 .105649671 2.76 .002889938 4.27 .000009857 5.78 .000000004
1.30 .096800364 2.81 .002476947 4.32 .000007878 5.83 .000000003
1.35 .088507862 2.86 .002118083 4.37 .000006282 5.88 .000000003
1.40 .080756531 2.91 .001807032 4.42 .000004998 5.93 .000000002
1.45 .073529141 2.96 .001538097 4.47 .000003968 5.98 .000000001
1.50 .066807100 3.01 .001306156 4.52 .000003143 6.03 .000000001
Unidades de Medicin
Z = 2.76
La tabla lista el
rea de la cola
hacia la
derecha de Z.
M = 0
Tabla de Areas
bajo la Curva
Normal
Z
134
LSE
M
+ 3 o Capacidad
LSE
+ 6 o Capacidad
M
Conforme disminuye
la variacin,
disminuye la
probabilidad de un
defecto para un
lmite de
especificacin dado,
de tal manera que la
capacidad aumenta
z
Z =6
Z =3
Z =
LE -
o
1 o 2 o 3 o
1 o 2 o 3 o 4 o 5 o 6 o
Uso de Z como una Medida de Capacidad
135
Mejorar la Capacidad del Proceso
Y = f(X)
Y es la variable dependiente
X es la variable independiente
El valor de Y depende de X
X es independiente de Y
Conclusin: Aumentamos 8 veces la
reduccin en Y al cambiar X
1
contra X
2
;
por eso X
1
tiene palanca.
Muchas Variables
Triviales
20% + 80% = 100%
Pocas Variables
Vitales
A las variables independientes con
frecuencia se les llama de manera
colectiva como el sistema oculto de
causa o sistema oculto de
causalidad.
A la variable dependiente a veces se le
refiere como la variable de respuesta.
Las pocas variables Vitales
tambin se les llama variables de
palanca porque stas ejercen una
gran influencia sobre las variables
dependientes.
AY = X
1
2
+ X
2
2
D = 0.96 D = 0.12
4
2
+ 0
2
= 4.00 = 3.16 3
2
+ 1
2
2 2
+ 4 1 = 4.12 4
2
+ 1
2
= 4.12
136
Enfoque de Mejora
Pobre Capacidad
de Proceso
LIE LSE LIE LSE
Excelente
Capacidad de
Proceso
Capacidad
Media desplazada
y con demasiada
dispersin
Problemas Estadsticos:
Centrado, Variacin o una Combinacin de Ambos
Variables
de palanca
que controlan
la Media
Variables
de palanca
que controlan la
Desviacin
Estndar

o
Escala de Y
Y = f ( X
1
, ... , X
N
)
137
resumen
Los datos dependen de la forma en que observamos
nuestro proceso
Siempre se preferirn los datos continuos por la
mayor cantidad de informacin que tienen
Un proceso estable resultar en observaciones donde
se suman pequeas desviaciones alrededor de un
valor medio, esto se puede modelar por medio de una
curva normal
Una curva normal queda caracterizada por dos
parmetros: la media y la desviacin estndar
Para obtener la probabilidad asociada a una curva
normal se puede usar una distribucin normal
estndar, cualquier normal se puede estandarizar
restando la media y dividiendo entre la desviacin
estndar
138
Subgrupos racionales
Vamos a enfocarnos
completamente en los
datos continuos
Vamos a comparar la voz
del cliente (en forma de
CTQ) con la voz del
proceso en forma de la
distribucin de
probabilidad (centrado,
dispersin y forma)
El logro por parte del
proceso de lo requerido
por el cliente es la
capacidad del proceso, en
6 sigma expresada como Z
El subgrupo racional nos
permite separar las formas
de variacin del proceso

Z =
LE -
o
Z =
LSE
LIE
CP (Corto Plazo)
LP (Largo Plazo) o CP
o LP
=
LE =

PARA LOS CALCULOS A CORTO PLAZO, ASUMIR = T
Z =
LE -
o
Z =
LSE
LIE
CP (Corto Plazo)
o LP
=
LE =

Z =
LE -
o
Z =
LE -
o
Z = Z =
LSE
LIE
CP (Corto Plazo)
o LP
o CP
o LP
o CP o CP
o LP o LP
=
LE =

PARA LOS CALCULOS A CORTO PLAZO, ASUMIR = T PARA LOS CALCULOS A CORTO PLAZO, ASUMIR = T
139
El Objetivo de la Fase de Medicin:
Establecer la Lnea Base de la Capacidad de Proceso
Lnea de Base: es cuantificar la bondad de un proceso existente usando
datos muestrales antes de que CUALQUIER mejora se implemente.
La clave de la lnea de base es poder recolectar datos
muestrales representativos.
Tcnica para recolectar Datos para la lnea de base:
Subgrupos Racionales
Sin importar el tipo de dato por recolectarse (contnuo o discreto), debes planificar
su recopilacin para que las muestras nos den el mejor modelo de la poblacin.
Un Subgrupo Racional es:
una pequea coleccin de muestras tomadas durante un corto perodo de tiempo
una foto instantnea
Para hacer la lnea base de un proceso, rena subgrupos
racionales mltiples durante un lapso de tiempo
140
El concepto de Subgrupos Racionales no es
nuevo:

Un Subgrupo Racional es aquel que representa, lo
ms cerca posible, un conjunto de condiciones
homogneas. Para obtener subgrupos que tengan
la mxima oportunidad de ser racionales, nosotros
tratamos de incluir en una muestra, piezas que
fueron hechas lo ms aproximado posible al
mismo tiempo.

Manual de Control de Calidad Estadstico de AT&T
1956
141
TIEMPO
R
E
S
P
U
E
S
T
A

D
E
L

P
R
O
C
E
S
O

HACER SUBGRUPOS RACIONALES PERMITE QUE LAS MUESTRAS POR
TOMARSE INCLUYAN SOLAMENTE RUIDO BLANCO, DENTRO DE LAS MUESTRAS.
EL RUIDO NEGRO OCURRE ENTRE MUESTRA Y MUESTRA.
RUIDO BLANCO
(Variacin de Causa
Comn)
RUIDO
NEGRO
(Seal)
SUBGRUPOS RACIONALES
Minimizar la variacin dentro de los subgrupos.
Maximizar la variacin entre los subgrupos.
142
Por qu Subgrupos Racionales?
Un Poderoso Aspecto de los Mtodos 6 Sigma:
La habilidad para analizar un proceso desde las
perspectivas a corto y largo plazo.

Permite la caracterizacin de:
centrado vs. la dispersin
control vs. tecnologa
Los Subgrupos Racionales son la clave para diferenciar
las capacidades del proceso a largo o a corto plazo
La caracterizacin de los problemas es el
primer paso para resolverlos
143
CAPACIDAD
ACUMULADA A
CORTO PLAZO
CAPACIDAD
ACUMULADA A
LARGO PLAZO
Z
lt
= 4.5 Z
st
= 6.0
SUBGRUPOS RACIONALES
NOTA: Los
procesos a
corto plazo
asumimos
que estn
centrados
LSE LSE LIE LIE X T
144
De qu tamao son los subgrupos
Los subgrupos deben ser lo suficientemente grandes
para capturar la variacin dentro del proceso sin
permitir que sean arrastradas fuentes externas.
En el ejemplo de la Cinta Interruptora (Breaker Strip),
hecha por extrusin, es posible que el largo de la
muestra de subgrupo sea de 24-40 pies, el equivalente
de 1 a 2 minutos de tiempo de extrusin.
Las muestras nicas 3-5 que fueron tomadas en forma
secuencial de un proceso es una buena Regla de Oro.
El Teorema de Lmite Central se aplica a los
subgrupos de 3 o ms puntos de datos.
Permite la caracterizacin del proceso an cuando las
mediciones individuales no estn normalmente
distribuidas.
la media de muestreo de una distribucin puede ser
aproximada mediante la distribucin normal, aun cuando la
poblacin sea no - normal.
145
Cuntas muestras ?
El nmero de muestras requeridas depender de la cantidad de
variacin en la muestra de datos y cunto Ruido Negro influya
en el proceso.
Saque muestras hasta que una grfica del subgrupo contra
Z.shift nos indique estabilizacin (vea la tabla de abajo)
Contine haciendo muestreo para permitir que el proceso se
exponga a cuantas causas potenciales de cambio a largo plazo
sean prcticas.

Z.lt vs Z.st vs Z.shift
0.000
0.500
1.000
1.500
2.000
2.500
3.000
3.500
4.000
4.500
5.000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
subgrupos
Z.
Z.B.ST
Z.B.LT
Z.Shift
Zona de
Estabilidad
* Aprendern
cmo generar
esta grfica ms
adelante
146
Los Componentes de Variacin
Secuencia de Produccin
Objetivo: Establecer ventana de muestreo
Lo suficientemente pequea para excluir
las influencias sistemticas no aleatorias.

Ventana de Muestreo n= 5
Unidad de
Produccin
Variacin Variacin de
causa asignada
Variacin de causa
comn (Aleatoria)

(X
ij
- X)
2
E
i = 1
n
E
j = 1
g
= n (X
j
- X)
2
E
j = 1
g
+ (X
ij
- X
j )
2
E
i = 1
n
E
j = 1
g
Datos a corto plazo
Proceso a largo plazo
TOTAL ENTRE DENTRO
147
Variacin de Causa Comn
VARIACION DE CAUSA COMUN ES LA VARIACION
QUE ESTA PRESENTE EN CADA PROCESO. TAMBIEN
SE CONOCE COMO RUIDO BLANCO

ESTA NO ES UNA VARIACION CONTROLABLE CON
LA TECNOLOGIA EXISTENTE

REPRESENTA LO MEJ OR QUE PUEDE SER EL
PROCESO CON LA TECNOLOGIA ACTUAL
(Capacidad de proceso Inherente).
Los datos dentro de los subgrupos (Z.st)
contendrn solamente Variacin de Causa Comn
148
La tecnologa bsica (de fundicin) no es suficientemente
buena! La capacidad inherente no es suficiente (Z.st).
Posiblemente en lugar de esto use un proceso
de maquinado. . .

Variacin de Causa Comn
Ejemplo de fabricacin:

Actualmente se fabrica una parte usando un proceso de fundicin. El
dimetro interno es una dimensin CTQ con una tolerancia de 3.002.
Un proceso de fundicin, por su naturaleza, no permite que se adapte a esta
pequea banda de tolerancia, y la variacin es excesiva (pobre capacidad a
corto y largo plazo).
149
Ejemplo de Calidad Comercial:
Un lote de piezas revueltas estn cargndose a los camiones en un
punto de abastecimiento para enviarse a la fbrica.
El nmero de partes y su conteo se capturan manualmente en el
sistema de cmputo de la fbrica.

Existe demasiada variacin entre lo que se muestra en la computadora
de la fbrica y lo que actualmente se desembarca en el punto de
recepcin debido a los errores al transcribir los nmeros de partes en
los cartones empacados.
Para reducir la variacin en este proceso, baje al mnimo el proceso
manual de embarcar / recibir las etiquetas.

En lugar de esto posiblemente conviene usar un lector de
cdigo de barras con entrada de datos directos. . .
variacin de causa comn
150
Variacin de Causa Asignable
UNA VARIACION DE CAUSA ASIGNABLE REPRESENTA
LAS INFLUENCIAS EXTERNAS EN UN PROCESO QUE
CAUSAN QUE ESTE SE DESPLACE Y DESVE. TAMBIEN
CONOCIDO COMO RUIDO NEGRO.

ESTA VARIACION ES POTENCIALMENTE CONTROLABLE
CON LA TECNOLOGIA DE PROCESO EXISTENTE.

ESTA REPRESENTA COMO SE DESEMPEA
ACTUALMENTE EL PROCESO A TRAVES DEL TIEMPO
(Capacidad de proceso Sostenido).
La Variacin de Causa Asignable ocurre entre
los subgrupos
151
Algunos Ejemplos de Variacin de Causa
Asignable
General:
Clima - Turno - Captura va cmputo
Temperatura Ambiental - Operador - Usuario
Humedad - Vibracin
Contratos - Logstica
Materia Prima / Provisiones:
Restricciones de Material - Propiedades del Material -
Proveedor
Contenido de Humedad - Porcentaje de remolido -
Nmero de lote
Cdigo de fecha - Cdigo de remesa
Mecnica / Maquinaria:
Tipo de mquina - Nmero de mquina -
Limpieza
Antigedad de la mquina - Desgaste de herramienta
- Puesta a punto
Dado para herramienta - Diseo de montaje
Elctrico:
Interferencia del Motor - Puesta a tierra -
Fuente de poder
152
La Variacin impulsa la Capacidad - Para ambos
Corto y Largo Plazo
Capacidad a Corto Plazo
Es calculada de los datos tomados durante un perodo
suficientemente corto para que no haya influencias externas
sobre el proceso (por Ej. Cambios de temperatura, de turno, de
operador, de remesas de materia prima, etc.).

^ Representa el Potencial del Proceso (Z.st)

Capacidad Real del Proceso (Z.st

)
Lo mejor que puede estar tu Proceso
153
Los mtodos de recopilacin de datos
determinan si la Z.st o la Z.lt pueden ser
calculadas
Capacidad a Largo Plazo
Esta se calcula de datos tomados durante un perodo
de tiempo lo suficientemente largo para que los factores
externos puedan influir en el proceso. Los datos de
defectos PPM y los datos de rendimiento son, por
naturaleza, medidas a largo plazo.

^ (Z.lt) Representa el Desempeo del Proceso
154
La Capacidad Corto / Largo Plazo . . . Y el
desplazamiento
La Capacidad de Proceso a Corto Plazo (Z.st)
Representa la TECNOLOGIA del proceso
La Capacidad de Proceso a Largo Plazo (Z.lt)
Representa la TECNOLOGIA del proceso combinada con el
CONTROL de la tecnologa
Z. shift representa la habilidad para CONTROLAR la tecnologa
- el desplazamiento y desviacin del proceso
La diferencia entre la capacidad de un proceso a corto y a largo plazo se
conoce como shift (desplazamiento):
Z.shift = Z.st - Z.lt
155

En promedio, para un proceso tpico, Z.shift debera ser
alrededor de 1.5
Regla de Oro para Z.shift:
Cmo podemos aplicar esta Regla de Oro?
Compare la Z.shift calculada con 1.5. Si es menos de 1.5, tu proceso
tiene mejor control que el promedio de los procesos. Si es mayor que 1.5,
el control es inferior al promedio.
Si solamente los datos a largo plazo estn disponibles (ejemplo: datos
histricos), el desplazamiento debe asumirse que es de 1.5.
Z.st =Z.lt +1.5
Si solamente los datos a corto plazo estn disponibles (ejemplo:
pruebas de calificacin de herramientas), puede asumir un
desplazamiento de 1.5 para calcular Z.lt.
Z.lt =Z.st - 1.5
1. Z.shift ocurre por una Variacin de Causa Asignable
2. Se asume que 1.5 es Z.shift - sala con precaucin!
NOTAS:
Captura Z.shift cuando hagas muestreos considerando las fuentes de
variacin de Causa Asignable en el plan de Subgrupos Racionales
156
W8.6
La Ecuacin Universal para Z
T (Objetivo)(CP)
(Media)(LP)
Z =
LE -
o
Z =
LSE
LIE
CP (Corto Plazo)
o LP
=
LE =

PARA LOS CALCULOS A CORTO PLAZO, ASUMIR = T
157
Desarrollo del Plan de Subgrupos Racionales
Use las 5 M de Anlisis de Causa y Efecto como una lista de
revisin para apoyarte en identificar las causas potenciales
de variacin en el proceso (X).

Mentes - Ej.: Operadores que rolan turno; cambios de turno;
nuevos operadores
Mquina - Ej.: Cambios en lo establecido; efectos de
mantenimiento
Material - Ej.: Remesa / Lote / diferencias de enrollado
Mtodo - Ej.: Metodologa de operador; balance de la lnea
modelo
Medidas - Ej.: Captura manual de datos;efectos de calibracin
Intenta, hasta donde sea posible, capturar la mayor
cantidad de factores influyentes en la recopilacin de datos
- sin distorsionar/manipular el proceso. Para poder obtener
conclusiones sobre el impacto de cualquier factor, debes
capturar datos sobre diferentes valores de los factores.
Con el equipo de apoyo aydate a definir causas y
planificar el periodo de recopilacin de datos.
(Ver el Apndice)
158
A. No modifique el proceso de manera intencional - no trate de hacer trampa
B. Disee el plan para capturar cunta variacin de Causa Asignable entre subgrupos
(Ruido Negro) sea posible (Ejemplo: tome subgrupos durante diferentes turnos con
diferentes operadores y despus de que la remesa de acero haya sido cambiada).
C. Disee su muestreo de tal forma que el tamao del subgrupo no sea tan grande para
evitar que arrastre ruido negro. (Regla de Oro: subgrupos de 2-5, tomados en forma
secuencial durante un corto perodo de tiempo capturan slo Ruido Blanco dentro del
subgrupo. )
D. Documente cuanta informacin sea posible acerca del muestreo. Registre los das,
turnos, nombres de operadores, nmero de remesas de acero, etc. que corresponda a sus
valores de respuesta en la ventana de datos MINITAB. Mientras ms datos conserve mejor!
Esto le ahorrar tiempo en la fase de Anlisis. . . .
E. Si disea subgrupos para datos discretos, asegrese de que permite un tamao de
subgrupo adecuado para las muestras discretas. (Ver Apndice)
F. Tome suficientes datos para demostrar que el proceso se ha estabilizado.
CONSEJOS PARA HACER SUBGRUPOS RACIONALES :
PLANIFIQUE POR ADELANTADO PARA ESAS POCAS X VITALES
159
Ejemplo: BPO Plan de Subgrupos Racionales
La Planta de Refrigeradores de Bloomington utiliza cintas
interruptoras de plstico fabricadas por un proveedor. Y para
poder entender a fondo la variacin en la pieza, fue necesario
establecer un plan de subgrupos racionales.
Las X Potenciales:
Piezas con el proveedor hechas en diferentes extrusores
Turnos mltiples
Cambios de operadores durante la semana conforme se logran los
lmites de trabajo semanal por hora
Material recibido en lotes de un proveedor de plsticos.
El Plan
Cortar cinco secciones de una tira de seis pies para formar un solo
subgrupo.
Capturar Subgrupos 2-3 veces por turno
Reunir subgrupos de todos los turnos durante diez das de operacin.
Permitir un cambio al lote del material que est entrando
Permitir dos paros completos del proceso y nuevas puestas a punto del
equipo.
Dejar transcurrir tiempo para estabilizar procesos antes de tomar
mediciones.
Desarrollemos nuestro propio plan de subgrupos racionales. . .
160
Resumen: Pasos para planificar la Recoleccin
de Datos para hacer la Lnea Base
1. Trabajar con el Equipo de Apoyo Tcnico para
identificar las Variables Y (Respuesta) y las
Variables X (Independientes)
Identificar los mtodos de medicin para cada Y y
cada X
Variable o Discreta
2. Planificar la Recoleccin de Datos para los datos
variables o discretos.
Relacionar los datos Y con X. Ej: por cada respuesta
(Y), registre el turno, el operador y el nmero de lote
de acero como las X potenciales.
Disponga de subgrupos a corto plazo y la recoleccin de
suficientes datos que permitan que las Pocas X Vitales
potenciales sean visibles.
3. Llevar a cabo un Anlisis del Sistema de Medicin
(Gage R y R) para cada variable por estudiarse - Ver
Cap. 6.
161
Usar el 4 bloques para caracterizar su proceso y
determinar las oportunidades de mejora.
C
O
N
T
R
O
L

bueno
pobre
A
C
B
D
Grfica tu
proceso!
TECNOLOGIA
pobre buena
Z
ST

Z
shift

2.5
2.0
1.5
1.0
0.5
1 2 3 4 5 6
A - Control Pobre, Tecnologa pobre
B - Control Pobre, Tecnologa adecuada
C - Control adecuado, Tecnologa Pobre
D - Categora Clase Mundial
la lnea base fue hecha - ahora qu?
162
ES CONTROL O ES TECNOLOGIA?
Capacidad a Largo Plazo Capacidad a Corto Plazo
Z
LT
(o
l t
)
Ppk
Definido por la tecnologa y el
control de proceso
Z
ST
(o
st
)
Cp
Limitada por la tecnologa o
el diseo
Capacidad de Proceso
(Titulado - lo mximo que el
proceso puede estar)
Rendimiento de Proceso
6o significa Z
LT
= 4.5 y Ppk
= 1.5
6o significa Z
ST
= 6 y Cp =
2.0
z.st

vs. Z.lt
TECNOLOGIA VS. CONTROL DE
PROCESO

Z.lt

siempre es < Z.st , porque el valor a largo plazo se reduce
por el desplazamiento y el cambio del proceso
163
Conceptos Claves: Planificar la Recoleccin
Inicial de Datos
Datos continuos (Variable)
Datos Discretos (Atributo)
Variacin de Causa Comn - Ruido Blanco
Variacin de Causa Asignable - Ruido Negro
Hacer Lnea Base del proceso (sin trampas!)
Proporcionan fotos instantneas de los datos, tomadas a
travs del tiempo que permiten la separacin de los efectos de
la variacin de causa comn y la variacin de causa asignable.
Plan de Muestreo
Tamao de subgrupos
Nmero de subgrupos
Tomar en consideracin cuntas X sean posibles
Desplazamiento Z.shift
Control contra Tecnologa
4 Bloques
164
Nmero Actualizado de Emisin de Software: Rel 12.23
Qu es Minitab?
Minitab es un paquete de software estadstico
con muchas de las herramientas necesarias
para completar exitosamente un proyecto
Seis Sigma - grficas, herramientas
estadsticas para anlisis de datos y
reportes.
165
Es una Gran Caja de Herramientas para los Proyectos Seis Sigma!
lo que minitab puede hacer . . .
Estadstica Descriptiva
Generacin de Datos Aleatorios
Gage RyR
Anlisis de Capacidad (Z.cp/Z.lp)
Muchos Tipos de Grficas!
Pruebas de Hiptesis
Generacin de Planes para probar los Diseos
Experimentos (DDE)
Anlisis de los resultados del DDE
Control Estadstico de Proceso

166
Clic en Inicio
> Programas
> Minitab
Comience abriendo Minitab
167
Para cambiar de ventana use Ctrl-Tab
Slo una ventana puede estar activa a la vez
La barra sombreada indica la ventana activa
Ventana Session
(Lleva una bitcora de rdenes y resultados)
Ventana Data
(Similar a una hoja Excel)
Barras Men
comience abriendo minitab
168
Qu es una Caja de dilogo?
La caja de dilogo es una va de comunicacin de sus requerimientos a
Minitab (variables, opciones, anlisis mtodos, etc...).
Ejemplo de una
caja de dilogo:
Escriba su seleccin aqu. . .
Y aqu!
* Ver el apndice para ms informacin acerca de Cajas de Dilogo
Tres puntos seguidos luego de una seleccin de
menu indica otra caja de dilogo a aparecer cuando
se elija.
Una flecha indica que hay ms elecciones de menu
disponibles.
Cajas de dilogo
169
Seleccione la
Ventana que le
interese del men
Window.
Ventana History
(Da un resumen de todas las
ordenes)
Ventana Info
(Da un resumen de la hoja de datos -
Ayuda a revisar cualquier dato faltante)
Otras Ventanas Minitab : Info y History
170
Estructura de Minitab:
4 Ventanas Interactivas
1. Ventana Session - Resultados de las funciones de
Minitab, lenguaje de ordenes (command)

2. Ventana Data - captura de datos (formato de
columnas)

3. Ventana History - Guarda todas las rdenes de la
Ventana Session (para referencia)

4. Ventana Info - Lleva un resumen de la Ventana de
datos (para referencia)

Todas las Ventanas se actualizan juntas!
171
Copiado/pegado
- Desde MINITAB
- Desde otros programas de Windows, como Excel o Lotus
Importado/enlace
- Desde muchos paquetes de programacin de uso comn
- Desde archivos guardados de texto o ASCII
Introducidos directamente en la hoja de trabajo (ventana Data)
- Teclee los datos directamente
- Use la flecha de entrada de datos para elegir el ingreso de los datos (en filas o
en columnas)
Generados por Minitab
- Datos aleatorios
- Patrones de datos (ej.: 1, 2, 3, 4, 1, 2, 3, 4 . . . .)
- Datos referenciados (anotaciones / subscriptos que indican la
fuente de los datos)
formas de capturar datos en minitab
172
Cuando ingrese datos en la ventana de datos, hay tres aspectos
importantes:
Los datos se capturan en columnas para facilidad de anlisis. (
marcando en la flecha de la esquina superior izquierda cambiar la
direccin de entrada)
Los encabezados de las columnas se escriben arriba de la
columna, NO en el primer rengln (31 caracteres mximo)
Si el primer carcter que se escribe en una columna es alfabtico,
la columna entera se declara de texto.
Rengln de encabezado
Columna Texto
Columna Numrica
Flecha de direccin de entrada
tips de minitab - captura de datos
173
Si un carcter de texto fue metido accidentalmente en una celda, la columna
puede convertirse otra vez a valores numricos con la siguiente seleccin de
men:
Manip>Change Data Type>Text to Numeric . . .
En la caja de dilogo, meta el nombre de la columna que desea cambiar y la
columna donde usted quiere almacenar los valores numricos convertidos,
como se muestra abajo:
tips de minitab - captura de datos (cont.)
174
Dos Mtodos
1. Como Hoja de Trabajo Worksheet - Solo guarda los datos. Use las
instrucciones:
La orden Print imprime la ventana que est activa
File>Save Current Worksheet (as)
File>Save Worksheet as
2. Como Proyecto Project - Guarda datos, sesin, texto, grficas, y
ms. Use la orden:
File>Save Project (as)
informacin grabada en minitab
175
slo puede tener un proyecto abierto a la vez.
para grabar informacin en minitab
Para sus Proyectos Usted querr guardar los datos, el
texto y las grficas para su propio proyecto. Esto se
puede lograr de dos maneras.
1. Use Guardar Proyecto Save Project
Pro: Mantiene las cosas como Usted las vio para la
prxima vez que regrese. Le da capacidad inmediata de
respuesta.
Contra: El nmero mximo de grficas que se pueden
abrir es de 15.
2. Guardar la ventana Sesin y las grficas en un
archivo Power Point.
Pro: Mantiene los registros histricos de los resultados
y de las grficas en un archivo para referencia futura.
Se le pueden hacer anotaciones fcilmente.
Contra: Tiene que seguir copiando y pegando en los dos
sistemas.
176
1. Para moverse entre Minitab y otros programas Windows:
Alt-Tab
Mantenga oprimida la tecla Alternate (Alt) y contine oprimiendo la tecla Tab
hasta que el cono del programa deseado aparezca.
2. Para Moverse de ventana a ventana dentro de Minitab:
Ctrl -Tab
Mantenga oprimida la tecla Control y contine oprimiendo la tecla Tab
hasta que la ventana deseada quede resaltada (Session, Data, Info, History).
NOTA: Las ventanas pueden activarse haciendo click en cualquier parte dentro de la ventana
tips en minitab - generales
177
3. Use la orden Close Worksheet para borrar la ventana de Datos.
Para ejercicios de clase, no guarde las hojas en un archivo
separado. Diga no!
Nota: Si la ventana de datos no se ve, Usted est actualmente en otra ventana (p. ej. La ventana
Sesin). Use alguna de estas rdenes para cambiar a la ventana de datos Data Window
Desde la Barra de Men: Window>Data teclee Ctrl-d
para borrar minitab
178
4. Regresar a la ltima Caja de Dilogo utilizada / Limpiando las Cajas de
Dilogo
Ctrl-E
NOTA: A menos que usted haya reiniciado Minitab, todas las selecciones
previas estarn retenidas, incluyendo las que estn en las cajas de sub-dilogo.
Para borrar TODAS las selecciones, oprima la tecla F3 despus de que se
haya abierto la caja de dilogo.
Abre las Cajas
de Sub-dilogo
tips generales en minitab (cont.):
179
CONCEPTOS CLAVES - Cap 5: Minitab
1. Minitab tiene muchas grficas disponibles:
Plot proporciona una Grfica de Dispersin - se us para ver la relacin
entre la Y y las X potenciales
Histogram genera un diagrama de frecuencia - se us para crear un dibujo
de la forma de la distribucin (es normal?)
Chart genera una grfica de barras - se us para trazar las Y vs varias X.
Permite que los datos sean agrupados
Time Series Plot crea una grfica de trazo corrido - se us para ver la
respuesta de Y a travs del tiempo
Boxplot proporciona grficas de Y vs. Niveles o categoras de las X (ej..,
equipo 1 vs. 2, cavidad 1 vs. 2 vs. 3, etc..)
Marginal Plot crea una combinacin de scatterplot y diagrama de
frecuencia - todo en una grfica!
Interval Plot crea grficas similares a Boxplot, aunque stas muestran la
media y +/- 1 desviacin estndar por cada grfica
180
CONCEPTOS CLAVES: Minitab (cont.)
2. Minitab puede realizar muchas pruebas de anlisis
estadstico. En la Fase de Medicin, dos funciones
importantes son:

Normality Test compara tus datos con una verdadera
distribucin normal. Un estadstico llamado valor p se usa
para determinar si tus datos pueden declararse no-normales
(valor p< 0.05 indica no-normalidad)
Basic Statistics proporciona la Media, la Mediana, la
Desviacin Estndar, el Mnimo, el Mximo, etc.. Para los
datos requeridos
181
capturar y analizar datos con grficas
Pasos del Proceso:

