Resp Ejercicios Fase Medicion BB2

RESP_EJERCICIOS FASE DE MEDICIÓN SEIS SIGMA BB P.
Reyes / febrero 2008
PREGUNTAS:
1.1 Introducción
1. ¿Cuáles son los principales propósitos y entregables de la fase de medición?
a. Determinar req. de información para el proyecto

Definir las Métricas de los indicadores del Proceso
Identificar los tipos, fuentes y causas de la variación en el proceso
Desarrollar un Plan de Recolección de Datos
Realizar un Análisis del Sistema de Medición (MSA)
Llevar a cabo la recolección de datos
b. Diagnóstico de la situación actual del problema
2. ¿Cómo se realiza un mapa detallado del proceso? Dar un ejemplo

Diagrama de flujo
Un diagrama de flujo o mapa de proceso es útil para comprender el proceso.
Puede describir la secuencia del producto, contenedores, papeleo, acciones
del operador o procedimientos administrativos.
Es el paso inicial para la mejora de procesos, ya que facilita la generación de

ideas.
Pasos para la elaboración del Diagrama de flujo
Organizar un equipo para examinar el proceso
Construir un mapa de proceso para representar los pasos del proceso
Discutir y analizar cada paso en detalle
Preguntarse ¿Por qué lo hacemos de esta manera?
Comparar el proceso actual a un proceso imaginario “perfecto”

¿Hay complejidad innecesaria?
¿Existe duplicación o redundancia?
¿Hay puntos de control para evitar errores y rechazos?
¿Se realiza el proceso de acuerdo a como está planeado?
¿Puede realizarse el proceso de manera diferente?
¿las ideas de mejora pueden venir de procesos muy diferentes?
3. ¿Cómo se realiza un mapa de la cadena de valor? Dar un ejemplo
El mapa de cadena de valor se crea para identificar las actividades

involucradas en el producto. Incluye proveedores, actividades productivas y
clientes. Se consideran los criterios siguientes:
Agrega valor de acuerdo a la percepción del cliente

No agrega valor, pero es necesaria por el proceso
No agrega valor y puede eliminarse
Página 1 de 60
RESP_EJERCICIOS FASE DE MEDICIÓN SEIS SIGMA BB P. Reyes / febrero 2008
 Recolecte siempre información del estado actual mientras se realizan las

operaciones normales tanto en flujos de información como de materiales.
 Inicie con una caminata rápida a través de la cadena de valor completa

puerta a puerta, para obtener un sentido del flujo y secuencia de procesos.
Después regrese y colecte información en cada proceso.
 Inicie desde el final de embarque y de ahí para atrás. Así se iniciará el

mapeo con los procesos que están más ligados directamente al cliente, el
cual debe establecer los pasos para otros procesos.
 Recolecte siempre información del estado actual mientras se realizan las
operaciones normales tanto en flujos de información como de materiales.
 Inicie con una caminata rápida a través de la cadena de valor completa

puerta a puerta, para obtener un sentido del flujo y secuencia de procesos.
Después regrese y colecte información en cada proceso.
 Inicie desde el final de embarque y de ahí para atrás. Así se iniciará el

mapeo con los procesos que están más ligados directamente al cliente, el
cual debe establecer los pasos para otros procesos.
 Utilice el cronómetro y no dependa de tiempos estándar o información que

no obtenga personalmente.
 Trazar uno mismo la cadena de valor completa. Entendiendo que el flujo

completo lo encierra el mapeo de la cadena de valor.
 Siempre trace a mano y a lápiz. Ir al piso de producción al realizar el análisis

de estado actual, y afinarlo más tarde. Se debe resistir la tentación de usar
la computadora.
4. ¿Cómo se establece un plan de colección de datos o los pasos para lograrla?
Se establece a través de un Diagrama de las 5Ws y 1H, para indicar los

pasos detallados.
 Un plan de Recolección de Datos relacionada con las CTQs de interés es la

documentación de:
o Qué información se va a recolectar
o Por qué se necesita
o Quién es responsable
o Cómo se va a recolectar
o Cuándo se va a recolectar
o Dónde se va a recolectar
5. ¿Cuáles son las variables clave de entrada (KPIV) y salida (KPOV) de un

proceso?
Las variables KPIV son las variables clave de entrada al proceso
Las variables KPOV son las variables clave de salida del proceso, se refieren
a los CTQs
1.2 PROBABILIDAD Y ESTADISTICA

1. ¿Cuál es la diferencia entre la estadística descriptiva y la inferencial?
 La estadística descriptiva se enfoca a los métodos para describir de manera
simple los datos, como en las gráficas. Los datos enumerativos son los que
pueden ser contados.
Página 2 de 60
 La estadística inferencial se orienta a estimar los parámetros de la población

en función de los datos obtenidos con las muestras.
2. ¿Cuál es la diferencia entre un estadístico y un parámetro?

 Un estadístico se refiere a las muestras (media, desviación estándar, etc.
indicada con letras latinas)
 Un parámetro se refiere a la población (media, desviación estándar, etc.
indicada con letras griegas)
3. ¿A qué se refiere el Teorema del Límite Central?

 Indica que la distribución de las medias muestrales siguen una distribución
normal, independientemente que la población no sea normal
4. ¿Cómo se aplica el teorema del límite central en la evaluación de intervalos y

cartas de control?
 El IC es el intervalo en el que se encuentra el parámetro poblacional
 En las cartas de control aprovecha que la distribución de las medias es
normal, para identificar situaciones fuera de control
5. ¿Qué es probabilidad?
 Es la posibilidad de ocurrencia de un evento, toma valores entre cero y uno
6. ¿Qué es independencia, mutuamente exclusivos, reglas de multiplicación?
Eventos independientes: un evento que no depende de la ocurrencia de otro
Eventos mutuamente exclusivos: eventos que no tienen elementos en

comun
Regla de la adición: P(AuB) = P(A) + P(B) – P(AyC)
Regla de multiplicación: P(AyB) = P(A) * P(C)
1.3 TIPOS DE DATOS Y RESUMEN DE DATOS

1. ¿Cuáles son los datos discretos y variables?
Datos discretos: Son contables y finitos, resultado de eventos discretos
Datos variables: Son valores reales resultado de mediciones
2. Dar un ejemplo de los datos y escalas de medición siguientes:
a. Nominales: Colores, categorías
b. Ordinales: representan un orden por ejemplo: menor, medio, mayor o 1, 2,

3, 4 y 5
c. De intervalo: tienen valores numéricos pero el cero no representa

ausencia. Por ejemplo la temperatura.
d. De razón: tienen valores reales donde el cero es ausencia absoluta de

algo. Por ejemplo, la producción de artículos, el voltaje de un equipo.
3. ¿Para que sirven las hojas de registro?

