Controlar Definir

Mejorar Medir

Analizar
Curva con forma de campana La Estadística requiere la
Simétrica curva normal para los
Media establecida = 0 cálculos.
Desviación Estándar = 1
 ¿Qué es Estadística?

“La Estadística estudia métodos científicos para

recoger, organizar, resumir y analizar datos, así como
para sacar conclusiones válidas y tomar decisiones
razonables basadas en tal análisis”
- Murray R. Spiegel
1. Se realizan observaciones aleatorias de un
fenómeno que no se puede predecir con
anterioridad.
2. Se realiza un muestreo (se selecciona una
muestra representativa de la población).
3. Se recolectan datos de cada elemento
muestreado (por ejemplo a través de un
cuestionario).
4. El objetivo final es inferir estadísticamente
algo sobre la población, deseamos concluir
algo sobre alguna característica de la
población en la que se realiza el estudio.
• Estadística descriptiva: estudia los
métodos para organizar, resumir y
describir un conjunto de datos
para que sus características se
vuelvan evidentes.
• Se divide en:
– Técnicas gráficas
– Técnicas numéricas
 Curva Normal y Áreas de Probabilidad
µ = Media 68%
σ = Desviación Estándar
95%

99.73%

(µ - 4σ) (µ - 3σ) (µ - 2σ) (µ - 1σ) µ (µ + 1σ) (µ + 2σ) (µ + 3σ) (µ + 4σ)

Mediciones del área bajo la Curva normal

 LSL Nom USL

Pensamiento
Aceptable
Antiguo
Costo

LSL Nom USL

Pensamiento
Nuevo
Costo
Medir

Media (µ)- Promedio aritmético de un conjunto de valores.

Refleja la influencia de todos los valores.
Influenciada fuertemente por valores extremos.
Mediana – Refleja el 50% de los datos – es el número central de un conjunto
de datos que han sido sorteados del más bajo al más alto.
Es “robusto” a datos extremos
Moda – Es el valor que ocurre con más frecuencia en un conjunto de datos.
En un diagrama de Pareto es la barra más grande
Rango - Es la distancia entre los valores extremos de un conjunto de datos.
(Valor más alto menos el Valor más bajo)
Desviación Estándar (σ) - Mide la variación dentro de una muestra o una
población
Varianza ( σ2 ) – es la desviación estándar al cuadrado de cada punto de la
media.
Media (µ) - (X1+X2+X3….Xn) / n

Mediana – La Mitad del número de observaciones

Moda – El dato o valor que se repite más veces

Rango - (Valor más alto – Valor más bajo)

Desviación Estándar (σ) –

Varianza ( σ2 ) - σ∗ σ
VARIANCIÓN
Datos
2
X X X-X (X - X)
22 22 0 0
24 22 2 4
20 22 -2 4
66 8
66
X = average = = 22
3

DEVIACIÓN ESTÁNDAR
8
σ = deviación estándar = = 4 =2
2
202
σ=2 Ζ = 6.0
LSL=10 USL=34
Avg = 22

0 10 20 30 40 50

σ σσ σσσ σ σσ σσσ

203
VARIANZA
Data
2
X X X-X (X - X)
22 22 0 0
25 22 3 9
19 22 -3 9
66 18
66
X = average = = 22
3

DESVIACIÓN ESTÁNDAR
18
σ = desviación estándar = = 9 =3
2
204
σ=3 Ζ = 4.0
LSL=10 Avg = 22 USL=34

0 10 20 30 40 50

σ σ σ σ σ σ σ σ
205
 Estadísticas > Estadística básica> Mostrar estadísticas descriptivas…
Click en Variables, doble click en la columna a analizar

C1 interval
interval

Click Aceptar
 Utilizaremos esta ayuda de entrenamiento usada en el entrenamiento de 6
Sigma para demostrar algunos conceptos básicos de variación.
 Haremos 20 disparos, 10 por cada uno de los 2 Ingenieros del lanzamiento
por cada grupo
(dos tiros de práctica por ingeniero de lanzamiento para aprender el
proceso)
 Objetivo = 200 cm LEI = 185 cm LES = 215 cm
– Asignaciones:
• Ingeniero de lanzamiento 1 =
• Ingeniero de lanzamiento 2 =
• Inspector =
• Persona que Registra las mediciones =
 Calcular:
– Media (Promedio) = (μ)
– Desviación Estándar = (s) = (σ)
 Aspectos importantes sobre la
Estadística Básica y Variación

• Calcular la desviación estándar de los datos: Esta medida de la variación del

proceso es fundamental para Six Sigma.

• Establecer los límites de especificación: Determinar lo que quieren sus

clientes. La variación en sus salidas no debe exceder estos límites.

• Representar gráficamente los límites de control (LCL y UCL): Toda variación

debe estar entre estos límites para considerar un proceso bajo control.
 Los dos tipos de datos básicos son: atributos y variables
 Los Procesos pueden ser categorizados por su media y su
desviación estándar
 Estimamos los parámetros de la población con estadística simple
 Un conjunto de datos forma un distribución
 La distribución más común se conoce como distribución normal
 "Cualquier mejora de procesos debe
reducir la variación, por lo que podemos
satisfacer de manera más consistente las
expectativas del cliente."
 Controlar Definir

Mejorar Medir

Analizar
• Variación
– Causas Comunes
• Al Azar
• Normal
– Causas Especiales
• Ni al Azar
• Ni Normal
Causa
Especial

¡Los estudios de capacidad solamente pueden realizarse con una

variación de “CAUSAS COMUNES!
 La capacidad del proceso es definida como la variabilidad inherente
de las características de un producto o servicio. Esta representa el
rendimiento del proceso sobre un periodo estable de operación.

Before After

USL USL LSL USL

Shift the process mean Shift the process variation Centre the process
 Cp se calcula como la anchura de
-3σ +3σ proceso (la diferencia entre los
límites de especificación) dividido
seis veces por la desviación
estándar (6 sigma) del proceso. Cp
Ancho del proceso es una medida simple y directa de
la capacidad del proceso.
LEB T LEA

Ancho de diseño

 LEA − LEB 
(Rango de la Especificación) Cp =  
Cp =  6σ 
(Variación del Proceso)
 87
σ=1
 LEA − LEB 
Cp =  
 6σ 
-3σ +3σ

(90 - 80)
Cp =
Ancho del Proceso (6 * 1)
80 85 90
Cp = 1.66
Ancho de Diseño
Índice Mínimo Optimo
Cp 1.33 2.00
4σ 6σ
 -3 σ +3 σ
Cpk se calcula como el menor de dos
cálculos: el límite de especificación superior
Ancho del Proceso menos la media dividida por 3 sigma o la
media menos el límite de especificación
T
LEB LEA inferior dividido por 3 sigma.
Ancho de Diseño

 LEA − µ   µ − LEB 
Cpk = Min: Cpu =  Cpl =
σ

 3 σ   3 
 87  LEA − µ
σ=1 µ − LEB 
Cpk = Min  o 
 3σ 3σ 
-3σ +3σ

 90 − 87 87 − 80 
Cpk = Min  o 
Ancho del proceso  3*1 3*1 

80 85 90

Ancho de Diseño
 3 7 
Cpk = Min  o 
 3 3 

Cpk = 1.00
Índice Mínimo Optimo
Cp 1.33 2.00
4σ 6σ
Cpk 1.00 2.00
 Al elegir un • En algunos casos, el valor objetivo (T) del proceso no es el punto
medio de la especificación. Por ejemplo, el límite de especificación
objetivo en inferior puede ser el mejor valor para la característica de calidad.
Capacidad del • La Capacidad de Taguchi Index Cpm es una medida de la
Proceso en diferencia entre la media del proceso y su valor objetivo.
Minitab, se
calcula el Cpm
Usando los datos obtenidos anteriormente en el ejercicio
de la catapulta calcular la Capacidad del Proceso con
Minitab