1. Meter los datos en la Hoja de Clculo

2. Agregar a las columnas ms informacin til
(anotaciones, etc..)

3. Ordenar los datos para anlisis (es decir, colocar
en columnas)

4. Graficar los datos
182
File>New Worksheet

Capturar y Analizar Datos con Grficas Para comenzar, necesitars una
nueva Hoja de Clculo.
Escenario: Recientemente se ha instalado un nuevo proceso para fabricar
lmina de plstico por extrusin en la planta de Plsticos de Quertaro. El
proceso existente todava est en servicio haciendo lmina. El CTQ para este
proceso es el espesor de la lmina.
Tu tarea es determinar si los dos procesos producen lminas del
mismo espesor y si existen otros factores que podran influir en el espesor. La
medida es en milsimas de pulgada.
Han sido recolectadas 20 muestras - 5 subgrupos de 4 muestras por
subgrupo, tomadas en diferentes horarios durante una operacin de dos turnos.
graficar siempre es el primer paso para resolver el problema!
ejemplo:
183
Inicie una nueva hoja de
clculo y meta los datos
que estn abajo en las
columnas C1 y C2.
Nombre sus columnas
como se indica.
Usar la tecla Enter
ocasionar siempre que el
cursor se mueva en la
direccin de la flecha de
entrada de datos.
20 datos
5 subgrupos
C1 C2
Existente Nuevo
128.6 128.7
128.8 129.0
129.0 129.1
129.1 129.3
129.0 129.1
129.1 129.2
129.1 129.2
129.2 129.4
129.1 129.2
129.1 129.2
129.0 129.2
128.8 129.0
129.0 129.2
129.1 129.2
129.4 129.6
129.3 129.5
128.8 129.0
129.2 129.4
129.0 129.0
128.8 128.9
1
2
3
4
5
paso 1: ingreso de datos
184
Agregar informacin sobre el nmero de muestras y la hora del da en que fue tomada la muestra.
Primero, Teclee dos nuevos encabezados de columna :
C3: Nmero de Muestra
C4: Tiempo
Segundo, use la caracterstica
interna de Minitab para generar
datos en forma de patrn (en
serie):
Calc>Make Patterned Data
NOTA IMPORTANTE!! Minitab debe tener nombres de columna nicos para
cada nueva columna.
paso 2: agregar columnas de informacin
185
Para la Columna C3, nos gustara indicar
el nmero de muestra. Ya que hay 20
muestras, C3 debera incluir nmeros del
1 al 20. As es cmo se generan los
datos:
Calc>Make Patterned Data>Simple
Set of Numbers
Aparece una caja de dilogo. Llnela
de acuerdo al ejemplo:
as es como se ve
la ventana de
datos:
186
Introduzca los horarios en que las muestras fueron tomadas en la Columna
C4. Recuerde, existen 5 subgrupos con 4 muestras cada uno. Los
subgrupos fueron tomados en las siguientes horas:
9:00 am 12:00 pm 3:00 pm 6:00 pm 9:00 pm
Use el mismo comando del men, pero esta vez seleccione
Date/Time Values
Calc>Make Patterned Data>Date/Time Values
Llene la caja de dilogo como se indica:
Los datos
estn en la
Hoja de Clculo
- ahora
tenemos que
ordenarlos
para que
Minitab los
analice. . .
Haga Clic en OK
187
Qu significa Stack(apilar)?
- colocar todos los datos de respuesta en una columna
Cmo se logra apilar?
- desde la barra de men, escoja:
- llene la caja de dilogo (como se indica en la pg. 5-27)
Manip>Stack/Unstack
Minitab (generalmente) necesita datos
apilados(stacked) para realizar anlisis estadsticos
paso 3: ordenar los datos para el anlisis
188
Qu es lo que estamos tratando de hacer?
Nos gustara tener una columna con todos los datos de espesores (40
puntos en total) y llevar toda la informacin adicional sobre el nmero de
muestras y las horas con cada dato.
NOTA: Cuando ms de una columna necesita ser apilada, Minitab reconoce
esta informacin como blocks.
Manip>Stack/Unstack>Stack Blocks
Stack
Blocks
permite
apilar
mltiples
columnas
de datos
paso 3: ordenar los datos (cont.)
189
Meta las columnas que desea apilar en la seccin Stack two or more
Blocks. Meta los nombres de las nuevas columnas donde los datos
apilados sern almacenados en la seccin Store Results In.
La seccin Store Subscripts In genera otra nueva columna para
usted. Esta columna contiene subscripts (ndices), que son valores
de referencia que le indican si los datos provienen del primer o
segundo bloque. Un block puede ser el equipo Nuevo o el equipo
Existente.
Hacer un Clic en OK
Recuerde
que los
Encabezados
de Columna
deben ser
nicos!
190
Por qu no incluimos la columna
Tiempo en la caja de dilogo?
Porque Minitab no transferir el
formato de tiempo si est incluido en
un bloque con otros datos numricos.
Entonces, cmo podemos apilar
nuestra columna Tiempo para que
corresponda con los nuevos datos
apilados en la columna C5 (Espesor)?
Use el subcomando Stack . . ., en lugar
de Stack Blocks.
Manip>Stack/Unstack>Stack . . .
Stack
permite que
una
columna de
datos se
apile sobre
s misma
Hacer click en OK
191
as se debera ver su ventana data ahora:
192
Graficar es una poderosas herramientas del Mtodo Seis Sigma.
La estadstica puede usarse para proveernos de confianza matemtica acerca
de lo que las grficas nos sugieren.
Diferentes Grficas:
Scatterplot (Grfica de Dispersin)
Histograma
Prueba de Normalidad / Estadstica Bsica
Grfica de Barras
Time Series plot (Grfica de Series de Tiempos)
Box plot (Grfica de Caja)
Marginal plot (Diagrama Marginal)
Interval plot (Grfica de Intervalos)
Graficar SIEMPRE es el primer paso en el Anlisis!
paso 4: analizar los datos usando grficas
193
Primer paso: Crear un Scatter Plot (Grfica de Dispersin)
Graph>Plot
nueva extrusora = extrusora anterior?
194
Hacer Clic en OK
espesor nuevo = actual?
195
Anlisis: la alineacin no es perfecta, pero parece que el
equipo Nuevo y el Existente producen casi el mismo espesor. . .
excepto por un pequeo detalle- las escalas no son las mismas!
Para ver el cuadro real, el eje X y el eje Y deberan estar a la
misma escala.
el resultado debera verse as:
196
Para volver a crear el scatterplot con ejes de la misma escala, use las
teclas de atajo: CTRL- E. Esto te regresar a la caja de dilogo Plot. Haga
click en la flecha que indica hacia abajo prxima a Frame para extraer una
caja de sub-dilogo llamada Min and Max.
Hacer doble Clic en
OK
Hacer un Clic en
Frame>Min and
Max para igualar las escalas
de los ejes.
Marque el punto para
Same min and max.
197
ahora s tenemos una grfica que puede
ser analizada!
Realmente las dos mquinas extrusoras estn produciendo
el mismo espesor? Si no, dnde est la diferencia?
198
Tres Funciones tiles para
Graficar en Minitab:

Manejo de Grficas
Agregar Jitter
Edicin de Grficas
199
Manejo de Grficas
En ocasiones es til poder ver ms de una grfica a la vez. Minitab
proporciona una seleccin de la barra de herramientas del men que te
permite hacer esto:
Window>Manage Graphs
Resalte las dos primeras
selecciones, como se indica: (las
grficas muestran las diferentes
escalas de ejes)
Haga click en el botn Tile:
Por ltimo, haga click en el botn Done:
Aqu est la comparacin de una con otra:
Ahora puedes ver que el nuevo equipo fabrica lminas ms gruesas
que el equipo existente!
200
Qu es el Jitter?
Observa de cerca las grficas de puntos dispersos (scatterplots)
que acabas de hacer. Cuntos puntos de datos se observan?
Por qu slo vemos 10 puntos, cuando sabemos que hay 20
datos por cada extrusor?
Ya que muchos de los valores son los mismos, estn sobrepuestos
uno sobre otro. Agregndole jitter podrs ver los puntos ocultos!
Agregar Jitter
Teclee Ctrl E para
regresar a la caja de
dilogo Plot.
(Graph>Plot) Haga
click en el botn
Options para sacar
una caja de sub-
dilogo. Haga click en
la caja Add Jitter
como se indica.
Hacer click en OK
201
Ahora, La mayora de los puntos de datos
estn visibles!
202
Edicin de la Grfica
Minitab proporciona opciones para ayudarle a editar grficas, tales
como: agregar texto, lneas, figuras y colores. Intentmoslo con el
scatterplot que acabamos de hacer - simplemente haga doble click
dondequiera sobre la grfica y aparecer una barra de
herramientas:
Hzlo t mismo!
Pnle texto, lneas,
figuras y colores. Haz
que tus grficas sean
atractivas!
Dibuja una diagonal
partiendo del origen
usando la herramienta de
lnea, y otras opciones se
activan
203
Continuemos el Anlisis usando Grficas. . .
Ahora sabemos que los dos extrusores al parecer son diferentes,
pero quisiramos saber por qu.
Las grficas nos pueden guiar a la respuesta!
Una pregunta para contestar es: cmo se ven las
distribuciones de cada proceso?
Graph>Histogram
Hacer click en OK
RESPUESTA: Genere histogramas para cada proceso!
204
Aparecen dos histogramas por separado, uno para el equipo Existente y otro para
el Nuevo. Para verlos uno junto al otro, use el comando aprendido
anteriormente...Windows>Manage Graphs
Qu apreciamos en estos histogramas?
Ambas distribuciones aparentan ser normales
El promedio de espesor para New parece estar un poco ms alto
que el de Existing
La normalidad es un requisito para muchas pruebas
estadsticas- Realiza la Prueba!
205
Cmo podemos obtener DATOS para apoyar lo que las grficas nos indican?
La Prueba de Normalidad
4 Cmo encontrar la Prueba de Normalidad en Minitab?
Stat>Basic Stats>Normality Test
4 Qu te proporciona la Prueba de Normalidad?
Una comparacin de tus datos con la distribucin perfecta normal
El promedio y la desviacin estndar
El valor p - un nmero usado para cuantificar si tu distribucin es
diferente de la normal
Use la tecla de atajo, Ctrl E, para regresar a la caja de dilogo y repetir la
Prueba de Normalidad para New
Haga click en
OK
206
La grfica
tambin te da las
Estadsticas
Bsicas:
Existente:
Regla de Decisin:
Si el valor p es menor a 0.05, podemos decir con un 95% de
confianza que los datos son NO normales!
207
Nuevo:
Hay ms sobre valores p despus. . .
Debido a que los valores de p en Existente y Nuevo para
ambos son>0.05, concluimos que las dos distribuciones son
normales. (No tenemos evidencia para concluir que las
distribuciones son no-normales)
208
Otra Manera de Obtener Estadsticas Bsicas en Minitab. .
Minitab ofrece una amplia variedad de formas para caracterizar los datos. Otra
herramienta valiosa es : Stat>Basic Statistics>Descriptive Statistics
La respuesta aparece en la Ventana Session:
209
Ms estadsticas,
con nuevo
formato!
Las Estadsticas Bsicas tambin pueden verse grficamente .
. .
Use las teclas de atajo, Ctrl- E, para regresar a la caja de dilogo
Stats>Basic Statistics. Haga click en el botn Graphs.
Haga un Clic en Graphical
Summary
Haga click en OK dos
veces
210
Ahora tenemos grficas y estadsticas que nos dicen que HAY alguna
diferencia entre los equipos Existente y el Nuevo. Ahora necesitamos
descubrir por qu. . .
Usemos una grfica diferente de Minitab -Chart Graph>Chart
Llene la caja de dilogo como se indica (use Datos Apilados):
Haga click aqu
Estamos pidindole a Minitab que
genere una grfica de barras de
Tiempo contra Espesor, agrupada
por equipo.
Haga click en OK dos veces
211
Grfica de Barras de Espesor contra Tiempo,
Agrupada por Equipo
Barra Slida = Equipo Existente
Barra Rayada = Equipo Nuevo
Esta Grfica nos cuenta una historia posible!
El equipo nuevo siempre produce lmina ms gruesa
Sin importar el tipo de equipo, la lmina siempre es ms gruesa a las 12:00pm
y a las 6:00pm - cmo explicar este comportamiento en el proceso?
212
NOTA: Cuando selecciona el botn index, Minitab usa los puntos de datos
en la columna apilada en orden secuencial
Haga click en Frame - Remarque Multiple Graphs
Graph>Time Series Plot
Aqu hay OTRA forma de ver los Datos - Time Series Plot
(Grfica de Series de Tiempos)
213
Time Series Plot (cont.)
(Grfica de Series de Tiempos)
Haga click en - Overlay graphs on the same page
Teclee OK dos veces
214
Las Grficas y las Estadsticas Bsicas
cuentan la misma historia!
20 15 10 5
129.6
129.1
128.6
Index
E
x
i
s
t
i
n
g

+ = Equipo Nuevo
o = Equipo Existente
La Grfica en Series de Tiempos confirma lo que vimos en la Grfica
de Barra - que los puntos en la lnea punteada son siempre ms altos
que los puntos para el equipo existente
215
Boxplot se usa para comparar las
diferentes muestras o categoras de datos
Llena la caja de dilogo como se indica:
Haga Clic en OK
Graph > Boxplot
No hemos terminado! Una herramienta grfica muy popular
para Anlisis es Boxplot.
216
Boxplot: Qu significa?
1er Cuartil Q
1
Mediana
Adyacente superior
Q
3
+1.5(Q
3
- Q
1
)
Adyacente inferior
Q
1
- 1.5(Q
3
- Q
1
)
3er Cuartil Q
3
Qu indica este boxplot acerca de las diferencias entre equipos?
217
Qu otras caractersticas se pueden valorar con Boxplot?
Use Ctrl-e para regresar a la caja de dilogo Boxplot
o
Graph > Boxplot
Y llene como se muestra
Ahora comprobamos para ver s existen otros patrones para los dos
conjuntos de equipos en el tiempo.
Haga click en Ok
218
Ms Anlisis de Boxplot . . . .
la dispersin de los datos es
menor a las 12:00pm
mayor a las 9:00am y a las
9:00pm
la mediana est a la mxima
altura a las 6:00pm
la dispersin de datos es
mnima a las 3:00pm
mxima a las 9:00am
la mediana est a la mxima
altura a las 6:00pm
Los siguientes Pasos: Investigar la hora 6:00pm - Por qu est la lmina ms
gruesa, sin importar el tipo de equipo?
Investigar las posibles fuentes de la dispersin de datos a las 9:00 am
- Hay problemas de arranque?
219
Ms de Boxplots
Mediana
3er Cuartil (Q3)
1er Cuartil (Q1)
*
Extremo
El punto ms alto del bigote superior
es el ms pequeo de:
Q3 + 1.5(Q3-Q1)
El mayor valor en los datos
El punto ms bajo del bigote
inferior es el mayor de :
Q1 - 1.5(Q3-Q1)
El menor dato en el conjunto
*
Los extremos (sealados con
un asterisco) se dibujan para
cualquier punto fuera de los
valores calculados superior o
inferior.
220
Otra Herramienta Grfica: Diagrama Marginal
Graph>Marginal Plot
Haga click en Options . . .
Fijar las marcas tick
para el eje X (punto de
revisin)
221
Histograma que muestra la frecuencia de
los datos (diagrama de frecuencia) - en
el margen!
Un Diagrama Marginal Proporciona:
Grfica de Dispersin Bsica
Diagrama de frecuencia a los largo de uno o los dos ejes
Una comparacin de equipos usando dos herramientas
grficas diferentes
222
Una Grfica Ms - Grfica de Intervalos
ANOVA>Interval Plot
Por qu usarla?
Proporciona una grfica similar a boxplot
pero sta muestra la media en vez de la
mediana
Despliega una desviacin estndar +/- 1
desde la media
Llenar la caja
de dilogo
como se indica:
Cambiar Size a 1
Hacer doble click en OK...
223
Grfica de Intervalos para el Espesor de la Lmina
Las barras horizontales estn dibujadas con un error
estndar (desviacin estndar) desde la media

NOTA: Las grficas de intervalos tambin pueden
configurarse para trazar los intervalos de confianza.
Los mismos Datos, presentados en forma diferente
Equipo
La Media de cada
subgrupo
E
s
p
e
s
o
r

129.2
129.1
129.0
1 2
224
Herramientas Utiles : Grficas de Pareto en
Minitab
Minitab nos proporciona grficas de Pareto! Lo nico que necesitamos es
tener datos de defectos en una columna y Minitab presentar grficamente la
frecuencia de defectos, por categora, en orden descendiente (desde los mximos
defectos hasta los mnimos).
Intentmoslo! Abramos el archivo llamado AMUSE. mtw
Todos los defectos que notaron los clientes que visitaron un parque de diversiones estn
listados en la columna C1 de la hoja de datos. Tenemos 421 datos introducidos en esta
columna, desordenadamente (introducidos directamente de las encuestas).
Para crear una grfica de Pareto :
Stat>Quality tools>Pareto chart
225
Llene la caja de dilogo como se indica abajo:
(Hacer doble click en la columna que contiene la lista de defectos - C1)
La Grfica de Pareto de defectos se muestra abajo:
Wait Time es el ms
sobresaliente- Inicia aqu!!
226
Herramientas Utiles: Diagramas de Causa y
Efecto (Espina de Pescado) en Minitab
Minitab puede generar un Diagrama de Causa y Efecto, MIENTRAS QUE
LOS DATOS EN LA HOJA DE CALCULO ESTEN ORDENADOS
CORRECTAMENTE (Minitab NO seleccionar los datos por ti)
Con el archivo Amuse.mtw abierto, observe la hoja de datos:
Los datos han sido seleccionados de acuerdo a seis
categoras bsicas:
Mediciones Medio
Ambiente Mtodos
Gente Mquinas
Otros
227
Stat>Quality Tools>Cause and Effect . . .
Llene la caja de dilogo como se muestra abajo:
228
Diagrama de Causa y Efecto de Minitab:
229
Generar Datos Aleatorios en Minitab
A veces resulta prctico poder generar una columna de nmeros aleatorios -
ej.: para la simulacin Monte Carlo, o para probar diferentes funciones Minitab
sobre datos creados
Calc>Random Data>Normal Data. . .
Capturar:
el nmero de filas de
datos aleatorios deseado
(1000)
almacenar los datos en
la hoja de clculo (C1)
Hacer Clic en OK
230
Ahora tienes 1000 renglones de datos aleatorios normales (media=0,
desviacin estndar =1) almacenadas en la Ventana Data en la
columna C1:
NOTA: Los datos que generes sern
diferentes de los aqu mostrados, porque son
ALEATORIOS!
Hasta 99 columnas y 1000 renglones de datos aleatorios pueden generarse
en Minitab!
231
1 2
219
220
221
222
223
224
225
226
227
shif t
m
i
s
s
o
u
l
a
1
2
3
4
5
6
Multi-Vari Chart for missoula By function - shift
function
MULTI - VARI
STAT>QUALITY TOOLS>MULTI-VARI CHART
Multi - Vari es una poderosa grfica que te permite
observar al mismo tiempo el impacto de la variabilidad de
varios factores a la vez.
Ejemplo: en el caso de Missoula
queremos comparar simultneamente el
efecto del tipo de funcin y del turno
Observando la variabilidad entre turnos (shift), no se aprecia un cambio, pero entre los tipos de
funciones el cambio es mucho mayor que entre los turnos; especialmente debido a la funcin 6.
Aproveche Multi - Vari!
te
232
Medir
Que es una Medida
Contexto del Proceso
Para Medicin
Tipos de datos
Preparar para
Analizar
Medicin
Coleccin de
Datos
Variacin Seis Sigma
Que es un Dato
Tipos de Datos
Desarrollar un Plan
de subgrupos
racionales para
colectar datos
Anlisis del Sistema
de Medicin
GRR continuo
GRR discreto
Auditoria
Entender la Variacin
Causas: Comn y
Especial; Acciones
Apropiadas
Despliegue Grfico
de Datos

Por que mediciones
Sigma
Contar Oportunidades
Calcular
Sigma de Proceso
Datos Continuos y
Discretos
RTY
Datos de Corto y
Largo Plazo
Porque
desplazamiento 1.5
Analizar Medir Mejorar Control Definir
233
Anlisis de Sistemas de Medicin
PROPOSITO: Proporcionar un mtodo objetivo de
analizar la validez del sistema de medicin.
OBJETIVOS:
1. Identificar y comprender los componentes de la
variacin de la medicin.
2. Usar Minitab para realizar un estudio Gage RyR (de
calibracin).
Comprender la diferencia entre % de estudio y % de
tolerancia
Mtodos de Gage RyR: corto y ANOVA
3. Aprender a desarrollar un Gage RyR para datos
discretos.
4. Entender como Validar datos no medibles.
5. Identificar oportunidades de mejora.
234
Conceptos Clave - Anlisis de Sistemas de
Medicin
Debe SIEMPRE verificar su sistema de medicin.
Las muestras deben contener partes que cubran el
rango completo de las medidas potenciales,
incluyendo puntos fuera del rango esperado de
valores.
La resolucin del aparato debe ser menor del 10%
del rango potencial de medicin.
Evalue las RyR de medicin como % del estudio de
variacin cuando la medicin se use para decisiones
de proceso. (Ha cambiado el proceso?)
Use % de tolerancia cuando la medicin se usa para
aceptar o rechazar partes.
Repetibilidad - variacin del equipo
Reproducibilidad - variacin del operador
RyR de Medicin > 30% requiere mejora.
235
Conceptos Clave - Anlisis de Sistemas de
Medicin
El Estudio Corto es un mtodo rpido para
determinar RyR total. Se usa para encontrar los
problemas.
Mtodo ANOVA - El mtodo ms exacto que
proporciona Repetibilidad, Reproducibilidad, RyR
Total e Interaccin Operador*Parte.
El estudio RyR debe realizarse sobre sus variables Y -
Xs potenciales.
El Nmero de Categoras Distintivas deben ser > 4
para mediciones de procesos.
Recuerde calcular el # de oportunidades para el
estudio RyR de datos binarios; 3 personas no pueden
estar en desacuerdo si slo hay 2 elecciones.
Busque formas de validar sus datos no medibles, sea
creativo.
Es un punto de decisin clave en su proyecto. No
puede continuar con una medicin mala.
236
Qu tan buenos son tus datos realmente?

La metodologa 6 Sigma est fundada en la idea de tomar decisiones
basadas en datos. Los datos que alimentan esta decisin hacen que el
proceso sea confiable. Las decisiones basadas en datos no confiables no
son diferentes a las decisiones tomadas sin tener datos
El sistema de medicin es lo suficientemente bueno para la
recoleccin de datos?
El estudio del Gage RyR tiene la respuesta.
El Estudio del Gage RyR es un mtodo usado para analizar un sistema de
medicin para determinar la cantidad y el tipo de variacin (error) cuando se
mide algo

El estudio del Gage RyR nos permite:
Determinar si el error de medicin es pequeo y aceptable relativo a la variacin del proceso o especificacin del producto
Determinar la confianza de la certeza de los datos.
Obtener una adecuada resolucin del Gage.
Enfocar los esfuerzos de mejora si la variacin de la medicin es inaceptable.
El fundamento de cualquier proyecto Seis Sigma es la Medicin
237
Operator 1
Operator 2
Operator 3
10 10 10 10 10 10 999999 888888 777777 666666 555555 444444 333333 222222 111111
2.6
2.5
2.4
2.3
2.2
2.1
2.0
1.9
Part
T
h
i
c
k
n
e
s
s
Tres inspectores midieron y anotaron el espesor de pintura de 10
partes. Cada inspector midi cada parte 2 veces. Los datos son
representados en la siguiente grfica:
Existe concordancia entre los operadores?
Es un operador consistente abajo o arriba de los otros?
Pueden los operadores repetir su medicin de cada parte?
Qu ms?
Que podemos ver del sistema de medicin analizando las grficas:
La variacin del sistema de medicin puede ser cuantificado
usando el Estudio del Gage RyR.
Gage RyR de la medicin del espesor de pintura
238
Porqu es importante el Estudio del Gage RyR?
El error de medicin es suficientemente pequeo y aceptable relativo a la variacin del proceso o
especificacin del producto

Donde se debern enfocar los esfuerzos de mejora si el sistema de medicin es inaceptable

Confianza en la veracidad de los datos

Adecuada resolucin del dispositivo de medicin
El Gage RyR es un mtodo usado para analizar un sistema de
medicin determinando la cantidad y tipo de variacin (error)
obtenido cuando se mide algo.

Un Gage RyR es importante porque proporcionar informacin
acerca de los datos:
239
Qu es una medicin?
Una comparacin entre una cantidad desconocida y una cantidad conocida.

Por qu necesitamos datos de medicin?
Para tomar decisiones acerca de la aceptacin de productos o los procesos
de control
Acepto la pieza o no?
El proceso est bien o necesita algn ajuste?

Qu esperamos de los datos de medicin?
Exactitud: Los datos dicen la verdad
Repetibilidad: Una misma persona vuelve a medir y obtiene el mismo valor
Reproducibilidad: Si la parte se mide por una persona u otra, no se esperan
resultados diferentes, es decir los resultados son independientes del
operador

Qu es un gage (equipo de medicin)?
- Cualquier instrumento usado para medir

Qu es un operador
- Una persona o dispositivo que usa un gage para hacer una medicin.
Preguntas Fundamentales sobre Medicin
240
La variacin observada de cualquier grupo de datos es la suma de la
variacin real de las partes mas la variacin del sistema de medicin.

Entradas salidas Entradas Salidas

Partes
Preguntas Ms Frecuentes Acerca de la Medicin
Variacin por error de
medicin
o
2
Total
= o
2
Parte-Parte
+ o
2
RyR
Variacin Total de Datos
Variacin causada por las
Diferencias entre las Partes
Piensa en el Sistema de Medicin como un sub-proceso que puede agregar
variacin a los datos de medicin. El objetivo es usar un proceso de medicin que
arroje al sistema la menor cantidad de error de medicin.
Qu es un Sistema de Medicin
-Todo lo asociado con la toma de medidas: La gente, la herramienta
de medicin, el material, el mtodo y el ambiente, todo conocido como:
-- El Sistema de Medicin.
Observaciones
Mediciones
datos
241
Que es un Estudio de Gage RyR (GR&R)?
- Es un mtodo usado para analizar un sistema de medicin para
determinar la cantidad de variacin (error) obtenido cuando se mide algo.
Qu es Repetibilidad?
- Variacin de la medicin cuando una
persona usa el mismo instrumento para
medir la misma parte.
Preguntas ms Frecuentemente Hechas Acerca
de los Datos de Medicin
Promedio
Real
Promedio
Observado
Exactitud
Qu es Reproducibilidad?
- Variacin en el promedio de las
mediciones obtenidas cuando dos o ms
personas usan el mismo instrumento para
medir las mismas partes.
Qu es Exactitud?
- La diferencia entre el promedio
observado de las mediciones y el
promedio real.
242
La variacin del Sistema de Medicin es determinada usando el
Estudio del Gage de Repetibilidad y Reproducibilidad
Variacin
Observada en el
Proceso
Variacin
Actual del
Proceso
Variacin de la
Medicin
Variacin del
Proceso a
Largo Plazo o
lt

Variacin del
Proceso a
Corto Plazo o
st

Variacin
dentro de la
Muestra

Variacin debida
al Equipo de
Medicin

Variacin
debida a los
Operadores

Exactitud
Linealidad
Reproducibilidad
Estabilidad Repetibilidad
Los mtodos del Gage RyR que estudiaremos nos proporcionarn las estimaciones
de la variacin total de la medicin, la variacin atribuible a la repetibilidad del
equipo de medicin y la variacin atribuible a los operadores/inspectores.
fuentes de variacin de la medicin
243
1 2 3 4 1 2 3 4
Parte A
Parte B
Debido a que la resolucin de la escala
es ms grande que la diferencia entre las
dos partes, ambas partes tendrn la
misma medida.
La resolucin de la segunda escala
es ms pequea que la diferencia
entre las partes, Entonces las
partes tendrn diferente medida.
A = 2.2
B = 2.0
Resolucin
La Resolucin es definida como la cantidad ms pequea que el
instrumento de medicin es capaz de leer.
Considerando la parte A y la parte B. Las longitudes de estas partes son
muy similares. La resolucin describe la habilidad de distinguir la
diferencia entre estas dos partes.
El Instrumento de Medicin deber tener una resolucin menor
o igual al 10% de la especificacin o variacin del proceso.
A = 2
B = 2
Parte A
Parte B
244
El principal objetivo de este anlisis en un proyecto 6o es determinar si los datos
usados en el proyecto son confiables.
Objetivo del Anlisis del Gage RyR
Evaluar un equipo de medicin
nuevo
Comparar un mtodo de medicin
con otro
Evaluar un mtodo que se sospecha
deficiente
Identificar y solucionar la variacin
del sistema de medicin
Este anlisis puede ser usado tambin para:
245
Plan de Estudio del Gage RyR
1. Identificar el Tipo de Datos

2. Identificar las Fuentes de Variacin

3. Seleccin de Muestras

4. Recoleccin de datos

5. Anlisis de los Datos
246
1. Identificar el Tipo de los Datos
Datos continuos de una medicin no destructiva

Datos continuos de una medicin destructiva

Datos Discretos Binarios (Solo dos opciones como:
pasa, no pasa)

Datos Discretos - categoras -(Ms de dos opciones)

Datos no medibles (No provienen de una medicin
fsica, tales como datos de ventas y financieros)

Datos de encuestas
La recoleccin de datos y el mtodo de anlisis
depende del tipo de los datos.
247
Tiempo para reparar el calentador del defrost. Los datos
provienen del proceso de atencin a clientes. Ntese la variacin.

Cules son las causas de esta variacin? La variacin se debe
a la diferencia real en los tiempos para reparar la falla? o, podra
ser la variacin causada por los errores de medicin (error del
Sistema de medicin)?

Actualmente, la variacin que se observa en esta lista proviene de
ambas situaciones.
Mediciones
(Tiempo en Minutos)
47.1
76.5
32.8
44.6
45.6
44.3
55.2
47.7
50.9
38.4
48.4
74.2
32.6
43.3
45.4
45.0
55.7
47.9
50.8
37.1
48.5

2. Identificar la Fuente de variacin
77.8
32.8
45.5
47.0
46.0
55.1
49.9
51.3
39.0
48.0
80.7
31.4
45.0
46.1
45.5
54.7
49.2
54.0
38.5
248
Se pueden usar diagramas de espina de pescado para identificar las posibles causas de variacin del sistema de medicin.

El sistema de medicin usado para validar el tiempo de reparacin tiene 5 fuentes de variacin: Personal, Herramienta de Medicin, Material, Mtodo y
Medio Ambiente.
Las fuentes de variacin pueden ser designadas
dentro del Estudio del Gage RyR
2. Identificar la Fuente de variacinCont.
249
3. Seleccin de la Muestra
Datos Continuos
Seleccionar muestras que cubran el rango completo de observaciones esperadas. La
variacin de la muestra deber ser representativa de la variacin actual del proceso.
Seleccionar muestras fuera de especificacin tanto a la mxima como a la mnima
Datos Continuos (Pruebas Destructivas)
Seleccionar muestras homogneas (Minimizando la variacin dentro de ellas) que
cubran el rango completo de observaciones esperadas.
Datos Discretos
Seleccionar piezas dentro y fuera de especificacin
Seleccionar algunas muestras cercanas al lmite de especificacin (zona marginal)
Datos no-medibles y Datos de Encuestas
Seleccionar muestras representativas
La seleccin de la muestra es crtica para obtener una
correcta evaluacin de la variacin del sistema de medicin.
Muchos proyectos 6 Sigma requieren del Gage RyR para datos discretos
250
Use el procedimiento tpico de medicin
Asegrese que el instrumento de medicin est calibrado
Asegrese que tenga la resolucin adecuada
Use al menos dos operadores
Los operadores que normalmente hacen la medicin son quienes debern
desarrollar el Gage RyR.
Generalmente mida 10 unidades
Cada unidad ser medida 2 o 3 veces por cada operador.