 Sirven para registrar los datos colectados de mediciones, pruebas o conteos
Página 3 de 60
4. ¿Cómo se codifican los datos? Dar ejemplos:
a. Multiplicación o división por una constante: 3.456, 3.458, 3.451 por 6, 8, 1
b. Suma o resta de una constante: 56, 58, 51 por 6, 8, 1
5. Describir el muestreo:
a. Aleatorio: cuando los elementos tienen la misma probabilidad de ser

seleccionados
b. Estratificado: cuando hay estratos con características específicas,

colonias, regiones, zonas, etc.
c. Sistemático: se toma un artículo cada cierto número de artículos, de

manera consistente, por ejemplo muestrear un cepillo de cada 100 que se
producen-.
6. ¿Cómo se asegura la integridad de los datos?
 Evitar sesgo emocional respecto a tolerancias

 Evitar redondeo innecesario
 Si una característica cambia con el tiempo, registrar la medición inicial y la
posterior a la estabilización
 Filtrar los datos para identificar y eliminar errores de captura
1.4 Estadística descriptiva
1. ¿Cómo se calculan las medidas de tendencia central?
Media: promedio aritmético de un grupo de datos
Moda: es el valor que más se repite, puede haber varias modas
Mediana: con los números ordenados de manera ascendente, es el valor

intermedio
2. ¿Cómo se calculan las medidas de dispersión?
Rango: es el valor mayor menos el valor menor de un grupo de datos
Varianza: es el promedio de las desviaciones al cuadrado respecto a la media

de un grupo de datos
Desviación estándar: es la raíz cuadrada de la varianza, en la distribución

normal es la distancia que hay entre la media y el punto de inflexión de la
curva normal.
Coeficiente de variación: es la desviación estándar entre la media expresada

en porcentaje, sirve para comparar la variabilidad entre dos sujetos
diferentes entre si (peras con manzanas)
3. ¿Cuál es el propósito del Diagrama de Pareto?

Sirve para identificar prioridades, por medio de la ley del 80 – 20, el 20% de
las causas ocasionan el 80% de los problemas
4. ¿Cuál es el propósito del Histograma / Cartas de tendencias?
Página 4 de 60
Histograma: muestra la distribución de frecuencia de un grupo de datos
Carta de tendencias: muestra el desempeño de un grupo de datos en el

tiempo
5. ¿Para que sirve un diagrama de dispersión?

Sirve para identificar si una variable tiene relación con otra variables de
manera gráfica
6. ¿Qué significa el coeficiente de correlación y el coeficiente de determinación

El coeficiente de correlación, indica la fuerza de la relación entre dos
variables.
El coeficiente de determinación indica el porcentaje de la variación explicada
por la ecuación de regresión entre dos variables.
7. Al analizar la relación lineal entre dos variables ¿Qué valores puede tomar el
coeficiente de correlación y gráficamente que significa?
El coeficiente de correlación puede tomar valores entre -1 y 1 dependiendo

del
Sentido de la relación, -1 para una relación inversamente proporcional
perfecta y +1 para una relación directamente proporcional perfecta. Si no
hay correlación el valor de r = 0, y conforme aumenta la correlación, el
coeficiente tiende a +1 o a -1,
8. ¿Qué características tiene la distribución normal estándar?
a. Tiene media cero y desviación estándar uno.
b. El área bajo la curva normal es uno
c. Su eje horizontal se mide en unidades de desviación estándar Z.
Página 5 de 60
9. ¿Qué representa la desviación estándar dentro de la distribución normal?

Representa la distancia entre la media y el punto de inflexión de la curva
normal
10. ¿Cómo se puede transformar o estandarizar una distribución normal de datos

reales a la normal estándar?
Z = (X – Media) / Desv. Estándar
10. ¿Qué características tiene un proceso normal?
a. Su distribución tiene una forma de campana
b. Su distribución es simétrica respecto a la media
c. Es consistente en el tiempo, con un comportamiento predecible
11. Los costos de producción mensual tienen una media de $410, y s = 87, ¿Cuál
es la probabilidad de que los costos se mantengan por debajo de $300?.
= distr.norm(300, 410, 87, 1) = 0.1030
16. ¿Qué características tiene y cual es la aplicación de la distribución normal de

las medias muestrales?
Las medias muestrales siguen una distribución normal, con su desviación estándar
muestral igual a la desviación estándar poblacional dividido entre la raíz del tamaño
de muestra n.
Se utilizan para efectos de planeación de recursos a asignar a un servicio, ya que

permiten obtener la probabilidad de que la media muestral de tamaño n se
encuentre entre ciertos límites.
1.5 Capacidad de procesos
1. ¿Qué es capacidad de un proceso?
Es la habilidad que tiene para cumplir especificaciones
2. ¿Cómo se determina la fracción defectiva y el rendimiento de un proceso?
La fracción defectiva se determina con el área bajo la curva que se

encuentra por debajo del límite inferior de especificaciones (LIE), agregada al
área que se encuentra por arriba del límite superior de especificaciones
(LSE).
Página 6 de 60
Fracción defectiva = P(Z <= Zi) + P(Z >= Zs)
Zi = (LIE – media)/ sigma Zs = (LSE – media) / sigma
El rendimiento es el complemento de la fracción defectiva, es decir el

producto bueno.
3. ¿Qué significa la capacidad potencial de un proceso Cp y cómo se

determina?
Es habilidad potencial del proceso para cumplir especificaciones, compara el
rango de las especificaciones (LSE – LIE) con la amplitud de la variabilidad
del proceso (6 sigmas).
Para su cálculo el proceso debe estar en control estadístico, de manera que

la desviación estándar se determina como sigue:
Sigma ST = Sigma Within = Rango medio / d2.
Cp = (LSE – LIE) / (6*sigmas)
4. ¿Qué significa la capacidad real Cpk de un proceso y cómo se determina?

Es la habilidad real del proceso para cumplir especificaciones, toma en
cuenta el centrado de la media del proceso (Xmedia) contra la media de las
especificaciones (LSE + LIE) / 2, lo ideal es que ambas coincidan.
También influye la variabilidad del proceso (sigma).
Para su cálculo el proceso debe estar en control estadístico, de manera que
la desviación estándar se determina como sigue:
Sigma = Rango medio / d2.
Cpk = menor del valor absoluto de |Zi y Zs |/ 3
5. ¿Cómo se determina el nivel sigma (corto plazo) de un proceso en base al

rendimiento?
Con base al rendimiento a largo plazo, las sigmas del proceso son:
Página 7 de 60
Sigmas = distr.norm.estand.inv(rendimiento Yrt) + 1.5
6. ¿Cómo se determinan los índices de desempeño del proceso Pp y Ppk?
Para su cálculo el proceso no es necesario que esté en control, se pueden

tomar datos históricos, la desviación estándar se determina como sigue:
Sigma LT = Sigma Overall = S / C4. Donde S es la desviación estándar de los

datos y C4 es una constante determinada como C4 = 4(n-1)/ (4n – 3)
El Cp = (LSE – LIE) / (6* sigma LT)
El Ppk = menor |Zi; Zs| / 3 con las Z’s determinadas con Sigma LT
7. ¿Cómo se verifica la normalidad de un proceso?
Se verifica con la Prueba de Anderson Darling o Ryan si se tienen más de 15

datos y con la Prueba de Kolmorov Smirnov si hay menos de 15 datos en la
muestra. En ambos casos la hipótesis nula y alterna son:
Ho: Los datos siguen una distribución normal