Recuerde, las especificaciones fueron:

LEI = 185 cm

LES = 215 cm
 Medir

En el menú principal busque Estadísticas / Herramientas de calidad / Análisis de capacidad / Normal…

Entre lo siguiente
Columna individual Resultados
Tamaño del subgrupo 1
Espec. inferior 185
Espec. superior 215
 6σ
2.0
Índice de Capacidad

Costo de mala
calidad
BUENO
Cliente

(Cpk)

Mal Paso de
Desempeño No- Conformes
0

0 Capacidad (Cp) 2.0

Interno
Aspectos importantes sobre la capacidad
del proceso
• Medir la capacidad de los procesos: Reducir la variación temporal es sólo
un comienzo; lo que realmente importa es asegurar que la reducción se
mantenga.
• Asegúrese de que un proceso es estable antes de medir su capacidad: Las
mediciones de la capacidad del proceso son válidas sólo para los procesos
que son estables o que están controlados.
• Calcular tanto Cp y Cpk: El hecho de que la magnitud de la variación sea
aceptable, significa poco si los valores no están cerca de su valor objetivo.
 Controlar Definir

Mejorar Medir

Analizar
 Una escala de medición, la cual
compara el desempeño de un proceso
con los requerimientos de los clientes.
 Cálculo del Nivel Sigma

• Mundo Defectuoso………….datos categorizados

defectos / unidades = DPU
DPU x 1,000,000 = DPMO

• Mundo de Defectos……………..conteo de datos

Z defectos / unidades = dpu
DPU x 1,000,000 = DPMO

• Mundo Continuo…………medir los datos

ZUSL= USL-X + ZLSL = X- LSL
σ σ
 Mundo Defectuoso…datos categorizados

Puede ser uno o cero defectos por unidad evaluada

Ejemplo de defectuoso:
¿La información en la orden de compra estaba correcta?
¿El producto pasó la inspección?

La medida es buena o mala, pasó o falló, con

defecto o sin defecto.

Más ejemplos de defectuosos:

• Estudiantes tomando una clase; paso / fallo.
. • Go / no go para el tamaño de un orificio.
• Si / No respuestas para una encuesta
 Mundo de Defectos…conteo de datos

Múltiple defectos por unidad evaluada

Ejemplo de defectos:
¿Cuántos errores tuvo la orden de compra?
¿Cuántas razones de rechazo tuvo un producto?

• Una unidad puede tener múltiples defectos

• Las unidades son evaluadas por el número
total de defectos que contienen

Más ejemplos de defectos:

Número de rayones en un carro
Errores de escritura en un contrato de compra
 Mundo Continuo…medir los datos
Número reales de medidas reales

Ejemplos de Defectos:
¿Cuál es la cantidad de unidades solicitadas en cada
orden de compra?
¿Cuál es el diámetro en un producto?
• Se pueden medir las unidades con mayor número de
decimales
• Se puede tener leves diferencias en las medidas de
cada unidad

Más ejemplos de continuo:

Los más utilizados en manufactura son: tamaño,
peso, ancho, altura, localización, distancia.
Días en un ciclo de manufactura, compras, diseño,
envió, periodo de cobro, mantenimiento, etc.
 LSL USL
Lower Upper
Spec Spec
Limit Limit

Si un proceso tiene una

variación de seis sigmas por
encima o por debajo del
promedio, las salidas aún
caen dentro de los límites
de especificación y es un
proceso aceptable -6 -5 -4 -3 -2 -1 0 +1 +2 +3 +4 +5 +6
68.26 %
95.46 %
99.73 %
99.9937 %
99.999943 %
99.9999998 %

A menor variación en el proceso, más alto en nivel Sigma

El valor Z indica cuan alejado esta un punto de la
media, en unidades de deviaciones estándar.

USL - X X - LSL
Z = s
Combinada con Z = s es Z
alta baja bench

Z Bench = “Capacidad Sigma a Largo Plazo”

233
 Área bajo la Curva Normal
representa Población Total

Población fuera de un punto

Z=2

Z = Que tan lejos esta un punto

Z=0 de la media.(representado en σ)
50% del Area
(Mitad de la población)

234
 USL LSL

(x - x) ( x- x)
Z= Z= 90 - 87
σ σ para USL Z = 1 =3
De Tabla Z : para Z=3
87 Población fuera de espec es 1350 ppm
σ=1
87 - 80
para LSL Z = =7
-3σ +3σ 1
De Tabla Z: para Z= 7
Población dentro de espec es 0 ppm

Process Width De Tabla Z para Z= 3 (1350)

De Tabla Z para Z = 7 ( 0 )
80 85 90
Sumar LSL y USL
Población fuera de espec. es 1350 ppm
Design Width
235
 Medir