4. Recoleccin de Datos
251
4. Recoleccin de Datos - continuacin
Ejemplo de hoja de recoleccin de datos
(Preferentemente una para cada operador para evitar referencias
previas que podran influir en los resultados.)
Recuerda que el orden de la medicin deber ser aleatorio en cada
repeticin
Test Method Reference
Special Instructions
Run
Order
Sample Operator 1
Trial 1
Operator 1
Trial 2
Operator 2
Trial 1
Operator 2
Trial 2
Operator 3
Trial 1
Operator 3
Trial 2
5
1
2
2
7
3
3
4
8
5
1
6
4
7
10
8
9
9
6
10
Operator: ________________________________ Date: __________________________
252
Cada operador mide cada pieza en orden aleatorio

Repetir el paso anterior el nmero de veces acordado

Anotar todos los datos!
Recoleccin de Datos
En lo posible hacer esto de forma tpica!
253
Datos Continuos
Mtodo Corto
ANOVA (Gage RyR con Minitab)

5. Anlisis de los datos
Conocer que mtodo de anlisis deber usarse
Datos Discretos
< Datos Binarios (Slo 2 opciones)
< Datos Discretos (ms de 2 opciones)
< Validacin de Datos
< Validacin de la Medicin
254
Proporciona un rpido estimado de la variacin de la medicin o o
gage

Solo requiere de 5 piezas y 2 operadores
Los Clculos son rpidos y a mano
La contribucin de Repetibilidad y Reproducibilidad no pueden separarse

Anlisis de Datos - Cont...
Mtodo Corto
ANOVA
(Gage RyR por Minitab)
Da un mucho mejor estimado de o
gage

Los errores producidos por Repetibilidad y Reproducibilidad se determinan por separado
Requiere ms recoleccin de datos
255
Clculo del %GR&R para Datos Continuos
%GR&R = ---------------- x 100
5.15 o
gage

Tolerancia
o
gage
= Variacin de la medicin
Tolerancia = LSE - LIE
LSE = Lmite Sup. de Especificacin.
LIE = Lmite Inf. de Especificacin.
Para tolerancias unilaterales ...
Usar el factor 2.33 o
gage

Tolerancia = LSE - media
^
o media
^
- LIE
^ Siempre usa la media histrica
Gage RyR como % de Tolerancia (%GR&R)
5.15 de la Desv. Est. contiene el
99% de la distribucin normal
5.15 o
+2.575 -2.575
99%
Donde:
Para Tolerancias
Bilaterales
256
Rango Promedio (R) = E R/n donde: n =nmero de partes
El Gage RyR Mtodo Corto
El Gage RyR Mtodo Corto proporcionar una indicacin rpida
de la variacin total de la medicin en el proceso de obtencin de
datos.
Nota: El Gage RyR corto no proporcionar informacin alguna de
la contribucin de la Repetibilidad o Reproducibilidad en la
variacin total de la medicin.
Parte Operador A Operador B Rango
1
2
3
4
5
Suma de Rangos:
Rango Promedio (R):
Rango = max - min
257
El Gage RyR Mtodo Corto
d* Valores de la distribucin de los Rangos Promedio
Nmero
de Partes

1
2
3
4
5
6
7
8
9
10
2 3 4 5
1.41 1.91 2.24 2.48
1.28 1.81 2.15 2.40
1.23 1.77 2.12 2.38
1.21 1.75 2.11 2.37
1.19 1.74 2.10 2.36
1.18 1.73 2.09 2.35
1.17 1.73 2.09 2.35
1.17 1.72 2.08 2.35
1.16 1.72 2.08 2.34
1.16 1.72 2.08 2.34
N m e r o d e O p e r a d o r e s
Sigma gage es
calculada dividiendo el
rango promedio entre
la constante d*; donde
d* es determinado de
la tabla inferior.
d* se usa para el
estimado de la
Desviacin Estndar
usando el rango
promedio.
5.15 Desv. Estndar
contienen el 99% de la
distribucin normal.
Clculos:
= = =
19 . 1
(_____)
*
_
d
R
gage
o
= = =
100
_____
(_____) 15 . 5
100
15 . 5
y %
Tolerancia
R GR
gage
o
Meta: <20%
258
Estudio Corto Gage RyR
Estudio de la Altura del Ensamble
Un nuevo sistema de medicin ptico fue comprado para
medir la altura de un ensamble de componentes. La
tolerancia para la altura del ensamble es = 2.000 0.015
pulgadas. Fueron ocupados dos operadores en el estudio
Gage RyR para medir las alturas de 5 ensambles.
Hoja de Clculo de Datos:
2.000 0.015
Parte Operador A Operador B Rango
1 2.003 2.001 0.002
2 1.998 2.003 0.005
3 2.007 2.006 0.001
4 2.001 1.998 0.003
5 1.999 2.003 0.004
0.015 Suma de Rangos
259
Gage
RyR
El Error del sistema de medicin se calcula multiplicando el
Rango Promedio por una Constante (4.33 en el ejemplo). El
valor constante se deriva de la razn 5.15/ d* , donde d* se
determina de la tabla. Para el ejemplo, d* = 1.19, para 5 piezas y
2 operadores.
Clculos:
n = nmero de piezas
Rango Promedio, ( R ) = E R/n = .015/5 = .003

Error del Sist.de Medicin (GRR) = (5.15/1.19) ( R ) = (4.33)(.003) = .013

GRR como un % de la Tolerancia = (.013X 100) /.030 = 43.3%
Ejemplo de Estudio
Corto:
260
Se ha desarrollado un Gage RyR para medir el espesor de una
pintura. Tres inspectores miden y anotan el espesor de 10
partes seleccionadas. Cada operador mide cada parte dos
veces.

Especificacin del espesor de pintura: 0.90 - 2.90 mils.

Abrir el archivo: gage.mtw
Ejemplo de Gage RyR Mtodo ANOVA
Los datos debern ser
introducidos en columnas para que
Minitab desarrolle la estadstica del
Gage RyR.
261
Operator 1
Operator 2
Operator 3
111111 222222 333333 444444 555555 666666 777777 888888 999999 10 10 10 10 10 10
1.9
2.0
2.1
2.2
2.3
2.4
2.5
2.6
Part
T
h
i
c
k
n
e
s
s
Una grfica de puntos revelara la variacin inherente al proceso de
medicin
Espesor de pintura - GR&R Study
Repetibilidad
Variacin del mismo operador
(Variacin del Equipo)
Cmo podremos cuantificar la variacin de la medicin de estos datos?
Usar el Gage RyR para cuantificar las fuentes
de variacin.
Reproducibilidad
Variacin Entre Operadores
(Variacin del Operador)
262
El mtodo de ANOVA estima la variacin debida a:

Repetibilidad del equipo de medicin, y
Reproducibilidad entre operadores
Vamos a analizar los datos usando Minitab
Selecciona: Stat > Quality Tools > Gage RyR Study
263
Entradas:
Columna con datos de las partes
Columna con datos de los operadores
Columna con datos de la medicin
Selecciona Options para
introducir la tolerancia
Selecciona Gage Info para
adicionar Informacin General.
Tolerancia es 2.00 mils
264
La Ventana de Sesin tiene todo el anlisis numrico...
Gage RyR Study - ANOVA Method

Gage RyR for Thickness

Two-Way ANOVA Table With Interaction

Source DF SS MS F P
Part 9 2.05871 0.228745 39.7178 0.00000
Operator 2 0.04800 0.024000 4.1672 0.03256
Operator*Part 18 0.10367 0.005759 4.4588 0.00016
Repeatability 30 0.03875 0.001292
Total 59 2.24913

Gage RyR

Source VarComp StdDev 5.15*Sigma
Total Gage RyR 0.004438 0.066615 0.34306
Repeatability 0.001292 0.035940 0.18509
Reproducibility 0.003146 0.056088 0.28885
Operator 0.000912 0.030200 0.15553
Operator*Part 0.002234 0.047263 0.24340
Part-To-Part 0.037164 0.192781 0.99282
Total Variation 0.041602 0.203965 1.05042

Source %Contribution %Study Var %Tolerance
Total Gage RyR 10.67 32.66 17.15
Repeatability 3.10 17.62 9.25
Reproducibility 7.56 27.50 14.44
Operator 2.19 14.81 7.78
Operator*Part 5.37 23.17 12.17
Part-To-Part 89.33 94.52 49.64
Total Variation 100.00 100.00 52.52
Number of Distinct Categories = 4
La Tabla de ANOVA es
la base de los estimados de varianza del Gage RyR.
Si el valor de p es menor de 0.05, entonces puede decir con al menos el
95% de confianza que esta variable contribuye significativamente con el total
de la variacin
Recuerdas el valor de 5.15?
o
gage
o
repetibilidad
o
reproducibilidad
%GR&R
(GR&R como % de tolerancia)
GR&R como % de GR&R Estudio de variacin
de la muestra
El Nmero de Categoras indica la adecuada resolucin del
gage (deber ser > 4)
265
Aceptable si es menor de 20%

Condicional si est entre 20% to 30%

Inaceptable si es mayor de 30%
Mejorar el sistema de medicin inaceptable o
condicional antes de generar los datos
Criterio de Evaluacin del % del Gage RyR y % de Estudio de Variacin
Tener cuidado con el riesgo asociado al medir el
proceso con un sistema
de medicin inaceptable
266
Clculos y Explicaciones
o
gage
es calculado de los trminos de la varianza de
repetibilidad y reproducibilidad usando la siguiente relacin.
o
2
gage
= o
2
repetibilidad
+ o
2
reproducibilidad
%Tolerancia (%GR&R) se calcula como se discuti anteriormente.
Se usa para comparar la variacin de la medicin con respecto a
los lmites de especificacin. Es una medida de que tan bien el
sistema puede determinar si un producto est fuera o dentro de
especificacin
%GR&R = --------------- - x 100
5.15 o
gage

LSE - LIE
En este ejemplo %GR&R fu 17.15%. Es bueno?
Si, el sistema de medicin es aceptable para determinar la
aceptacin o rechazo del producto.
2.33 para unilateral
267
Clculos y Explicaciones - continuacin
%Estudio de Variacin Se usa para comparar la variacin de la
medicin y la variacin del proceso
. Es una medicin de que tan

bueno es el sistema de medicin para usarse en el control de proceso.
La variacin del proceso es determinada por la variacin de las

muestras. Por lo tanto, es extremadamente importante escoger piezas
que representen la variacin del proceso real.
o
gage
o
variacin total
%Estudio de Variacin = ---------------- x 100
En este ejemplo el %Estudio de Variacin fu 32.66%. Es
bueno? No, el sistema de medicin es inaceptable para usarlo en
el estudio del proceso.
Nota: El %Estudio de Variacin estadstico es usado por el mtodo de
ANOVA del GR&R para datos continuos solamente.
268
Clculos y Explicaciones - continuacin
El Nmero de Categoras Distintivas representa el nmero de intervalos de
confianza que no se traslapan y que abarcarn el rango de la variacin del producto.
Se considera tambin como el nmero de grupos dentro de sus datos de proceso
que puede discernir su sistema de medicin
Categoras Distintivas = ---------------- x 1.41
Es este ejemplo el nmero de categoras distintivas fu 4. Es bueno?
Si, el sistema tiene le suficiente resolucin.
Categoras Distintivas
Decisin / Valor
< 2
NO VALIDO para tomar decisiones del control
de proceso
2 3
Decisiones Binarias (Pasa/No Pasa)
> 5
Resolucin Suficiente
Aceptable para tomar decisiones del control de
proceso
Nota: El %Estudio de Variacin estadstico es usado por el mtodo de
ANOVA del GR&R para datos continuos solamente.
o
parte a-parte
o
gage
269
Qu dicen las
grficas?
Lmites = X
R
d
3
2
La mayora de los puntos estn Fuera de Control- Fantstico!
Los puntos Fuera de Control indican que los operadores distinguen
las piezas diferentes. (Los lmites de Control se calculan de la variacin
entre operadores- poca variacin significa lmites de control estrechos)
En la Grfica de Rango, todos los puntos deberan estar Bajo Control.
Esto indica que no existen valores fuera de lo comn entre las pruebas
de medicin.
Interpretacin de la grfica de Control:
270
%Total Variation
%Study Variation
%Tolerance
Gage R&R Repeatability Reproducibility Part-to-Part
0
50
100
Components of Variation
P
e
r
c
e
n
t
Gage R&R (ANOVA) for Thickness
Grficas - continuacin.
20%
30%
Inaceptable - 30%
20% Condicional < 30%
Aceptable 20%
Dnde debern enfocarse los esfuerzos de mejora: en los operadores o en el
equipo?
En los Operadores porque la Reproducibilidad es el mximo contribuyente a la
variacin del Gage RyR.
El Sistema de Medicin deber ser mejorado!
El sistema de medicin es:
Aceptable para aplicaciones de Aceptacin de Producto
Inaceptable para toma de decisiones de Control de Proceso
271
1 2 3
1.9
2.0
2.1
2.2
2.3
2.4
2.5
2.6
Operator
By Operator
Esta es una grfica de puntos por operador.
Es notable que el promedio de las lecturas del operador 2 es menor que
el de los operadores 1 y 3.
El promedio de las lecturas de los operadores 1 y 3 son casi el mismo.
La dispersin de los datos es la misma para cada operador.
La contribucin de los operadores a la variacin de la medicin es
estadsticamente significativa?
Si, porque el valor p del ANOVA es < 0.05
272
10 9 8 7 6 5 4 3 2 1
2.6
2.5
2.4
2.3
2.2
2.1
2.0
1.9
Part
By Part
Esta es la grfica de puntos de las partes.
Las partes obviamente difieren en espesor. Recuerda que las partes fueron
seleccionadas para que representaran la variacin del proceso real.
La variacin de la pieza 10 es mayor que cualquier otra
Las partes contribuyen significativamente a la variacin de la medicin?
No, porque la variacin de parte a parte es producto de la variacin del
proceso, no del sistema de medicin. Recuerda que...
o
2
Total
= o
2
Producto
+ o
2
Medicin
273
10 9 8 7 6 5 4 3 2 1
2.6
2.5
2.4
2.3
2.2
2.1
2.0
1.9
Part
Operator*Part Interaction
A
v
e
r
a
g
e
Operator 1
Operator 2
Operator 3
Esta grfica muestra como los operadores concuerdan con su
medicin en cada parte.
Que se nota en esta grfica?
El Op. 2 es usualmente inferior (efecto sistemtico del operador)
Hay concordancia entre los operadores en 2, 6 y 7
El op. 1 reporta un alto espesor que los dems en 4
El op. 1 reporta alto espesor que el 2 en la mayora de las partes, sin
embargo el 2 obtiene una lectura mayor que el 1 en la parte 6 (interaccin)
La interaccin Operador*Parte contribuye significativamente a la variacin
de la medicin? Si, porque el valor de p de Operador*Parte es < 0.05
274
Qu aprendimos acerca de la medicin del espesor?
Fu el sistema de medicin aceptable para aceptar o rechazar producto?

Fu el sistema de medicin aceptable para el control de proceso?

Tiene el sistema de medicin suficiente resolucin?

Los operadores contribuyen significativamente a la variacin del sistema
de medicin?

Las partes contribuyen significativamente a la variacin del sistema de
medicin?

Es el equipo (gage de espesores) un contribuyente importante a la
variacin del sistema de medicin?

Dnde debern enfocarse los esfuerzos para mejorar el sistema de
medicin?

275
Riesgo de
aceptar una
pieza mala
Cumplimiento
Malo
Riesgo
de
rechazar
una
pieza
buena
Costos
Malos
Cules son los riesgos de aceptar resultados
equivocados del Gage?
-4 -3 -2 -1 0 1 2 3 4
Distribucin
(Zonas de incertidumbre)
Valor
verdadero de
una pieza mala
Valor
verdadero de
una pieza
buena
Distribucin
de Proceso
Probabilidad de
aceptar una pieza
mala
incorrectamente
Probabilidad de
rechazar una
pieza buena
incorrectamente
LIE
LSE
Variacin de la Medicin
276
Qu hacer si los datos provienen de una prueba destructiva?
Algunas pruebas (Torque, Resistencia a la elongacin, Tensin,
Dureza, etc. son pruebas destructivas. La muestra no puede ser
medida ms que por un operador una vez.
Las muestras debern ser
seleccionadas minimizando la variacin
de las partes.
Cada operador no mide la misma muestra

Cada operador mide una porcin de la misma muestra. Por lo
tanto, las muestras debern ser tan homogneas como sea
posible.
Los datos se recolectan de la manera usual.

ANOVA se usa para analizar los datos de una prueba destructiva para el
anlisis del Gage RyR
Pza 1 - Muestra Interna Diferencia entre partes
Muestra 3 Muestra 2
Muestra1
277
Ejemplo de Prueba Destructiva
A B C
Considere un Gage RyR de la rheometra de un hule. Tres operadores
medirn 8 muestras de hule. Cada muestra deber medirse 3 veces.
Cada porcin de una muestra puede ser medida solamente una vez,
pues al efectuar la medicin la pieza se destruye.
Muestra 3 Muestra 6
Muestra 7 Muestra 4
Muestra 8 Muestra5 Muestra 2
Muestra 1
1-1 1-2 1-3
278
Factores del gage RyR destructivo:
Operadores
Muestra
Divisin (Porcin de la muestra)
La variacin de la porcin de la muestra
puede no ser separada de la Repetibilidad
Anlisis:
Escoger muestras que minimicen la variacin de las porciones.
Analizar los datos usando ANOVA igual que para pruebas no
destructivas.
Entender que la variacin asignada a la repetibilidad incluye la
variacin de la misma muestra (Porcin).
Ejemplo de Prueba Destructiva
279
La meta es 100% de acuerdo entre todos los
operadores y un atributo conocido
Attr_grr.xls
Herramienta Excel RyR para Atributos
Como Trabaja:
1. El verdadero atributo para cada parte o
muestra puede ponerse si se conoce (opcional)
2. La hoja acepta dos operadores o fuentes
3. Identificacin y Datos se capturan en la hoja de
Entrada de Datos (Data Entry).
4. Los datos se analizan como acuerdos entre los
operadores y con el atributo declarado al
principio.
5. Los resultados se resumen con representacin
grfica
280
Attribute Gage R & R Effectiveness
SCORING REPORT
DATE: 3/10/1996
Attribute Legend (use d in computations ) NAME: Alli ed Employee
1 pass PRODUCT: 3313 Spark Plug
2 fail BUSINESS: F&SP
Must mat ch l abels us ed below
Known Population Robot #1 Robot "D" Robot "B" Y/N Y/N
Sample # Attribute Try #1 Try #2 Try #1 Try #2 Try #1 Try #2 Agree Agree
1 pass pass pass pass pass fail fail N N
2 pass pass pass pass pass fail fail N N
3 fail fail fail fail pass fail fail N N
4 fail fail fail fail fail fail fail Y Y
5 fail fail fail pass fail fail fail N N
6 pass pass pass pass pass pass pass Y Y
7 pass fail fail fail fail fail fail Y N
9 fail pass pass pass pass pass pass Y N
10 fail pass pass fail fail fail fail N N
13 fail fail fail fail fail fail fail Y Y
14 fail fail fail pass fail fail fail N N
99
100
% APPRAISER SCORE
(1)
-> 100.00% 78.57% 100.00%
% SCORE VS. ATTRIBUTE
(2)
-> 78.57% 64.29% 71.43%
SCREEN % EFFECTIVE SCORE
(3)
-> 57.14%
SCREEN % EFFECTIVE SCORE vs. ATTRI BUTE
(4)
-> 42.86%
Hoja
Entrada de
Datos ...
Escriba
Identificacin
Datos de cada
inspector
Atributo
verdadero
si se
conoce
Herramienta Excel RyR para Atributos
281
99
100
% APPRAISER SCORE
(1)
-> 100.00% 78.57% 100.00%
% SCORE VS. ATTRIBUTE
(2)
-> 78.57% 64.29% 71.43%
SCREEN % EFFECTIVE SCORE
(3)
->
57.14%
SCREEN % EFFECTIVE SCORE vs. ATTRIBUTE
(4)
-> 42.86%
% Calificacin de inspector: Porcentaje de pares de resultados que estn en
acuerdo con cada una de las partes para un inspector dado -una medida de la
repetibilidad; META = 100%
% Calificacin contra Atributo: Porcentaje de resultados del inspector que estn
en acuerdo con el atributo conocido para todas las pruebas - una medida de error
contra la poblacin conocida
% Calificacin Efectiva Filtrada: Porcentaje de muestras donde todas las
apreciaciones estn en acuerdo - una medida de la eficiencia general de la
inspeccin con respecto a cada una: META = 100%
% Efectivo Filtrado contra Atributo: Porcentaje de muestras donde todas las
apreciaciones estn en acuerdo con el atributo conocido - una medida de la
eficiencia general de inspeccin con respecto a estndares externos
1
2
3
4
1
2
3
4
Qu significan los valores reportados?

282
Siendo
diferentes
numricamente,
los inspectores
NO son
diferentes
estadsticamente
a causa de los
intervalos de
confianza
traslapados
Hoja de
Reporte
Estadstico...
Statistical Report - Attribute Gage R&R Study
DATE: 3/10/96
NAME: GE Employee
PRODUCT: 3313 Cable
BUSINESS: GPO
% Appraiser %Score vs Attribute
Source Robot #1 Robot "D" Robot "B" Robot #1 Robot "D" Robot "B"
Total Inspected 14 14 14 14 14 14
# Matched 14 11 14 11 9 10
False Positives 1 1 3
False Negatives 2 1 1
Mixed 0 3 0
95% UCL 100.0% 95.3% 100.0% 95.3% 87.2% 91.6%
Calculated Score 100.0% 78.6% 100.0% 78.6% 64.3% 71.4%
95% LCL 76.8% 49.2% 76.8% 49.2% 35.1% 41.9%
Screen % Effective Score Screen % Effective Score vs Attribute
Total Inspected 14 14
# in Agreement 8 6
95% UCL 82.3% 71.1%
Calculated Score 57.1% 42.9%
95% LCL 28.9% 17.7%

% Appraiser
0.0%
10.0%
20.0%
30.0%
40.0%
50.0%
60.0%
70.0%
80.0%
90.0%
100.0%
110.0%
Robot #1 Robot "D" Robot "B"
%

E
f
f
i
c
i
e
n
c
y
95% UCL
Calculated Score
95% LCL
% Score vs Appraiser
0.0%
10.0%
20.0%
30.0%
40.0%
50.0%
60.0%
70.0%
80.0%
90.0%
100.0%
110.0%
Robot #1 Robot "D" Robot "B"
%

E
f
f
i
c
i
e
n
c
y
95% UCL
Calculated Score
95% LCL
En Conclusin...
283
Validez de Datos No-Medibles
Los datos no medibles son los datos que no son el resultado de una
medicin usando un aparato.

Ejemplos de Datos:
Finanzas (costos TyL, C/B, Utilidades, Venta, etc.)
Ventas (Unidades vendidas, artculos comprados, etc.)
RH (informacin de empleados)
Facturacin de clientes
Las muestras deben ser seleccionadas para representar la
poblacin. Es deseable un mnimo de 100 puntos.
Los datos se analizan comparando los datos obtenidos por los
medios normales, con los valores verdaderos.
Qu % de acuerdo es aceptable para un estudio de
validez de datos?
Tpicamente el % de acuerdo es mucho mayor que
95%.
284
Ejemplo de Estudio RyR en Datos No Medibles :
100 lugares de Sams Club estn vendiendo Sistemas
Suavizadores de Agua GE. El nmero de unidades vendidas en la
tienda se est usando en un proyecto 6 sigma. Los datos los
proporciona el Sistema de Enlace de Menudeo de Wal-Mart. El GB
necesita validar el sistema de menudeo.
Primero se investig la recoleccin de datos.

Las capturas apropiadas del cdigo de barras dentro del sistema de
Sams - cdigo, descripcin y precio de venta correctos.
Entradas de Inventarios
Los artculos se reciben en los andenes de carga y se ingresan al
inventario, o
Los clientes regresan artculos al servicio al cliente y se captura
dentro del sistema por el asociado.
Salidas de Ventas
El artculo capturado dentro del sistema en la registradora.
Etiqueta tecleada al sistema manualmente en la registradora.
285
El estudio de validez de datos

7 lugares fueron elegidos para el estudio.

Todos los Datos se evaluaron para los 7 lugares.

Sams corri un reporte completo de ventas con la cantidad de
inventario para cada lugar. Se vendieron doce unidades a cada lugar.
Cantidad en mano = 12 - ventas (del Sistema de Menudeo)

El GB visito cada lugar para contar fsicamente la cantidad en mano.
Club # City Sell to Qty Units Sold QOH Expected QOH Actual Difference
6301 INDIANAPOLIS, IN
12 2 10
12 2 10
6313 FT. WAYNE, IN
12 5 7
12 5 7
6325 GREENWOOD, IN
12 3 9
6424 KOKOMO, IN
12 4 8
8168 FISHERS, IN
12 7 5
286
Resultados
Club # City Sell to Qty Units Sold QOH Expected QOH Actual Difference
12 2 10 10 0
12 2 10 10 0
6313 FT. WAYNE, IN
12 5 7 7 0
12 5 7 7 0
6325 GREENWOOD, IN
12 3 9 9 0
6424 KOKOMO, IN
12 4 8 7 1
8168 FISHERS, IN
12 7 5 5 0
# Oportunidades acuerdo = (12 us x 7 lugares) = 84
# desacuerdos = 1
El reporte de ventas e inventario se revis con un asociado en Kokomo.
Encontraron que una unidad se vendi durante la presente semana (despus
del reporte se genero la venta)
Los datos de ventas del Sistema de Menudeo son vlidos. El GB
puede continuar su proyecto.
% acuerdo = 84 / 84 = 100%
% acuerdo = ( 84 -1 ) / 84 = 98.8%
287
Anlisis de Datos Continuos de un Proceso
Propsito:
Realizar un anlisis de capacidad de variables con datos
continuos, y traducir el problema prctico a uno
estadstico.

Objetivos:
1. Proporcionar la comprensin de cmo hacer la lnea
base de un proceso de variables con datos continuos.
2. Reconocer las posibles razones para datos no -
normales y los mtodos para corregir el problema.
3. Realizar un estudio de capacidad de proceso usando las
herramientas de Anlisis de Proceso Seis Sigma del
Minitab.
288
Conceptos Clave:
Anlisis de Datos Continuos de Procesos
Comprometer a su Equipo de Apoyo Tcnico
Hacer Lnea Base de resultados
Establecer objetivo de reduccin de defectos
Definir el Problema Prctico
Definir el Problema Estadstico
Revisar la Normalidad antes de generar el Process Report. La Normalidad es un
requerimiento para caracterizar el proceso.

Hacer Lnea Base, la clave para determinar la cuestin de
Centrado, variacin o ambos
Tecnologa, control o ambos
Realizarse sin manipular a conveniencia el proceso
Que sea tpicamente Gratis (excepto por el tiempo del inspector), debido a que no ha
ocurrido manipulaciny las partes pueden generalmente re-utilizarse.

Definir Z.
Bench ,
la forma de describir un valor Z combinado para un proceso.
Considera los defectos por arriba de la especificacin superior y por debajo de la
inferior en un solo extremo.

Usar el 4-bloques para mostrar Control contra Tecnologa.
289
Es Tiempo de Analizar con Minitab la Lnea Base de
Datos Continuos...
Reglas a seguir:
Primero, revisar la normalidad de los datos.
Los datos deben ser normales para realizar un anlisis
Z.
Mientras ms grande sea el tamao de la muestra,
mayor es la probabilidad de tener datos normales (si los
datos realmente son normales).
Las muestras de tamao pequeo tienen mayor riesgo
de juzgarse como no-normales.
Recomendar efectuar el anlisis Minitab conforme se van
tomando los datos (dentro de los primeros 10 subgrupos de
datos) para determinar si son necesarios ms datos.
Continuar recopilando datos hasta que el proceso se
estabilice (Ver el Resumen Ejecutivo).
Hacer Lnea Base del proceso permite determinar:
Es problema de centrado, variacin o ambos?
Es problema de tecnologa, de control o ambos?
290
Qu hago si mis datos NO son normales?
Primero revise sus datos SI TIENE:
Datos registrados incorrectamente
Resolucin de calibrador inadecuada
(debera ser 10 veces mejor de lo que se est midiendo)
Proceso saboteado / proceso manipulado
Datos bimodales o poblaciones separadas (observe la
forma de la curva)
Patrones observables en los datos
(depende del tiempo, es un patrn cclico o los datos
coinciden con eventos de proceso conocidos que hayan
ocurrido durante el proceso de recoleccin de datos?)
Especificaciones de un solo lado y/o limitadas por cero
( por ejemplo: planicidad, volumen de ventas por mes,
fecha de vencimiento, etc.)
Siempre Grafique los datos!
291
Pero, Qu necesita hacer si los datos son No-
NORMALES?
Puede usar mtodos estadsticos no-paramtricos. Sin
embargo:
1. NO son sensibles al supuesto de normalidad de los datos y
2. NO son tan poderosos como las pruebas estadsticas
paramtricas.
O
Puede transformar sus datos de no-normales a normales.
Posibilidades:
Obtener el logaritmo (en cualquier base) de sus mediciones
originales.
Elevar sus mediciones individuales a una potencia. (Sesgadas
hacia la derecha? Intente potencias menores a 1.)
Use el recproco (1/y) de sus mediciones individuales
Precaucin:
Cuando transforme sus datos, tambin transforme sus
especificaciones.
Usar los datos transformados durante todo el anlisis de los
mismos.

** Ver el Apndice para otros enfoques potenciales para tratar con datos no-normales
292
Ejemplo: Capacidad de Carga de Estacin para
Refrigeradores
Un causante de llamadas de servicio de los clientes de
refrigeradores de GEA se codifica como Agregar
Refrigerante; Fuga No Encontrada. Se le pidi al equipo
de Bloomington que investigara la causa de este defecto (el
cual impacta a los clientes directamente). Las X
potenciales en este proceso son:
Mquina
Orden de Estacin
Turno
El plan de subagrupacin racional permiti que cada una de
estas variables variara durante el proceso de recopilacin
de datos. Los datos de Lnea Base se muestran en la
siguiente pgina.
200 puntos de datos en total
40 subgrupos de 5
293
Los datos para ambos Y (C5) y X C1, C4, C6) se introdujeron a Minitab, a la vez se
introdujo el nmero de Grupo (C2) y el nmero de Muestra (C3).
La informacin demogrfica opcional, mostrada en las columnas C7-T y C8-T, debe
introducirse en el orden exacto mostrado abajo. Esta informacin se usa cuando se efecta
el Reporte de Proceso Seis Sigma.
Cul es el primer paso al analizar los datos?
Abrir archivo: DK.mtw
Establecer Hoja de Clculo Minitab
294
Revisar la Normalidad
Son datos No-Normales?
Stat> Basic Statistics> Descriptive Statistics
Hacer click en Graphs
Hacer click en Graphical Summary
Hacer doble click en OK
2. 0 0. 5 -1. 0 -2. 5 -4. 0
95% Confidence Interval for Mu
0.0 - 0.1 - 0.2
95% Confidence Interval for Median
Variable: Y
-0. 13000
0. 84609
-0. 23200
Maximum
3rd Quart ile
Median
1st Quart ile
Minimum
N
Kurt osis
Skewness
Variance
St Dev
Mean
P-Value:
A-Squared:
0. 03000
1. 03029
0. 02710
2. 37000
0. 47000
-0. 05000
-0. 47000
-4. 57000
200
4. 36825
-1. 48516
0. 863208
0. 929090
-1. 0E-01
0. 000
4. 916
95% Conf idence I nterval f or Median
95% Conf idence I nterval f or Sigma
95% Conf idence I nterval f or Mu
Anderson-Darling Normalit y T est
Descriptive Statistics
Ahora qu?
295
Qu conocimiento obtenemos de estas grficas?
Cmo podemos usar este conocimiento para sacar ventaja al
resolver el problema de no- normalidad?
300 200 100 0
3
2
1
0
-1
-2
-3
-4
-5
Sample
Y
Graph>Plot
Y contra Sample
Graph>Boxplot
Y contra Shift
3 2 1
3
2
1
0
-1
-2
-3
-4
-5
Machine
Y
Graph>Boxplot
Y contra Machine
Anlisis Grfico de los Datos
Graph>Boxplot
Y contra Order
3 5 1
3
2
1
0
-1
-2
-3
-4
-5
Order
Y

4 2
296
Por qu los datos son No- Normales?
En el ejemplo, el equipo SxS de Bloomington identific la causa
de la variacin como la primera carga despus de cada descanso.
Ellos mejoraron el proceso, entonces re-hicieron la Lnea Base.