Ha: Los datos no siguen una distribución normal
Si el valor P de la prueba excede el valor de alfa (normalmente de 0.05),

entonces no se rechaza Ho.
8. ¿Cuál es la diferencia entre un índice de capacidad del proceso y un índice

de desempeño del proceso?
Los índices de capacidad del proceso (Cp y Cpk), son índices a corto plazo,
durante este tiempo se mantienen las mismas condiciones en las 6Ms
(personal, máquinas, etc.), el proceso está en control estadístico y la
desviación estándar muestra solo la variación aleatoria del proceso.
Los índices de desempeño del proceso (Pp y Ppk), son índices a largo plazo,
durante ese tiempo se asume que ya han sucedido todos los cambios
posibles de las 6Ms en el proceso. Los datos tomados, son datos históricos.
PROBLEMAS: (Utilizar Minitab versión 15 para las soluciones)

1. ¿Qué porcentaje del área bajo la curva normal estándar está incluido
dentro de los siguientes rangos?
En Minitab, cargar en C1 los valores de Z siguientes:

1.1, 2.5, -1.6, -0.9, -1.8, 2.9, -2.7, -3, -2.9, 0.1, 2.6
Calc > Probability distributions > Normal > Cumulative probability

Mean 0.0 Standar deviation 1
Input column C1
Optional Storage C2 (resultados para copiar a Excel)
OK Con Excel utilizar =DISTR.NORM.ESTAND(Z)
Página 8 de 60
a) P(1.1 <= Z <= 2.5) = 0.1294

Hacer una resta de P(Z<2.5) menos P(Z<1.1)
b) P(-1.6 <= Z <= -0.9) = 0.1292

Hacer una resta
c) P( -1.8 <= Z <= 2.9) = 0.9622

Hacer una resta
d) P( Z >= 2.7) =0.00346697

Directa con P(Z< - 2.7) o restar a 1 la P(Z<=2.7)
e) P( Z<-3) + P(Z>2.9) =0.003215

Sumar P(Z<-3) y P(Z< - 2.9) o [1 – P(Z<2.9]
f) P(0.1 <= Z <= 2.9) =0.458306

Hacer una resta
g) P(Z>= 1.6) = 0.054799

Directa con P(Z< - 1.6) o restar a uno la P(Z<=1.6)
2. Porcentaje del área bajo la curva normal:
Una máquina envasadora de refresco se ajusta para servir 10 onzas de líquido por
vaso, si la desviación estándar es de 0.12 onzas. ¿Cuál es la probabilidad o
porcentaje de las veces de que la máquina sirva:
En Minitab, cargar en C1 los valores de X siguientes:

10.1, 10.2, 9.8, 9.7, 9.9
Mean 10 Standar deviation 0.12
Optional storage C2
Input column C1
OK Con Excel utilizar =DISTR.NORM(X, 10, 0.12,
1)
a. 10.1 onzas o más? P = 0.2023
Página 9 de 60
Restar a uno la P(X<=10.1)
b. Entre 10.1 y 10.2 onzas? P =0.1545

Hacer una resta
c. Entre 9.8 y 10.2 onzas? P =0.9044

Hacer una resta
d. Menos de 9.8 onzas? P =0.0477

Directa
e. Entre 9.7 y 9.9 onzas? P = 0.1961

Hacer una resta
3. Media muestral dentro de la distribución normal La distancia recorridas en

kilómetros por camioneros tiene una media de 8,500 y desv. Estándar de 1,950. Si
se toma una muestra de n = 40 conductores, ¿Cuál es la probabilidad de que la
media de la muestra tomada sea:?
En Minitab, cargar en C1 los valores de X siguientes:

8 900, 8 000, 8 200, 8 870, 8 100, 8 400
Mean 8500 Standar deviation 308.32 ( = 1950/raiz(40)
Input column C1
OK
Con Excel utilizar =DISTR.NORM(X, 8500, 1950 / raiz(40), 1)

a) > 8,900; 0.097
b) < 8,000 0.05
c) entre 8,200 y 8,870 0.71
Página 10 de 60
d) entre 8,100 y 8,400 0.27
4. Determinar las siguientes estadísticas básicas con los siguientes datos:
La cantidad de ingrediente en una bebida carbonatada llenada por dos máquinas

diferentes 1 y 2 se muestran a continuación:
La primera tabla muestra las dos máquinas combinadas, la segunda tabla muestra
la cantidad de ingrediente de la máquina 1 y la tercera tabla muestra la cantidad de
ingrediente de la máquina 2.
No Cant_ingredie Maquin No Cant_ingr_ Cant_ingr_

. nte a . M1 No. M2
1 24 2 2 14 1 24
2 14 1 3 18 4 27
3 18 1 10 27 5 17
4 27 2 11 24 6 32
5 17 2 13 24 7 31
6 32 2 17 28 8 27
7 31 2 21 17 9 21
8 27 2 23 22 12 21
9 21 2 26 21 14 26
10 27 1 27 16 15 31
11 24 1 28 17 16 34
12 21 2 29 22 18 32
13 24 1 33 16 19 24
14 26 2 34 16 20 16
15 31 2 35 18 24 37
16 34 2 36 30 25 36
17 28 1 38 16 30 34
18 32 2 39 14 31 20
19 24 2 40 15 32 19
20 16 2 43 17 37 21
21 17 1 44 20 41 14
23 22 1 45 20 42 14
24 37 2 46 25 50 19
25 36 2 47 15
26 21 1 48 16
27 16 1 49 15
28 17 1
29 22 1
30 34 2
31 20 2
32 19 2
33 16 1
34 16 1
35 18 1
Página 11 de 60
36 30 1
37 21 2
38 16 1
39 14 1
40 15 1
41 14 2
42 14 2
43 17 1
44 20 1
45 20 1
46 25 1
47 15 1
48 16 1
49 15 1
50 19 2
Tomando los datos de cantidad de ingrediente en general y tomándolos para cada

una de las máquinas por separado, determinar lo siguiente:
a) Determinar la media, moda, mediana, varianza, desv. Estándar, Q1, Q2, Q3 y

Coeficiente de variación para las dos máquinas en conjunto:
En Minitab:
Stat > Basic Statistics > Display Descriptive statistics
Variables Cant_ingrediente
Statistics: seleccionar Mode y Coefficient of variation
Graphs: seleccionar Histogram of data y Box Plot
OK
Resultados =
Descriptive Statistics: Cant_ingrediente
Variable N N* Mean SE Mean StDev CoefVar Minimum Q1

Cant_ingrediente 49 0 22.041 0.939 6.570 29.81 14.000 16.000
N for
Variable Median Q3 Maximum Mode Mode
Cant_ingrediente 21.000 27.000 37.000 16 6
CV = Desviación estándar / Media = 29.81
Página 12 de 60
Histogram of Cant_ingrediente
14
12
10
Frequency
0
15 20 25 30 35
Cant_ingrediente
Boxplot of Cant_ingrediente
40
35
Cant_ingrediente
30
25
20
15
Página 13 de 60
b) Determinar la media, moda, mediana, varianza, desv. Estándar, Q1, Q2, Q3 y