Z AREA Z AREA Z AREA Z AREA Z AREA Z AREA Z AREA Z AREA Z AREA Z AREA Z AREA Z AREA
0 0.500000 0.5 0.308538 1 0.158655 1.5 0.066807 2 0.022750 2.5 0.006210 3 0.001350 3.5 0.000233 4 0.000032 4.5 0.000003401 5 0.000000287 5.5 0.000000019
0.01 0.496011 0.51 0.305026 1.01 0.156248 1.51 0.065522 2.01 0.022216 2.51 0.006037 3.01 0.001306 3.51 0.000224 4.01 0.000030 4.51 0.000003244 5.01 0.000000273 5.51 0.000000018
0.02 0.492022 0.52 0.301532 1.02 0.153864 1.52 0.064256 2.02 0.021692 2.52 0.005868 3.02 0.001264 3.52 0.000216 4.02 0.000029 4.52 0.000003095 5.02 0.000000259 5.52 0.000000017
0.03 0.488033 0.53 0.298056 1.03 0.151505 1.53 0.063008 2.03 0.021178 2.53 0.005703 3.03 0.001223 3.53 0.000208 4.03 0.000028 4.53 0.000002952 5.03 0.000000246 5.53 0.000000016
0.04 0.484047 0.54 0.294598 1.04 0.149170 1.54 0.061780 2.04 0.020675 2.54 0.005543 3.04 0.001183 3.54 0.000200 4.04 0.000027 4.54 0.000002815 5.04 0.000000233 5.54 0.000000015
0.05 0.480061 0.55 0.291160 1.05 0.146859 1.55 0.060571 2.05 0.020182 2.55 0.005386 3.05 0.001144 3.55 0.000193 4.05 0.000026 4.55 0.000002685 5.05 0.000000221 5.55 0.000000014
0.06 0.476078 0.56 0.287740 1.06 0.144572 1.56 0.059380 2.06 0.019699 2.56 0.005234 3.06 0.001107 3.56 0.000185 4.06 0.000025 4.56 0.000002560 5.06 0.000000210 5.56 0.000000014
0.07 0.472097 0.57 0.284339 1.07 0.142310 1.57 0.058208 2.07 0.019226 2.57 0.005085 3.07 0.001070 3.57 0.000179 4.07 0.000024 4.57 0.000002441 5.07 0.000000199 5.57 0.000000013
0.08 0.468119 0.58 0.280957 1.08 0.140071 1.58 0.057053 2.08 0.018763 2.58 0.004940 3.08 0.001035 3.58 0.000172 4.08 0.000023 4.58 0.000002327 5.08 0.000000189 5.58 0.000000012
0.09 0.464144 0.59 0.277595 1.09 0.137857 1.59 0.055917 2.09 0.018309 2.59 0.004799 3.09 0.001001 3.59 0.000165 4.09 0.000022 4.59 0.000002218 5.09 0.000000179 5.59 0.000000011
0.1 0.460172 0.6 0.274253 1.1 0.135666 1.6 0.054799 2.1 0.017864 2.6 0.004661 3.1 0.000968 3.6 0.000159 4.1 0.000021 4.6 0.000002115 5.1 0.000000170 5.6 0.000000011
0.11 0.456205 0.61 0.270931 1.11 0.133500 1.61 0.053699 2.11 0.017429 2.61 0.004527 3.11 0.000936 3.61 0.000153 4.11 0.000020 4.61 0.000002015 5.11 0.000000161 5.61 0.000000010
0.12 0.452242 0.62 0.267629 1.12 0.131357 1.62 0.052616 2.12 0.017003 2.62 0.004397 3.12 0.000904 3.62 0.000147 4.12 0.000019 4.62 0.000001921 5.12 0.000000153 5.62 0.000000010
0.13 0.448283 0.63 0.264347 1.13 0.129238 1.63 0.051551 2.13 0.016586 2.63 0.004269 3.13 0.000874 3.63 0.000142 4.13 0.000018 4.63 0.000001830 5.13 0.000000145 5.63 0.000000009
0.14 0.444330 0.64 0.261086 1.14 0.127143 1.64 0.050503 2.14 0.016177 2.64 0.004145 3.14 0.000845 3.64 0.000136 4.14 0.000017 4.64 0.000001744 5.14 0.000000138 5.64 0.000000009
0.15 0.440382 0.65 0.257846 1.15 0.125072 1.65 0.049471 2.15 0.015778 2.65 0.004025 3.15 0.000816 3.65 0.000131 4.15 0.000017 4.65 0.000001661 5.15 0.000000130 5.65 0.000000008
0.16 0.436441 0.66 0.254627 1.16 0.123024 1.66 0.048457 2.16 0.015386 2.66 0.003907 3.16 0.000789 3.66 0.000126 4.16 0.000016 4.66 0.000001583 5.16 0.000000124 5.66 0.000000008
0.17 0.432505 0.67 0.251429 1.17 0.121001 1.67 0.047460 2.17 0.015003 2.67 0.003793 3.17 0.000762 3.67 0.000121 4.17 0.000015 4.67 0.000001508 5.17 0.000000117 5.67 0.000000007
0.18 0.428576 0.68 0.248252 1.18 0.119000 1.68 0.046479 2.18 0.014629 2.68 0.003681 3.18 0.000736 3.68 0.000117 4.18 0.000015 4.68 0.000001436 5.18 0.000000111 5.68 0.000000007
0.19 0.424655 0.69 0.245097 1.19 0.117023 1.69 0.045514 2.19 0.014262 2.69 0.003573 3.19 0.000711 3.69 0.000112 4.19 0.000014 4.69 0.000001368 5.19 0.000000105 5.69 0.000000006
0.2 0.420740 0.7 0.241964 1.2 0.115070 1.7 0.044565 2.2 0.013903 2.7 0.003467 3.2 0.000687 3.7 0.000108 4.2 0.000013 4.7 0.000001302 5.2 0.000000100 5.7 0.000000006
0.21 0.416834 0.71 0.238852 1.21 0.113140 1.71 0.043633 2.21 0.013553 2.71 0.003364 3.21 0.000664 3.71 0.000104 4.21 0.000013 4.71 0.000001240 5.21 0.000000095 5.71 0.000000006
0.22 0.412936 0.72 0.235762 1.22 0.111233 1.72 0.042716 2.22 0.013209 2.72 0.003264 3.22 0.000641 3.72 0.000100 4.22 0.000012 4.72 0.000001181 5.22 0.000000090 5.72 0.000000005
0.23 0.409046 0.73 0.232695 1.23 0.109349 1.73 0.041815 2.23 0.012874 2.73 0.003167 3.23 0.000619 3.73 0.000096 4.23 0.000012 4.73 0.000001124 5.23 0.000000085 5.73 0.000000005
0.24 0.405165 0.74 0.229650 1.24 0.107488 1.74 0.040929 2.24 0.012545 2.74 0.003072 3.24 0.000598 3.74 0.000092 4.24 0.000011 4.74 0.000001070 5.24 0.000000080 5.74 0.000000005
0.25 0.401294 0.75 0.226627 1.25 0.105650 1.75 0.040059 2.25 0.012224 2.75 0.002980 3.25 0.000577 3.75 0.000088 4.25 0.000011 4.75 0.000001018 5.25 0.000000076 5.75 0.000000004
0.26 0.397432 0.76 0.223627 1.26 0.103835 1.76 0.039204 2.26 0.011911 2.76 0.002890 3.26 0.000557 3.76 0.000085 4.26 0.000010 4.76 0.000000969 5.26 0.000000072 5.76 0.000000004
0.27 0.393580 0.77 0.220650 1.27 0.102042 1.77 0.038364 2.27 0.011604 2.77 0.002803 3.27 0.000538 3.77 0.000082 4.27 0.000010 4.77 0.000000922 5.27 0.000000068 5.77 0.000000004
0.28 0.389739 0.78 0.217695 1.28 0.100273 1.78 0.037538 2.28 0.011304 2.78 0.002718 3.28 0.000519 3.78 0.000078 4.28 0.000009 4.78 0.000000878 5.28 0.000000065 5.78 0.000000004
0.29 0.385908 0.79 0.214764 1.29 0.098525 1.79 0.036727 2.29 0.011011 2.79 0.002635 3.29 0.000501 3.79 0.000075 4.29 0.000009 4.79 0.000000835 5.29 0.000000061 5.79 0.000000004
0.3 0.382089 0.8 0.211855 1.3 0.096801 1.8 0.035930 2.3 0.010724 2.8 0.002555 3.3 0.000483 3.8 0.000072 4.3 0.000009 4.8 0.000000794 5.3 0.000000058 5.8 0.000000003
0.31 0.378281 0.81 0.208970 1.31 0.095098 1.81 0.035148 2.31 0.010444 2.81 0.002477 3.31 0.000467 3.81 0.000070 4.31 0.000008 4.81 0.000000756 5.31 0.000000055 5.81 0.000000003
0.32 0.374484 0.82 0.206108 1.32 0.093418 1.82 0.034379 2.32 0.010170 2.82 0.002401 3.32 0.000450 3.82 0.000067 4.32 0.000008 4.82 0.000000719 5.32 0.000000052 5.82 0.000000003
0.33 0.370700 0.83 0.203269 1.33 0.091759 1.83 0.033625 2.33 0.009903 2.83 0.002327 3.33 0.000434 3.83 0.000064 4.33 0.000007 4.83 0.000000684 5.33 0.000000049 5.83 0.000000003
0.34 0.366928 0.84 0.200454 1.34 0.090123 1.84 0.032884 2.34 0.009642 2.84 0.002256 3.34 0.000419 3.84 0.000062 4.34 0.000007 4.84 0.000000650 5.34 0.000000047 5.84 0.000000003
0.35 0.363169 0.85 0.197662 1.35 0.088508 1.85 0.032157 2.35 0.009387 2.85 0.002186 3.35 0.000404 3.85 0.000059 4.35 0.000007 4.85 0.000000618 5.35 0.000000044 5.85 0.000000002
0.36 0.359424 0.86 0.194894 1.36 0.086915 1.86 0.031443 2.36 0.009137 2.86 0.002118 3.36 0.000390 3.86 0.000057 4.36 0.000007 4.86 0.000000588 5.36 0.000000042 5.86 0.000000002
0.37 0.355691 0.87 0.192150 1.37 0.085344 1.87 0.030742 2.37 0.008894 2.87 0.002052 3.37 0.000376 3.87 0.000054 4.37 0.000006 4.87 0.000000559 5.37 0.000000039 5.87 0.000000002
0.38 0.351973 0.88 0.189430 1.38 0.083793 1.88 0.030054 2.38 0.008656 2.88 0.001988 3.38 0.000362 3.88 0.000052 4.38 0.000006 4.88 0.000000531 5.38 0.000000037 5.88 0.000000002
0.39 0.348268 0.89 0.186733 1.39 0.082264 1.89 0.029379 2.39 0.008424 2.89 0.001926 3.39 0.000350 3.89 0.000050 4.39 0.000006 4.89 0.000000505 5.39 0.000000035 5.89 0.000000002
0.4 0.344578 0.9 0.184060 1.4 0.080757 1.9 0.028716 2.4 0.008198 2.9 0.001866 3.4 0.000337 3.9 0.000048 4.4 0.000005 4.9 0.000000480 5.4 0.000000033 5.9 0.000000002
0.41 0.340903 0.91 0.181411 1.41 0.079270 1.91 0.028067 2.41 0.007976 2.91 0.001807 3.41 0.000325 3.91 0.000046 4.41 0.000005 4.91 0.000000456 5.41 0.000000032 5.91 0.000000002
0.42 0.337243 0.92 0.178786 1.42 0.077804 1.92 0.027429 2.42 0.007760 2.92 0.001750 3.42 0.000313 3.92 0.000044 4.42 0.000005 4.92 0.000000433 5.42 0.000000030 5.92 0.000000002
0.43 0.333598 0.93 0.176186 1.43 0.076359 1.93 0.026803 2.43 0.007549 2.93 0.001695 3.43 0.000302 3.93 0.000042 4.43 0.000005 4.93 0.000000412 5.43 0.000000028 5.93 0.000000002
0.44 0.329969 0.94 0.173609 1.44 0.074934 1.94 0.026190 2.44 0.007344 2.94 0.001641 3.44 0.000291 3.94 0.000041 4.44 0.000005 4.94 0.000000391 5.44 0.000000027 5.94 0.000000001
0.45 0.326355 0.95 0.171056 1.45 0.073529 1.95 0.025588 2.45 0.007143 2.95 0.001589 3.45 0.000280 3.95 0.000039 4.45 0.000004 4.95 0.000000372 5.45 0.000000025 5.95 0.000000001
0.46 0.322758 0.96 0.168528 1.46 0.072145 1.96 0.024998 2.46 0.006947 2.96 0.001538 3.46 0.000270 3.96 0.000037 4.46 0.000004 4.96 0.000000353 5.46 0.000000024 5.96 0.000000001
0.47 0.319178 0.97 0.166023 1.47 0.070781 1.97 0.024419 2.47 0.006756 2.97 0.001489 3.47 0.000260 3.97 0.000036 4.47 0.000004 4.97 0.000000335 5.47 0.000000023 5.97 0.000000001
0.48 0.315614 0.98 0.163543 1.48 0.069437 1.98 0.023852 2.48 0.006569 2.98 0.001441 3.48 0.000251 3.98 0.000034 4.48 0.000004 4.98 0.000000318 5.48 0.000000021 5.98 0.000000001
0.49 0.312067 0.99 0.161087 1.49 0.068112 1.99 0.023295 2.49 0.006387 2.99 0.001395 3.49 0.000242 3.99 0.000033 4.49 0.000004 4.99 0.000000302 5.49 0.000000020 5.99 0.000000001
A través del tiempo, un
proceso “típico” se
desplazará y se desviará
aproximadamente 1.5s Capacidad Inherente
de un Proceso
AKA – Corto Plazo