Si no pudiramos determinar la causa de la variacin de la
primera carga, los datos podran reorganizarse agrupando
puntos de datos de primera carga contra todos los dems puntos
de datos y analizando cada grupo por separado.
Por la Variacin de la Causa Especial!
Busquemos las causas de la variacin especial!

A travs de las herramientas de solucin de problemas
encontramos las causas que ms afectan a la Y
297
Ejemplo 2: Calidad del Vino
Mountain Vineyards, una vincola de New York, est planeando meter sus vinos a
una competencia nacional de catadores de vino. Al prepararse para esta
competencia, han establecido un proyecto para caracterizar y mejorar sus ofertas
actuales de vino rojo. Cinco botellas de vino se tomaron como muestra entre
siete lotes diferentes (Producidos en diferentes pocas del ao). El total de datos
utilizados para caracterizar la calidad de vino que se prob (Y), incluye:

Abrir archivo: wines.mtw
Regin C7
Buqu C5
Sabor C4
Claridad C1
Aroma C2
Cuerpo C3 }
X
potenciales
298
Revise primero la Normalidad
16 14 12 10 8
13.5 13.0 12.5 12.0
Variable: Quality
11.8159
1.6675
11.7645
Maximum
3rd Quartile
Median
1st Quartile
Minimum
N
Kurtosis
Skewness
Variance
StDev
Mean
P-Value:
A-Squared:
13.3841
2.6462
13.1091
16.1000
13.8000
12.4500
11.0250
7.9000
38
-5.7E-01
-1.7E-01
4.18347
2.0454
12.4368
0.970
0.141
95% Confidence Interval for Sigma
Anderson-Darling Normality Test
De la variable: Calidad (columna C6)
Stat> Basic Stat> Descriptive Stat
Variables: Calidad
Hacer click en Graphs...
Hacer click en Grafical Summary
Valor p > 0.05 - Los datos se consideran normales!
299
crear un reporte de proceso (resumen ejecutivo)
Six Sigma>Process Report
Para usar esta opcin,
la hoja de trabajo debe
contener columnas
formateadas exactamente
como las columnas C8-T.
O esta
Cuando use Specs y
Target,no es
necesario incluir
informacin
demogrfica en la hoja
de trabajo
Una vez confirmado que los datos no son No-
Normales, puede hacer un Resumen
Ejecutivo para caracterizar el proceso.
300
resumen ejecutivo: pg. 1 del reporte
(usando la opcin demographics)
La Capacidad actual del Proceso (Zst) no es 6o, sin embargo, Z.shift est
cercano a 1.5 o y representa un control de proceso aceptable
Ac tual (LT)
Potenti al (ST)
20 15 10 5
Process Performance
USL LSL
Ac tual (LT)
Potenti al (ST)
1,000,000
100,000
10,000
1000
100
10
1
8 7 6 5 4 3 2 1
Potential (ST) Actual (LT)
Sigma
PPM
(Z.Benc h)
Process Benchmarks
215.402
2.17
15034.0
3.52
Process Demographics
Award
15
8
22
Likert S
Perceive
Aging
Mountain
Wine Qua
Di ck Kel
August 1
Opportunity:
Nominal :
Lower Spec:
Upper Spec:
Units:
Characteristic:
Process:
Department:
Project:
Reported by:
Date:
Report 1: Executive Summary
Estos son los valores Z para
ambos, largo y corto plazo, al
igual que para el nivel
correspondiente PPM
Esta informacin est
en las columnas C8-T.
Cuando existe un proceso estable, la lnea de proceso
a largo plazo PPM se mantendr plana durante varios
subgrupos. Esto demuestra que se tienen
suficientes datos.
Esta grfica muestra la distribucin
comparativa de los datos a corto y
largo plazo.
301
resumen ejecutivo: Pg.1 del reporte
(usando la opcin spec limits)
Ac tual (LT)
Potenti al (ST)
20 15 10 5
Process Performance
USL LSL
Ac tual (LT)
Potenti al (ST)
1,000,000
100,000
10,000
1000
100
10
1
8 7 6 5 4 3 2 1
Potential (ST) Actual (LT)
Sigma
PPM
(Z.Benc h)
Process Benchmarks
215.402
2.17
15034.0
3.52
Process Demographics
8
22
Opportunity:
Nominal :
Lower Spec:
Upper Spec:
Units:
Characteristic:
Process:
Department:
Project:
Reported by:
Date:
Report 1: Executive Summary
La caja est vaca excepto por los
lmites de especificacin, debido a
que decidimos no usar la opcin
demografics.
Toda la informacin es la misma que en las pginas anteriores, excepto por la caja Process Demographics
La Potencial (Z.st) muestra datos a corto plazo con todas las medias de subgrupos
centradas.
+ Enfoque en reducir la variacin para mejorar la capacidad a corto plazo.
La Actual (Z.lt) muestra la variacin total e incluye cualquier desplazamiento del
proceso.
+ Enfoque en ambos, reducir la variacin y mejorar el centrado para mejorar la capacidad a
largo plazo.
Benchmarks de Proceso
Los valores Sigma representan datos Z.Bench.
302
resumen ejecutivo: pg. 2 del reporte
5
4
3
2
1
0
S=1.691
3.0SL=4.342
-3.0SL=0.000
8 7 6 5 4 3 2 1
16
15
14
13
12
11
10
9
Xbar and S Chart
Subgroup
X=12.44
3.0SL=15.74
-3.0SL=9.133
22 8
20.7227 9.2773
Potenti al (ST) Capabi l i ty
Process Tolerance
Specifications
I I I
I I I
22 8
18.6145 6.2592
Actual (LT) Capabi l i ty
Process Tolerance
Specifications
I I I
I I I
Mean
StDev
Z.USL
Z.LSL
Z.Bench
Z.Shift
P.USL
P.LSL
P.Total
Yield
PPM
Cp
Cpk
Pp
Ppk
LT ST
Capability Indices
Data Source:
Time Span:
Data Trace:
0.72
1.13
15034.0
98.4966
0.015034
0.015033
0.000001
1.3513
2.1692
2.1692
4.6756
2.0454
12.4368
0.78
1.22
215.402
99.9785
0.000215
0.000108
0.000108
1.3513
3.5205
3.7003
3.7003
1.8917
15.0000
Report 2: Process Capability for Wine Qua
Grficas XBarra y S
Indices de
Capacidad
Grficas de Comparacin
303
Z - una medicin importante
Z a Corto Plazo

Z.
ST
=
LE - T
o
st
Z a Largo Plazo

Z.
LT
=
LE -
o
lt
Z.
Bench
= Z ( P
LSE
+ P
LIE
)
Z.desplazamiento (shift) = Z.st - Z.lt
Z =
LSE
LIE
ST (Corto Plazo)
Lt (Largo Plazo) o
ST
o
LT
LE =
T (Objetivo)
(Media)
=
304
Definicin de Z.
BENCH
P
LSE
es la probabilidad de un
defecto relativo a el LSE.
P
LIE
es la probabilidad de un
defecto relativo a el LIE.
P
TOT
es la probabilidad total de
defecto.
P
TOT
= P
LSE
+ P
LIE

Z
bench
es el valor Z de la tabla
normal el cual corresponde al
nmero total de defectos.
ZLIE= 1.34
ZLSE= 1.28
ZBENCH = .88
P
LSE
=10%
P
LIE
=9%
P
TOT
= 19%
Z.
BENCH
es el valor Z de Lnea Base reportado
305
A - Control pobre,
tecnologa inadecuada
B - Debe controlar mejor el
proceso, la tecnologa
es aceptable
C - Buen Control de
Proceso, tecnologa
inadecuada
D - Clase Mundial
A
D
B
C
1 2 3 4 5 6
1.5
1.0
0.5
2.0
2.5
C
O
N
T
R
O
L

malo
bueno
Zshift
ZST
buena mala
TECNOLOGIA
control y tecnologa
306
al graficar nuestro proceso:
A - Control pobre, tecnologa inadecuada
B - Debe controlar mejor el proceso, la tecnologa es aceptable
C - Buen Control de Proceso, tecnologa inadecuada
D - Clase Mundial
Cmo podemos interpretar esta grfica?
A
D
B
C
1 2 3 4 5 6
1.5
1.0
0.5
2.0
2.5
C
O
N
T
R
O
L

malo
bueno
Zshift
ZST
buena mala
TECNOLOGIA
Ud. est aqu
Z.
ST
= 3.52
Z.
SHIFT
= 1.35
307
Anlisis de Rendimiento Combinado de Proceso
PROPOSITO:
En esta seccin nos enfocaremos a cmo analizar datos discretos y
usar el anlisis para planear los pasos siguientes de su proyecto.
OBJ ETIVOS:

1. Explicar los trminos: Rendimiento de Primer Paso (Y
FT
), DPU, DPO, TPO,
Rendimiento Combinado de Proceso (Y
RT
) y Rendimiento Promedio Normalizado
(Y
NA
).

2. Explicar las reglas para contar defectos y oportunidades

3. Explicar el mtodo para calcular Y
NA
y Z.
lt
para un proceso agregado

4. Acondicionar / Efectuar una hoja de trabajo MINITAB para usar con el Anlisis de
Producto Seis Sigma

5. Analizar las salidas de Anlisis de Producto Seis Sigma

6. Identificar los siguientes pasos
308
Datos Discretos
Tipos de Rendimiento:
Rendimiento de Primer Paso o Rendimiento Final (Y
FT
)
Rendimiento Combinado de Proceso (Y
RT
)
Rendimiento Promedio Normalizado (Y
NA
)
Son Datos que pueden describirse por niveles - Los datos
discretos no pueden desmenuzarse en incrementos ms y ms
finos.
El Rendimiento es el tipo ms comn de datos discretos.
309
Componentes de Rendimiento
Oportunidad
Activa Pasiva
Se Cuenta
Sume Toda
otra
categora
como una
oportunidad
Se
Cuenta
cuando
se tiene
No se
cuenta
D
e
f
e
c
t
o
Activo
(vi
uno)
Pasivo
(no
encon-
tr
uno)
cada falla es ocasionada por un
defecto, pero cada defecto no
ocasiona una falla
Oportunidad - cualquier cosa que
puede medirse o probarse
Activa: Una oportunidad para un
defecto que es activamente probada o
revisada
Pasiva: Una oportunidad que puede
existir pero que no est siendo pro-
activamente investigada o probada.
Defecto - cualquier no - conformidad
en un producto.
Activo: Aqul que estuvo
identificado, encontrado y contabilizado
previamente.
Pasivo: Aqul que todava no ha
sido encontrado y que tal vez nunca se
encuentre porque no ha sido buscado.
Unidad - El nmero de unidades
(partes, ensambles o sistemas) que han
pasado la inspeccin o prueba.

310
Defectos por Unidad
DPU = d/u
d es la frecuencia o nmero de defectos observados
u es el nmero de unidades producidas

Ejem: De las 1,000 lavadoras producidas, se detectaron 1,000 no-
conformidades.

Cul es el DPU para esta muestra?
DPU = 1,000/1,000
DPU = 1.0

Esto significa que en PROMEDIO cada unidad de producto manufacturado va
a contener un defecto.
311
defectos por oportunidad
DPO = d/(u*opp)
donde opp es el nmero de oportunidades
NOTA: TOP = Total de Oportunidades = Unidades*oportunidades/unidad
Ejem: De cada 1,000 lavadoras producidas, existen 10 reas iguales de
oportunidad para no-conformidad y 800 no-conformidades detectadas. Cul
es el DPO para esta muestra?
DPO = 800/ [(1,000)(10)]
DPO = 0.08 8%

Esto significa que la probabilidad de una no-conformidad por rea de unidad de
oportunidad es de un 8%. El DPO es una probabilidad, no un promedio.
El DPO es el fundamento para determinar un valor Z
usando datos discretos
312
rendimiento combinado de proceso... una
nueva perspectiva
Dos mtodos para calcular:
Y
RT
= Y
1
x Y
2
x Y
3
......... Y
n

Y
RT
= e
-DPU
(Aproximacin de Poisson)
El Rendimiento Combinado
de Proceso es la
probabilidad de que una
unidad pasar libre de
defecto por cada Paso.
98%
97%
99%
92%
94%
Y
RT
= 81%
Donde:
Y
RT= Rendimiento Combinado de Proceso
Y = Rendimiento de cada paso en el Proceso
e = 2.718 (una constante matemtica)
DPU= Defectos por Unidad
313
Rendimiento Combinado de Proceso
Y
RT

Rendimiento tomado en cada paso (oportunidad) del
proceso
Rendimiento anterior a la Inspeccin o Prueba
Toma en cuenta sobrantes para re-trabajo y desecho
Siempre ser menor que Y
FT
Se enfoca a la calidad de todas las partes/procesos que
componen el producto final

Da la probabilidad de pasar por todos los pasos del
proceso con 0 defectos
Toma en cuenta la complejidad del proceso
Y
RT
= e
-d/u
= Y
1
x Y
2
x.......x Y
n
Rendimiento de Primer Paso
Y
FT
Rendimiento al extremo final del proceso
Rendimiento posterior a la Inspeccin o Prueba
No incluye re-trabajo o desecho
Siempre ser mayor que Y
RT

Solo se enfoca a la calidad del producto o proceso final
Da la probabilidad de pasar solo por un proceso o
ensamble final con 0 defectos
No toma en cuenta la complejidad del proceso
Y
FT
= s/u
Donde s es el nmero de unidades pasadas y

u es el
nmero de unidades probadas
rendimiento combinado de proceso contra
rendimiento de primer paso
314
comparacin de los modelos de rendimiento
Por ejemplo:
Y
FT

Y
RT
e
-DPU

U 100

S 90

e
-1.0
.3679, 37%

.90, 90%
=
=
=
=
=
=
Rendimiento
Combinado
Y.
RT
Rendimiento Previo a Inspeccin o Prueba

Operacin
Retrabajo
Desecho
Verificar
Calidad de Cliente
90%
37%
37% = 90%
...Por qu no?
No est
Bien
DPU=1.0
Rendimiento
de Primera Vez
Y.
FT
Rendimiento Posterior a Inspeccin o Prueba
315
ampliando el concepto
. . . Hay un 98% de probabilidad de que
cualquier unidad dada de producto pueda
pasar por ambas operaciones libre de defecto.
Un proceso dado tiene dos pasos (dos oportunidades para un
defecto). Cada paso tiene un rendimiento de primera vez de 99
por ciento. El Rendimiento Combinado de Proceso es igual a:
99%
99%
98%
Paso 1 Salida Paso 2 x =
Sin Inspeccin o Prueba Sin Inspeccin o Prueba Sin Inspeccin o Prueba

316
.907 X .971 X .963 X .876 X .907 X .828 X .907 X .827 = 42% RENDIMIENTO COMBINADO DE PROCESO
(1996 Actual)
SUB-ASM 1 COMP A&B ABAST. ASM/ T & P
= 1997 Objetivo de Mejora
Qu nos permite hacer el Y
RT
?
Entender el verdadero rendimiento del proceso.
rendimiento combinado de proceso (ejemplo)
TRANSACCIONAL
Proceso de Sist. de Abastecimiento -- 90.7% Rend.
SUB-ASM
SiSTEMA DE ABASTECIMIENTO
92%
Extrusin y Forma
90.7% Rendimiento
Fabricacin/Ensamble
82.8% Rendimiento
PRUEBA Y EMPAQUE
Pintura
96.3% Rend.
Ensamble
87.6% Rendimiento
COMPONENTE B COMPONENTE A
Estampado
90.7% Rend.
ENSAMBLE
Forma combinada-
97.1%Rendimiento
Ensamble, Prueba y Empaque
82.7% de Rendimiento
317
impacto de la complejidad sobre Y
RT
# de Partes (Pasos) 3o 4o 5o 6o

1 93.32% 99.379% 99.9767% 99.99966
7 61.63 95.733 99.839 99.9976
10 50.08 93.96 99.768 99.9966
20 25.08 88.29 99.536 99.9932
40 6.29 77.94 99.074 99.9864
60 1.58 68.81 98.614 99.9796
80 0.40 60.75 98.156 99.9728
100 0.10 53.64 97.70 99.966
150 -- 39.38 96.61 99.949
200 -- 28.77 95.45 99.932
300 -- 15.43 93.26 99.898
400 -- 8.28 91.11 99.864
500 -- 4.44 89.02 99.830
600 -- 2.38 86.97 99.796
700 -- 1.28 84.97 99.762
800 -- 0.69 83.02 99.729
900 -- 0.37 81.11 99.695
1000 -- 0.20 79.24 99.661
1200 -- 0.06 75.88 99.593
3000 -- -- 50.15 98.985
17000 -- -- 0.02 94.384
38000 -- -- -- 87.880
70000 -- -- -- 78.820
150000 -- -- -- 60.000
(Distribucin Desplazada 1.5o)
Capacidad
de Proceso
Complejidad
(conteo de partes o pasos
del proceso)
La capacidad 4o a travs de 100 pasos produce un rendimiento combinado de proceso de
0.99379
100
= 0.53636 53.64%.
Rendimiento
Combinado
Pocos pasos
o partes
siempre
resultarn
con un
rendimiento
ms alto
318
rendimiento
combinado
de proceso
(ejemplo 1)
G. Reamer 12/21/94 - Charlotte NC
Bueno a
la
Primera
Vez
125,526 oportunidades de
partes por milln
desperdiciadas
Y
RT
= .955*.97*.94.4 = 87.4%
94.4% de
Rendimiento
En los Puestos de
Prueba de Primer
Intento 874,474
PPM buenas
De la Operaciones de Maquinado
926,350 PPM buenas
97% de Rendimiento
45,000 ppm
desperdiciadas
Siguiendo la inspeccin de recepcin
y lo sacado de la lnea... 955,000 ppm
buenas
95.5% de Rendimiento
51,876 ppm
desperdiciadas
28,650 ppm
desperdiciadas
Partes recibidas del Proveedor
319
ejemplo: la produccin widget
= Defecto = Oportunidad = Unidad de Producto
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
Copyright 1995 Six Sigma Academy Inc.
320
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
W10.9
naturaleza del problema
1) Los defectos se distribuyen al
azar
2) 60 defectos se detectaron en 60
unidades producidas
3) El defecto por unidad es de 1.0
4) Existen 10 oportunidades por
defecto por unidad de producto
Dados los datos, cul es la
probabilidad de producir
una parte con cero
defectos? (Cero defectos
garantiza que no hay re-
trabajo ni reparacin.)
321
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
= Defect = Opportunity = Unit of Product
.90
.10
Probabilidad de Defecto por Oportunidad (DPO)
defectos por oportunidad
Probabilidad de No Defecto por Oportunidad (1-DPO)
Las Probabilidades de Defecto en Eventos Independientes son multiplicativas
De esta manera, la probabilidad de que cualquier unidad dada de producto tendr cero defectos es de
34.87%, si asumimos una probabilidad igual de defectos en cada etapa y en los eventos independientes
.90 = .34867844
10
(1-DPO)
# opp
=
Parte Widget
Defectos: 60
Produccin: 60 Unidades
322
relacin del rendimiento
combinado de proceso con z
La Z para un proceso responde a la pregunta
Cul es la probabilidad de que la salida de este
proceso rena los requisitos del cliente?

Cmo es calculada la Z ?
99%
99%
98%
323

rendimiento promedio normalizado
Rendimiento Promedio
Normalizado (Y
NA
) = (Y
RT
)
1/Opp

Y
RT
es el Rendimiento
Combinado del Proceso
Opp es el nmero de
oportunidades
-
La Z de
este
proceso es
2.32
Y
RT
= 98% Oportunidades = 2 (2 pasos)

Y
NA
= (Y
RT
)
1/oportunidades
= (.98)
1/2
= .98995

Debido a que la tabla hace lista de Z para p (defectos)
p (defectos) = 1 -.98995 = .01005

(traducir a notacin cientfica y buscar en la Tabla Normal)
(1.005E2) Z = 2.32
99% 99% 98%
324
este es un proceso en serie -
qu dice de un proceso paralelo?
Convierta su proceso paralelo en un Proceso en serie!
Ejem:
99% 97% 98%
Operacin 1
Operacin 2
Operacin 3 Operacin 4
91%
99%
99%
Y2
Y
RT
= Y
1
x Y
2
xY
3
x Y
4
= .99 x ((.91 + .99 + .99)/3)

x .97 x .98
= .99 x .963 x .97 x.98 = .9063

Y
NA
= (Y
RT
)
1/4
= (.9063)
1/4

p (defectos) = 1 - .9756
p (defectos) = .0243 (buscar el valor en la Tabla Normal)
para p(defectos)=2.43E-2, Z = 1.97
_-
Proceso
Alimentador de
Puertas
Blancas Negras Almendra
325
ruta de acceso para calcular el
rendimiento para z
Si tiene datos
DISCRETOS, puede
calcularse Z
usando el
Rendimiento
Promedio
Normalizado (Y
NA
).
NOTA: Para
encontrar Y
NA
,
primero deber
saber el valor del
Rendimiento
Combinado de
Proceso (Y
RT
)
Z.
lt
Y
NA
Y
RT
(Y
RT
)
1/ # de oportunidades
e
-DPU

(Y
FT1
)(Y
FT2
)(Y
FT3
)...
(Rendimiento de Primera
Vez o de Primer Paso)
(Aproximacin
de Poisson)
326
ejemplo de datos discretos
BPO complet un Y
RT

para analizar su proceso.
Bloomington tiene tres lneas
de ensamble las cuales
reciben componentes desde
procesos adicionales. Abajo
se muestra un mapa del
proceso.
Entendiendo que Y
RT

proporciona una idea clara
para ver la oportunidad de
mejora en un rea. Cmo
combinaremos esta
informacin para
caracterizar a la empresa?
Nos enfocaremos en analizar la Lnea de Ensamble Sur.
Los datos para este proceso se encuentran en:bporolup.mtw.
CG Case
Y
RT
=49.89%
C83 Laydown
Y
RT
=96.79%
Sealed Sys.
Y
RT
=94.04%
C84 Assy
Y
RT
=94.68%
C85 Assy
Y
RT
=97.12
C86 Assy
Y
RT
=98.79
C87 Assy
Y
RT
=95.74%
Door Assy
Y
RT
=57.35%
Plastics
Y
RT
=80%
C90 Test
97.71%
C91 Pre-pack
Y
RT
= 93.16%
C98 Test
Y
RT
=76.58%
C96 Assy
Y
RT
=74.23%
C94
Laydown
Y
RT
=99.66%
Door Assy
Y
RT
=75.12%
Plastics
Y
RT
=80.00%
CG Case
Y
RT
=49.89%
Sealed Sys.
Y
RT
=94.04%
C98 Test
Y
RT
=76.58%
C97 Assy
Y
RT
=62.58%
C94
Laydown
Y
RT
=99.66%
Door Assy
Y
RT
=45.04%
Plastics
Y
RT
=80.00%
NG Case
Y
RT
=31.72%
Sealed Sys.
Y
RT
=94.04%
South Assy
New Gen Assy
North 1 Assy
Current
generation
South Assembly
Y
RT
= 16.49%
New
generation
North 2
Assembly
Y
RT
=5.13%
Current
generation
North 1
Assembly
Y
RT
=15.97%
327

Puertas
Y
RT
= .959* .95* .9652* .9203* .9644* .7348 = .5735
Y
NA
= .5735
1/6
= 91.15%
Gabinete

Y
RT
= .994* .9963* .5038 = .4989
Y
NA
= .4989
1/3
= 79.31%

Sistemas de Sellado Lado Alto

Y
RT
= .996* .9957 = .9917
Y
NA
= .9917
1/2
= 99.58%
Sistemas de Sellado Lado Bajo

Y
RT
= .978* .9912* .9782 = .9483
Y
NA
= .9483
1/3
= 98.26%
C83 Acomodo
de Base
Rend.= 96.79
Prueba de Fuga
Fina
Lado Alto
Rend. = 99.57
Prueba de Fuga
Gruesa
Lado Alto
Rend.=99.6
Prueba de Fuga
de Lado Bajo
Rend.= 97.8
Evaporador
Lado Bajo
Rend.= 97.82
Envoltura de
Lado Bajo
Rend.= 99.12
C91 Pre-
empaque
Rend.= 93.16
C90 Prueba
Rend.= 97.71
C87 Ensamble
Rend.= 95.74
C86 Ensamble
Rend.= 98.79
C85 Ensamble
Rend.= 97.12
C84 Ensamble
Rend.= 94.68
Post-
Espumado
Rend.= 50.38
Fabricacin
de Liner
Rend.= 99.63
Fabricacin de
Gabinete
Rend.= 99.4
Plsticos
Rend.= 80.0
Fabricacin
de Puerta
Rend.= 95.9
Pintura de Puerta
Rend.= 95.0
Espumado
de Puerta
Rend.= 96.52
Puerta Interior
Rend.= 92.03
Sub-ensamble
de Receso
Rend.= 96.44
Ensamble
de Puerta
Rend.= 73.48
ejemplo: lnea
sur de
bloomington
Y
NA
permite comparar
reas de complejidad
variada
y sealar las reas en
las cuales enfocar
recursos:
Gabinetes y Plsticos
328
conceptos clave
anlisis de datos discretos
Defecto: Cualquier no-conformidad en un producto.
Unidad: Una cantidad definida por el usuario que representa la salida de un proceso.
Oportunidad: cualquier cosa que se mide o se prueba; una parte, una operacin, etc.
Y
FT:
(Rendimiento de Primer Paso): Nmero de unidades buenas (pasadas por vez primera en el proceso) dividido
entre el nmero total de unidades.
Y
RT
(Rendimiento Combinado de Proceso): Probabilidad de que una unidad pase libre de defectos a travs de cada
paso del proceso.
Y
NA:
(Rendimiento Promedio Normalizado): Es el rendimiento promedio de cualquier paso en el proceso. Este
rendimiento se usa para caracterizar un proceso usando el resultado Z.
Minitab crear el Product Report (Reporte de Producto) para proporcionar valores Z
Bench
individuales y agregados
y otras grficas, incluyendo la 4-bloques
Comprometa al Equipo de Soporte Tcnico para evaluar el Product Report
Identificar caractersticas y oportunidades
Revisar los resultados
Refinar la declaracin prctica del problema
329
apliquemos el poder de minitab
MINITAB calcular Z
Bench
y proporcionar grficas usando la siguiente informacin:
Caractersticas: El elemento o parte del proceso de donde provienen estos datos relativos al artculo de lnea.
(es decir, C.G. Case; Sealed Systems)
Defectos: Conteo de todos los defectos encontrados.
Unidades: Nmero de unidades incluidas en la muestra para la caracterstica.
Oportunidades: El nmero de oportunidades identificadas para la caracterstica. Este puede incluir el nmero de
procesos y/o el nmero de componentes en un sub-ensamble.
Nota: El valor por default de Z
shift
es 1.5. Puede introducirse una columna de valores Z
shift
, si se desea (es opcional). Por
ejemplo, podra querer usar un conjunto de valores Z
Shift
derivados del Reporte de Proceso Seis Sigma.
330
crear un reporte de anlisis de producto
Product Report se usa para hacer Lnea Base de datos discretos
Six Sigma>Product Report
(Nota: para este ejercicio,introducir 0 a la caja
Shift Factors)
331
Z
Bench
Acumulada

(a largo plazo)
Total
C91
C90
C87
C86
C85
C84
C83
Plastics
Door Assy South
Sealed System
CG Case
Characteristic
2.978
2.988
3.498
3.222
3.754
3.399
3.114
3.350
2.342
2.876
3.752
2.460
ZBench
1.500
1.500
1.500
1.500
1.500
1.500
1.500
1.500
1.500
1.500
1.500
1.500
ZShift
69692
68431
22856
42575
12111
28798
53229
32130
199997
84384
12177
168638
PPM
0.069692
0.068431
0.022856
0.042575
0.012111
0.028798
0.053229
0.032130
0.199997
0.084384
0.012177
0.168638
DPO
0.068
0.023
0.043
0.012
0.029
0.053
0.032
0.200
0.084
0.012
0.169
DPU
1465992
66636
66636
66636
66636
66636
66636
66636
66636
399816
333180
199908
TotOpps
1
1
1
1
1
1
1
1
1
1
1
Opps
66636
66636
66636
66636
66636
66636
66636
66636
399816
333180
199908
Units
102168
4560
1523
2837
807
1919
3547
2141
13327
33738
4057
33712
Defs
Report 7: Product Performance
p(d)= Probabilidad de una
unidad defectuosa al final
de la lnea (YNA= 1-p(d))
Nota: Los
Reportes 7 y 8
son creados
por el Product
Report de
Minitab.
rendimiento combinado de producto
El reporte de
producto genera
un valor Z
bench

individual para
cada
caracterstica. Se
calcula un valor
Z
bench
acumulado
para el producto
total.
Nota: Minitab acumula la razn de defectos y oportunidades que comprende la
Y
RT,
y la suma de ellas. As que, DPO se usa para encontrar Z
Bench
para
cada componente individual y el total.
332
benchmarks de producto
El Reporte 8A proporciona:
La relacin grfica entre Z
Bench
y las ppm
100 0000
10000 0
10 000
1000
1 00
10
1
6 5 4 3 2 1 0
Z.Bench (Short-Term)
PPM
Report 8A: Product Benchmarks
333
benchmarks de producto
El Reporte 8B proporciona:
La grfica 4-bloques Automatizada de tus datos.
Los tipos de mejoras requeridas (tecnologa contra control) para las caractersticas individuales o pasos del
proceso.
Nota: En este reporte hemos identificado un Z
shift
(opcional)=0, as que todos los artculos de proceso se muestran con una de Z
shift
=0. Si no hay
un Z
shift
identificado, por previsto se convierte en un Z
shift
de 1.5.
Si puedes capturar datos del proceso de tal forma que puedas identificar Z
shift
, registra la actual Z
shift
usando una columna de la hoja de
trabajo Minitab e identifica la ubicacin de datos desplazados en la caja de dilogo de Reporte de Producto.
Zone of Average
Technology
Zone of
Typical
Control
3.0
2.5
2.0
1.5
1.0
0.5
0.0
6 5 4 3 2 1 0
Z.Shift
Z.Bench (Short-Term)
World-Class
Performance
Report 8B: Product Benchmarks
334
Funcin de transferencia
Min/max
Raz de Suma de
Cuadrados
Anlisis con Derivadas
Parciales
Simulacin
definir medir analizar mejorar controlar
Variables continuas
Normalidad (distribucin)
Igualdad de Varianza
(linealidad de escala)
Pruebas de medias (t,
ANOVA)
Variables discretas
Pruebas e intervalos de
confianza de proporciones
(normal, poisson, binomial)
Tablas de contingencia (_
2
)
Bsqueda progresiva
Bsqueda de componentes
Comparacin de pares
Experimentacin activa
Diseos factoriales de
escrutinio
Diseos factoriales
completos
analizar
(encontrar las xs)
anlisis de
tolerancias
conjeturas e
hiptesis
exploracin
activa
entregables:
anlisis estadstico de la significancia
de las variables xs respecto a y.
un diagrama causa efecto delineando
la relacin x-y
la causa raz del problema
un delineamiento de las reas de
mejora a atacar
Entendimiento de la distribucin del
proceso
335
propsito:
en esta seccin, nos enfocaremos a la aplicacin de los mtodos seis sigma
para ensamble de partes o procesos. desarrollaremos un diseo 6 sigma
(z.lt= 4.5) y las tolerancias adecuadas que son los conceptos clave de esta
seccin.
suponemos que la relacin y = f(x), llamada funcin de transferencia ya es
conocida, no necesitamos construir la funcin
objetivos:
conocer los beneficios de establecer tolerancias
correctas
entender la diferencia entre los diferentes mtodos de
anlisis y cuando usarlos.
saber dnde encontrar ms informacin de los
diferentes mtodos.
Anlisis de Tolerancia
336
El Anlisis de Tolerancia es un componente crtico de un Diseo Robusto
DISEO ROBUSTO
EXPECTATIVA
DEL CONSUMIDOR
(Entender los requerimientos y la
meta)
ENTENDER LA
RELACION Y-Xs
(Funcin de transferencia)
ENTENDER LAS Xs
(Capacidad de
Procesos)
definicin de webster:
La cantidad por la cual la dimensin de una parte o de un
componente puede permitrsele que vare del valor
nominal o de diseo.
aplicacin en el diseo:
ANALISIS DE TOLERANCIAS (Tolerancias bien defindas)
0. introduccin. qu es la tolerancia?
337
Beneficios de tener Tolerancias
Buenas

Mejora el ajuste y el
funcionamiento

Anlisis de Sensibilidad de los
diseos por adelantado
(Diseo Robusto)

Mejor comprensin de la
capacidad del equipo y los
requerimientos

Menos repeticiones de
herramentales
Implicaciones de tener
Tolerancias Pobres

Difcil de cumplir con los
requerimientos del equipo o las
partes

Causa demoras en programas
debido al re-diseo del producto
y equipo

Prdida de participacin en el
mercado debido a la mala calidad
y la entrada tarda al mismo

Aumenta los costos a la empresa
(desperdicio, re-trabajo, re-
disear, re-hacer herramentales,
etc...)