Coeficiente de variación para cada una de las máquinas por separado:
En Minitab:
Stat > Basic Statistics > Display Descriptive statistics
Variables Cant_ingrediente
By Variable Maquina
Statistics: seleccionar Mode y Coefficient of variation
Graphs: seleccionar Histogram of data y Box Plot
OK
Descriptive Statistics: Cant_ingrediente
Variable Maquina N N* Mean SE Mean StDev CoefVar Minimum

Cant_ingrediente 1 26 0 19.346 0.903 4.604 23.80 14.000
2 23 0 25.09 1.50 7.20 28.69 14.00
N for
Variable Maquina Q1 Median Q3 Maximum Mode Mode
Cant_ingrediente 1 16.000 17.500 22.500 30.000 16 5
2 19.00 24.00 32.00 37.00 21 3
Histogram of Cant_ingrediente by Maquina

15 20 25 30 35
1 2
10
8
Frequency
0
15 20 25 30 35
Cant_ingrediente
Panel variable: Maquina
Boxplot of Cant_ingrediente
40
35
Cant_ingrediente
30
25
20
15
1 2
Maquina
Página 14 de 60
c) Hacer una prueba de normalidad para los datos de ambas máquinas y para una
por separado, observar el P value (si es mayor a 0.05 los datos son normales) y
concluir
Para los datos totales:

En Minitab:
Stat > Basic Statistics > Normality Test
Variables Cantidad_ingrediente
Anderson Darling
OK
NOTA: SI EL NÚMERO DE DATOS ES MAYOR A 15 USAR LA PRUEBA DE
ANDERSON DARLING
SI ES MENOR USAR LA PRUEBA DE KOLMOGOROV SMIRNOF
SI EL P VALUE ES MAYOR A 0.05 LOS DATOS SE DISTRIBUYEN

NORMALMENTE
Probability Plot of Cant_ingrediente

Normal
99
Mean 22.04
StDev 6.570
95 N 49
AD 1.301
90
P-Value <0.005
80
70
Percent
60
50
40
30
20
10
1
5 10 15 20 25 30 35 40
Cant_ingrediente
P value < 0.05 por tanto los datos no siguen una distribución normal
Página 15 de 60
Para los datos tomados de cada una de las máquinas:

En Minitab:
Variables Cant_ingr_M1 y después Cant_ingr_M2
Anderson Darling
OK
Para la máquina 1:
Probability Plot of Cant_ingr_M1

Normal
99
Mean 19.35
StDev 4.604
95 N 26
AD 1.036
90
P-Value 0.008
80
70
Percent
60
50
40
30
20
10
1
10 15 20 25 30
Cant_ingr_M1
P value < 0.05 por tanto los datos no siguen una distribución normal
Para la máquina 2:
Probability Plot of Cant_ingr_M2

Normal
99
Mean 25.09
StDev 7.198
95 N 23
AD 0.424
90
P-Value 0.293
80
70
Percent
60
50
40
30
20
10
1
10 15 20 25 30 35 40 45
Cant_ingr_M2
P value > 0.05 por tanto los datos siguen una distribución normal
Página 16 de 60
d) Para la máquina 2, si los límites de especificación son LIE = 12 y LSE = 38

determinar la capacidad del proceso total en fracción defectiva (Within), Cp y Cpk.
En Minitab:
Stat > Quality tools > Capability analysis > Normal
Data is arranged as a single column: Cant_ingr_M2
Subgroup size 1
Lower spec 12 Upper spec 38
Estimate: Methods of estimate sigma R-Bar
seleccionar Use unbiased constants to calculate Overall estándar
dev.
OK OK
Process Capability of Cant_ingr_M2
LSL USL
P rocess Data Within
LSL 12 Overall
Target *
U SL 38 P otential (Within) C apability
S ample M ean 25.087 Cp 0.87
S ample N 23 C P L 0.88
S tDev (Within) 4.95648 C P U 0.87
S tDev (O v erall) 7.28017 C pk 0.87
O v erall C apability
Pp 0.60
PPL 0.60
PPU 0.59
P pk 0.59
C pm *
10 15 20 25 30 35 40
O bserv ed P erformance Exp. Within P erformance Exp. O v erall P erformance
P P M < LSL 0.00 P P M < LSL 4140.74 P P M < LSL 36118.84
P P M > U S L 0.00 P P M > U SL 4589.89 P P M > U S L 38054.02
P P M Total 0.00 P P M Total 8730.63 P P M Total 74172.86
Fracción defectiva = 8,730 ppm

Desviación estándar Within 4.95648
Cp = 0.87
Cpk = 0.87
El Cpk debe ser mayor a 1.33, por tanto el proceso no es hábil
Página 17 de 60
Con Options: Percents y Benchmarks Zs se tiene:
Process Capability of Cant_ingr_M2
LSL USL
LSL 12 Overall
Target *
S ample M ean 25.087 Z.Bench 2.38
S ample N 23 Z.LSL 2.64
S tDev (Within) 4.95648 Z.U SL 2.61
Z.Bench 1.45
Z.LSL 1.80
Z.U SL 1.77
P pk 0.59
C pm *
10 15 20 25 30 35 40
% < LS L 0.00 % < LSL 0.41 % < LSL 3.61
% > U SL 0.00 % > U SL 0.46 % > U SL 3.81
% Total 0.00 % Total 0.87 % Total 7.42
Método Manual:
Paso 1. Se obtiene la carta I-MR para determinar la media y el rango medio:

Nota: Quitar los asteriscos en la columna de la máquina 2
Stat > Control Charts > Variable chart for individuals

Variable Cant_ingr_m2
OK
I-MR Chart of Cant_ingr_M2

40 U C L=39.96
Individual V alue
30
_
X=25.09
20
10 LC L=10.22
1 3 5 7 9 11 13 15 17 19 21 23
O bser vation
1
20
U C L=18.27
M oving Range
15
10
__
5 M R=5.59
0 LC L=0
1 3 5 7 9 11 13 15 17 19 21 23
O bser vation
Página 18 de 60
De la carta anterior se obtiene: Xm = Media = 25.09; Rango medio = Rm =

5.59
Paso 2. Calcular la desviación estándar Within o Sigma a corto plazo st (cuando
no se presenta ningún cambio en las 6M – máquina, personal, materiales, etc.)
 = Rm / d2 En este caso d2 = 1.128 una constante de Shewhart
 = 5.59 / 1.128 = 4.9556
Paso 3. Calcular las Zs correspondientes a cada uno de los límites de especificación

LIE, LSE:
Zs = (LSE – Xm) / Sigma = (38-25.09)/4.9556 = 2.605
Zi = (LIE – Xm) / Sigma = (12 -25.09) / 4.9556 = - -2.64
FRACCIÓN DEFECTIVA A CORTO PLAZO