Capacidad Sostenida
de un Proceso
AKA – Largo Plazo

LSL T USL
 Capacidad de Corto y Largo Plazo

• Los datos y las 6 medidas de la capacidad del proceso se pueden representar en:
• Capacidad a corto plazo
• Capacidad a largo plazo

• Si los datos se recogen en varios ciclos, tiempo, intervalo, lotes o campaña

entonces se considera de largo plazo.

• Si los datos se recogen dentro de un solo ciclo, tiempo, intervalo, lotes o

campaña entonces se considera que la Capacidad es de corto plazo.

• Si los datos del proceso recolectados tienen variación de causas comunes y

causas especiales, se considera que la Capacidad que se está midiendo es de
largo plazo
 Capacidad a Corto Plazo

• Describe la habilidad del proceso en un momento específico en el tiempo

• Representa el verdadero potencial de la tecnología del proceso para cumplir
con las especificaciones de rendimiento dados.
• Lo que el proceso puede hacer si todo está controlado de tal manera que sólo
la variación aleatoria está presente.
• Asume que el proceso está perfectamente centrado.

Capacidad a Corto Plazo

 Capacidad a Largo Plazo

• Describe la reproducibilidad sostenida de un proceso con desplazamiento de la

media a través del tiempo
• El desplazamiento refleja la influencia de fuentes de variación relacionadas con
errores que tienden a alterar el centrado del proceso

Desplazamiento en un proceso Capacidad a Largo Plazo

 ¿Cómo medir el Nivel Sigma de largo plazo
con datos de corto plazo y viceversa?
• Aplicar un factor de corrección o cambio.
• La experiencia en las industria muestra que un cambio de 1,5 sigmas es típico
para la mayoría de los procesos.
• Una vez que el valor de sigma o Z se ajusta, los valores relacionados como
DPMO,% de la especificación, 1 por defecto # de oportunidades y Cpk se pueden
calcular a partir de los valores Z.
 Utilizando el Factor de Corrección o Cambio

Largo Plazo a Corto Plazo

• Suponga que el valor calculado para Z =

Corto Plazo a Largo Plazo
2,00
• Suponga que el valor calculado para • Si los datos son a largo plazo, entonces Zlt
Z = 3,50 = 2,00
• Si los datos eran a corto plazo, Zst = • Zst = Zlt + Cambio
3,50 • Zst = 2,00 + 1,5 = 3,50
• Zlt = Zst - Cambio • % Fuera de especificación, DPMO, 1 por
• Zlt = 3,50 a 1,5 = 2,00 defecto # de oportunidades, y Cpk ahora
• Las otras medidas de capacidad de se puede estimar de los datos a corto
proceso pueden ser estimados de la plazo mediante el uso de Zst = 3.50 y las
misma manera que el ejemplo medidas equivalentes menor a mayor
anterior. pueden estimarse utilizando zlt = 2,00
 Capacidad Sigma

100% de productos buenos con inspección 100% de productos buenos debido a un

del 100% proceso capaz
 ¿Porque no 4.5 Sigma?

4.5 Sigma + 1.5 Sigma = 6 Sigma = 3.4 PPM

a largo plazo (asumiendo que el
promedio del proceso se desplaza no
mas de 1.5 Sigma)
1.5 Sigma extra provee un “colchón” Lo mismo aplica a este lado de la grafica: Six
en caso de que con el tiempo toda Sigma permite un desplazamiento de
la distribución se desplace (lo que 1.5 desviación en la media en cualquier
se conoce como desplazamiento de dirección.
la media

4.5 Sigma
representa
el 99.9997%
de los datos
a corto
plazo.
 Calculando DPMO (defectos por millón de oportunidades) o
Productividad (Yield), se puede estimar
el nivel Sigma para un producto, proceso o servicio.