Una pobre comprensin de tu sistema equivale a un mal diseo.
por qu hacer anlisis de tolerancia?
338
aplicacin del anlisis de tolerancias en el diseo
Use el Anlisis de Tolerancia para:

Establecer sistemas bsicos de diseo.

Disear para requerimientos del cliente.

Comprender los contribuyentes claves a la variabilidad del
sistema.

Definir la sensibilidad del diseo en conjunto.

El anlisis de tolerancias no es lo nico que necesitas para el
anlisis de un diseo.
339
tipos de anlisis de tolerancia
1. Dimensiones Nominales / Meta (Objetivo) :
Determinan el rendimiento del producto o el ensamble bajo condiciones ideales.
Proveen la lnea base de la cual se pueden considerar variaciones para anlisis de
sensibilidad.

2. Peor de los casos (min/max):
Asegura que las tolerancias extremas en las entradas, producen un resultado
dentro de especificacin de la salida.

3. Raz de la suma de cuadrados (RSC):
Usa la capacidad de proceso de las partes para calcular la capacidad de proceso del
sistema.

4. Derivadas Parciales:
Calcula la capacidad del sistema con base en un anlisis de sensibilidad entre la Y y
sus Xs. (Muy til en relaciones no lineales)

5. Simulacin (Crystal Ball, etc):
Calcula la capacidad del sistema creando un ensamble virtual basado en la
informacin de los procesos de las partes y la funcin de transferencia
340
1) Tolerancia acumulada Mn/Mx
basada en los peores casos de
tolerancia de dibujo

2) RSC (Raz de Suma de Cuadrados)
utiliza tolerancias individuales de
dibujo

3) RSC (Raz de Suma de Cuadrados)
utiliza la capacidad del proceso
TIPOS BENEFICIOS RIESGOS
No se basa en los datos
Generalmente exagera
la tolerancia
El proceso puede no
proveer partes dentro de
la tolerancia
Es sencilla
No requiere recopilar datos
Si las partes estn dentro de la
tolerancia, se ajustarn
No se basa en los datos
Puede minimizar o
exagerar la tolerancia
Es sencilla
No requiere recopilar datos
Reduce la tolerancia contra
min/max
Basada en los datos
representativos del proceso
Da la probabilidad de un
requerimiento de cliente (cue)
aceptable
Optimiza las tolerancias
Debe recopilar datos
representativos
Se debe usar RSC con datos del proceso
Peor de los casos vs. RSC
341
Nominales Requerimiento o
partes
Anlisis de claro Tolerancias
Tcnico o
sistema
y
Nominales
Nominales Tolerancias Requerimientos
Tcnicos

Debemos establecer tolerancias del sistema antes de
determinar las tolerancias de partes
Especificacin
de parte
Enfoque tradicional (Mn/Mx)

Diseo
Preliminar
Especificacin
de parte
Especificacin
de Sistema
Enfoque Seis Sigma (RSC)

Diseo
Preliminar
Especificacin
de Sistema
Capacidad
de Sistema
Capacidad
de parte
Peor de los casos vs. RSC
342
APLICACIN MTODO
Relacionado con seguridad. Min/Max + Anlisis estadstico
Relaciones lineales RSC
Relaciones no-lineales y distribucin normal. Derivadas Parciales
Cualquier situacin ms complicada a las de
arriba.
Simulacin.
Se sugiere utilizar la hoja de excel Analysis.xls para
RSC y derivadas parciales.
Mtodo comn segn la aplicacin
343

Conceptos Clave: Anlisis de Tolerancia
Las tolerancias adecuadas son crticas para un diseo robusto y bueno
El Anlisis de Tolerancia se aplica a los SISTEMAS de partes o procesos
Las tolerancias RSC se generan de datos de procesos actuales y deben usarse
para el diseo final del sistema
Z.benchlargo plazo es la meta del diseo; Z.bench representa la Z global del
proceso.
El Anlisis de Tolerancia Lineal se usa para acumular tolerancias sobre
elementos aditivos de un sistema
El Anlisis de Tolerancia No-Lineal (Simulacin Monte Carlo) se utiliza cuando
las relaciones entre los elementos de un sistema no son aditivos
Los diagramas de vectores son una importante herramienta grfica para
comprender las relaciones fsicas entre elementos de un sistema
La hoja de clculo de Anlisis de Tolerancia (Analysis.xls) es una herramienta
que se puede usar con relaciones lineales y no lineales.
Derivadas Parciales nos ayuda a calcular los coeficientes de sensibilidad del
diseo.
344
LIE LSE
Lenguaje Comn:

T
o
LSE
LIE
Z
LSE
Z
LIE
Desviacin Estndar
de la distribucin
Media de la distribucin
Especificacin Objetivo
Lmite Superior de
Especificacin
Lmite Inferior de
Especificacin
Nmero de Desviaciones
Estndar entre T o y los
lmites de especificacin
1. Antecedentes Estadsticos
1o
T

345

Ejemplo:

= 10 o = 2.24

Z para X= 5 menos es Z = = -2.23

Z para X= 18 ms es Z = = 3.57

Z =
x -
o
Valor de Z :

Cambia todas las distribuciones normales a una distribucin normal estndar. La
distribucin normal estndar tiene = 0, o = 1 y rea bajo la curva = 1.
Esto nos permite buscar los valores en una tabla normal estndar para
encontrar la probabilidad de un defecto.
18 - 10
2.24
5 - 10
2.24
z = -2.23
10
1.29x10
-2
1.29%
5
z = 3.57
18
1.79x10
-4
=
0.0179%
X representa el valor medido.
Z es el nmero de desviaciones estndar entre x y .
Estadstica Descriptiva - Z
346
La Meta es Z
bench
= 4.5 y
Z
LSE
y Z
LIE
= 4.65
para lograr 3.4
defectos/milln
Definicin mabe de Capacidad Seis Sigma

Z
LSE
= Z
LIE
= 4.5
No resultan en 3.4 ppm total

Z
bench
= 4.5 Resulta en 3.4
ppm total
Z
LSE
= Z
LIE
= 4.65

Largo PLazo
3.4
ppm
4.5o
4.5o
4.65o 4.65o
3.4 defectos/milln Largo Plazo. . . . . . . . . . . . . . . .
.
(En realidad 6.8 ppm total)
1.7 ppm 1.7 ppm
3.4
ppm
347
2. Anlisis Peor de los Casos (Min/Max)
1. Determine el CTQ del cliente.
2. Determine la funcin de transferencia Y-Xs.
3. Entienda las tolerancias de las partes.
4. Calcule el valor nominal para el sistema (Y) usando los
valores nominales de las partes (Xs).
5. Calcule el extremo inferior de la Y usando los extremos de
las Xs y la funcin.
6. Calcule el extremo superior de la Y usando los extremos de
las Xs y la funcin.
7. Compare el resultado con las especificaciones del sistema
segn el cliente y ajuste tolerancias.
348
Ejemplo de Bloque:
CTQ del Cliente: Claro de ensamble.

Rango de aceptacin del cliente:
LIE=0.0 LSE=0.2

Relacin Y-Xs: claro = A - (B1 + B2)

Tolerancias actuales:
B1 B2
A
claro
A = 3.15 +/- 0.08
B1 = 2.10 +/- 0.05
B2 = 1.01 +/- 0.05
Anlisis de Min/Max
Nominal= 3.15-(2.10+1.01)= 0.04
Superior= 3.23-(2.05+0.96)= 0.22
Inferior= 3.07-(2.15+1.06)= -0.14
Se puede ver que no se cumple con el cliente. Al ajustar tolerancias quedaran tolerancias
de +/- 0.01 para poder cumplir ambos lados de la especificacin.
349

RSC - Raz de la suma de cuadrados es una tcnica para
estimar la varianza de la respuesa (Sistema).

Y = f(X
1
, X
2
, X
3
,........X
n
)

S
2
y
= f(S
2
1
, S
2
2
, S
2
3
,.......S
2
n
) donde S
2
y es
la varianza de Y.

S
y
= raz(S
2
1
+S
2
2
+S
2
3
+......S
2
n
) donde S
1
,S
2
,S
3
,...S
n
son
las desviaciones estndar de cada componente del sistema.

VENTAJAS: Fcil de usar, buen estimador de la varianza
del sistema si se usa correctamente.

DESVENTAJAS: Solo sirve para relaciones lineales.
3. Anlisis con RSC
350
Note que sumamos las varianzas, no las desviaciones estndar.
Para ms de dos partes use:

Recordando la estadstica
Ecuaciones para el promedio y la desviacin estndar de funciones de variables
aleatorias si las dimensiones de las dos partes son independientes:

o
\
o
2
o
2

x + y =
x +
y
Ecuacin de la Raz de Suma de Cuadrados :
Sumando y Restando:

o
o

x+y =

x
+

y
Media de (X + Y)
x-y =

x
-

y
Media de (X - Y)
x+y =
2
x y
o
2
+ o
2

Varianza de (X + Y)
2
x-y
o

2
x
+

o

2
y

Varianza de (X - Y)
=
o o
2
i
X i
X
351
Ejemplos de Tolerancias Lineales
Ejemplo 1: Variacin de 2 partes apiladas
Las partes 1 y 2 vienen de diferentes proveedores y se acomodan en pares
al azar, as que son independientes.

parte 2
parte 1
Si los datos a largo plazo no estn disponibles,
la o
claro
a largo plazo puede estimarse incrementando la o a corto
plazo por un factor de 1.3.

2
o
2
= 2.100 o = .008
1
= 1.010
1
= .005
c.p.
c.p.
352

Ejemplo 1: Variacin de 2 partes apiladas (Cont.)
Los lmites 6o son 3.110 +/- (4.65 * .0123) = (3.053, 3.167)
1+2
es el promedio de altura de las partes apiladas
1+2
=
1
+
2
= 1.010 + 2.100
o
1+2
es la desviacin estndar de las partes apiladas

1+2
=

3.110
= .0094
o
1+2
= .0123
o
1+2
= \ (o
1
2
+ o
2
2
)
o
1+2
= \ (.005
2
+ .008
2
)
o
1+2
= \ (.0065
2
+ .0104
2
)
o
1+2
CORTO PLAZO LARGO PLAZO
353

Ejemplo 2: Ajustar dentro de una apertura
Supongamos que estas 2 partes usadas en el ejemplo 1 deben quedar
ajustadas a una apertura.
La apertura tiene un promedio de espacio abierto (
a
) de 3.150 y una
desviacin estndar (o
a
) de .012.

Existe una interferencia si el espacio abierto es ms pequeo que lo
apilado; es decir, si el claro es menor que 0.0.

El promedio de Margen de Apertura (
CLARO
):

a
-
1+2
= 3.150 - 3.110 = 0.040.

La desviacin estndar del Margen de Apertura (o
CLARO
) ser:
y Z
CLARO
= (0 - .040 )/ .015 = -2.67 a corto plazo (Recuerde : Z = (x-)/o, x=0)
De una tabla normal, encontramos que la probabilidad de interferencia es alrededor
de .38%. (El rea a la izquierda de cero es .38%.)

\(.012
2
\o
a
2
+ o
2
1+2
=
+ .0094
2
) = .015
354

Ejemplo 2: Ajustar dentro de una apertura - Continuacin
Distribucin del Margen de Apertura
Margen de Apertura
5
10
15
20
25
30
-0.01 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.38% no se ajustar a corto plazo... no es un diseo 6o
0.38%
355

Ejercicio en Clase 2: Ajustar en
una apertura

1+2
= 0.5915

o
1+2
= 0.004123

Las partes 1 y 2 del ejercicio anterior deben ajustarse a una apertura.
La apertura tiene
a
= .6150 y o
a
= .0020.

I. Calcular la media y la desviacin estndar del claro.
II. Dibujar una grfica de la distribucin del claro.
III. Encontrar los lmites 6o para el claro de las 2 partes.
356
Tolerancias Mn/Mx contra RSC
Cundo usarlas?
Use Mn/Mx como una primera estimacin aproximada solamente
Use RSC para desarrollar el diseo final del sistema
Usar el anlsis RSC cuando datos reales
del proceso real estn recopilados y antes
de que el diseo sea liberado para fabricar
sus herramentales.

RSC determina la probabilidad de un
defecto en el sistema basado en la
variacin de las partes. Las tolerancias
resultantes sern menos severas que en
Mn/Mx. Un diseo 6o basado en RSC
resultar con 3.4 defectos por milln.
Usar el apilado de Mn/Mx durante
las etapas iniciales de un diseo antes
de que datos de proceso similares
estn disponibles.

Mn/Mx es mucho muy
conservador. Considera la situacin
en donde todas las partes estn en
sus extremos. Esto es poco probable
que ocurra.
Mn/Mx RSC
357
Dimensiones Correlacionadas

Si las dimensiones estn correlacionadas, el clculo RSC es diferente
A
B
D
C
D = A - B - C
A y B estn en la misma pieza
Las piezas con A grande tienden a tener B grande
A y B estn positivamente correlacionadas (no independientes)
D es el claro que nos interesa.
o
A-B
=
o
2
A
+ o
2
B
Nota:
358
Ecuaciones para el promedio y la desviacin estndar de funciones de variables aleatorias:
Sumando y Restando:

o
o

x+y =

x
+

y
Media de (X + Y)
x-y =

x
-

y
Media de (X - Y)
x+y =
2
x y
o
2
+ o
2
+ 2 cov(x, y)
Varianza de (X + Y)
2
x-y
o

2
x
+

o

2
y
-

2 cov(x, y)
Varianza de (X - Y)
=
Ecuacin de la Raz de Suma de Cuadrados :

o
x+y
= \o
2
x
+ o
2
y

+ 2 cov (x,y)

o
x-y
= \o
2
x
+ o
2
y
- 2 cov (x,y)
359
Dimensiones Correlacionadas implican covarianza
Cov(x, y) es una medida de asociacin entre 2 variables, x y y.
Cov(x, y) = * o
x
* o
y
donde es el coeficiente de correlacin:
est entre -1 y 1.
= 0 indica no relacin.
= 1 si todos los puntos caen en una lnea con pendiente positiva.
= -1si todos los puntos caen en una lnea con pendiente negativa.
r (una estimacin de ) puede calcularse de los datos con Minitab.
En una lnea de comando: MTB> corr c1 c2
De los mens descendientes: stat> basic statistics> correlation
r puede calcularse en Excel con la funcin Correl.
Siempre haga una grfica de dispersin cuando calcule el coeficiente de correlacin para ver si
la relacin es lineal y para ver si la relacin se debe principalmente a 1 2 valores extremos.
Grafique sus datos!
360
Las grficas siguientes proporcionan ejemplos de covarianza y correlacin:

Ecuacin para el coeficiente de correlacin muestral:
r = 0
98
98.5
99
99.5
100
100.5
101
101.5
102
102.5
98.5 99 99.5 100 100.5 101 101.5 102
r = 1
98
98.5
99
99.5
100
100.5
101
101.5
102
102.5
98 99 100 101 102 103
r = -1
97.5
98
98.5
99
99.5
100
100.5
101
101.5
102
98 99 100 101 102 103
r = .5
98
98.5
99
99.5
100
100.5
101
101.5
102
102.5
97 98 99 100 101 102 103 104 105
] ) ( [ * ] ) ( [
)] ( * ) [(
2 2
Y X
Y Y X
r
Y X
X
i i
i
i

=
361
dimensiones correlacionadas
ejemplo de correlacin

los bloques se producen por extrusin al mismo
tiempo, as que se espera una correlacin en lo ancho.
despus de que se recopilaron los datos, se not un
factor de correlacin de +.71. dado esto, calcular o de
la suma de los 2 bloques.

1

2
12
= .71
362
Ejemplo: Al apilar 2 bloques que estn correlacionados
2
= 2.100 o
2
= .008
1
= 1.010 o
1
= .005

12
= .71 COV
12
=
12
* o
1
* o
2
= .71 * .005 * .008 = .0000284

1+2
=
1
+
2
= 2.100 + 1.010
= 3.110

o
1+2
2
= o
1
2
+ o
2
2
+ 2 COV
12

= .005
2
+ .008
2
+ (2 * .0000284)

= .0001458

o
1+2
= \.0001458

o
1+2
= .0121

Esto fue .0094 cuando eran independientes
}
del ejemplo 1
363
poner atencin a las
correlaciones

las correlaciones son grandes
(cercanas a -1 o +1)

pocas partes en la pila

las dimensiones involucradas
con correlaciones son
contribuidores mayores a la
variacin total
ignorar las correlaciones

las correlaciones son pequeas
(cercanas a cero)

muchas partes en la pila, con
pocas correlaciones no-cero

las dimensiones involucradas
con correlaciones no son
contribuyentes mayores a la
variacin
Cundo son importantes las correlaciones?
364

Diagramas de Vectores
Para qu se usan?

Para mostrar grficamente las relaciones de
mltiples partes en un sistema que resulta en
un requerimiento tcnico en trminos de claro
o interferencia.
3.3 Diagrama de Vectores
365

Definir el requerimiento tcnico antes de desarrollar el
diagrama de vectores
cmo determinar tolerancias
- diagrama de vectores
pasos para desarrollar un diagrama de vectores:
1. generar un dibujo del ensamble. un dibujo a mano es todo lo
que se requiere.
2. identifique el claro en la condicin crtica.
3. seleccionar un datum o punto desde donde inicie su diagrama.
(esta referencia puede ser uno de los lados del claro o puede
ser una referencia de diseo o una que utilice manufactura).
4. usar las dimensiones del dibujo como vectores para conectar
los dos lados del claro.
5. asignarle un smbolo convencional (+/-) a los vectores.
nota: si el ensamble ya se produce, se deben usar los planos como referencia para el datum y
cmo estn acotadas cada una de las dimensiones del dibujo para determinar los
vectores.
366
Cmo determinar tolerancias
- Diagrama de Vectores
trabajo con vectores
asignar un vector positivo (+) cuando

un incremento en la dimensin incrementa el claro.

asignar un vector negativo (-) cuando

un incremento en la dimensin reduce el claro.
367

ejemplo 1: paso 1 - generar un dibujo
paso 2 - identificar el claro
claro
368

ejemplo 1: paso 3 - seleccionar el datum
paso 4 - crear los vectores
paso 5 - asignar signos
Datum
A
B1 B4 B3 B2
+
-
claro
+
- - - -
Punto de Inicio
369

A
B1 B4 B3 B2
claro
Ejemplo 1:

Diagrama de vectores
apertura
derecha
apertura
izquierda
ancho de
bloque 1
ancho de
bloque 2
ancho de
bloque 3
ancho de
bloque 4
claro = A - B1 - B2 - B3 - B4
Datum
+
- - - -
punto de inicio
+
-
370
Ejemplo de Aplicacin :

Requerimiento del Cliente: El producto debe entregarse a
tiempo.

Requerimiento Tcnico : Proveer al cliente con la fecha correcta
de entrega.
Orden Crdito Logistica
Programa
ADC
Carga Salida Trnsito Claro
Orden Puesta Entrega esperada
Tiempo de entrega
Claro = Tiempo de entrega comunicado - Orden - Crdito - Logstica
- Programa ADC - Carga - Salida - Trnsito
Existen correlaciones?
371

paso #1
definir el requerimiento del cliente y el requerimiento tcnico que
necesitamos para satisfacerlo.
1 2 3 4
claro
requerimiento del cliente: los bloques no deben sonar ni interferir con la
apertura.
requerimientos tcnicos: el claro debe tener
t = .011, lie = .001, y lse = .021

paso #2
definir las dimensiones del objetivo (nuevos diseos) o media de proceso
(diseos existentes) para todas las partes que se ensamblan.
Ejemplos de Clculos Manuales
372

Paso #3 Recopilar datos de capacidad de proceso.
Usar datos de partes actuales o similares para calcular SC de los mximos
contribuyentes.
Puede usar datos de expertos para los contribuidores pequeos.
NO calcular o de tolerancias actuales.
.001
Requerimientos del claro :
LSE = .021
LIE = .001
T = .011
Caractersticas de parte :
Bloques
Apertura
4.976
1.24 .001
Entrada de Proceso
Desviacin
Estndar a
corto plazo (o)
Promedio()
Ejemplo de Clculo Manual
373

Paso #4
Desarrollar el Diagrama.
Paso #5
Calcular claro nominal :
claro Nominal = 4.976 - 1.24 - 1.24 - 1.24 - 1.24 = 0.016
claro
= 0.016
Punto de
inicio
(-) (-) (-) (-)
+
claro
Bloque
1
Bloque
2
Bloque
3
Bloque
4
claro
apertura
izquierda
apertura
derecha
- Ejemplo de Clculo Manual
374
- Ejemplo de Clculo Manual
Paso #6
Calcular la Raz de Suma de Cuadrados a corto plazo del claro.
RSC = \(.001)
2
+ (.001)
2
+ (.001)
2
+ (.001)
2
+(.001)
2
o
claro
= 0 .00224 (a corto plazo)
Paso #7
Calcular la Raz de Suma de Cuadrados a largo plazo del claro.
Si los datos no estn disponibles, la o
claro
a largo plazo puede estimarse
incrementando la o
partes
a corto plazo por un factor de 1.3.
Reunir los datos actuales cuando fuere posible.

o
bloques
= (1.3) (0.001) = 0.0013 (a largo plazo)
o
claro
= 0.00291 (a largo plazo)
o
claro
= \ (.0013)
2
+ (.0013)
2
+ (.0013)
2
+ (.0013)
2
+ (.0013)
2
o
aper
o
b1
o
b2
o
b3
o
b4
375
Cmo determinar tolerancias -
Paso 8:
Ahora podemos calcular Z para nuestro caso de Lnea Base:
Valores
a largo
plazo:
o
LT
claro
- LIE
Z
LIE
=
P
TOT
= (PLSE + PLIE)
P
TOT
= (0.0427 + 0.000000131) = (0.04270013)

Buscar Z
BENCH
para total de defectos usando la tabla normal:
Z.
BENCH

LT
= 1.72
Z
LSE
= 1.72
.021 - .016
.00291
Z
LSE
= LSE -
claro
o
LT
PLSE = 0.0427
Z
LIE
= 5.15
.016 - .001
.00291
PLIE = 0.000000131
376
Cmo determinar tolerancias -
.011 - .001
.00224
Z
LIE
= 4.46
o
ST
T - LIE
Z
LIE
=
Z
LSE
= 4.46
.021 - .011
.00224
Z
LSE
= LSE - T
o
ST
PLSE = .00000416
PLIE = .00000416
Valores
a corto
plazo:
P
TOT
= (PLSE + PLIE)
P
TOT
= (.00000416 + .00000416) = (.00000832)

Buscar Z
BENCH
par total de defectos usando la tabla normal:
Z.
BENCH

ST
= 4.305
377
Abril el archivo de Excel: Analysis.xls
Realice este ejercicio en clase. Sugiera cambios para mejorar la Z.
ahora vamos a hacerlo con la hoja de
clculo de tolerancia de berryman.
378
(hoja de clculo excel: analysis.xls)
Una posible solucin es:
1) Incrementar los bloques a 1.241
2) Negociar el LSE a 0.025
3) Cambiar de material a uno que de una s = 0.008 en 3 de los 4
bloques.
Se obtuvo una Zlt = 4.51, muy bien!!! Ahora
cul dimensin ser un CTQ?
Statistical Design Analysis Spreadsheet
Response Description: Anlisis de tolerancias Analyst: Ricardo Trejo Date: 01-May-02
Analysis Table
Variable Information Tolerance Dist. Type % Cont.
Factor Short or % or Normal or to o Sensitivity
Description Mean
Long Term
Std Dev Lower Upper
Actual Uniform
Response Coef. DPU Z
LT
A 4.977 s 0.0010 A N 25.51% 1 0.000E+00 N/A
B1 1.241 s 0.0010 A N 25.51% -1 0.000E+00 N/A
B2 1.241 s 0.0008 A N 16.33% -1 0.000E+00 N/A
B3 1.241 s 0.0008 A N 16.33% -1 0.000E+00 N/A
B4 1.241 s 0.0008 A N 16.33% -1 0.000E+00 N/A
Mean Response 0.013
Response Upper Spec Limit 0.025
Response Lower Spec Limit 0.001
Summary Table
Response Components
Worst Case Limits
Mean Std Dev DPU ZLT Lower Upper DPU ZLT
0.013 0.002574 3.200E-06 4.51 -0.0068 0.013 ######## Rev: GEA 9/1/98 B.Mallory
Dr. Maurice L. Berryman, 1996. All rights reserved.
Calc
Sensitivities
Clear
Sensitivities
Hide
Rows
Unhide
Rows
Hoja de Clculo de Tolerancia
379

Imagina un sistema cuya funcin de transferencia no es
lineal Y = f(X
1
, X
2
, ....) pero conocida y que conoces la
media y la varianza de cada X involucrada.

La desviacin estndar de Y se estima con la expansin
de Taylor:

Estos clculos se hacen en la hoja de Berryman
2
2
2
2
2
1
2 1
x x Y
S
x
Y
S
x
Y
S
|
|
.
|
\
|
c
c
+
|
|
.
|
\
|
c
c
=
La derivada de Y respecto a X es evaluada en los
valores medios , se eleva al cuadrado y se multiplica
por la varianza de la X correspondiente, esto se hace
para cada X y finalmente se suman todas
4. Derivadas Parciales
(Anlisis de sensibilidad)
380

ejemplo: un sistema con variables x
1
y x
2
y funcin de transferencia
y = x
1
+2x
2
+0.5(x
*
x
2
).
x1
= 0; o
x1
=3.2;
x2
= 0; o
x2
=1.6 lse
y
= 10
al obtener la derivada de y con respecto a x
1
es igual a (1+0.5x
2
)
2
o
2
x1
.
al obtener la derivada de y con respecto a x
2
es igual a (2+0.5x
1
)
2
o
2
x2
.
por lo tanto:
s
2
y
= (1+0.5 x
2
)
2
o
2
x1
.+ (2+0.5 x
1
)
2
o
2
x2
.
si x
1
y x
2
los fijamos en cero, entonces:
s
2
y
= o
2
x1
.+ 2
2
o
2
x2

s
2
y
= (3.2)
2
+ 4 (1.6)
2
= 20.48
s
y
= 4.525
Ahora comprubalo con la hoja de Berryman
4. Derivadas Parciales
(Anlisis de sensibilidad)
381
Statistical Design Analysis Spreadsheet
Response Description: Derivadas Parciales Analyst: Ricardo Trejo Date:
Analysis Table
Variable Information Tolerance Dist. Type % Cont.
Factor Short or % or Normal or to o Sensitivity
Description Mean
Long Term
Std Dev Lower Upper
Actual Uniform
Response Coef.
X1 0 l 3.2000 A N 50.00% 1
X2 0 l 1.6000 A N 50.00% 2
Mean Response 0
Response Upper Spec Limit 10
Response Lower Spec Limit
Summary Table
Response Components
Worst Case Limits
Mean Std Dev DPU ZLT Lower Upper DPU ZLT
0 4.525483 1.356E-02 2.21 -28.8 0 ########
Calc
Sensitivities
Clear
Sensitivities
Hide
Rows
Unhide
Rows
S
y
= 4.52548

Los coeficientes de sensibilidad
Ya no son 1 y 1.
Derivadas Parciales te ayuda a analizar ecuaciones no
lineales y calcular la sensibilidad del diseo.
Derivadas Parciales (Anlisis de sensibilidad)
El objetivo de las Xs y la Y es de CERO.
382

5. Simulacin Montecarlo Ejemplos de
Tolerancias No-Lineales:
1. Volumen de llenado de la Fbrica de Hielo
= Velocidad de Llenado * Tiempo de llenado
2. Ruido [dB(A)] es una escala logartmica
Si dos sonidos tienen un dB(A) de 40, juntos el dB(A) es
43
3. El mecanismo de volteo de la taza del detergente de
la Lavavajillas involucra ngulos (seno y coseno)
4. El sistema de alineacin de motor de lavadoras
viejas.
El alineamiento depende de:
Los ngulos Verticales (os)
Los ngulos Horizontales (|s)
383

.

ejemplos de tolerancias no-lineales
un ejemplo no-lineal: volumen de
llenado de la fbrica de hielo
el volumen de agua en una fbrica de
hielo es igual a:
(velocidad de llenado) * (tiempo de
llenado)
los valores estn multiplicndose, no
sumndose, as que los mtodos
anteriores no funcionarn
promedio de velocidad de llenado
=18.40 cc/s, o =.30 cc/s.
promedio de tiempo de llenado= 5.80
s, o = .38 s.
la vlvula y el cronmetro vienen de 2
proveedores diferentes y se
colocan en pares al azar, as que
son independientes.
384
Lista al azar
Vel. de Flujo

18.6
17.9
17.4
.
.
.
Lista al azar de
Tiempos de llenado

5.7
5.9
5.6
.
.
.
Mult. para obtener
Vol. de llenado

106.02
105.61
97.44
.
.
.
Usar cuando el sistema es no-lineal y no podemos emplear
mtodos RSC.
Usar los generadores de nmeros aleatorios de la computadora
para desarrollar una lista aleatoria de tamaos de partes o
caractersticas.
Usar una ecuacin para calcular la dimensin de inters
(volumen de llenado, claro).
Monte Carlo es un mtodo estadstico para establecer la
capacidad del sistema creando un ensamble o proceso virtual.
Usar nmeros aleatorios para simular los resultados esperados.
Tolerancias No-Lineales -
Enfoque Monte Carlo
385
simulacin monte carlo de la fbrica de hielo
usando minitab
1. Crear 3 encabezados de columna en una
ventana Data de Minitab en blanco:
C1: Fillrate
C2: Filltime
C3: Volume
2. Generar datos aleatorios normales para C1(Fillrate) y
C2 (Filltime): Calc>Random Data>Normal
Llenar la caja de dilogo como se muestra abajo:
Usar Ctrl E para regresar a la
caja de dilogo;
para Store in Columns,
sustituir C1 con C2.
Cambiar Mean a 5.8, y
Standard Deviation a 0.38.
Hacer click en OK.
386
3. Crear la columna Volume
(C3) multiplicando C1 por C2
Calc>Calculator
Llenar la caja de dilogo como
se muestra a un lado:
4. Analizar los datos Volume
recin creados en la columna
C3 usando grficas y
estadsticas
Stat>Basic
Statistics>Descriptive
Statistics
simulacin monte carlo de la fbrica de hielo
usando minitab
Hacer click en
Graphs. . .
387
hacer click en las cajas mostradas abajo, entonces hacer click en ok
evaluar la simulacin:
- observar la forma de la distribucin.
- revisar normalidad por medio del valor p
- revisar los estadsticos bsicos ( / o)
Volver a introducir
Datos Aleatorios
en la ventana Data
y volver a ejecutar
Basic Stats.
Qu tan
consistente es el
modelo?
388
generando ecuaciones para tolerancias no-
lineales
Para determinar tolerancias se requiere una ecuacin que relacione el
claro con las dimensiones individuales.
Un Diagrama de Vectores es til para resolver problemas lineales,
pero este enfoque directo y paso por paso no siempre se puede
aplicar a los problemas no-lineales.
La buena noticia es que los 16 aos dedicados a estudiar matemticas
en la escuela te prepararon para momentos como este.
Aqu estn algunos mtodos que te ayudarn a estructurar estas
ecuaciones:
Hacer dibujos.
Fraccionar un sistema grande en partes ms pequeas, resolver las
partes pequeas y entonces combinarlas.
Resolver un caso en especial (aislado),
sencillo, y entonces generalizar.
Revisar las soluciones anteriores
a problemas similares.
Solicitar ayuda de expertos.
389
RSC contra la Simulacin Monte Carlo
RSC

RSC es exacta, ms rpida y ms facil.