Paso 4. Cálculo de la fracción defectiva = 1 – Rendimiento
El área bajo la curva dentro de especificaciones equivale al área de la curva normal

entre Zi = -2.64 y Zs = 2.605
P(-2.64 <Z < 2.605) = distr.norm.estand(2.605) – distr.norm.estand(-2.64) =

= 0.99540629 - 0.0041453 =
= 0.991255
Por tanto el rendimiento del proceso es 99.1255% y la fracción defectiva es igual a:
Fracción defectiva = 1 – 0.991255 = 0.008 745
O sea 0.8745% = 8,745 ppm fuera de especificaciones
CAPACIDAD DEL PROCESO – A CORTO PLAZO SIN CAMBIOS EN

6Ms
Paso 5. Cálculo del Cp y del Cpk (ambos deben ser mayores a 1.33 para que el
proceso sea capaz o hábil para cumplir especificaciones)
Cp = (LSE – LIE) / (6*sigma) = (38 – 12) / (6*4.9556) = 0.8744
Cpk = Menor en valor absoluto de las dos Zs, Zs y Zi, dividida entre 3.
En este caso la Zs = 2.605 es menor, por tanto:
Cpk = 2.605 / 3 = 0.868
Por tanto el proceso no tiene habilidad para cumplir especificaciones
Página 19 de 60
DETERMINACIÓN DEL DESEMPEÑO DEL PROCESO – A LARGO

PLAZO, CUANDO YA OCURRIERON TODOS LOS CAMBIOS
POSIBLES EN EL PROCESO (6Ms)
Paso 6. Cálculo de la Sigma de largo plazo – Sigma Overall = lt
Sigma Overall = lt = S / C4
S es la desviación estándar de todos los datos de la muestra, se determina

en Excel con =desvest(Cant_ingred_M2) = 7.2
C4 = 4(n – 1) / (4n – 3) = 4(23 – 1) / (4*23 – 3) = 88 / 89 = 0.98876
Sigma Overall = lt = S / C4 = 7.20 / 0.98876 = 7.2818
Paso 7. Calcular las Zs correspondientes a cada uno de los límites de especificación

LIE, LSE:
Zs = (LSE – Xm) / Sigma = (38-25.09)/ 7.2818 = 1.7729
Zi = (LIE – Xm) / Sigma = (12 -25.09) / 7.2818 = - 1.7976
FRACCIÓN DEFECTIVA A LARGO PLAZO

Paso 8. Cálculo de la fracción defectiva = 1 – Rendimiento
El área bajo la curva dentro de especificaciones equivale al área de la curva normal

entre Zi = -1.7976 y Zs = 1.7729
P(-1.7976 <Z < 1.7729) = distr.norm.estand(1.7729) – distr.norm.estand(-

1.7976) =
= 0.96187736 - 0.03612021 =
= 0.92575715
Por tanto el rendimiento del proceso es 92.57515% y la fracción defectiva es igual

a:
Fracción defectiva = 1 – 0.9257515 = 0.074 243
O sea 7.42% = 74 243 ppm fuera de especificaciones
DESEMPEÑO DEL PROCESO – A LARGO PLAZO CON TODOS LOS

CAMBIOS EN LAS 6Ms
Paso 9. Cálculo del Cp y del Cpk (ambos deben ser mayores a 1.33 para que el
proceso sea capaz o hábil para cumplir especificaciones)
Pp = (LSE – LIE) / (6*sigma) = (38 – 12) / (6*7.2818) = 0.5950
Página 20 de 60
Ppk = Menor en valor absoluto de las dos Zs, Zs y Zi, dividida entre 3.
En este caso la Zs = 1.7729 es menor, por tanto:
Ppk = 1.7729 / 3 = 0.5909
Por tanto el proceso no tiene el desempeño suficiente para cumplir

especificaciones.
Paso 10. Capacidad del proceso en sigmas:
El rendimiento a largo plazo fue de: Yrt = 0.925751
Se calculan como: Sigmas del proceso = distr.norm.estand.inv(Yrt) + 1.5 =
Sigmas del proceso = distr.norm.estand.inv(0.925751) + 1.5
Sigmas del proceso = 2.4448 sigmas
Capacidad en sigmas
5. Si un proceso genera un 1% de cable defectivo que se convierte en desperdicio,
con una oportunidad para defecto ¿Qué valores tendrían los términos siguientes Yrt,
sigmas del proceso y ppm?
Yrt =100 – 1 = 99% Sigmas = 3.82 ppm = 10,000 ppm
6. ¿Cuantas sigmas de capacidad tiene un proceso que en cada lote de 10,000

metros produce 40 m defectuosos?
Yrt = (10000-40)/10000=0.996 =99.6% Sigmas = 4.15 ppm = 4,000

ppm
7. ¿De cuántas a cuantas sigmas mejora la capacidad de un proceso que tiene un

rendimiento inicial de 84% y un rendimiento final del 95%?
Sigmas al 84% =2.636 Sigmas al 95% =3.144
8. Para un cierto tipo de productos se tiene una capacidad de proceso de 3.4

sigmas, quiere decir que por cada 1,000 productos habrá X productos defectuosos,
determinar el valor de X.
a. 140
b. 280
c. 48
d. 29 =1000 * (1 - distr.norm.estand(3.4 - 1.5)) = 28.71 en Excel
9. ¿De cuantas a cuantas Sigmas cambia un proceso que antes de la mejora tiene
un rendimiento de 93.3% a un rendimiento de 99.38% después de un proyecto de
mejora?
a. 2 a 2.8
b. 3 a 4 =distr.norm.estand.inv(0.9330) + 1.5) a
( =distr.norm.estand.inv(0.9938) + 1.5)
2.9985 4.0000
c. 3 a 3.4
d. 4 a 4.8
Página 21 de 60
10. De acuerdo a los datos encontrados en un proceso de servicios de

reconexión, se desea determinar el nivel en sigmas del proceso y su capacidad con
los datos siguientes:
Método A:
a) Total de oportunidades = 10,000
Producto Juguetes b) DPO's = 0.006
Unidades 1,000 c) DPMO's = 6,000
Defectos 60 d) Rendimiento Yrt = 0.994
Oportunidades 10 e) Capacidad en sigmas = 4.01
Método B:
Media 25 a) Zi = -2.7 Zs = 2.9
Desv.
Estandar 5 b) Yrt = P(Zi <= Z <= Zs) = 0.944667
Lim. Sup.
Espec. 39.5 c) DPO's y DPMO's = 0.055333
Lim. Inf. Esp. 11.5 d) Capacidad en Sigmas = 4.05
11. En el departamento de compras se realizan 800 pedidos, cada uno tiene 20