Cálculos
 La Productividad representa el D
Tasa de Defectos =
porcentaje de productos o servicios N•O
buenos (medido en %) D
 La tasa de defectos vigila el número DPMO = 1,000,000 • N•O
de veces que las cosas van mal D
medido en Defectos Por Oportunidad Yield = 1 – N•O
(DPO) o Defectos Por Millón de
Oportunidades (DPMO).
Clave: D = Número de defectos
N = Número de unidades
O = Oportunidades por unidad

=-[Link](DPMO/1000000) = Largo Plazo

=-[Link](DPMO/1000000)+1,5 = Corto Plazo
1. Número de Unidades procesadas N = __________

2. Número de Oportunidades de Defecto Por Unidad O = __________

3. Número Total de Defectos D = __________

(incluir los defectos que se hicieron y luego se repararon)
4. Resolver para Defectos por Oportunidad
D ( )
DPO = N•O = ( )( ) = __________

5. Convertir DPO a DPMO

DPMO = DPO • 1,000,000 = __________ • 1,000,000 = _________

6. Buscar el nivel Sigma del proceso en las

tablas de conversión condensadas Sigma(ST) = __________
 Controlar Definir

Mejorar Medir

Analizar
• De acuerdo al Diccionario Webster Merriam la definición es…

“una línea que sirve como base; especialmente: una medida o posición conocida
que es usada (tanto en cirugía como navegación) para calcular o localizar algo”.

• En six sigma el “baseline” es usado como una medición inicial de un producto,

proceso o desempeño de un servicio.

• Se toma como referencia después que se han implementado los

mejoramientos para calcular la diferencia en el nuevo desempeño con el
“baseline”.

• La diferencia es usada como una medición de mejoramiento esencial para

calcular los ahorros debido al proyecto.
• Estadística Básica
• Tendencia Central: media
• Dispersión: desviación estándar

• Capacidad del Proceso

• Cp (Pp a largo plazo)
• Cpk (Ppk a largo plazo)

• Cálculo de Sigma
• Z Bench: capacidad Sigma de largo plazo
• DPMO General
DMAIC
Fase Analizar
En la fase analizar, se trabaja con toda la información recopilada
en la fase Medir para determinar las posibles causas de
variación y prepararse para hacer cambios fundamentales
alterando positivamente cada escenario
• En la fase Analizar se entiende por qué ocurren los defectos
y luego se eliminan las causas raíz identificadas. En otras
palabras, el equipo se pregunta ¿qué entradas están
afectando las salidas?

Las actividades clave de la fase Analizar son:

• Revisión del estatus del proyecto
• Análisis gráfico de las variables del proceso
• Uso de herramientas para mostrar la relación entre
entradas que influyen en la salida del proceso.
• Identificación de la(s) causa(s) raíz
• Planes de mejora / próximos pasos
• Cuantificación de los planes de mejora
• Lista de factores causales significativos
• Definir los objetivos de mejora para Y: ¿Cuáles
son los atributos Críticos para la Calidad que
hay que mejorar?
• Identificar las fuentes de variación que
afectan Y: ¿Qué entradas están afectando las
salidas?
• Evidenciar las posibles causas e identificar las
pocas X vitales: ¿Qué factores están
influyendo en la mayoría de los resultados?
Herramientas
Gráficas
• Presentar métodos gráficos para la Presentación de Datos.
• Demostrar Métricos para todos los niveles de la organización.
• Aprender como desarrollar 11 Soluciones Gráficas:
1. Diagrama de Pareto.
2. Histogramas.
3. Grafico de Control IM-R.
4. Grafico de Control Xbarra-R.
5. Grafico de Control C.
6. Grafico de Control U.
7. Grafico de Control P.
8. Grafico de Control NP.
9. Diagrama de Dispersión.
10. Diagrama de Cajas.
11. Grafica de Línea Ajustada.
255
• Seguimiento del Proyecto
• Niveles de Inventario
• Tiempo de conversión
• Tiempo para completar una orden de trabajo
• Entregas a tiempo
• Satisfacción del cliente
• Costos de garantías
• Gastos de embarques
• Ciclo de entrada de una orden
• Ventas mensuales / por producto
La creatividad es solamente la única limitación para su aplicación

256
 Histograma Gráfico de Regresión

10
Frequency

0
94 96 98 100 102 104 106 108
DBP

Pareto Chart for Causa

Gráfico de Cajas
250 100 109

200 80

104
Percent
Count

150 60

DBP
100 40
99
50 20

0 0 94
s go
nte d epa tard
e
a
us e lare nd o an edic n te
rafos i on a nil las adora ax u lario ona ac io lu tori l leg i a M pacie ers
Defect B ol
ig
n s
i tra c
Pl a
Cop i F
orm
F n ecc i
r info rm
C ons
ie n tes
erg enc u lti- O th
A dmi Co
e ri ca
fi P ac E m M 1 2 3 4 5 6
Count 51 39 38 34 13 12 V 11 11 8 8 7 6 10
Perc ent 21 16 15 14 5 5 4 4 3 3 3 2 4
Day
Cum % 21 36 52 65 71 75 80 84 88 91 94 96 100

257
• Usar datos históricos mas recientes.
• Para medición de variación usar un mínimo de 30 datos
• Para evaluación del control del proceso se puede iniciar con 5
datos, para un mejor estudio utilizar los últimos 25 datos.
• Si los datos son de ventas o de niveles de inventario, usar una
muestra representativa (13 Meses) para investigar que tipo de
variación existe: cíclica, temporada, ciclo de vida, etc.
• Conocer los Datos.
• Conocer el Sistema de Recolección.

258
 Controlar Definir

Mejorar Medir

Analizar
 Es una herramienta esencial que nos ayuda a priorizar
objetivos de mejoramiento. Un Pareto generalmente
permite enfocarnos en el 20% de los problemas que
causan el 80% del mal desempeño.

Defectos Frecuencia Semana

Air Bubble 93 1
Air Bubble 81 2
Air Bubble 62 3
Air Bubble 57 4
Weight Dev 120 1
Weight Dev 132 2
Weight Dev 91 3
Weight Dev 88 4
Deformation 18 1
Deformation 29 2
Deformation 31 3
Deformation 42 4
Color 24 1
Color 42 2
Color 39 3
Color 27 4
• El Diagrama de Pareto nos ayuda a identificar cuáles
problemas son más significativos, para de esta forma
enfocar los esfuerzos de mejora
• Representa las categorías de interés organizadas de acuerdo
con su frecuencia y no con la escala de tiempo.
• Los datos que se usan son categóricos (usualmente tipos de
defectos o fuentes de los defectos)
• Al observar las barras de mayor a menor, el Pareto puede
ayudar a determinar cuales defectos contienen el mayor
número de ocurrencias.
 • Recursos Humanos: Un gerente de Gestión Humana quiere saber
que días de la semana se reciben la mayoría de hojas de vida.
Ejemplos de • Información en Sistemas: Los ingenieros quieren saber de que
aplicación del departamento se está recibiendo el mayor número de llamadas
diagrama de por problemas técnicos.
• Ventas: Un gerente de ventas quiere revisar las ventas de los
Pareto
últimos meses por familia de productos.
• Contador: Un contador quiere ver las razones por las cuales los
clientes han hecho pagos atrasados
 1. Seleccionar:
Estadísticas / Herramientas de Calidad
/ Diagrama de Pareto

2. Defectos o datos de
atributos en: seleccionar
Defects
Frecuencias en:
seleccionar Frecuency.
3. Aceptar
263
 Controlar Definir

Mejorar Medir

Analizar
Es una gráfica que muestra la distribución de datos y compara
variables. Este proporciona una presentación gráfica y una primera
estimación acerca de la ubicación, la extensión y la forma de la
distribución del proceso.

0 10 20 30 40 50
• El Histograma se usa para examinar la forma y dispersión de
los datos de muestra.
• Los histogramas dividen los valores de las muestras en
muchos intervalos denominados secciones . Las barras
representan el número de observaciones que se ubican
dentro de cada sección (su frecuencia).
• Para el análisis se necesita una o más columnas de datos
numéricos o de fecha/hora. También puede utilizar hasta
tres columnas de datos categóricos para agrupación.
 Un Histograma muestra la distribución de valores de datos con barras
una al lado de la otra. Estas no muestran puntos o valores
individuales. Los Histogramas son una buena herramienta para
mostrar un gran número de observaciones o defectos.