RSC debe usarse cada vez que sea
posible, cuando las ecuaciones son
lineales.
(claro = A + E B
i
X
i
, donde las B
i
s son
constantes y las X
i
son dimensiones de
partes.)

Monte Carlo

Monte Carlo puede usarse cuando el sistema
es no-lineal.

Las aproximaciones Monte Carlo no son
exactas,pero se acercan si el nmero de
simulaciones es grande.

Algunos mtodos analticos para dirigirse a
problemas de tolerancias no-lineales se dan en
la pgina de referencia (siguiente).

Nmero de Simulaciones recomendadas
n=100 para estimaciones iniciales y
repeticiones.
n=10,000 para la confirmacin final.

La hoja de Berryman sirve para analizar relaciones no lineales
cuando los factores se aproximan a la distribucin normal.
390
cualquiera que sea tu decisin debes respaldarla con un
estudio de costo beneficio y comparar la z que se obtiene con
cada una de las propuestas!
6. Optimizacin del Diseo
Qu se puede hacer para mejorar?
Primero se debe centrar el claro
Se puede seleccionar mejor material para disminuir la
desviacin estndar
Se puede cambiar de proveedor a uno con mejor capacidad de
proceso.
Se puede cambiar el diseo a uno que pueda aceptar mas
variacin.
Se puede negociar para ampliar tolerancias del cliente. Este
punto requiere una validacin de mercadotecnia y un estudio
de impacto al cliente.
Si vas a cambiar el diseo ten en cuenta los fenmenos y leyes
involucradas en el diseo y despus usa DdE para obtener una
buena relacin para que la optimizacin sea ms precisa.
391
Propsito:
Objetivos:

1. Definir las preguntas necesarias para manejar la metodologa
de muestreo apropiada.
2. Evaluar los errores potenciales alfa y beta asociados con la
metodologa de muestreo.
El propsito de este captulo es introducir las preguntas
necesarias para determinar un tamao de muestra apropiado
para Datos Continuos. Se discutir acerca de los errores Alfa y
Beta asociados con el muestreo, al igual que la o y la o de la
muestra contra la poblacin.
tamao de muestra / riesgo
392
*Ver Apndice
La seleccin del Tamao de Muestra casi siempre implica un
intercambio entre confianza y costo
muestras.......por qu usarlas?
Por qu debemos usar conjuntos muestrales en lugar de la poblacin
entera?
Para estimar poblaciones en total que no pueden capturarse fcilmente
Cuando las poblaciones son hipotticas
Cuando es costoso estudiar la poblacin entera

Cundo debemos usar un conjunto muestral?
Al hacer la Lnea Base del proceso / parte
Al hacer un cambio controlado de un proceso / parte

Cmo determinar el tamao de la muestra?*
Usando la Tabla de Tamao de Muestra
Usando Intervalos de Confianza
393
qu se necesita conocer para utilizar una tabla de tamao de
muestra? o La desviacin estndar del proceso

o ( obs - esp)

Prueba de
Sensibilidad La habilidad para detectar un cambio o diferencia (o / o)

valor p La probabilidad de cometer un error en la diferencia
declarada

Error Tipo 1 Declarar una diferencia cuando las cosas realmente son
(Error o) iguales (Rechazar partes Buenas)

Riesgo o Tambin conocido como Riesgo del Productor
El riesgo de cometer un Error Tipo 1, (tpicamente 5%)

Error Tipo 2 Declarar que las cosas son iguales cuando realmente hay
(Error |) una diferencia (Aceptar partes Malas)

Riesgo | Tambin conocido como Riesgo del Consumidor El riesgo de
cometer un Error Tipo 2, (tpicamente 10%)

394
Evaluacin de Error de Decisin
Ha
Verdadera
Aceptar
Ho
Ho
Ha
Error
Tipo 1
o
Error
Tipo 2
|
1 - | =
Probabilidad de
detectar un
cambio
especfico en el
universo Poder
de la Prueba.
1 - o = Confianza de que
resultado observado en la
muestra es real
Nota: No es posible
cometer simultneamente
un error de decisin tipo
1y tipo 2.
Decisin
Correcta
Decisin
Correcta
395
al incrementar el tamao de muestra, la estimacin del valor verdadero del parmetro
poblacional es mejor
Lo Real
T
La diferencia delta (o)
Lo Deseado
Distribucin Muestral de las Medias
Pocas Muestras (n pequea, o ms alta)
Muchas Muestras
(n grande, o ms baja)
396
cmo estn relacionadas o y o?
1 2 0 1 1 0 1 0 0 9 0 8 0 7 0
0 . 7
0 . 6
0 . 5
0 . 4
0 . 3
0 . 2
0 . 1
C 1 0
C

1

1

120 110 100 90 80 70
0.03
0.02
0.01
C16
C
1
7
o
Un mltiplo de o Una
medida de
variabilidad
dentro de la muestra
una medida de
variabilidad entre
muestras
397
cmo usar la tabla?
Por lo general no se usa para hacer Lnea Base, al menos que existan datos
histricos de la y la o del proceso.

Para Prueba de Hiptesis

Por lo general no se usa si la Prueba de Hiptesis est siendo aplicada sobre
datos de Lnea Base.

Si toma datos nuevos despus que se efectu un cambio al proceso, el nmero de
muestras en la tabla representa el nmero total de muestras que deben tomarse.
Para usar la tabla, debe conocer , o, o y |
*Ver apndice para el uso de la Tabla en DDE (Diseo de Experimentos)
Ejemplo:
Su proyecto est enfocado a mejorar el dimetro de una tapa de plstico. La
del dimetro es de 2 mientras que el objetivo de la del dimetro es de 1.92. El
proceso tambin tiene una o = 0.2. Ud. cree que al aumentar la temperatura de 250
o
F a
310
o
F colocar nuevamente al proceso en su media de objetivo. Cuntas muestras
sern necesarias para detectar un cambio con un o de 5% y una | de 10%, usando la
informacin anterior?

398
Una Tabla de Tamao de Muestra Bsica
Aplicar exclusivamente a datos contnuos

3.3 1 1 2 2 1 2 2 3 1 2 2 3 2 3 3 4
3.4 1 1 1 2 1 1 2 3 1 2 2 3 2 3 3 4
3.5 1 1 1 2 1 1 2 3 1 2 2 3 2 2 3 4
3.6 1 1 1 2 1 1 2 2 1 2 2 3 2 2 3 4
3.7 1 1 1 2 1 1 2 2 1 2 2 3 2 2 3 4
3.8 1 1 1 2 1 1 1 2 1 1 2 3 2 2 2 3
3.9 1 1 1 2 1 1 1 2 1 1 2 2 2 2 2 3
4.0 1 1 1 2 1 1 1 2 1 1 2 2 1 2 2 3
|
o
o = 20% o = 10% o = 5% 1%
o/o 10% 5% 1% 10% 5% 10% 5% 1% 20% 10% 5% 1%
0.2 225 428 651 428 541 789 919 584 744 891
0.3 100 289 137 241 174 260 331 396 534
0.4 56 82 107 163 77 135 98 230 146 186 300
0.5 36 69 104 49 69 63 104 93 119 143 192
0.6 25 36 48 48 60 88 58 72 102 83 99 134
18 27 35 25 35 44 32 43 53 48 61 73
0.8 14 41 19 27 49 25 33 57 36 46
0.9 21 32 15 27 39 19 32 45 29 44 59
1.0 13 17 26 17 22 32 21 26 37 30 36 48
7 11 14 10 14 18 13 17 21 19 25 29
1.2 6 9 18 9 12 22 11 15 26 16 21 33
1.3 5 10 15 7 13 19 15 22 14 21 28
328
146 190
53
72
53
21 27
11 16
9
309
190 350
107 197
87 126
34
64
34
21
12
392 525 650
234 289 408
131 162
84 147
44
75
41
26
16
30
18
9 12
26
15
10
1.1 22
12
8
0.7
20% 20% 1% 20%
o =
1202
223
65
98
56 75
37
23
40
28
18

1.4 9 13 9 11 16 11 13 19 15 18 25
4 6 8 5 8 10 7 9 12 13 16
1.6 4 5 10 5 7 12 6 8 14 9 12 19
1.7 3 6 9 7 11 5 9 13 8 12 17
1.8 4 5 8 7 10 6 8 11 9 11 15
2 4 5 3 5 6 4 6 7 6 8 10
2.0 2 3 4 7 3 4 5 8 4 5 6 9 6 7 9 12
2.1 2 3 4 6 3 4 5 7 4 5 6 8 5 7 8 11
2.2 2 3 4 5 3 4 4 7 3 4 5 8 5 6 7 10
2.3 2 2 3 5 2 3 4 6 3 4 5 7 4 6 7 9
2.4 2 2 3 5 2 3 4 5 3 5 6 4 5 6 8
2.5 1 2 3 4 2 3 3 5 3 3 4 6 4 5 6 8
2.6 1 2 3 4 2 3 3 5 2 3 4 5 3 4 5 7
2.7 1 2 2 4 2 2 3 4 2 3 4 5 3 4 5 7
2.8 1 2 2 3 2 2 3 4 2 3 3 5 3 4 5 6
2.9 1 2 2 3 1 2 3 4 2 2 3 4 3 4 4 6
3.0 1 1 2 3 1 2 2 4 2 2 3 4 3 3 4 5
3.1 1 1 2 3 1 2 2 3 2 2 3 4 2 3 4 5
3.2 1 1 2 3 1 2 2 3 2 2 3 4 2 3 3 5
8
16
10
7
5
10
4
6
14
8
4 6
4 5
9
1.5
1.9
5 7
12
7
5
3
7
12
10 21
14
10
7
13
Uso Tpico
399
qu tamao de muestra es necesario?
1. El tiempo promedio para que un telefonista complete un pedido es de 5.6 minutos
por llamada. La desviacin estndar histrica del proceso es de 0.8 minutos. Su
proyecto es descubrir la forma de reducir el tiempo necesario para completar un pedido
en 4.0 minutos. Asumiendo un riesgo o de 5% y un riesgo | de 10%,Cuntas
muestras deben tomarse para evaluar adecuadamente cualquiera de los cambios
establecidos?

1a. Si ahora la o fuera de 1.6, Cul sera la n requerida?

2. Para la misma variable de respuesta mencionada anteriormente, esta vez le piden
que disminuya el tiempo para completar un pedido en 0.32 minutos para obtener un
promedio de 5.28 minutos por llamada. Cuntas muestras seran necesarias ahora?
400
Cuando utilice Datos Discretos, sern necesarias ms muestras para estimar la
poblacin que cuando utiliza Datos Continuos.

El tamao de muestra puede determinarse si el tamao total de la poblacin es conocido.
El tamao de la muestra puede estimarse como un porcentaje de la poblacin total.

Si la poblacin total no puede determinarse, podra iniciar con 30 muestras. Si no
encuentra defectos en esas 30, la recomendacin ser que tome ms muestras.

Trate de cambiar los Datos Discretos a Datos Continuos.
las reglas para tamao de muestra para datos
continuos son ms claras que para datos discretos

Ejemplo:
El rendimiento en la cocina se mide con dos medidas discretas:
Se quema la salsa blanca? y
Se derrite el chocolate?
El rendimiento podra medirse con datos continuos midiendo el tiempo que toma para
que la salsa blanca se queme y que el chocolate se derrita.

algunos lineamientos para tamao de muestras con datos
discretos
401
conceptos clave:
tamao de muestra y riesgo
1. Los Riesgos asociados con el uso de muestras para poblaciones modelo:
riesgo o (usualmente 5%) - Riesgo del Productor
riesgo | (usualmente 10%) - Riesgo del Consumidor

2. La Confianza es igual a 1 - o
El Poder de la Prueba es igual a 1 - |

3. o delta es la diferencia entre las medias o la media y el objetivo

4. La Prueba de Sensibilidad es igual a o/o (usada para introducir la grfica de
tamao de muestra de Datos Continuos)

5. El Tamao de Muestra para ser usado cuando tenemos Datos Discretos no
est definido como con Datos Continuos
402
determinantes clave de tamaos de muestra
El mximo riesgo tolerable de descubrir una diferencia en la caracterstica de inters en la
muestra (ejem., la media) cuando, en realidad, tal diferencia no existe en el universo. A esto
se le llama riesgo alfa y es designado con el smbolo o.

El mximo riego tolerable de descubrir que no hay diferencia en la caracterstica de inters
en la muestra (ejem., la media) cuando, en realidad, tal diferencia s existe en el universo. A
esto se le llama riesgo beta y es designado con el smbolo |.

La magnitud de diferencia que debe detectarse en el universo y que es un asunto prctico o
una utilidad en el mundo real. A esto se le llama delta o prueba de Sensibilidad y es
designada con el smbolo o/o.

Nota: Los criterios antes mencionados son estadsticos por naturaleza. Otros criterios para
seleccin de un tamao de muestra adecuado incluyen cosas tales como tiempo, costo y
recursos disponibles. Factores como estos pueden tener un impacto prctico en la
determinacin del tamao de muestra y, como consecuencia, deberan sopesarse despus
de que se haya determinado el tamao de muestra estadsticamente correcto. Solo
entonces se puede evaluar la suficiencia de los intercambios.
403
Verdadera
Aceptar
Ho Ha
Ho
Ha
Error
Tipo 1
o
Error
Tipo 2
|
Decisin
Correcta
Decisin
Correcta
Riesgo Alfa
Tambin llamado:
Error Tipo I o
Riesgo del Productor
Rechazar H
o
cuando es verdadera
404
Verdadera
Aceptar
Ho Ha
Ho
Ha
Error
Tipo 1
o
Error
Tipo 2
|
Decisin
Correcta
Decisin
Correcta
Riesgo Beta
Tambin llamado:
Error Tipo II o
Riesgo del Consumidor
Fallar al rechazar H
o
cuando no es verdadera
405
La Razn de o/o
(Prueba de Sensibilidad)
Cuando la razn es alta, la diferencia puede observarse fcilmente, an sin la
estadstica.

Si la variacin en un proceso es alta, es ms difcil determinar si una diferencia es
causada simplemente por coincidencia o si verdaderamente hay una diferencia .
Son necesarias ms muestras para determinar la verdad.

En cualquier momento que tome muestras... Existe una posibilidad de llegar a una
conclusin equivocada.
406
Relaciones Fundamentales
Case o | o n
1
2
3
4
5
6
Constante Constante
Constante Constante
Constante Constante
Constante Constante
Constante Constante
Constante Constante
Nota: La tabla asume una comparacin a dos grupos, varianza establecida, muestreo
aleatorio, homogeneidad de la varianza y que los datos estn distribuidos en forma
normal.
Caso
407
PROPOSITO:
OBJ ETIVOS:
El propsito de este captulo es introducir en los dos tipos bsicos de
Pruebas de Hiptesis (Estadstica Inferencial) para datos contnuos: Prueba-t
y Prueba-F. Se discutirn los pre-requisitos para su aplicacin y sus reglas
de uso.
Prueba de Hiptesis para Datos
Continuos
Comprender la diferencia entre significancia prctica y estadstica
Definir las hiptesis nula y alterna (H
o
y H
a
)
Definir los tres mtodos para aceptacin /rechazo de las hiptesis
Comprender los conceptos de pruebas de hiptesis de 1-cola y 2-colas
Aplicar la Prueba-F (comparacin de varianzas) y la Prueba-t
(comparacin de medias) a ejemplos de proyectos en la vida real
408
Existen muchas formas de probar Hiptesis:
Variable - Cap 11 Discreta - Cap 12
Seleccione la Prueba de Hiptesis
basada en lo que quiera comparar
Prueba - F

(Compara Varianzas)

Prueba de Levene (para datos
no-normales)
Prueba de Bartlett (para datos
normales)

Prueba - t

(Compara Medias)

Prueba t 1 muestra
Prueba t 2 muestras
Prueba t muestras
relacionadas
1.
2.
Prueba Ji Cuadrada

(Compara Conteos o
Frecuencias)

Bondad de Ajuste
Tabla de Contingencia

409
por qu usamos las pruebas de hiptesis?
En los proyectos Seis
Sigma usamos Pruebas
de Hiptesis como
proceso de seleccin
para las Pocas X
Vitales potenciales.
Las Pruebas de
Hiptesis proporcionan
un enfoque Ir / No ir
para toma de decisiones
- lo que constituye la
razn por la cual se
utilizan para seleccionar.
Estamos buscando
factores que tengan
mucha influencia.
Pocas X Vitales Potenciales
Pocas X Vitales
410
Lo Actual
T
La diferencia delta (o)
Lo Deseado
comparando lo observado con lo esperado
Determinar una Diferencia Estadstica
o = diferencia entre medias
411
Anlisis Estadstico

En TODA prueba estadstica, estar comparando algn valor
observado con algn valor esperado mediante la comparacin de la
estimacin de los parmetros (media, desviacin estndar, varianza)

Estas estimaciones de los parmetros VERDADEROS se obtienen
usando datos muestrales

La habilidad para detectar una diferencia entre lo que se observa y lo
que se espera depende de la dispersin de los datos muestrales

Al incrementar el tamao de la muestra se mejora la estimacin y
su confianza en las conclusiones estadsticas

pero....
Existe una diferencia entre la significancia estadstica y la
prctica!
Observado - Esperado
412
Cunta diferencia (o) es importante para Usted?
Significancia Estadstica
Una diferencia que puede detectarse empleando herramientas
estadsticas en un cierto nivel de confianza especificado
Significancia Prctica
Una diferencia que es lo suficientemente importante para
Usted que lo motive a actuar
La Diferencia...
(Observado - Esperado)
Usted debe decidir si una diferencia
estadsticamente significativa es una diferencia
prctica significativa
413
Definir las Hiptesis: H
o
y H
a

Sin importar la Prueba Estadstica usada, existen dos hiptesis que deben definirse al
iniciar:
H
o

H
a
El punto de partida para cualquier prueba de hiptesis es la hiptesis
nula - H
o.

H
o
es la hiptesis de igualdad o de no diferencia. Iniciamos siempre
suponiendo que los elementos que estn siendo comparados no estn
relacionados (uno no afecta al otro).
H
o
es igual a una supuesta inocencia en un tribunal de justicia - se
asume que la persona es inocente hasta demostrar que es culpable.

Siempre defina H
o
y H
a
antes de efectuar una prueba de hiptesis
La segunda hiptesis es H
a
- la hiptesis alterna. Esta representa la
hiptesis de diferencia.
H
a
es aquello que intentas probar, usando la evidencia (como un abogado
demandante trata de probar la culpabilidad).
414
Definicin de las Hiptesis
La Hiptesis Nula
asume que las
poblaciones / las
muestras son las
mismas.
Frmulas para escoger
H
o
:
1
=
H
o
:
1
-
2
= 0

H
o
:
1
=
2
=

3
=...............
n
H
o
: o
2
1
= o
2
2
H
o
: o
2
1
= o
2
2
= o
2
3
=......... o
2
n

Aplicacin Prctica
Asumir que los dispositivos
son los mismos

H
a
es la nica hiptesis que puede probarse!
La Hiptesis Alterna asume que existe una
diferencia en las poblaciones / las muestras.

Frmulas para escoger

H
a
:
1
=
2
Prueba de 2 colas
H
a
:
1
<
2

H
a
:
1
>
2

H
a
:
1
-
2
=

0 Prueba de 2 colas
H
a
:
1
-
2
< 0
H
a
:
1
-
2
> 0

H
a
: o
2
1
= o
2
2
Prueba de 2 colas
H
a
: o
2
1
< o
2
2

H
a
: o
2
1
> o
2
2
Aplicacin
Prctica
Usar para
determinar
si un
dispositivo es
mejor, peor o
diferente
de otros
dispositivos.
415
9 pasos en la prueba de hiptesis
estos cuatro elementos deben definirse antes
de realizar cualquier prueba de hiptesis
*
Ver Apndice
1. Definir el problema / establecer
los objetivos de la prueba
2. Establecer las hiptesis - H
o
y H
a

*

- Definir la Hiptesis Nula (H
o
): Los elementos son los mismos
- Definir la Hiptesis Alterna (H
a
): Algo que es diferente
(H
a
es la que necesita probarse)
3. Decidir sobre una prueba estadstica apropiada
(distribucin de probabilidad asumida: t, F o _
2
).
4. Establecer el nivel aceptable de riesgo Alfa y Beta:
. riesgo o : generalmente 5%
. riesgo | : generalmente 10-20%
416
9 pasos en la prueba de hiptesis (cont.)
En cada Prueba de Hiptesis intentamos probar H
a

5. Establecer el tamao muestral
usando la prueba de sensibilidad
(o/o)
6. Desarrollar el plan de muestreo
y recoleccin de muestras
7. Calcular los estadsticos de prueba (t, F o _
2
) de los datos
8. Determinar la probabilidad de que el estadstico de prueba
calculado ocurra por azar (valor p):

. Si la probabilidad (p) es < o, rechazar H
o
y aceptar H
a

. Si la probabilidad (p) es > o, no rechazar H
o
(no
puede llegarse a una conclusin)
9. Replicar resultados y traducir la conclusin
estadstica a una solucin prctica.
417
cmo se rechazan las hiptesis?
Recomendamos los Mtodos 2 y 3 porque Minitab
realiza el trabajo!
Mtodo 1
Mtodo 2
Mtodo 3
Las Hiptesis pueden aceptarse o rechazarse mediante 3 mtodos diferentes:

Si el Valor Calculado es < = al Valor de la Tabla (Crtico),
no pueden obtenerse conclusiones (no rechazar H
o
).
Si el Valor Calculado es > al Valor de la Tabla (Crtico),
entonces existe una diferencia (rechazar H
o
, aceptar H
a
).
O
Si el valor p es > = a la o,
no pueden obtenerse conclusiones (No rechazar H
o
).
Si el valor p es < a la o,
entonces existe una diferencia (Rechazar H
o
, Aceptar H
a
).
O
Si 0 cae dentro del Intervalo de Confianza alrededor de la diferencia de
las dos medias, entonces no pueden obtenerse conclusiones (No rechazar
H
o
).
Si 0 cae fuera del Intervalo de Confianza alrededor de la diferencia de
las dos medias, entonces existe una diferencia (Rechazar H
o
, Aceptar H
a
).
418
Regin de Rechazo
o
No rechazar H
O
Valor en Tabla
(Valor Crtico)
Valor en Tabla
(Valor Crtico)
Valor en Tabla
(Valor Crtico)
Valor en Tabla
(Valor Crtico)
Regin de Rechazo
o
No rechazar H
O
Valor Calculado
Regin de Rechazo Regin de Rechazo
o / 2
o / 2
no rechazar H
O
Valor Calculado
Valor Calculado
Prueba de 2 colas
Prueba de 1 cola
Inferior
Prueba de 1 cola
Superior
Nota: La Regin de Rechazo (RR) es determinada
por la Hiptesis Alterna (H
a
)
Ver Apndice
419
La prueba F es para probar la Hiptesis Nula (H
o
) de que las varianzas de dos o ms
distribuciones son iguales.

Para comparar las X registradas al efectuar Lnea Base

Si efecta un cambio al proceso y desea determinar si ha cambiado o no la varianza en
la salida, puede utilizar la prueba F y as comparar las muestras antes y despus del
cambio.
Prueba - F
Usar para comparar Varianzas de Distribuciones
La Prueba F se calcula usando
Homogeneity of Variance en Minitab
Por qu usarla?
Cundo debe usarse?
Antes de la Prueba - t (necesita conocer si las varianzas son iguales al inicio)
Con datos normales y no-normales
Cuando es necesario comparar varianzas
Cmo realizar una Prueba F?*
Por clculo manual para 2 distribuciones
Usando Minitab para 2 o ms distribuciones
*Ver Apndice
420
Clculo manual de la Prueba F:
F = s
1
2
/s
2
2
Donde

s
1
2 =
la varianza de una distribucin
(la mayor de las dos)

y

s
2
2 =
la varianza de la otra distribucin
(la menor de las dos)

Mtodo Minitab
Homogeneity of Variance
Stat>ANOVA>Homogeneity of Variance
Prueba de Bartlett - Datos Normales
Prueba de Levene - Datos No-Normales
Cmo efectuar la Prueba F...

H
o
= o
1
2
= o
2
2
No rechazar H
o
cuando p > o
H
a
= o
1
2
= o
2
2
Aceptar H
a
cuando p < o

Hiptesis
421
Prueba - t
Usar para Comparar las Medias de las Distribuciones
Una Prueba - t es para probar la
hiptesis de que las medias de dos
distribuciones son iguales.
Para comparar informacin de la Lnea
Base, X.
Si efecta un cambio al proceso y
quiere determinar si la salida ha cambiado
o no, puede comparar muestras
anteriores y posteriores al cambio usando
la Prueba - t.
Por qu usarla?
Cundo debe usarse?
Despus de la Prueba F
Con datos Normales o cercanos
a Datos Normales
Cuando hay 30 muestras o
menos
(si hay ms de 30, hacer una
transformacin a Z )
Cuando compara una media con
un valor objetivo
Cuando compara las medias de
2 o ms distribuciones
Cuando compara datos
apareados (Los pasos mltiples
cambian la respuesta Y?)
Cmo realizar una Prueba - t?
Por clculo manual para 2 distribuciones
Con Minitab para 2 o ms distribuciones
422
Clculo Manual de la Prueba - t:
Cmo realizar la Prueba - t...
*ver Apndice
donde X = el valor observado
= el valor esperado
o = la desviacin estndar de
la distribucin observada
n = el tamao muestral de la
distribucin observada
t
calc
= x -
o / n
*
Hiptesis
H
o
=
1
= T
H
a
=
1
= T
H
a
=
1
< T
H
a
=
1
> T

H
o
=
1
-
2
= 0
H
a
=
1
-
2
= 0
H
a
=
1
-
2
< 0
H
a
=
1
-
2
> 0
Comparar una media
con un objetivo y la
Prueba-t con elementos
apareados
Comparar medias de
2 o ms
distribuciones y la
Prueba-t con
elementos
apareados
Mtodo Minitab
1-sample t Compara una media observada con un objetivo
o Compara una distribucin de datos a pareados
2-sample t Compara 2 medias de distribucin
o Compara una distribucin de datos a pareados
(Prueba-t con muestras relacionadas)
Stat>Basic Statistics>
No rechazar H
o
cuando p > .05
Aceptar H
a
cuando p < .05
423
Problema :
El Caja inferior de la transmisin de la lavadora es maquinada y tiene 10 CTQs (Crticos
para Calidad), dos de los cuales afectan principalmente la altura de acomodo de los
ensambles del freno y el embrague (lo cual influye en el rendimiento del freno). El CTQ de
inters es Altura Total que tiene un objetivo de 5.394.

Hasta ahora, los datos han sido recopilados con un plan de sub-agrupacin racional,
tomando en consideracin el turno, cavidad y dispositivos.

Los datos fueron revisados por normalidad; se encontraron no-normales
El Histograma mostr una distribucin bi-modal
La Prueba de Normalidad se efectu en cada dispositivo para ver si los dispositivos
causaban la condicin no-normal (algunos dispositivos fueron normales y otros no-
normales) - Ver apndice para los detalles

Existen 8 dispositivos diferentes. El dispositivo podra ser una posible X?
Graficar los datos (buscar las diferencias obvias)
Elegir una Prueba de Hiptesis
Desarrollar las Hiptesis
Efectuar la(s) Prueba(s)
Llegar a una conclusin
Resolvamos un ejemplo...
Abrir el archivo lth en Minitab
C:\Minitab/Training\Phase1\lth.mtw
424
Proyecto de un Blackbelt:
TRANSMISION DE LAVADORAS 90
Caja Inferior de Transmisin
Ensamble de Transmisin y Freno
425
Box Plot puede dar una imagen de la diferencia entre
dispositivo y dispositivo
Los dispositivos 3 y 5 claramente
tienen medias diferentes
Dispositivo (fixture) 2 aparenta tener
una varianza diferente
Las grficas conducen a una respuesta, la Prueba de Hiptesis le da Confianza
Estadstica a la respuesta
Graph>Boxplot
Objetivo=5.394
426
Realizar una Prueba F para comparar las varianzas en
los 8 dispositivos
Cules son las Hiptesis?
H
o
:
H
a
:

Cul es el criterio de rechazo?

Stat>ANOVA>Homogeneity of Variance
Hacer click en OK para ejecutar el comando
427
Prueba de Homogeneidad de Varianzas
No se puede obtener la conclusin de que la variacin de dispositivo
a dispositivo es diferente
0 . 0 0 3 5 0 . 0 0 2 5 0 . 0 0 1 5 0 . 0 0 0 5
F a c t o r L e v e l s 9 5 % C o n f i d e n c e I n t e r v a l s f o r S i g m a s
p v a l u e : 0 . 5 7 6
T e s t S t a t i s t i c : 0 . 8 1 8
L e v e n e ' s T e s t
p v a l u e : 0 . 7 4 5
T e s t S t a t i s t i c : 4 . 2 9 8
B a r t l e t t ' s T e s t
8
7
6
5
4
3
2
1
H o m o g e n e i t y o f V a r i a n c e T e s t f o r : T o t a l _ H t
Usar la Prueba de Levene
debido a que los datos son
no normales.
No puede probarse que ninguno de los
dispositivos es diferente, debido a que
los Intervalos de Confianza se
superponen
valor p > .05,
No rechazar Ho.
428
Reporte de Ventana Session en Minitab
para Homogeneidad de Varianzas
La Ventana Session despliega la misma
informacin que la Grfica
429
Cmo usar la tabla F para obtener la Conclusin
(Valor Calculado F contra el Valor en Tabla)
Realice la Prueba F en los conjuntos muestrales de datos Fixture 1 y Fixture 2 del ejercicio
anterior. Fixture 1 tiene una o de 0.00110 con tamao muestral 10. Fixture 2 tiene una o de
0.00082, con tamao muestral 10. Las varianzas de los dos conjuntos muestrales son
diferentes?