CTQ, los pedidos sin errores son 700:
a) Determinar el rendimiento del proceso = Yrt = 700 / 800 = 0.875
b) Determinar la tasa de errores = (800 – 700) / 800 = 0.125
c) Determinar la tasa de defectos por cada CTQ = DPO = (b) / 20 = 0.006 250
d) Determinar los Defectos por Millón de Oportunidades = DPO x 1000,000 = 6 250
e) Determinar capacidad de proceso en Z sigmas=distr.norm.estand(Yrt)+1.5 =2.65
12. Problemas de probabilidad
a) Se va a seleccionar una muestra de 5 personas en un grupo de 20 personas de

diferentes áreas, ¿cuántas formas diferentes de hacerlo hay si importa el orden y si
no importa el orden?
=permutaciones(20, 5) =combinat(20, 5)
i. Si importa el orden = 1,860,480 No importa = 15,504
b) Un proceso de servicios tiene 5% de servicios no conformes. ¿Cuál es la

probabilidad de encontrar 2 o más servicios no conformes en una muestra de 50
servicios usando la distribución binomial y de poisson?
Excel : =1 - distr.binom(1, 50, 0.05, 1) =1- poisson(1, 2.5, 1
Página 22 de 60
I. P(X >= 2) = 0.72056 ii. P(X >=2 ) = 0.71270
En Minitab: Calc > Probability distributions > Binomial > Cumulative prob.
Number of trials 50 Probability of success 0.05 Input constant 1
Probabilidad = 1 – Resultado = 1 - 0.279432 = 0.72056
En Minitab: Calc > Probability distributions > Poisson > Cumulative prob.
Mean 50*0.05 = 2.5 Input constant 1
Probabilidad = 1 – Resultado = 1 - 0.287297 = 0.71270
c) Se va a seleccionar una muestra aleatoria de 3 artículos de una muestra de 25

artículos, se sabe que hay 5 defectuosos. ¿Cuál es la probabilidad Hipergeométrica
de que la muestra tenga 1 o más artículos defectuosos?
En Excel =1- distr.hipergeom(0, 3, 5, 25)
i. P(X >= 1) =0.50434783
En Minitab: Calc > Probability distributions > Hypergeometric > Cumulative prob.
Population Size (N) 25 Success in population (X) 5 Sample size (n) 3
Input constant 0
Probabilidad = 1 – Resultado =0.495652
d) Un proceso de llegadas de autos sigue una distribución exponencial con media

de 3 minutos. ¿Cuál es la probabilidad de que un coche llegue a lo más a 1 minuto?
En Excel =distr.exp(1, 3, 1)
i. P(X<=1) = 0.95021293
En Minitab: Calc > Probability distributions > Exponential > Cumulative prob.
Mean 3 Input constant 1
P(X<=1) = 0.283469
e) Una persona tarda en llegar a su hogar con una distribución uniforme entre 90 y
140 minutos máximo, ¿cuál es la probabilidad de que llegue entre los 100 y 105
minutos.
En Minitab: Calc > Probability distributions > Uniform distribution > Cumulative
prob.
Lower endpoint 90 Upper endpoint 140 Input column (columna de datos con
100 y 105) o dos veces input constant con 100 y 105.
Continuous uniform on 90 to 140
x P( X <= x )
100 0.2
105 0.3
i. P(100 <= X <= 105) = 0.3 – 0.2 = 0.1
Página 23 de 60
13. Condiciones para hacer un estudio R&R:
a. El equipo debe estar calibrado
b. El operador debe ser competente para realizar las mediciones
c. Las partes a medir deben ser seleccionadas para representar el 80% de la

variación total del proceso
d. La resolución del equipo debe ser al menos 10% de la tolerancia
14. ¿Cómo se definen los errores de Sesgo o Exactitud, Reproducibilidad, Precisión o

Repetibilidad, R&R?
a. Sesgo o exactitud: Diferencia de media de mediciones de un patrón contra

el patrón
b. Reproducibilidad: amplitud de la variabilidad de las mediciones repetidas

en las mismas condiciones de parte, operador y condiciones ambientales y de
medición
c. Repetibilidad: diferencia entre las medias de las mediciones que realizan

diferentes operadores, tomar la mayor y la menor.
d. Repetibilidad y reproducibilidad error combiando de repetibilidad y de

reproducibilidad
e. Máximo error de R&R permisible 10% en características críticas y hasta

30% en características no críticas
15. Para el caso de R&R por atributos con pruebas comparativas, de apreciación de
varios operadores, el error máximo aceptable como porcentaje de coincidencias
contra un experto es de: 10% de error máximo de no concordancia de criterios
16. Estudios de R&R: Utilizando las mediciones siguientes resultados de un

estudio de Repetibilidad y reproducibilidad en un equipo de medición con tres
operadores haciendo dos mediciones cada uno en 10 partes diferentes realizar un
estudio R&R:
Parte Operador Medición

1 1 157.5
1 1 150.0
2 1 180.0
2 1 172.5
3 1 150.0
3 1 157.5
4 1 202.5
4 1 202.5
5 1 142.5
5 1 135.0
6 1 172.5
6 1 157.5
7 1 165.0
7 1 157.5
8 1 142.5
Página 24 de 60
8 1 127.5
9 1 180.0
9 1 172.5
10 1 187.5
10 1 172.5
1 2 150.0
1 2 150.0
2 2 180.0
2 2 180.0
3 2 142.5
3 2 157.5
4 2 210.0
4 2 195.0
5 2 142.5
5 2 135.0
6 2 180.0
6 2 157.5
7 2 165.0
7 2 180.0
8 2 135.0
8 2 150.0
9 2 187.5
9 2 172.5
10 2 195.0
10 2 187.5
1 3 142.5
1 3 157.5
2 3 172.5
2 3 180.0
3 3 150.0
3 3 165.0
4 3 202.5
4 3 210.0
5 3 135.0
5 3 157.5
6 3 172.5
6 3 165.0
7 3 165.0
7 3 150.0
8 3 142.5
8 3 135.0
9 3 180.0
9 3 180.0
10 3 180.0
10 3 187.5
a) ¿Cuáles son las condiciones previas para hacer un estudio R&R?
Página 25 de 60
1. Equipo calibrado
2. Operadores entrenados
3. Partes seleccionadas a representar al menos el 80% de la variación total
b) Obtener una gráfica de mediciones individuales por cada operador y parte.
En Minitab:
Stat > Quality tools > Gage study > Gage Run Chart
Seleccionar columnas de Parte Operador Medición OK
Gage Run Chart of Medición by Parte, Operador

Reported by :
Gage name: Tolerance:
Date of study : M isc:
1 2 3 4 5 O perador
1
200
2
3
180
Mean
160
140
Medición
6 7 8 9 10
200
180
Mean
160
140
Operador
Panel variable: Parte
Hacer comentarios: Las mediciones de los operadores son similares
b) Obtener e Interpretar los resultados del estudio R&R siguientes:
Con Minitab:
Stat > Quality tools > Gage study > Gage R&R Study (Crossed)
Seleccionar columnas de Parte Operador Medición
Seleccionar Method of Analysis ANOVA
Options: Study variation 5.15 Process tolerance 450 (de LSE =
487.5 LIE = 37.5) OK
Página 26 de 60
Gage R&R (ANOVA) for Medición

Reported by :
Gage name: Tolerance:
Date of study : M isc:
Components of Variation Medición by Parte