Se hace observación analítica para ver si existe forma simétrica sesgada.

10 9
8
10
7
6
Frequency

Frequency

Frequency
5
5
5 4
3
2
1
0 0
0

2 3 4 5 6 7 8 9 1 2 3 4 5 6 7 8 9
1 2 3 4 5 6 7 8 9 10
C1 C1

Simétrica Sesgada izquierda

C1

Sesgada derecha
Se hace observación analítica para ver si hay un modo o bi-modo.
10
10
Frequency

Frequency
5 5

0 0

2 3 4 5 6 7 8 9 1 2 3 4 5 6 7 8 9 10
C1 C2

De un Modo Bimodal
Los Histogramas son los gráficos mas utilizados para mostrar datos PERO al mismo
tiempo son en los que mas errores se cometen al mostrar e interpretarlos
267
 Cuál de los dos histogramas probablemente tiene una
distribución normal?

5 4

4
3
Frequency

Frequency
3
2
2

1
1

0 0

10.0 10.5 11.0 11.5 12.0 12.5 13.0 13.5 10 11 12 13 14

Normal Normal

Cambiando el ancho de el intervalo en un histograma puede cambiar la

interpretación del gráfico
• Distribución en forma de Campana: Forma simétrica con un pico en la
mitad del rango de los datos. Mientras desviación de una forma de
campana debe ser investigada, dicha desviación no es necesariamente
mala.
• Distribución Bimodal: Estos histogramas tienen dos picos. Esta forma
puede mostrar que los datos han llegado a partir de dos sistemas
diferentes. Si se produce esta forma, las dos fuentes deben ser separadas y
analizadas por separado.
• Distribución Meseta: Estos histogramas proporcionan poca información sobre el
sistema. Un ejemplo sería una lotería, en el que cada valor tiene aproximadamente
el mismo número de elementos.
• Si el histograma tiene esta forma, se debe comprobar si hay varias fuentes de
variación que se han combinado. Si es así, es necesario analizar por separado.
• Si varias fuentes de variación no parecen ser la causa de este patrón, se debe hacer
diferentes agrupaciones para probar si un patrón específico aplica. Esto podría ser
tan simple como cambiar el punto inicial y final de las barras, o cambiando el
número de barras. Una distribución uniforme a menudo significa que el número de
valores es demasiado pequeño.
• Distribución Sesgada: Una forma asimétrica en la que el pico está
descentrado en el intervalo de los datos y la distribución disminuye
bruscamente en un lado y en el otro se sesga. Este patrón se produce
normalmente cuando existe un límite natural, o un límite de especificación,
en un lado y es relativamente cerca del valor objetivo o nominal.

Sesgado a la Derecha Sesgado a la Izquierda

• Distribución Aleatoria: No tiene un patrón aparente. Al igual que la
distribución meseta, puede describir una distribución que tiene varios
modos (picos). Si el histograma tiene esta forma, se debe comprobar si hay
varias fuentes de variación que se han combinado. Si es así, analizar por
separado.
(1) Grafica > Histograma (2) Seleccionar formato Simple

(3) Seleccionar variable a graficar

274
 Controlar Definir

Mejorar Medir

Analizar
 Fundamentos de los gráficos de control
• Todos los procesos tienen una variación natural (causas
comunes) y una variación no natural (causas especiales), los
gráficos de control se usan para diferenciar esta variación.
• Basados en principios estadísticos, los gráficos de control
permiten la identificación de patrones no naturales e
identifican oportunidades de mejora del proceso.
• Los gráficos de control incorporan los límites de control
superior (alto) e inferior (bajo) que reflejan los límites naturales
de la variación el proceso.
• Los límites de control están basados en límites establecidos en
+/- tres sigmas para una variable en particular de entrada o
salida que se está midiendo.
 Graficar los Procesos nos ayuda a:

• Reconocer el grado de variación que

existe ahora, de tal manera que no
sobre-reaccionamos a la variación al
azar.
• Estudiar el proceso para identificar las
fuentes de variación y entonces actuar
para eliminar o reducirlas.

Cuatro usos de los Gráficos de Control

• Monitorear el control de los procesos
• Hacer seguimiento al proceso de mantenimiento.
• Determinar la magnitud de los efectos debido a cambios en
el proceso.
• Descubrir fuentes de variación.
 Tipos de Variación

Inusual

Variación no esperada de ese proceso en particular.

Esporádica

Variación que ocurre esporádicamente.

Específica
Variación que ocurre bajo un conjunto único de
circunstancias.

Estos aspectos de la variación debido a causas

especiales la hacen impredecible e incontrolable
 Tipos de Variación

Natural

Variación esperada de ese proceso en particular.

Al Azar
Variación que ocurre probabilísticamente en el
proceso.

Estos aspectos de la variación debido a causas

comunes nos permiten predecir futuros eventos y
controlar el proceso dentro de los límites esperados.
 Los Gráficos de Control nos permiten identificar
cuando las causas especiales entran al proceso.
Cuando una variación inesperada entra al proceso, ya
no será estable ni predecible. Un proceso dominado
por causas especiales de variación no es controlable;
debe encontrarse la fuente de la causa especial de
variación y eliminarse para retornar el proceso a su
nivel esperado de desempeño

Uso oportuno de datos.

Preguntarse: “¿Qué ha cambiado?”
Tomar acciones rápidas en el proceso, para evitar la recurrencia.
 El objetivo #1 de los gráficos de control es demostrar que
el proceso es dominado por causas comunes de variación.

Pruebas para el control

La prueba primaria de un gráfico de control es:

“¿Las variaciones en este proceso se deben a causas comunes?”

• Si la respuesta sea SI, el proceso es un sistema de causas probables que demuestran la
variación natural del proceso; este es controlable y predecible a través del tiempo.

• Si la respuesta es NO, entonces una causa especial de variación está afectando el

proceso; debemos eliminarla y mostrar nuestra habilidad para controlar el proceso y
predecir efectivamente su comportamiento futuro.
 Los gráficos de control nos permiten predecir la
variación esperada del proceso. Cuando las
causas comunes esperadas son muy grandes,
generalmente se requiere un cambio sistémico.
Se deben incluir en el análisis, elementos de
variación adicionales (M´s) no asociadas al
entorno inmediato del proceso.

Buscar todos los datos

Si se requiere que el proceso tenga cambios fundamentales
generalmente es necesario incurrir en inversiones.
 Los gráficos de control son la herramienta principal en
el Control Estadístico de Procesos.

Características de los gráficos de control :

• Puntos de datos ordenados a través del tiempo
• Reflejan el rango esperado de variación de los datos
• Identifican cuando una causa especial está actuando en el proceso
Límite superior de control

X- Bar Chart

615
UCL=613.6
Línea Central
605
Sample Mean

X =599.1
595

585 L CL=584.6

0 10 20
Sample Number

Límite inferior de control

A Favor
• Excelente herramienta para monitorear las Ys de un proceso o las Xs vitales en
la entrada del proceso.
• Identifica causas especiales de variación.
• Permite respuestas a los cambios del proceso en tiempo real.
• Pueden ser utilizados cuando no se tenga un dispositivo a prueba de error.
• Pueden ser usados para datos discretos o continuos.
• Simples de usar, versátiles y estadísticamente poderosos.