H
o
: o
2
1
= o
2
2

H
a
: o
2
1
= o
2
2

N
1
= 10
Grados de Libertad (Df
1
) = 9
N
2
= 10
Grados de Libertad (Df
2
) = 9
F
calc
= o
1
2
/ o
2
2
F
calc
= .00110
2
/ .00082
2

F
calc
= 1.8
F
Calc
< F
crit
; por lo tanto, no puede obtenerse ninguna conclusin
acerca de diferencias en varianzas
Valor Calculado = 1.8
Valor en Tabla (F
crit
) = 3.18
Si Valor Calculado > Valor en Tabla (F
crit
), rechazar H
o

Dejamos de rechazar H
o
o rechazamos H
o
?
430
Efectuar una Prueba t 1 muestra
Qu compara una Prueba t 1 muestra?

H
o
:
H
a
:

Stat>Basic Statistics>1-Sample t
Hacer click en
Graph
para ejecutar
Introducir la media
objetivo
Seleccionar H
a
Hacer click en
Boxplot
of data
431
Prueba t 1 muestra para Fixture 1 con la Media
Objetivo
Graficar
valor p < .05;
Rechazar H
o
El Intervalo de
Confianza
indica el rango
en que
la media puede
caer
Existe una diferencia estadstica entre
Fixture 1 y la Media Objetivo!
Las Hiptesis para H
o
y H
a
432
Usando el ejemplo anterior, utilice el Valor en Tabla para tomar la decisin de rechazar o no
rechazar H
o
. La muestra tiene una x () de 5.38990, una o de .00110 y un tamao muestral
de 10. La Objetivo es 5.3940. La media muestral es diferente de la media objetivo?
Nota: Esta es una Prueba de 2 colas.
H
o
:
1
= T
H
a
:
1
= T
N = 10
Grados de Libertad = 9; (10 - 1)
o = .05
Valor Calculado = -11.78
Cmo usar la tabla t para sacar una Conclusin
(Valor t calculado contra Valor en Tabla)
Valor en Tabla
(Valor Crtico)
Valor en Tabla
(Valor Crtico)
Regin de Rechazo
o / 2
o / 2
Valor Calculado
Prueba de 2 colas
-11.78 < -2.262 ; rechazar H
o
Calcular t y usar la tabla t proporciona el mismo resultado que Minitab!
Regin de Rechazo
No rechazar H
O
Regin de Rechazo es el valor en
tabla +/- o/2 (confianza = 0.975)
(valor en tabla = +/ - 2.262)
t = x -
o / n
433
Indica que la media
de Fixture 3 cae en
el Intervalo de
Confianza para
las medias.
valor p > .05;
No rechazar H
o
Tratemos otro ejemplo:
Prueba t 1 muestra para Fixture 3 con la Media Objetivo
No puede obtenerse ninguna conclusin estadstica en este momento. Puede
necesitar tomar ms datos para mostrar una diferencia estadstica
Las Hiptesis para H
o
y H
a
Stat>Basic Statistics>1-sample t
434
Realizar una Prueba t 1 muestra para comparar
Fixtures 2 y 5 con la Media Objetivo
1.) Comparar Fixture 2 con la media objetivo de 5.394

H
o
:
H
a
:


Qu conclusiones pueden obtenerse?
2.) Comparar Fixture 5 con la media objetivo de 5.394

H
o
:
H
a
:


Qu conclusiones pueden obtenerse?
Ejercicio en Clase:
435
Hacer click
enGraphs
Hacer doble click
en OK para
ejecutar
Ahora efectuemos una Prueba t 2 muestras para comparar Dispositivo
a Dispositivo o Grupos de dispositivos con otros Grupos
H
o
:
H
a
:
Elegir H
a
Stat>Basic Statistic>2-Sample t
Hacer click en
Assume
Equal Variance si
la
Prueba F no
rechazara H
o
Comparar Fixture 1 con Fixture 3:
Hacer click en
Boxplots
of data
436
valor p < .05;
Rechazar H
o
Salida Minitab - Comparacin de
Fixture 1 con Fixture 3 (Prueba t 2 muestras)
Existe una Diferencia
Estadstica entre las
medias de Fixture 1 y
Fixture 3
Las Hiptesis para H
o
y H
a
437
Hacer click
en
Graphs
Hacer click en
OK dos veces
para ejecutar
Elegir H
a
Comparacin de Grupos de Dispositivos:
Fixture 3 y 5 con todos los dems
Hacer click en Assume
Equal Variance si
la Prueba F no rechazara H
o
Hacer click
en Boxplots
of data
Los datos apilados estn
en C14 y C17
438
No puede obtenerse
ninguna conclusin
estadstica!
Podramos necesitar
tomar ms datos para
ver una diferencia!
Ya que valor p > .05;
No rechazar H
o
Ya que 0 cae dentro del I.C.;
no rechazar H
o
Resultados de la Prueba t 2 muestras para comparar
Dispositivos 1,2,4,6,7 y 8 con Fixtures 3 y 5
Las Hiptesis para H
o
y H
a
439
Ejercicio en Clase: Realizar una Prueba t 2 muestras para
Comparar Dispositivo con Dispositivo o Dispositivo(s) con
Dispositivo
1.) Fixture 1 con Fixture 5

H
o
:
H
a
:


Qu conclusin puede obtenerse?

4.) Fixtures 1,2,4,6,7 y 8 con Fixture 5

2.) Fixture 3 con Fixture 5

H
o
:
H
a
:


H
o
:
H
a
:


H
o
:
H
a
:


3.) Fixtures 1,2,4,6,7 y 8 con Fixture 3
440
Llevar un paso ms adelante la Prueba t.....
Probando Muestras Apareadas (muestras relacionadas)
Por qu usarla?
Para excluir el exceso de variabilidad
Para determinar si los procesos mltiples afectan la respuesta
Cundo debera usarse?
Cuando se toman dos mediciones de la misma respuesta
Cuando cada fila de datos tiene uno correspondiente
Ejemplos: - Lo plano de una tapa antes y despus de pintarse
- El rendimiento del telefonista antes y despus
de la capacitacin
Hiptesis
H
o
:
1
= T
H
a
:
1
= T
H
a:

1
< T
H
a:

1
> T

H
o:

1
-
2
= 0
H
a:

1
-
2
= 0
H
a:

1
-
2
< 0
H
a:

1
-
2
> 0
Para una Prueba t -1 muestra en Minitab,
tomar la diferencia de dos mediciones, e
introducir la diferencia en una nueva columna
Para una Prueba t -2 muestras en Minitab,
introducir las dos mediciones en columnas
separadas.
441
Resolvamos un ejemplo...
Problema:
Un operador tiene dos calibradores que usa para efectuar sus revisiones de calidad. Se
le ha preguntado si el tener dos calibradores afectara la exactitud de su inspeccin.

El inspector reuni los datos para contestar la pregunta:
Los dos calibradores proporcionan las mismas medidas?

File>Restart Minitab (no guarde nada!)
Abrir archivo ttests en Minitab
C:\Minitab\training\Phase1\ttest.mtw

Decidir cul(es) prueba(s) efectuar
Escribir las Hiptesis correctas
Efectuar la(s) prueba(s)

Nota: Enfocarse en las columnas C6 - C12.
Sin embargo, puede necesitar modificar la hoja de clculo dependiendo de la clase de
prueba(s) que efecte (la Prueba F, la Prueba t 1muestra, la Prueba t 2 muestras)
442
Tu hoja de clculo debera verse as:
Qu prueba debera efectuarse primero?

H
o
:
H
a
:
Teclear los encabezados
443
Conclusin: Los datos son No-Normales
Revisar la Normalidad
valor p < .05;
rechazar H
o
Stat>Basic Statistics>Normality Test
H
o
: Los datos son normales
H
a
: Los datos son no-normales
444
No hay evidencia para concluir que las variaciones son diferentes!
Lo siguiente es comparar las Varianzas
de las Muestras Apiladas
valor p > .05,
No rechazar H
o
H
o
: Las Varianzas de los
calibradores son iguales H
a
:
Las Varianzas de los
calibradores no son iguales
445
Lo siguiente, Comparar las Medias usando la Prueba t 1
muestra
H
o
:
H
a
:

Cul es el criterio de
rechazo?
0 cae dentro
del I.C. ;
No rechazar H
o
Debe usar la diferencia
entre las 2 mediciones
para la Prueba t 1 muestra
No podemos decir que las Medias
de los calibradores son diferentes
446
Comparar las Medias usando la Prueba t 2 muestras
Podra usar las muestras
en una columna usando los
datos apilados (C10 y C12)
Hacer click en Graphs
Hacer doble click en OK para ejecutar
Hacer click en
Boxplots of data
447
0 est dentro del Intervalo de
Confianza; no rechazar H
o
valor p > .05;
no rechazar H
o
Encontramos los mismos resultados con la Prueba-t 1
muestra: No podemos decir que las Medias son diferentes
Realizar una Prueba-t 2 muestras para comparar las
Medias de los Calibradores
Las Hiptesis
para H
o
y H
a
448
Definicin del Problema
Mediciones :
El Centro de Atencin a Clientes contesta 61% de llamadas recibidas. Las encuestas indican que 34%
de los clientes tienen dificultad al efectuar sus llamadas. El rendimiento en el Centro de Atencin de
llamadas vara mucho y la falta de disponibilidad promedia un 54.5%, lo cual contribuye a un ndice bajo
de respuestas y la insatisfaccin de los consumidores.
CTQ: Disponibilidad en el Centro de Atencin a Clientes
Medida: Tiempo no disponible por da
Defecto: Tiempo no accesible > 35%
Unidad: Cada da, de lunes a viernes
Oportunidad: Todos los das, lunes a viernes
Cliente: Consumidor que telefonea
Gage R&R: 14%
DPMO: 749,594
Rendimiento: 25.04%
Lnea Base estimada o :0.83
Ejercicio en Clase
Aplicar lo que ha aprendido hasta ahora para determinar las X Vitales potenciales
Abrir Archivo CALLCNTR
C:\Minitab\Training\Phase 1\CALLCNTR.mtw
Usar los datos en las columnas C3 y C6 para comparar los tres turnos y los
tres Centros de Atencin unos con otros con respecto a la indisponibilidad de
atencin a clientes.
3 Centros de Atencin/3 turnos:
1. Centro A (24 muestras)
2. Centro B (24 muestras)
3. Centro C (12 muestras)
449
preguntas clave:
Cmo estn distribuidos los datos?
Normal
Binomial
Otros
Qu tamao tiene la muestra?
Qu parmetros deben estimarse?
Media
Varianza (Desviacin Estndar )
Qu tipo de comparacin se requiere?
Comparar varianzas
Comparar la media individual con un objetivo
Comparar dos o ms medias independientes
Comparacin de medias grupales apareadas
450
Resumen de Conceptos . . . .
Error o : afirmar que algo es diferente cuando en realidad es lo
mismo (rechazar partes buenas en la lnea de ensamble)
Riesgo o : el riesgo de cometer un error o
La regla de oro para el nivel de riesgo o que est
dispuesto a aceptar es por lo general de 5% (o o = 0.05)
Valor p: la probabilidad de cometer un error o
Si la probabilidad de cometer un error o (p) es menor que el
riesgo que estoy dispuesto a tomar (o), entonces acepto Ha
(rechazo H
o
).
Si la probabilidad de cometer un error o (p) es mayor que el
riesgo que estoy dispuesto a tomar (o),entonces rechazo Ha (no
rechazo H
o
).
Por qu? Porque no puedo PROBAR que existe una
diferencia con 95% de confianza! (No he superado la poca
visibilidad de mi suposicin inicial, H
o
)
451
Conceptos Clave: - Prueba de Hiptesis/ Datos Contnuos
H
o
: Las cosas son iguales (Status Quo)

H
a
: Las cosas son diferentes

La prueba de 1-cola busca probar si un conjunto muestral es mejor o peor que un
segundo conjunto muestral.

La prueba de 2-colas busca probar que un conjunto muestral es diferente de un
objetivo o de un segundo conjunto muestral. (La prueba de 2-colas: no es igual a)

La Prueba F es una Prueba de Hiptesis que compara las varianzas de diferentes
conjuntos muestrales. En Minitab, a la Prueba F se le llama Homogeneity of
Variance.

La Prueba de Bartlett es una Prueba de Hiptesis que compara las varianzas de
datos normales.

La Prueba de Levene es una Prueba de Hiptesis que compara las varianzas de
datos no-normales.

La prueba t es una Prueba de Hiptesis que compara las medias de un conjunto
muestral con un objetivo o con otros conjuntos muestrales.

La prueba-t 1 muestra compara una media muestral con una media de objetivo.

La prueba-t 2 muestras compara una media muestral con una segunda media
muestral.

La prueba- t de muestras relacionadas compara la diferencia de las medias de los
dos conjuntos muestrales de los mismos datos a travs de dos operaciones.
452
Comentarios sobre Hiptesis
Las Hiptesis representan la interpretacin de una pregunta prctica a una pregunta estadstica. De esta manera, el
problema del mundo real se representa en trminos que son apropiados para examinar y probar en forma cientfica. En
esencia, las hiptesis son afirmaciones relacionadas con los parmetros de una distribucin de probabilidad dada; es
decir, la media y/o la varianza. En otras palabras, las hiptesis son declaraciones que nos permiten representar todos los
resultados posibles anteriores a realizar una investigacin. Una vez concluida la investigacin estadstica,
simplementedejamos de rechazar o rechazamos cada hiptesis lo cual, a la vez, proporciona un fundamento slido para la
toma de decisiones prcticas en el mundo real.

Cuando se establece en su forma nula, el significado general de la hiptesis est asociado con la distibucin de eventos
aleatorios. Esta hiptesis en particular se conoce generalmente como hiptesis nula y se designa con H
o
. Con
frecuencia, se le llama hiptesis de mueco de paja. Su significado es sencillo--los parmetros del universo bajo
investigacin son iguales; es decir, no hay diferencia en el universo con relacin al parmetro de inters (media y/o
varianza).

En contraste directo con la hiptesis nula est la hiptesis alterna (H
a
). En este sentido, tales hiptesis generalmente se
asocian con distribuciones que son diferentes de las del azar y, como tal, se dice que son significativamente diferentes
desde el punto de vista estadstico de una distribucin aleatoria. Esto significa que cualquier diferencia observada en los
parmetros muestrales bajo investigacin no podran haber resultado por variaciones al azar inherentes a la muestra. Si
la diferencia observada en la muestra no puede ser explicada por variaciones aleatorias, entonces podemos concluir que
la participacin de la muestra es, de una manera u otra, diferente de las calificaciones necesarias para su participacin en
el universo de inters. As que, aceptamos la hiptesis alterna de desigualdad y concluimos que la muestra se obtuvo de
un universo extrao al que se est investigando.

Cuando se dejan de rechazar o se rechazan las hiptesis nulas y alternas, lo hacemos con un grado de conocimiento de
riesgo y confianza. Para lograr esto especificamos (antes de iniciar la investigacin) la magnitud de riesgo de la decisin
(o,|) y la sensibilidad de la prueba ( o/o) que es aceptable. Una vez realizado esto, tenemos la informacin necesaria
para determinar un tamao muestral racional. Existen las ecuaciones matemticas para este propsito; sin embargo,
debemos hacer un balance de tales clculos contra las limitaciones prcticas de costo, tiempo y disponibilidad de recursos
para poder llegar a un plan de muestreo racional.
453
Trminos de Prueba de Hiptesis
1. Hiptesis Nula (Ho) - afirmacin de no cambio o diferencia. Esta afirmacin se asume como cierta
hasta presentar evidencia suficiente para rechazarla.
2. Hiptesis Alterna (Ha) - afirmacin de cambio o diferencia. Esta afirmacin se asume cierta si Ho es
rechazada.
3. Error Tipo I - El error al rechazar Ho cuando es en realidad cierta o en decir que hay una diferencia
cuando,en realidad, no existe.
4. Riesgo Alfa - El mximo riesgo de probabilidad de cometer un Error Tipo I. Esta probabilidad
siempre es mayor que cero y generalmente se establece como 5%. El investigador toma sus decisiones
con el mximo nivel de riesgo aceptable para rechazar Ho.
5. Nivel de Significancia - Es lo mismo que el Riesgo Alfa.
6. Error Tipo II - El error de no rechazar Ho cuando en realidad es falsa, o en decir que no hay
diferencia cuando en realidad existe.
7. Riesgo Beta - El riesgo o probabilidad de cometer un Error Tipo II o de ignorar un tratamiento efectivo
o la solucin al problema.
8. Diferencia Significativa - Trmino utilizado para describir los resultados de una prueba de hiptesis
estadstica donde una diferencia es demasiado grande para atribuirla justificadamente al azar.
9. Poder - la habilidad de una prueba estadstica para detectar una diferencia real donde en realidad la
hay, o la probabilidad de acertar al rechazar Ho. Generalmente se usa para determinar si los tamaos
muestrales son suficientes para detectar una diferencia en las soluciones, si existen.
10. Estadstico de Prueba - un valor estandarizado (z, t, F, etc.) el cual representa la factibilidad de Ho,
y se distribuye de una forma conocida de tal manera que puede determinarse una probabilidad de este
valor observado. Generalmente, mientras ms factible sea Ho, ms pequeo ser el valor absoluto del
estadstico de prueba, y mayor ser la probabilidad de observar este valor dentro de su distribucin.
454
Riesgo Alfa
Verdadera
Aceptar
Ho Ha
Ho
Ha
Error
Tipo 1
o
Error
Tipo 2
|
Decisin
Correcta
Decisin
Correcta
Tambin llamado: Error Tipo I o
Riesgo del Productor
Rechazar H
o
cuando es verdadera
455
Verdadera
Aceptar
Ho Ha
Ho
Ha
Error
Tipo 1
o
Error
Tipo 2
|
Decisin
Correcta
Decisin
Correcta
Riesgo Beta
Tambin llamado:
Error Tipo II o
Riesgo del Consumidor
No rechazar H
o
cuando no es verdadera
456
Homogeneidad de Varianzas
Efectuar la Prueba
La Prueba F puede usarse para probar dos distribuciones
Minitab no efectuar la Prueba F directamente. Este utiliza la Prueba de Bartlett para Datos Normales. Sin embargo, los
clculos no son difciles para hacerlos en una calculadora. La frmula es:

F = s
1
2
/s
2
2
donde:
s
1
2
= varianza de una distribucin
(la mayor de las 2)
s
2
2
= varianza de la otra distribucin
(la menor de las 2)

NOTA: F es un estadstico y tiene su propia distribucin.

Comparar los valores calculados con el valor en tabla - F
crtica
. El valor crtico F se elige de una tabla F usando
n -1 (grados de libertad) para el numerador y el denominador. Si el valor calculado es mayor que el valor en tabla (F
crit
),
entonces rechazamos la hiptesis nula (H
o
) y decimos que las dos distribuciones son diferentes.
(Referencia pg. 11.14)
457
Qu es la F
crtica
?
Si quiere saber el valor crtico, puede buscarlo en la tabla. El valor depende del
nivel alfa y los GL para ambos, numerador y denominador (usar o de 0.05).

Cuando el valor calculado F excede al crtico F
o=.05
, el valor p ser menor a 0.05.
Un valor calculado F alto y un valor p bajo indican que al menos uno de los
niveles del factor es diferente de los dems.
458
Homogeneidad de Varianza
Interpretar los Resultados

Existen dos cuestiones importantes que observar:
Cuando se usa la prueba F, un nmero mayor indica una diferencia porque se us el
valor F. En contraste, cuando se usan las pruebas de Bartlett o de Levene, un nmero
menor indica una diferencia porque se us el estadstico de probabilidad (valor p).

La prueba indica exclusivamente la diferencia, no lo bueno de o lo malo de.
459
B8.3
Naturaleza de la Distribucin t

5%
gl = infinito
Distribucin de
Mediciones Individuales
z =
x

o
5%
gl = 4
Distribucin de
Mediciones Individuales
t =
x x
o
z = 1.645
t = 2.132
x

La Diferencia se
debe al cambio
en los grados de
libertad
Si se desconoce la distribucin del universo, podemos estimarla con una muestra aleatoria. Cuando el tamao muestral es infinito, no existe incertidumbre de
estimacin; por consiguiente, aplicamos la distribucin normal (z) para encontrar una probabilidad dada de oportunidad de ocurrencia. Sin embargo,
conforme disminuye el tamao muestral, nuestra incertidumbre aumenta; en consecuencia, debemos expandir el rango de prediccin para la misma
probabilidad. En otras palabras, debemos corregir z para compensar la prdida de grados de libertad.
Error estndar de la media
Copyright 1995 Six Sigma Academy Inc..
Observado - Esperado
(Referencia pg. 11.17)
460
B14.7
El Error Estndar de la Media
El error estndar de la media es la dispersin de la poblacin que estamos empleando para una
prueba en particular. Dado un conjunto muestral de datos, podemos calcular una media y una
desviacin estndar. La desviacin estndar dividida entre la raz cuadrada del tamao
muestral proporciona el error estndar de la media (esta divisin ajusta la curva para el tamao
muestral). Este es la nica informacin que necesitamos para trazar la curva normal para estos
datos.

Let o
X
= 1.0 o
X
=
1
n
oX =
oX
n
Distribution of Sampling Averages
X
X
Bsicamente una curva
de promedios
El error estndar de
la media se nivela despus
de 5 a 10 puntos aprox.
o
X
=
o
X
n
Distribucin de Promedios Muestrales
X
X
Si
461
B8.4
Distribucin T
60. 0% 70. 0% 80. 0% 90. 0% 95. 0% 97. 5% 99. 0% 99. 5%
1 0. 325 0. 727 1. 376 3. 078 6. 314 12. 706 31. 821 63. 657
2 0. 289 0. 617 1. 061 1. 886 2. 920 4. 303 6. 965 9. 925
3 0. 277 0. 584 0. 978 1. 638 2. 353 3. 182 4. 541 5. 841
4 0. 271 0. 569 0. 941 1. 533 2. 132 2. 776 3. 747 4. 604
5 0. 267 0. 559 0. 920 1. 476 2. 015 2. 571 3. 365 4. 032
6 0. 265 0. 553 0. 906 1. 440 1. 943 2. 447 3. 143 3. 707
7 0. 263 0. 549 0. 896 1. 415 1. 895 2. 365 2. 998 3. 499
8 0. 262 0. 546 0. 889 1. 397 1. 860 2. 306 2. 896 3. 355
9 0. 261 0. 543 0. 883 1. 383 1. 833 2. 262 2. 821 3. 250
10 0. 260 0. 542 0. 879 1. 372 1. 812 2. 228 2. 764 3. 169
11 0. 260 0. 540 0. 876 1. 363 1. 796 2. 201 2. 718 3. 106
12 0. 259 0. 539 0. 873 1. 356 1. 782 2. 179 2. 681 3. 055
13 0. 259 0. 538 0. 870 1. 350 1. 771 2. 160 2. 650 3. 012
14 0. 258 0. 537 0. 868 1. 345 1. 761 2. 145 2. 624 2. 977
15 0. 258 0. 536 0. 866 1. 341 1. 753 2. 131 2. 602 2. 947
16 0. 258 0. 535 0. 865 1. 337 1. 746 2. 120 2. 583 2. 921
17 0. 257 0. 534 0. 863 1. 333 1. 740 2. 110 2. 567 2. 898
18 0. 257 0. 534 0. 862 1. 330 1. 734 2. 101 2. 552 2. 878
19 0. 257 0. 533 0. 861 1. 328 1. 729 2. 093 2. 539 2. 861
20 0. 257 0. 533 0. 860 1. 325 1. 725 2. 086 2. 528 2. 845
21 0. 257 0. 532 0. 859 1. 323 1. 721 2. 080 2. 518 2. 831
22 0. 256 0. 532 0. 858 1. 321 1. 717 2. 074 2. 508 2. 819
23 0. 256 0. 532 0. 858 1. 319 1. 714 2. 069 2. 500 2. 807
24 0. 256 0. 531 0. 857 1. 318 1. 711 2. 064 2. 492 2. 797
25 0. 256 0. 531 0. 856 1. 316 1. 708 2. 060 2. 485 2. 787
26 0. 256 0. 531 0. 856 1. 315 1. 706 2. 056 2. 479 2. 779
27 0. 256 0. 531 0. 855 1. 314 1. 703 2. 052 2. 473 2. 771
28 0. 256 0. 530 0. 855 1. 313 1. 701 2. 048 2. 467 2. 763
29 0. 256 0. 530 0. 854 1. 311 1. 699 2. 045 2. 462 2. 756
30 0. 256 0. 530 0. 854 1. 310 1. 697 2. 042 2. 457 2. 750
40 0. 255 0. 529 0. 851 1. 303 1. 684 2. 021 2. 423 2. 704
60 0. 254 0. 527 0. 848 1. 296 1. 671 2. 000 2. 390 2. 660
120 0. 254 0. 526 0. 845 1. 289 1. 658 1. 980 2. 358 2. 617
0. 253 0. 524 0. 842 1. 282 1. 645 1. 960 2. 326 2. 576
gl
inf
Igual que la tabla Z?Por qu?
Nivel de Confianza (1 - o)
462
B14.8
La Distribucin t cuando se utiliza 1 cola
Hay un 95% de certeza de que la media del universo real ser menor que el LSC (Lmite Superior de Control). Si observamos un promedio
muestral mayor al LSC, podemos concluir que tal evento solamente podra ocurrir en 5 de 100 oportunidades aleatorias (variaciones
muestrales).
5%
gl = 4
Distribucin de
Promedios Muestrales
t = 2.132
LSC
Rechazar
H
o
Aceptar
H
o
X
Riesgo
95%
I ntervalo de Confianza
95%


LSC = X + t o
o
n
LSC = X + 2.132
o
5
463
B14.9
La Distribucin t cuando se utilizan 2 colas
Hay un 95% de certeza de que el universo real est contenido dentro del intervalo de confianza dado. Si observamos un promedio muestral mayor
que el LSC o menor que el LIC, podemos concluir que tal evento podra ocurrir 5 veces de 100 por oprtunidad aleatoria (variaciones muestrales).
2.5%
gl = 4
Distribucin de Promedios Muestrales
LSC
X
2.5%
95%
LIC
I ntervalo de
Confianza 95%
Riesgo Riesgo

t = 2.776 t = 2.776
Nota: La Tabla T es para la mitad
de la curva, as que utilice el
valor 97.5% de la tabla.
LIC = X t
o
/2
o
n
LIC = X 2.776
o
5
LSC = X + t
o
/2
o
n
LSC = X + 2.776
o
5
Rechazar
H
o
Aceptar
H
o
Rechazar
H
o
464
Prueba de Normalidad para el ejemplo del Caja
Inferior de la Transmisin -
Stat>Basic Statistics>Normality Test
Valor p < .05; rechazar H
o
H
o
: Los datos son normales
H
a
: Los datos son no-normales
Nota: El Cap. 7 explica como
manejar datos no-normales
Los datos son no-normales
La Distribucin parece ser
bi-modal. Si es as, no puede
transformarse a datos normales
465
OBJ ETIVOS:
Hacer nfasis en el uso de grficas para el anlisis de datos
discretos.
Comprender el uso de los intervalos de confianza para
proporciones y calcular intervalos de confianza para 1 y 2 muestras
Comprender el uso del anlisis de Ji-cuadrada para proporciones
mltiples y Tablas de Contingencia.
Utilizar Minitab para graficar datos y realizar anlisis
Intervalos de Confianza y Prueba de Hiptesis
para Datos Discretos
PROPOSITO:
En el ltimo captulo discutimos el anlisis de datos de respuesta
continuos con grficas, intervalos de confianza y prueba de hiptesis.
En este captulo analizaremos datos de respuesta discretos con
grficas, intervalos de confianza y varias pruebas estadsticas sobre
proporciones.
466
Mapa para Datos Discretos
Herramienta Valor

1. Pareto - Encontrar los tipos de defectos de las Pocas
Vitales.

2. Grficas - Encontrar patrones para determinar cules X
afectan los defectos.

3. Intervalos de Confianza - Cuantificar la variacin para determinar si un
y Prueba de Hiptesis cambio es estadsticamente significativo.
para Proporciones
Cuatro Tipos:
1 muestra, p cercana a .5
2 muestras, p cercana a .5
1 muestra, p<.1
2 muestras, p<.1

4. Pruebas Ji-Cuadrada (_
2
) - Comparar ms de 2 proporciones.
- Estudiar la relacin entre 2 variables.

467

n es el tamao de la muestra
k es el nmero de defectuosos en la muestra
p = k/n es la proporcin defectuosa en la muestra
P es la proporcin defectuosa en la poblacin (sta es desconocida)
>

Problema: Reducir la proporcin (porcentaje) de llamadas de servicio
de clientes.

Cuando tratas con variables de respuesta discretas, ests interesado
en cmo la proporcin defectuosa cambia con diferentes valores de
las variables X potenciales.

Notacin:
468
p + z p(1-p)/n
>

>

>

z p(1-p)
>

>

(p
1
- p
2
) +
1 1
n
1
n
2
+
_
2
(Ji-cuadrada)
Prueba
Binomial Exacta
Intervalo de
Confianza de
Poisson
Aproximacin Aproximacin
Normal Poisson
1 Proporcin

Comparar 2
Proporciones

Ms de 2
Proporciones
(Tablas de
Contingencia)
n grande (tamao muestral)
p no muy cercana a 0 o 1
np>10 y n(1-p)>10

proporcin defectuosa
pequea (p<0.10)

>

>

La tabla de abajo resume los mtodos que usaremos en este captulo.
469
La siguiente grfica muestra cuando usar la binomial o su aproximacin a
la Normal o a la Poisson. El mtodo apropiado depende del tamao de la
muestra y la proporcin defectuosa.
NOTA: Ji-cuadrada debe usarse para comparar ms de 2 proporciones o para 2 variables X.
0 50 100 150 200 250
Tamao muestral grande
Proporcin defectuosa no muy pequea
y no muy grande
[ np>10 y n(1-p)>10 ]
Usar la Aproximacin Normal
p = 10/n
n=20
p=.10
Obtener ms datos
o usar el mtodo
Binomial Exacto
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
P
r
o
p
o
r
c
i
n

Tamao de Muestra
Usar la Aproximacin
de Poisson
p = 1-10/n
470
Adicionalmente, usaremos los siguientes valores Z importantes
(obtenidos de la tabla Normal):

-1.645 1.645
90% 5% 5%

Nivel de Nivel de
Confianza Confianza
Z 2 - Lados 1 - Lado
1.282 80% 90%
1.645 90% 95%
1.960 95% 97.5%
2.326 98% 99%
2.576 99% 99.5%
471
Aproximacin Normal : 1 Proporcin
(n grande, np>10, n(1-p)>10)
Ejemplo: Exactitud de las quejas de seguros
80,000 registros en una base de datos de seguros
2,000 registros son muestreados para ver su exactitud
(n)
1,400 (70%) son exactos
600 (30%) son inexactos (# de defectos, k)
Interpretacin: La proporcin de registros inexactos en la poblacin de
80,000 registros en total estar entre 28% y 32% con un nivel de confianza
de 95%.

p + z
.95
p ( 1 - p ) / n
= .300 + 1.96 .3 ( 1 - .3 ) / 2000 = .300 + .020
= (.280 , .320) o 28% a 32%
^ ^ ^
La estimacin ms probable de la proporcin que es inexacta es:
# defectuosos/tamao muestral = k/n= 600/2000 = .30 o 30%
Un intervalo de confianza de 2 lados del 95% para la proporcin que es inexacta
en los 80,000 registros es:
472
Aproximacin Normal : 1
Proporcin
(n grande, np>10, n(1-p)>10)
Ejercicio en Clase: Volado con una moneda

Tire una moneda 50 veces.
Registre el # de guilas.
Calcule un intervalo de confianza de 90%, de dos lados, para la
proporcin de guilas.