100 % Contribution 210
% Study Var
180
Percent
% Tolerance
50
150
0
Gage R&R Repeat Reprod Part-to-Part 1 2 3 4 5 6 7 8 9 10
Parte
R Chart by Operador
Medición by Operador
1 2 3
UCL=33.49 210
30
Sample Range
180
15 _
R=10.25 150
0 LCL=0
1 2 3
Operador
Xbar Chart by Operador
1 2 3 Operador * Parte Interaction
200 200
Operador
Sample Mean
1
UCL=185.40
Average
2
175 _
_ 175 3
X=166.13
150
150 LCL=146.85
1 2 3 4 5 6 7 8 9 10
Parte
¿Es adecuada la Carta R?: SI

Debido a que: Todos los puntos están dentro de los límites de control. Los puntos
muestran el rango en las mediciones, por los intentos que los tres operadores
realizaron en cada parte.
d) ¿Es adecuada la Carta X es?: NO

Debido a que: No se sale al menos el 50% de los puntos fuera de control, por
tanto el proceso no discrimina a las diferentes partes
e) ¿Hay interacción significativa entre operador y partes No, porque las líneas son
paralelas para los tres operadores
Two-Way ANOVA Table With Interaction
Source DF SS MS F P
Parte 9 22864.7 2540.52 84.9791 0.000
Operador 2 118.1 59.06 1.9756 0.168
Parte * Operador 18 538.1 29.90 0.4252 0.970
Repeatability 30 2109.4 70.31
Total 59 25630.3
Pvalue de Parte*Operador = 0.970 ¿es menor a alfa de 0.05? NO

Por tanto: NO HAY INTERACCIÓN ENTRE PARTES Y OPERADORES
Study Var %Study Var %Tolerance

Source StdDev (SD) (5.15 * SD) (%SV) (SV/Toler)
Total Gage R&R 7.4399 38.315 34.33 8.51
Repeatability 7.4267 38.248 34.27 8.50
Reproducibility 0.4419 2.276 2.04 0.51
Operador 0.4419 2.276 2.04 0.51
Part-To-Part 20.3526 104.816 93.92 23.29
Total Variation 21.6698 111.599 100.00 24.80
Página 27 de 60
f) % de Repetibilidad vs Tolerancia = 8.51% (Columna de %Tolerance / SV Toler)
g) % de Reproducibilidad vs Tolerancia= 0.51% (Columna de %Tolerance / SV

Toler)
h) % R&R vs Tolerancia = 8.51% (Columna de %Tolerance SV/Toler)
i) Sacar conclusiones sobre la capacidad del sistema de medición si es para

liberación del producto y en donde se deben tomar acciones de mejora de
capacidad del sistema de medición: Observar porcentajes vs tolerancia:
Su error R&R es menor del 10%, por lo que el sistema es adecuado para liberar
producto terminado contra especficaciones
j) ¿Es adecuado el número de categorías que identifica el sistema de medición?

Categories (debe ser mayor a 4)
Number of Distinct Categories = 3 No es adecuada, mínimo deben ser 4
17. Interpretar los resultados del siguiente estudio R&R:
a) ¿Es adecuada la Carta R?: SI

Debido a que: Todos los puntos se encuentran en control
b) ¿Es adecuada la Carta X es?: SI

Debido a que: Tiene más del 50% de los puntos fuera de control, indicación de
que si discrimina las partes diferentes que se le presentaron
Study Var %Study Var %Tolerance
Source StdDev (SD) (5.15 * SD) (%SV) (SV/Toler)
Total Gage R&R 0.045650 0.235099 25.16 19.59
Página 28 de 60
Repeatability 0.033983 0.175015 18.73 14.58

Reproducibility 0.030481 0.156975 16.80 13.08
Part-To-Part 0.175577 0.904219 96.78 75.35
Total Variation 0.181414 0.934282 100.00 77.86
c) % de Repetibilidad vs Tolerancia = 14.58% (Columna de %Tolerance / SV

Toler)
d) % de Reproducibilidad vs Tolerancia= 13.08% (Columna de %Tolerance / SV

Toler)
e) % R&R vs Tolerancia = 19.59% (Columna de %Tolerance SV/Toler)
f) Sacar conclusiones sobre la capacidad del sistema de medición si es para

liberación del producto y en donde se deben tomar acciones de mejora de
capacidad del sistema de medición: Observar porcentajes vs tolerancia: No es
adecuado el sistema de medición ya que su R&R supera al 10% máximo permitido
g) ¿Es adecuado el número de categorías que identifica el sistema de medición?

Categories (debe ser mayor a 4)
Categorías 4 Si es adecuado
Página 29 de 60
18. Carta de lecturas individuales I-MR y capacidad del proceso: considerar

los siguientes datos de y analizar la carta I-MR y una EWMA:
%_CO2
9.45
7.99
17.00
11.66
12.16
10.18
8.04
11.46
9.2
10.34
9.03
11.47
10.51
9.4
10.08
9.37
10.62
10.31
8.52
10.84
10.9
9.33
12.29
11.5
10.6
11.08
10.38
11.62
11.31
10.52
a) Construir una carta I-MR

Stat > Control Charts > Variable charts for individuals > I – MR
Variable %_CO2
OK
Página 30 de 60
I-MR Chart of %_CO2

18 1
U C L=15.15
Individual V alue
15
12
_
X=10.57
9
6 LC L=5.99
1 4 7 10 13 16 19 22 25 28
O bser vation
8
Moving Range
6
U C L=5.63
__
2 M R=1.72
0 LC L=0
1 4 7 10 13 16 19 22 25 28
O bser vation
¿Está el proceso en control estadístico? ___ Si X No
b) Si no está en control, asumir que se pueden identificar las causas asignables,

Asumir que se pueden identificar las causas especiales y que se toman acciones
para prevenir su recurrencia, eliminar los puntos que salen de control y recalcular
los límites de control y obtener otra vez la carta I-MR.
I-MR Chart of %_CO2

14 U C L=14.078
Individual Value
12
_
X=10.350
10
LC L=6.622
6
1 4 7 10 13 16 19 22 25 28
O bser vation
U C L=4.580
4
Moving Range
2
__
M R=1.402
1
0 LC L=0
1 4 7 10 13 16 19 22 25 28
O bser vation
Página 31 de 60
c) Determinar los límites de tolerancia natural del proceso con:
Desviación estándar = Sigma = Rmedio / d2 con d2 = 1.128
Desviación estándar = 1.402 / 1.128 = 1.243
LTNI = Media - 3*sigma = 10.35 + 3 * 1.243 = 14.079
LTNS = Media + 3*sigma = 10.35 – 3 * 1.243 = 6.621
d) Con límites de especificación de LIE = 8 y LSE = 16 para la característica

seleccionada determinar la capacidad del proceso y contestar las preguntas
siguientes:
En Minitab:
Data is arranged as a single column: %_CO2
Subgroup size 1
Estimate: Methods of estimate sigma R-Bar
Seleccionar Use unbiased constants to calculate overall std. deviation
Options: Display Percents o Parts per million / Capability Stat Cp,
Cpk
o Benchmark Z’s
OK OK
Process Capability of %_CO2
LSL USL
LSL 8 Overall
Target *
Pp 1.14
PPL 0.67
PPU 1.61
P pk 0.67
C pm *
7.5 9.0 10.5 12.0 13.5 15.0

O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
P P M < LSL 34482.76 P P M < LSL 29292.55 P P M < LSL 22066.24
PPM > USL 0.00 P P M > U SL 2.73 P P M > U SL 0.65
P P M Total 34482.76 P P M Total 29295.28 P P M Total 22066.89
Página 32 de 60
e) ¿Cuál es el valor de la fracción defectiva total fuera de especificaciones (Exp.