En contra
• El CEP requiere el convencimiento de parte del equipo para que sean efectivos.
• No es un substituto de los poka-yoke.
• No son usados para investigar la variación debido a causas comunes.
 Tipos de Datos

Datos Datos de
Datos de
Continuos Defectuosos
Defectos
(Mediciones/ (Categorizan Datos
(cuentan
Datos Atributos - Pasa/Falla,
atributos - DPU)
Variables) Go-NoGo)

Alto Volumen
Tamaño de Tamaño de
o Bajo
Volumen Muestra Muestra

Alto Bajo constante variable constante variable

Xbarra - R I-MR C U NP P
Xbarra - S Z-MR
Part# Stem Length Range Los límites de control superior e inferior en el gráfico Individual,
1 5.2493
representan los valores máximos y mínimos esperados. x-Barra es la
2 5.2477 0.0015
3 5.2534 0.0056 media de este conjunto de muestras.
4 5.2551 0.0017
5 5.2475 0.0076
Stem Length
6 5.2478 0.0003
7 5.2461 0.0016 3.0SL=5.260
5.26
8 5.2490 0.0029

Ind i vi d ua ls
9 5.2425 0.0065
10 5.2488 0.0063 5.25 X=5.249
11 5.2465 0.0023
12 5.2504 0.0038 5.24
-3.0SL=5.238
13 5.2490 0.0014
14 5.2424 0.0066 Observati on 0 5 10 15 20 25
15 5.2505 0.0081
16 5.2486 0.0019 0.015
3.0SL=0.01374
M o vi ng R a ng e

17 5.2511 0.0025
17 5.2526 0.0015 0.010
19 5.2543 0.0017
20 5.2524 0.0020 0.005
R=0.004204
21 5.2485 0.0039
22 5.2443 0.0042
0.000 -3.0SL=0.000
23 5.2573 0.0131
24 5.2467 0.0106
25 5.2501 0.0034

Los límites de control superior e inferior del gráfico de Rangos

Movibles representan la variación máxima y mínima esperada
entre parte y parte. R-Barra es la media de este conjunto de
muestras.
(1) Estadisticas > Graficas de Control > Variables para Individuos > I- MR

(2) Doble click en: Prod

288
 Las primeras tres son consideradas generalmente pruebas
fundamentales. Las restantes son seleccionadas según la necesidad.

*Este menú es para gráficos de variables. Minitab usa pruebas similares para atributos
 Se grafican los promedios de los subgrupos en el gráfico X.

Los Rangos de los subgrupos se grafican en el gráfico R.

FLANGE HEIGHT
Rango del Subgrupo “R” DATA Promedio del Subgrupo “X”
1.2516
.0028 1.2502 1.2515 3.0SL=1.251
1.2502
1.2488

Means
1.2505
1.2506 X=1.250
.0002 1.2504 1.2505 1.2495
1.2504 1.2485 -3.0SL=1.249
1.2500 Subgroup 0 5 10 15 20 25
.0006 1.2506 1.2503
0.004
1.2503 3.0SL=0.003363
0.003
Ranges

1.2489
.0018 1.2498 0.002
1.2507
R=0.001306
1.2497 0.001
1.2495 0.000 -3.0SL=0.000
1.2509
.0025 1.2511
1.2520
 (1) Estadisticas >
Graficas de Control >
Variables para
subgrupos > Xbar-R

(2) Doble click on: Prod

(3) Seleccionar subgrupos de 3 (3291
dias)
• Realiza el seguimiento de la proporción de defectuosos y detecta la
presencia de causas especiales . Cada una de las entradas en la columna
de la hoja de trabajo es el número de defectuosos para un subgrupo.

• Elementos del cuadro de diálogo

– Variables: Ingrese columnas que contengan el número de defectuosos para cada
muestra.
– Tamaños de los subgrupos: Ingrese un número o una columna que contenga los
tamaños de subgrupo . Si los subgrupos no son iguales, cada límite de control no es
una línea recta sino que varía según el tamaño del subgrupo. Si los tamaños de los
subgrupos no varían considerablemente, convendría establecer que los límites de
control sean constantes, para lo cual deberá especificar un tamaño de subgrupo fijo
Opciones de Gráfica P > Estimar.
• Supongamos que usted trabaja en una planta que fabrica tubos de imágenes para
televisores. Para cada lote, usted toma algunos tubos y realiza una inspección
visual. Si el tubo presenta rayones en su interior, usted lo rechaza. Si un lote tiene
demasiados rechazos, usted realiza una inspección 100% en ese lote. Una gráfica
P puede definir cuando usted necesita inspeccionar la totalidad del lote.
– 1 Abra la hoja de trabajo EJA_CAL.MTW.
– 2 Elija Estadísticas > Gráficas de control > Gráficas de atributos > P.
– 3 En Variable, ingrese Rechazos.
– 4 En Tamaños de los subgrupos, ingrese Muestreados. Haga clic en Aceptar.
• Hace un seguimiento del número de defectuosos y detecta la presencia
de causas especiales . Cada una de las entradas en la columna de la hoja
de trabajo es el número de defectuosos para un subgrupo.

• Elementos del cuadro de diálogo

– Variables: Ingrese columnas que contengan el número de defectuosos para cada
muestra.
– Tamaños de los subgrupos: Ingrese un número o una columna que contenga los
tamaños de subgrupo . Si los subgrupos no son iguales, cada límite de control no es
una línea recta sino que varía según el tamaño del subgrupo. Si los tamaños de los
subgrupos no varían considerablemente, convendría establecer que los límites de
control sean constantes, para lo cual deberá especificar un tamaño de subgrupo fijo
utilizando Opciones de gráfica NP > Estimar.
• Usted trabaja para una compañía que fabrica juguetes y su trabajo consiste en
inspeccionar el número de neumáticos para bicicleta defectuosos. Usted
inspecciona 200 muestras en cada lote y luego decide crear una gráfica NP para
supervisar el número de defectuosos. Para hacer que la gráfica NP sea más fácil
de presentar en la próxima reunión con el personal de la compañía, usted decide
dividir la gráfica en segmentos de 10 lotes de inspección.
– 1 Abra la hoja de trabajo [Link].
– 2 Elija Estadísticas > Gráficas de control > Gráficas de atributos > NP.
– 3 En Variable, ingrese Rechazos.
– 4 En Tamaños de los subgrupos, ingrese Inspeccionado.
– 5 Haga clic en Opciones de gráfica NP, luego haga clic en la ficha Mostrar.
– 6 En Dividir gráfica en una serie de segmentos para efectos de visualización, elija Cada
segmento contiene __ subgrupos e ingrese10.
– 7 Haga clic en Aceptar en cada cuadro de diálogo.
• Hace un seguimiento del número de defectos y detecta la presencia de
causas especiales . Cada entrada en la columna especificada contiene el
número de defectos para un subgrupo , que se supone proviene de una
distribución de Poisson con parámetro m. Este valor es tanto la media,
como la varianza .
• Por opción predeterminada, el número promedio de defectos en el
proceso, m, se estima a partir de los datos. Este valor es la línea central
de la gráfica C. Minitab también utiliza este valor para calcular los límites
de control.
• Elementos del cuadro de diálogo
– Variables: Ingrese columnas que contengan el número de defectuosos para cada
muestra.
• Supongamos que usted trabaja para un fabricante de lino. Cada 100 yardas
cuadradas de tela pueden contener cierto número de manchas antes de ser
rechazadas. Para propósitos de calidad, usted desea rastrear el número de
manchas por 100 yardas cuadradas en un período de siete días, a fin de
determinar si su proceso se comporta de modo predecible. Usted desea que la
gráfica de control muestre límites de control a 1, 2 y 3 desviaciones estándar por
encima y por debajo y de la línea central.
– 1 Abra la hoja de trabajo EJA_CAL.MTW.
– 2 Elija Estadísticas > Gráficas de control > Gráficas de atributos > C.
– 3 En Variables, ingrese Manchas.
– 4 Haga clic en Opciones de gráfica C, luego haga clic en la ficha Límites S.
– 5 En Mostrar límites de control en, ingrese 1 2 3 en Estos múltiplos de la desviación estándar.
6 En Colocar bandas a los límites de control, marque Banda de límite inferior de desviación
estándar e ingrese 0.
– 7 Haga clic en Aceptar en cada cuadro de diálogo.
• Realiza un seguimiento de los defectos por unidad muestreada y detecta la
presencia de causas especiales . Cada entrada en la columna de la hoja de
trabajo representa el número de defectos en una muestra (o subgrupo ), que
se basa en el supuesto de que procede de una distribución de Poisson con el
parámetro m, que es tanto la media como la varianza .
• Por opción predeterminada, Minitab calcula el número promedio de defectos
del proceso, m, a partir de los datos. Este valor es la línea central. Minitab
también calcula los límites de control utilizando este valor.
• Elementos del cuadro de diálogo
– Variables: Ingrese las columnas que contienen el número de defectos por unidad
muestreada.
– Tamaños de los subgrupos: Ingrese un número o una columna que contenga los tamaños de
subgrupo . Si los subgrupos no son iguales, cada límite de control no es una línea recta sino
que varía según el tamaño del subgrupo. Si los tamaños de los subgrupos no varían
considerablemente, convendría establecer que los límites de control sean constantes, para
lo cual deberá especificar un tamaño de subgrupo fijo utilizando Opciones de gráfica U >
Límites S.
• Como gerente de producción de una compañía que fabrica juguetes, usted desea
supervisar el número de defectos por unidad de los autos de juguete con motor.
Usted inspecciona 20 unidades de juguete y crea una gráfica U para examinar el
número de defectos en cada unidad. Usted desea que la gráfica U exhiba límites
de control rectos, de manera que pueda fijar un tamaño de subgrupo de 102
(número promedio de juguetes por unidad).
– 1 Abra la hoja de trabajo [Link].
– 2 Elija Estadísticas > Gráficas de control > Gráficas de atributos > U.
– 3 En Variables, ingrese Defectos.
– 4 En Tamaños de los subgrupos, ingrese Muestra.
– 5 Haga clic en Opciones de gráfica U, luego haga clic en la ficha Límites S.
– 6 En Cuando los tamaños de los subgrupos no sean iguales, calcule los límites de control, elija
Suponiendo que todos los grupos son de tamaño luego ingrese 102.
– 7 Haga clic en Aceptar en cada cuadro de diálogo.
 Controlar Definir