Qu es p?
Qu Z deberas usar?
Cul es el Intervalo de Confianza?
p=.50 est dentro del Intervalo de
Confianza?
>

473
Comparar 2 Proporciones
(Qu es un rango de valores confiables para la
diferencia) Ejemplo: Solucin de quejas de clientes a la primera llamada

Un departamento de Atencin a Clientes puso a prueba un
programa que le da ms autoridad a sus recepcionistas para atender
quejas. Determinar si el nuevo programa mejora, con un 95% de
confianza, las quejas solucionadas a la primera llamada.
Nmero de defectuosos k
1
= 120 k
2
= 80 k
1
+ k
2
=
Tamao Muestral n
1
= 400 n
2
= 400 n
1
+ n
2
=
Proporcin defectuosa p
1
= k
1
/n
1
p
2
= k
2
/n
2
p = (k
1
+k
2
)
= = (n
1
+n
2
)
=
Viejo Proceso (1) Nuevo Proceso (2) Total
>

>

>

474
Comparar 2 Proporciones
(Qu es un rango de valores confiables para la
diferencia) Ejemplo: Solucin de quejas de clientes a la primera llamada
Clculo de los Intervalos de Confianza:
Interpretacin: La estimacin ms probable es que el % resuelto es 10% ms bajo con el nuevo
programa de autoridad (reducido de 30% a 20%). Tenemos 95% de confianza de que el % resuelto
al menos un 4% ms bajo y cuando ms un 16% ms bajo.

*defectuosos: en la prueba binomial designa la variable de inters, en este caso solucin de quejas
1.96 .250 (1-.250)
1 1
n
1
n
2
z p(1-p)
(p
1
- p
2
) +
+
1 1
400 400
=

= 0.100 + 0.060

= (0.040,0.160)
(.300 - .200) +
+
No. de *defectuosos k
1
= 120 k
2
= 80 k
1
+ k
2
= 200
Tamao Muestral n
1
= 400 n
2
= 400 n
1
+ n
2
= 800
1
= k
1
/n
1
p
2
= k
2
/n
2
p = (k
1
+k
2
)
= .300 = .200 (n
1
+n
2
)
= .250
>

>

>

Viejo Proceso (1) Nuevo Proceso (2) Total
^ ^ ^ ^
475
Algo para reflexionar
Suponga que en la pgina anterior queramos un intervalo
de confianza que fuera de + .030, en lugar de + .060. Qu
tan grande debe ser la muestra de ambas poblaciones?
476
Test and Confidence Interval for One Proportion
Test of p = 0.5 vs p not = 0.5
Exact
Sample X N Sample p 95.0 % CI P-Value
1 600 2000 0.300000 (0.279972, 0.320616) 0.000
De acuerdo con el Mapa para Datos Discretos se puede construir el intervalo de
confianza bajo la distribucin Normal, use Options y llene la caja de dilogo
correspondiente.
Usando Minitab para Proporciones
> Stat > Basic Statistics > 1 Proportion
477
Usando Minitab para Proporciones

> Stat > Basic Statistics > 2 Proportions
Test and Confidence Interval for Two Proportions

Sample X N Sample p
1 48 214 0.224299
2 3281 36054 0.091002

Estimate for p(1) - p(2): 0.133297
95% CI for p(1) - p(2): (0.0773320, 0.189261)
Test for p(1)-p(2) = 0 (vs not = 0): Z = 6.73 P-Value =0.000
p
2

p
1
478
Aproximacin de Poisson: 1
Proporcin
(n grande, pocas fallas)
Ejemplo: Proporcin de proveedores que se les paga con retraso
n = 42 muestras (# de facturas pasadas por auditora)
k = 1 falla (pago retrasado)
La estimacin ms probable de la proporcin de fallas es:
k/n = 1 / 42 = .024 o 2.4%
En situaciones donde tenemos una tasa de fallas baja, la Aproximacin
Normal no es exacta.

Usar la Aproximacin de Poisson para generar un intervalo de
confianza para una proporcin.
Vea el mapa de Datos Discretos con n = 42 y p = 0.024
479
nmero de
fallas (k) inferior superior inferior superior inferior superior
0 0.000 2.303 0.000 2.996 0.000 3.689
1 0.105 3.890 0.051 4.744 0.025 5.572
2 0.532 5.322 0.355 6.296 0.242 7.225
3 1.102 6.681 0.818 7.754 0.619 8.767
4 1.745 7.994 1.366 9.154 1.090 10.242
5 2.433 9.275 1.970 10.513 1.623 11.668
6 3.152 10.532 2.613 11.842 2.202 13.059
7 3.895 11.771 3.285 13.148 2.814 14.423
8 4.656 12.995 3.981 14.435 3.454 15.763
9 5.432 14.206 4.695 15.705 4.115 17.085
10 6.221 15.407 5.425 16.962 4.795 18.390
11 7.021 16.598 6.169 18.208 5.491 19.682
12 7.829 17.782 6.924 19.443 6.201 20.962
13 8.646 18.958 7.690 20.669 6.922 22.230
14 9.470 20.128 8.464 21.886 7.654 23.490
15 10.300 21.292 9.246 23.097 8.395 24.740
16 11.135 22.452 10.036 24.301 9.145 25.983
80% bilateral 90% bilateral 95% bilateral
2
2 / 1 ), 1 ( 2
2
2 / , 2
) 2 / 1 (
) 2 / 1 (
o
o
_
_
+
=
=
k s
k i
Fuente: Sahai, Martnez, Tablas y Frmulas Estadsticas, Grupo Editorial Iberoamrica, Mxico 1996
Proporcin
Archivo: Poisson.xls
Para calcular un intervalo de confianza de 90%, de 2 lados, para la proporcin
defectuosa:
1. Buscar los factores ms bajos y ms altos para 1 falla en la tabla (.051 y
4.744).
2. Dividir estos entre el tamao muestral:
Lmite inferior = .051/ 42 = .00121 o .121%
Lmite superior = 4.744/ 42 = .113 o 11.3%
Un rango de valores confiables para la proporcin de proveedores que se les
paga con retraso es (.121%, 11.3%)
480
Supn que tomaste 10 veces ms muestras y encontraste 10 veces
ms defectos.

El intervalo de confianza ahora es:

Lmite Inferior = 5.425/420 = .0129 o 1.29%
Lmite Superior = 16.96/420 = .0404 o 4.04%

Compare los dos intervalos de confianza:
Efecto de un tamao muestral ms grande
Tamao
Muestral (n)
Nmero de
Fallas (k)
Estimacin ms
probable (k/n)
Intervalo de
Confianza de
90% de 2 lados
42
420
1
10
2.4%
2.4%
(.121,11.3)
(1.29,4.04)
Este es un nuevo rango (1.29%, 4.04%) y es ms estrecho -- debido al tamao
muestral ms grande.
481
Ahora Usando Minitab para Proporciones
> Stat > Basic Statistics > 1 Proportion
Test and Confidence Interval for One Proportion
Test of p = 0.5 vs p not = 0.5
Exact
Sample X N Sample p 90.0 % CI P-Value
1 10 420 0.023810 (0.012973, 0.040052) 0.000
El intervalo Minitab es
prcticamente igual que el
intervalo original de
(.0129, .0404), aunque Minitab
usa una aproximacin diferente.
Llene segn se muestra en
la caja de dialogo:
pruebas = 420
resultados de inters = 10
1 - o = 0.90
482
Ejercicio en Clase: Prueba de Campo para fallas de motor
Se probaron 300 unidades en una prueba de campo durante un ao.
Hubieron dos fallas de motor.

Tu tarea es calcular un intervalo de confianza de dos lados de 95%,
para la proporcin de fallas de motor en la poblacin.

Cul es la n?

Cul es la k?

De la tabla, Cul es el lmite inferior para la proporcin defectuosa?

Cul es el lmite superior para la proporcin defectuosa?

Proporcin
483
Prueba Binomial Exacta: Comparar 2
proporciones pequeas

Ejemplo: Puntos negros sobre una superficie pintada
Un departamento de pintura est comparando los defectos provenientes de
diferentes proveedores de pintura en polvo.

Determinar si existe suficiente evidencia con un 95% de nivel de confianza, de
que los dos procesos son diferentes.

1
= 3 k
2
= 10 k
1
+ k
2
=
Tamao Muestral n
1
= 100 n
2
= 100 n
1
+ n
2
=
1
= k
1
/n
1
p
2
= k
2
/n
2
p = (k
1
+k
2
)
= = (n
1
+n
2
)
=
Proveedor 1 Proveedor 2 Total
>

>

>

Usar el mtodo Binomial Exacto para comparar la proporcin de defectos de los 2
procesos, cuando la tasa de fallas es baja.
484

Ejemplo: Puntos negros sobre una superficie pintada

1
= 3 k
2
= 10 k
1
+ k
2
= 13
Tamao Muestral n
1
= 100 n
2
= 100 n
1
+ n
2
= 200
1
= k
1
/n
1
p
2
= k
2
/n
2
p = (k
1
+k
2
)
= .03 = .10 (n
1
+n
2
)
= .065
Proveedor 1 Proveedor 2 Total
>

>

>

Lgica de la Prueba:
Si los 2 procesos son los mismos, entonces esperamos que los defectos
estarn dispersos aleatoriamente entre las 2 muestras.

Con tamaos muestrales iguales (n
1
=100, n
2
=100), esperamos que los defectos
estarn repartidos en una relacin 50/50, o sea 6.5% de cada proveedor.

Una desviacin grande de la relacin 50/50 nos da evidencia de que los 2
procesos son diferentes.
485
Queremos determinar si la relacin 3/10 (contra 6.5/6.5) es estadsticamente
significativa.

El nmero en cada grupo tendr una distribucin de probabilidad Binomial.

Usaremos Minitab para calcular la oportunidad de una reparticin de 3/10 o
mayor. La hiptesis nula (p=.50) es verdadera?

Reiniciar Minitab
Nombrar C1 como Number of defects, e introducir 0, 1, 2, 3,..., 12, 13

Para generar una probabilidad acumulativa:
Calc>Probability Distributions>Binomial
486
Llenar la caja de dilogo como se muestra
:
k
1
+k
2
= 3 + 10 = 13
n
1
/(n
1
+n
2
)
= 100/200 = .5
Nmero de defectos
La distribucin acumulativa aparece en la Ventana Session:
Si las dos poblaciones son iguales
(p=.50), entonces la probabilidad de 3 o
menos fallas en una muestra es de
.0461.
Tenemos 100(1-.0461) = 95.39% de confianza (un-lado) de que la pintura del
Proveedor 1 produce menos defectos que la pintura del Proveedor 2.
Hacer click en
Cumulative
487
La Prueba Ji-Cuadrada...
Anlisis de Proporciones: Muestras Mltiples
Ejemplo: Los datos muestran la incidencia de daos para 998 accidentes que
involucran impacto contra semforos. De inters para el analista es si existen
probabilidades diferentes de daos en distintos lugares del pas.
Considerando que estas son muestras
independientes de cinco poblaciones binomiales,
el analista desea probar las hiptesis
H
o
: p
1
= p
2
= p
3
= p
4
= p
5
H
a
: Al menos dos de las p
i
difieren
( )
= =
=
r
i
c
j
ij
ij ij
F
F O
1 1
2
2
_
Cul es el criterio de rechazo? Rechazar si el valor calculado:
Es mayor que el valor en tabla con (c-1) grados de libertad.
De igual forma rechazar si el valor p es menor que 0.05.
donde: O
ij
es la frecuencia observada, F
ij
es la frecuencia
esperada, r es el nmero de renglones y c es el nmero
de columnas. Todas las F
ij
> 1 y al menos 80% de todas
las F
ij
> 5 ; si esta condicin no se cumple, combine
columnas hasta que sea satisfecha.
Consecuencia 1 2 3 4 5 Total
Daos 35 6 16 10 4 71
Sin daos 47 280 265 268 67 927
Total 82 286 281 278 71 998
Localizacin Geogrfica
488
Abra el archivo
Accidentes.mtw
En la ruta de anlisis
Stat/Tables/Chi-Square Test
llenar la caja de dilogo
como se indica
489
La ventana de salida produce
Chi-Square Test
Expected counts are printed below observed counts

LOC 1 LOC 2 LOC 3 LOC 4 LOC 5 Total
1 35 6 16 10 4 71
5.83 20.35 19.99 19.78 5.05

2 47 280 265 268 67 927
76.17 265.65 261.01 258.22 65.95

Total 82 286 281 278 71 998

Chi-Sq =145.822 + 10.116 + 0.797 + 4.834 + 0.219 +
11.169 + 0.775 + 0.061 + 0.370 + 0.017 = 174.178
DF = 4, P-Value = 0.000
El valor de tabla para alfa = 0.05 y 5 -1 = 4 grados de libertad es 9.49. El estadstico
calculado = 174.178 es mayor que el valor de tabla, por tanto se rechaza H
o
. De
igual forma el valor p calculado es menor a 0.05.
La salida
muestra las
frecuencias
observadas y
esperadas y la
contribucin
de cada celda
en el clculo
del estadstico.
Se concluye que los cinco lugares del pas difieren
significativamente en la probabilidad de dao.
490
La ecuacin Ji-Cuadrada para tablas de 2-Vas:
Anlisis de Tablas de Contingencia
Este anlisis investiga relaciones entre dos clasificaciones de una observacin. La
hiptesis estadstica que usualmente es de inters es si las clasificaciones de
rengln y columna son independientes. Relaciones entre las clasificaciones se
establecen mediante el rechazo de la hiptesis de independencia.
( )
= =
=
r
i
c
j
ij
ij ij
F
F O
1 1
2
2
_
Donde
O
ij
= frecuencia observada
F
ij
= frecuencia esperada
r = nmero de renglones
c = nmero de columnas
H
o
: Independencia de las clasificaciones
(No existe relacin entre las clasificaciones)
H
a
: Dependencia de la clasificaciones
(S existe una relacin entre las clasificaciones)
Todas las F
ij
> 1 y al menos
el 80% de las F
ij
> 5. Si esta
condicin no se cumple,
combine renglones o
columnas hasta que sea
satisfecha. El estadstico
calculado tiene (r-1)(c-1)
grados de libertad.
Criterio de Rechazo:
Rechazar H
o
(las clasificaciones son independientes) cuando p < 0.05 o si el
estadstico calculado es mayor que un valor crtico de una tabla con (r-1)(c-1)
grados de libertad.
491
Anlisis de Tablas de Contingencia
Ejemplo: Los datos clasifican 991 accidentes de acuerdo con la localizacin del
impacto sobre el vehculo y la severidad del dao. Interesa si hay una relacin
entre la severidad del dao y la localizacin del impacto.
La prueba de independencia en una tabla
de contingencia es muy similar a la prueba
de igualdad de proporciones. Este es una
generalizacin de aquel procedimiento en
el cual xito y falla pueden
reemplazarse por tres o ms
clasificaciones.
Abra el archivo Dao.mtw
El primer paso es graficar los datos
Localizacin
del Impacto Ninguna Menor Severa Total
Frontal 244 340 141 725
Izquierdo 59 46 18 123
Derecho 66 41 18 125
Trasero 11 5 2 18
Total 380 432 179 991
Severidad del dao
492
El primer paso es
graficar los datos.
Graph>Plot
Llenar la caja Data Display
Tambin tiene
como alternativa
para la grfica
493
Parece haber una
dependencia entre la
localizacin del impacto
y la severidad del dao.
El impacto en la parte
frontal es ms grande sin
importar la severidad del
dao
El dao severo es ms
pequeo sin importar la
localizacin del impacto
494
Stat>Tables>Cross Tabulation
495
Tabulated Statistics
Rows: Impacto Columns: Dao
1 2 3 All

1 244 340 141 725
278.00 316.04 130.95 725.00

2 59 46 18 123
47.16 53.62 22.22 123.00

3 66 41 18 125
47.93 54.49 22.58 125.00

4 11 5 2 18
6.90 7.85 3.25 18.00

All 380 432 179 991
380.00 432.00 179.00 991.00

Chi-Square = 26.625, DF = 6, P-Value = 0.000
1 cells with expected counts less than 5.0
Cell Contents --
Count
Exp Freq
Comparar con el valor
crtico de la tabla para
6 grados de libertad y
alfa = 0.05, en este
caso, 12.592. As,
26.625 > 12.592,
entonces se rechaza
la hiptesis de
independencia entre
la severidad del dao
y la localizacin del
impacto.
Grados de libertad = (4-1)(3-1)
Valor p < 0.05
O
ij
= frecuencia
observada
F
ij
=

frecuencia
esperada
F
ij
= 725 x179
991
= 130.95
496

Ejemplo: Defectos de Refrigeradores

Queremos clasificar los defectos encontrados en refrigeradores producidos en
cierta planta de fabricacin de acuerdo a:
(1) tipo de defecto
(2) turno de produccin

Un total de n = 309 defectos de refrigeradores fueron registrados durante 3 turnos.
Los defectos fueron clasificados de acuerdo a una de 4 categoras (1, 2, 3 y 4).
Pruebe la hiptesis nula H
o
: el tipo de defecto es independiente del turno, contra la
hiptesis alterna H
a
: los tipos de defectos son dependientes del turno, con un 95%
de confianza.

Defecto 1: Abolladuras
Defecto 2: Fuga en el sistema de gas
Defecto 3: Falla en el interruptor del congelador
Defecto 4: Partes faltantes

TURNO 1 2 3 4 TOTAL
1 15 21 45 13 94
2 26 31 34 5 96
3 33 17 49 20 119
TOTAL 74 69 128 38 309
TIPO DE DEFECTO
497
Hiptesis
H
o
: Los mtodos de clasificacin turno y tipo de defecto son independientes
H
a
: Los mtodos de clasificacin y tipo de defecto son dependientes


Rechazar si el valor calculado:
es mayor que el valor en tabla, con
(r-1)(c-1) = (3-1)(4-1)=6 grados de libertad

De igual forma, rechazar si el valor p es menor que .05.

Introduzca los datos en Minitab en el formato mostrado abajo :
( )
= =
=
r
i
c
j
ij
ij ij
F
F O
1 1
2
2
_
Ahora que
tenemos los
datos,
Cul es el
primer
paso?
498
GRAFICARLOS!
Graph>Plot
Llenar la caja Data display
499
Interpretacin:
Parece haber una dependencia entre el tipo de defecto y el turno.

El Defecto 2 es ms alto que lo esperado en Turno 2.
El Defecto 2 es ms bajo que lo esperado en Turno 3.
El Defecto 4 es ms bajo que lo esperado en Turno 2.
GRAFICARLOS!
500
La Prueba Ji-
Cuadrada...
501
Las celdas con un gran St Resid no se ajustan al patrn de las otras celdas y
tienen gran influencia sobre el valor total de Ji-Cuadrada.
O
ij
, frecuencia
observada
F
ij
, frecuencia esperada

(total en filas) x (total en columnas)
gran total

94 x 38
309
gl = (3-1)(4-1)
El cuadrado del
residual estndar es
la contribucin de esa
celda en el valor
calculado de _
2
.

Comparar con el valor en tabla de la
siguiente pgina. p < .05 as que
existe dependencia
F
ij =
F
ij = = 11.56
Residual
estndar
ij
ij ij
F
F O
58 . 1
51 . 22
51 . 22 15
=
( )
= =
=
r
i
c
j
ij
ij ij
F
F O
1 1
2
2
_
502
gl .250 .100 .050 .025 .010 .005 .001
1 1.323 2.706 3.841 5.024 6.635 7.879 10.828
2 2.773 4.605 5.991 7.378 9.210 10.597 13.816
3 4.108 6.251 7.815 9.348 11.345 12.838 16.266
4 5.385 7.779 9.488 11.143 13.277 14.860 18.467
5 6.626 9.236 11.070 12.832 15.086 16.750 20.515
6 7.841 10.645 12.592 14.449 16.812 18.548 22.458
7 9.037 12.017 14.067 16.013 18.475 20.278 24.322
8 10.219 13.362 15.507 17.535 20.090 21.955 26.125
9 11.389 14.684 16.919 19.023 21.666 23.589 27.877
10 12.549 15.987 18.307 20.483 23.209 25.188 29.588
11 13.701 17.275 19.675 21.920 24.725 26.757 31.264
12 14.845 18.549 21.026 23.337 26.217 28.300 32.909
13 15.984 19.812 22.362 24.736 27.688 29.819 34.528
14 17.117 21.064 23.685 26.119 29.141 31.319 36.123
15 18.245 22.307 24.996 27.488 30.578 32.801 37.697
16 19.369 23.542 26.296 28.845 32.000 34.267 39.252
17 20.489 24.769 27.587 30.191 33.409 35.718 40.790
18 21.605 25.989 28.869 31.526 34.805 37.156 43.312
19 22.718 27.204 30.144 32.852 36.191 38.582 43.820
20 23.828 28.412 31.410 34.170 37.566 39.997 45.315
21 24.935 29.615 32.671 35.479 38.932 41.401 46.797
22 26.039 30.813 33.924 36.781 40.289 42.796 48.268
23 27.141 32.007 35.172 38.076 41.638 44.181 49.728
24 28.241 33.196 36.415 39.364 42.980 45.558 51.179
25 29.339 34.382 37.652 40.646 44.314 46.928 52.620
26 30.434 35.563 38.885 41.923 45.642 48.290 54.052
27 31.528 36.741 40.113 43.194 46.963 49.645 55.476
28 32.620 37.916 41.337 44.461 48.278 50.993 56.892
29 33.711 39.087 42.557 45.722 49.588 52.336 58.302
30 34.800 40.256 43.773 46.979 50.892 53.672 59.703
40 45.616 51.805 55.758 59.342 63.691 66.766 73.402
50 56.334 63.167 67.505 71.420 76.154 79.490 86.661
60 66.981 74.397 79.082 83.298 88.379 91.952 99.607
70 77.577 85.527 90.531 95.023 100.425 104.215 112.317
80 88.130 96.578 101.879 106.629 112.329 116.321 124.839
90 98.650 107.565 113.145 118.136 124.116 128.299 137.208
100 109.141 118.498 124.342 129.561 135.807 140.169 149.449
Distribucin de Ji-Cuadrada
(r-1)(c-1) = gl donde r = # de filas y c = # de columnas
503
Tu proyecto es reducir las llamadas de servicio para equipo de hospitales. Hay 5
hospitales, todos utilizan los mismos 3 tipos de equipo; MR (1), CT (2), y X-Ray (3).
Tu tratas de determinar si existe una relacin entre los hospitales y el tipo de equipo
que est generando las llamadas de servicio.

Introducir los datos de abajo en Minitab
Ejercicio en Clase: Reduccin en llamadas de servicio
La Prueba Ji-
Cuadrada...
504
Pasos a seguir en el anlisis:

Graficar los datos e interpretar las grficas

Calcular los grados de libertad

Hacer una Tabulacin Cruzada

Sacar conclusiones
505
p + z p(1-p)/n
>

>

>

z p(1-p)
>

>

(p
1
- p
2
) +
1 1
n
1
n
2
+
_
2
(Ji-cuadrada)
Prueba
Binomial Exacta
Intervalo de
Confianza de
Poisson
Aproximacin Aproximacin
Normal Poisson
1 Proporcin

Comparar 2
Proporciones

Ms de 2
Proporciones
(Tablas de
Contingencia)
p no muy cercana a 0 o 1
np>10 y n(1-p)>10

proporcin defectuosa
pequea (p<0.10)

>

>

La tabla de abajo resume los mtodos que hemos usado en este captulo.
506
La siguiente grfica muestra cuando usar la binomial o su aproximacin a
la Normal o a la Poisson. El mtodo apropiado depende del tamao de la
muestra y la proporcin defectuosa.
NOTA: Ji-cuadrada debe usarse para comparar ms de 2 proporciones o para 2 variables X.
0 50 100 150 200 250
Tamao muestral grande
Proporcin defectuosa no muy pequea
y no muy grande
[ np>10 y n(1-p)>10 ]
Usar la Aproximacin Normal
p = 10/n
n=20
p=.10
Obtener ms datos
o usar el mtodo
Binomial Exacto
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
P
r
o
p
o
r
c
i
n

Tamao de Muestra
Usar la Aproximacin
de Poisson
p = 1-10/n
507
Conceptos Clave
Intervalos de Confianza y Pruebas
de Hiptesis para Datos Discretos

Para las proporciones no cercanas a 0.0 o 1.0, usar la aproximacin
Normal para calcular los intervalos de confianza de 1-muestra y las
pruebas de hiptesis de 2-muestras.
Para proporciones pequeas (p<.10) usar las tablas de aproximacin
de Poisson o los mtodos de Binomial Exacto para calcular los
intervalos de confianza para 1-muestra y las pruebas de hiptesis de
2-muestras.
Si tiene una tabla de 2-vas, grafica los datos primero y busca una
relacin. Despus de graficarlos, corre una prueba Ji-cuadrada de
significancia para determinar si las diferencias observadas se deben al
azar.
508
Proporcin
( n grande, pocas fallas)
Los nmeros en la tabla son los valores de que satisfacen:

( )
o
k
i
i
i
e
0
!
Donde o es el nivel de confianza o es (1 - el nivel de confianza)
509
Primero Graficar los
Datos
Graph >Plot
Llenar Item 1 bajo Data Display
como se muestra para generar
un smbolo nico para cada tipo
de equipo
Grficamente, parece que puede haber una relacin
entre los hospitales 4 y 5 y las llamadas de servicio acerca del equipo
Llenar Item 2 bajo Data
Display como se muestra para
generar una lnea nica que
conecte cada tipo de equipo
510
511
Reporte de la Ventana Sesin para la Tabulacin Cruzada
Existe una dependencia!
Nota: esto no significa que haya una dependencia buena o mala
Valor p < .05,
rechazar H
o
La diferencia significativa se debe principalmente al Hospital 5.
512
Prueba Exacta de Independencia de Fisher
(n pequea, pocas fallas)
En general,una tabla de contingencia 2x2 observada es:
Tabla de
contingencia 2x2
Presencia de
atributo 2 (fallas)
Ausencia de
atributo 2 (exitos)
Total
Presencia de
atributo 1
a b a+b
Ausencia de
atributo 1
c d c+d
Total a+c b+d n=a+b+c+d
La Prueba Exacta de Independencia de Fisher es un mtodo de analizar tablas de
contingencia cuando el tamao de muestra es pequeo para poder realizar una prueba
aproximada Ji cuadrada. La prueba se llama exacta porque, a diferencia de los anlisis
basados en la aproximacin con la Ji cuadrada, las probabilidades se basan en el clculo
exacto.
La prueba de Hiptesis a probar es:
H
o
: La proporcin promedio de (a/a+b) es igual a la proporcin promedio de (c/c+d); (La
presencia o ausencia del atributo 1 da igual resultado)
H
a
:La proporcin promedio de (a/a+b) es diferente a la proporcin promedio de (c/c+d); (La
presencia del atributo 1 da resultado diferente)
Ejemplo: Se sospecha que recubrir un componente electrnico disminuye sus fallas, se
evalo mediante un experimento, que result en:
xitos - fallas con
18 componentes
Fallas No fallas Total
Protegido 2 8 10
No protegido 5 3 8
Total 7 11 18
513
Para analizar esta tabla de contingencia usamos un macro en Minitab que se llama fisher.mac y que
se invoca usando la expresin %FISHER.Antes de correr el macro, almacene los siguientes valores
en las columnas indicadas:
Columnas Argumento
C11 xitos totales esperados, b+d
C12 fallas totales esperadas, a+c
C13 tamao de muestra de la presencia del atributo 1, a+b
C14 nmero observado de xitos en presencia del atributo 1, b
Despus de alimentar estos 4 valores pase a la ventana sesin y marque la secuencia:
Editor>Enable Command Language, aparecer un indicador:
MTB > Ahora ejecute el macro: MTB > %FISHER. Obtendr en la ventana de sesin:
Data Display
Row TOTSUCC TOTFAIL SAMPSIZE OBSSUCC P-LEVEL
1 11 7 10 8 0.0882353

Se concluye a un nivel del 5% que no se puede distinguir una diferencia entre aplicar la proteccin
o no. Corriendo el Ejemplo de la pgina 12.18 la tabla es:
Puntos negros en
sup. pintada
Defectos No defectos Total
Proveedor 1 3 97 100
Proveedor 2 10 90 100
Total 13 187 200
Lo que resulta en:
Data Display
Row TOTSUCC TOTFAIL SAMPSIZE OBSSUCC P-LEVEL
1 187 13 100 97 0.0408970
Se concluye que a un nivel de 5% si hay diferencia entre las proporciones de defectos para los dos
proveedores
514
Prueba de Medianas de Mood
La prueba de medianas de Mood es una prueba no paramtrica alternativa, te
sirve para probar las hiptesis:
H
o
: Las medianas de las poblaciones observadas son iguales
H
a
: No todas las medianas son iguales
La prueba es robusta a datos extremos, supone que los datos son muestras
independientes de distribuciones de la misma forma.
La mediana general es la mediana de todos los datos, para cada nivel se imprime
el nmero de observaciones menores o iguales a la mediana general, y el
nmero de observaciones mayores que la mediana general. S hay k niveles
diferentes, se genera una tabla de 2xk. Se hace un prueba Ji cuadrada sobre esta
tabla. Valores grandes de Ji cuadrada indican que la H
o
es falsa. Solo los grupos
conteniendo dos o ms observaciones se incluyen en el anlisis.
Ejemplo:
Los porcentajes de fallas en un aparato electrodomstico durante el primer ao
para dos marcas A y B se quieren probar para varios modelos. La Hiptesis nula
es que los porcentajes son iguales entre las dos marcas, contra la alternativa de
que son diferentes.
A 3 7 15 10 4 6 4 7
B 19 11 36 8 25 23 38 14 17 41 25 21
515
La Conclusin es que se rechaza la Hiptesis nula, para un nivel de
significancia del 5% se concluye que si existe diferencia en los porcentajes
de falla en el primer ao entre las marcas.
En Minitab despus de teclear los datos en columnas, Debe tener una
columna de Marca y otra de porcentajes. Abra la opcin
Stat> Nonparametrics> Moods Median Test
Ponga porcentajes en Response y Marca en Factor; marque OK

Guia Examen Fase I

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

Guia Examen Fase I

Cargado por

Copyright:

Formatos disponibles

1

. Es una medicin de que tan

La variacin del proceso es determinada por la variacin de las

También podría gustarte