Mejorar Medir

Analizar
La Comparación es la clave para entender
muchas clases de datos. Por ejemplo:

• Queremos saber cuál de dos terapias es

más efectiva contra una enfermedad en
particular.
• Queremos comparar dos comidas por
nutrición o sabor.
• Necesitamos comparar un nuevo
producto con uno existente de la
competencia.
 Dato atípico

* La cola se extiende hasta

Un gráfico de Cajas le mostrará la distribución el valor más alto dentro
del límite superior
de sus datos dentro del total de la población.

Línea del Tercer Cuarto

El 50% de sus datos serán capturados en una Línea de la Mediana

caja con colas mostrando la dispersión total.

Línea del Primer Cuarto

La cola se extiende hasta

el valor más bajo dentro
del límite inferior
• Los Gráficos de Cajas se usa para evaluar y comparar las
distribuciones de la muestra.
• El bigote superior se extiende hasta el valor de datos más alto
dentro del límite superior. Límite superior = Q3 + 1.5 (Q3 - Q1).
• La parte superior de la caja es el tercer cuartil (Q3) - 75% de los
valores de datos son menores que o iguales a este valor.
• Mediana - el centro de los datos. La mitad de las observaciones
son menores que o iguales a la mediana.
• La parte inferior de la caja es el primer cuartil (Q1) - 25% de los
valores de datos son menores que o iguales a este valor.
• El bigote inferior se extiende hasta el valor más bajo dentro del
límite inferior. Límite inferior = Q1- 1.5 (Q3 - Q1).
• Valor atípico - una observación inusualmente grande o pequeña.
Los valores ubicados más allá de los bigotes son valores atípicos.
(1) Gráfica > Gráfica de Caja

(2) Seleccionar con Grupos (2 grupos;

beef & poultry)

304
(3) Selecciona variables (sodium) y agrupación (type)

El Gráfico de Cajas muestra:

• 2 Medianas diferentes
• Distribución de la población
• Variación dentro de la
población

Gráfica de caja de Sodio

700

600

500

Sodio
400

300

200
Pollo Res
Tipo

305
 Controlar Definir

Mejorar Medir

Analizar

306
 Diagrama de dispersión
Un diagrama de Dispersión muestra la relación entre dos variables.
Matemáticamente, el eje vertical (Y) muestra que tanto influye el eje horizontal
(X) en el proceso

Diagrama de Dispersión
50

40
kills

Y 30

20

10
450 550 650 750
boats
X

La primera herramienta que se concentra en medir “X”

• El Diagrama de Dispersión se usa para ilustrar la relación entre
dos variables al graficar una en función de la otra.
• Las gráficas de dispersión también son útiles para graficar una
variable en el tiempo. A diferencia de una Gráfica de serie de
tiempo , usted debe indicar una variable de tiempo de la hoja de
trabajo. Esto es particularmente útil cuando se trata de datos que
no se ingresan en orden cronológico o que se recolectan a
intervalos irregulares.

• Ejemplo de Grafica de serie

de tiempo
 Interpretando el Diagrama de Dispersión

Correlación positiva Correlación negativa

No correlación
 Se casan generalmente las
personas de la misma estatura?

310
 Altura del hombre en el eje X ( 71” )
Altura de la mujer en el eje Y ( 63” )

Continue plotting couples for the study on height & marriage

72 inches 64 inches 68 inches

61 inches 56 inches 61 inches

311
(1) Grafica > Grafica de dispersion Probaremos la altura de las parejas contra el peso de
las parejas
Las parejas mas altas también pesan más?

(2) Seleccionar (Simple)

312
(3) Seleccionar variable Y (weight) y variable X (height)

313
316
 • La razón más importante para hacer un
El Análisis de Regresión es una análisis de regresión, particularmente en
ecuación matemática que analiza la negocios y economía, es que puede ser
relación entre la variable de usado para pronosticar variables.
entrada y de salida (variable a ser • Las Salidas (Y’s) son denotadas como
pronosticada). Se usa con Variables Dependientes.
variables cuantitativas. • Las Entradas (X’s) son denotadas como
Variables Independientes

Ejemplos:
• Se quiere ver la relación entre el número de muestras (X)
entregadas a un colegio y el volumen de venta (Y) a ese colegio
• Se quiere ver la relación entre velocidad de la máquina (X),
temperatura de los rodillos (X) y la calidad de la impresión (Y).
 Una ecuación de regresión corresponde a una línea recta en
un diagrama de dispersión de todas las entradas

B Promedio

Temperatura A Promedio

Tiempo
 Gráfico de Regresión
La relación entre las variables de entrada y de salida se expresa mejor con una ecuación
representada por una línea. Rara vez, los datos se alinean perfectamente, de tal manera
que el gráfico de regresión ajusta una línea entre ellos.

Los datos sugieren que la muerte de más manatíes ocurrirá a medida que se
incrementa el número de barcos
320
 12.82 la Desv. Est. original Nueva Desv. Est.
Sin considerar los botes S=5.40953

R-Cuad
Explica el
porcentaje de
variación 83%

X=0

Cuando el porcentaje de variación es sobre > .70 existe

una buena línea (nivel
321 de confianza alta)
Y = -35
Residuales = datos - predicción Residuales = datos - predicción
Minimiza la suma de residuales al cuadrado = 34 - 27
= 7
= 7 * 7 = 49
Al poner el Residual al cuadrado,
minimizamos el error en la predicción de
la línea de regresión.

322