Within performance - % Total )? 29 295.28 ppm
f) ¿Cuál es el valor del Cp? 1.07 ¿Es potencialmente hábil el proceso? No ref. 1.33
g) ¿Cuál es el valor del Cpk? 0.63 ¿Es realmente hábil el proceso? No, min. 1.33
h) ¿Qué recomendaría para mejora capacidad del proceso?.
19. Un proceso con los datos del archivo Tiles.mtw de Minitab, mostrado en forma
parcial abajo, tiene límites de especificación LIE = 0 y LSE = 8, determinar lo
siguiente (utilizando Minitab):
Datos
1.60103
0.84326
3.00679
1.29923
2.24237
2.63579
0.34093
6.96534
3.46645
1.41079
Etc.
a) Prueba de normalidad
En Minitab:
File > Open worksheet > Data > Tiles.mtw
Variables Warping
Anderson Darling
OK
Página 33 de 60
Probability Plot of Warping

Normal
99.9
Mean 2.923
StDev 1.786
99 N 100
AD 1.028
95 P-Value 0.010
90
80
70
Percent
60
50
40
30
20
10
5
0.1
-4 -2 0 2 4 6 8 10
Warping
Como el P value es menor a 0.05, los datos no siguen una distribución

normal
b) Determinar la capacidad del proceso no normal con la distribución sesgada a la

derecha de Weibull.
En Minitab:
Stat > Quality tools > Capability analysis > Nonnormal (Weibull)
Single column: Datos
OK
Página 34 de 60
Process Capability of Warping

Calculations Based on Weibull Distribution Model
LSL USL
P rocess Data O v erall C apability
LS L 0 Pp 0.81
Target * PPL 1.03
USL 8 PPU 0.73
S ample M ean 2.92307 P pk 0.73
S ample N 100
E xp. O v erall P erformance
S hape 1.69368
P P M < LS L 0.00
S cale 3.27812
P P M > U S L 10764.54
O bserv ed P erformance P P M Total 10764.54
P P M < LS L 0.00
P P M > U S L 20000.00
P P M Total 20000.00
0.0 1.5 3.0 4.5 6.0 7.5
De la figura, la distribución de Weibull ajusta a la distribución de los datos
PPMs = 10 764
Ppk = 0.73 El proceso tiene un desempeño inadecuado versus especificaciones
c) Transformar los datos con el Best Value de Lambda para la transformación de Box
Cox Lambda = ¿
En Minitab:
Stat > Control Charts > Box Cox transformation

All observations for a chart are in one column Warping
Subgroup sizes 1
Options: Store transformed data in C2
OK
Página 35 de 60
Box-Cox Plot of Warping

Lower C L Upper C L
Lambda
20
(using 95.0% confidence)
Estimate 0.35
Lower C L 0.05
15 Upper C L 0.64
Rounded Value 0.50

StDev
10
Limit
0
-2 -1 0 1 2 3 4 5
Lambda
NOTA: En la gráfica, el exponente al que hay que elevar los datos es Lamda=
rounded value
Los datos transformados que equivale a elevar los datos originales a la Lambda =
0.5 se muestran parcialmente a continuación:
C2
1.26531814
0.91829189
1.7340098
1.13983771
1.49745451
1.62351163
0.58389211
2.63919306
1.86184049
1.18776681
1.52126921
1.59885897
2.17335455
1.32424318
Etcétera….
Página 36 de 60
d) Con los datos transformados determinar la capacidad del

proceso, para esto primero se verifica la normalidad en los datos transformados:
En Minitab:
Variables C2
Anderson Darling
OK
Probability Plot of C2
Normal
99.9
Mean 1.624
StDev 0.5380
99 N 100
AD 0.301
95 P-Value 0.574
90
80
70
Percent
60
50
40
30
20
10
5
0.1
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5
C2
El P value es ya mayor a 0.05, por lo que los datos transformados son normales
Otra opción para la prueba de normalidad es:

Graph > Probability Plot > Single
Graph Variables C2
Anderson Darling OK
Probability Plot of C2
Normal - 95% CI
99.9
Mean 1.624
StDev 0.5380
99
N 100
AD 0.301
95 P-Value 0.574
90
80
70
Percent
60
50
40
30
20
10
5
0.1
0 1 2 3 4
C2
Para que sea normal, no deben salirse los puntos del Intervalo de confianza normal
Página 37 de 60
Ahora se determina el Cp, Cpk, Pp, Ppk y las PPMs con la especificación del
LSE = 8 transformado a la raiz de 8 = 2.828.
En Minitab:
Data is arranged as a single column: C2
Subgroup size 1
Lower spec 0 Upper spec 2.828 (8 elevado a la 0.5)
OK
Process Capability of C2
LSL USL
LSL 0 Overall
Target *
U SL 2.828 P otential (Within) C apability
Pp 0.88
PPL 1.01
PPU 0.75
P pk 0.75
C pm *
0.0 0.4 0.8 1.2 1.6 2.0 2.4 2.8

% < LS L 0.00 % < LSL 0.08 % < LSL 0.13
% > U SL 2.00 % > U SL 0.95 % > U SL 1.26
% Total 2.00 % Total 1.03 % Total 1.39
Para la capacidad del proceso se tiene:

Cp = 0.92
Cpk = 0.78 El proceso no es hábil para cumplir especificaciones
Fracción defectiva (Within) = 1.03%
Para el desempeño del proceso se tiene:

Pp = 0.88
Ppk = 0.75 El desempeño del proceso contra especificaciones no es
adecuado
Fracción defectiva (Overall) = 1.39%
Página 38 de 60
Preguntas ejemplo:
1. ¿Cuál de los siguientes argumentos son razones de peso para utilizar mapeo de
procesos?
I. Identificar donde exista complejidad
II. Visualizar el proceso rápidamente
III. Eliminar el proceso completo de planeación
IV: Apoyar en la simplificación del trabajo
a. I y II c. I, II y IV
b. I, II y III d. I, II, III y IV
2. Un diagrama de Ishikawa también es conocido como:

I. Diagrama de causa y efecto
II. Diagrama de flujo del proceso
III. Diagrama de dispersión
IV. Diagrama de espina de pescado
a. Sólo I c. I y IV
b. I, III y IV d. I, II, III y IV
3. En control estadístico, un parámetro es:

a. Una variable aleatoria
b. Un valor muestral
c. Un valor poblacional
d. La solución a un problema estadístico
4. Sea X cualquier variable aleatoria con media Mu y desviación estándar Sigma. SI

se toma una muestra de tamaño n. Conforme n se incrementa y como resultado del
teorema del límite central:
a. La distribución de la suma Sn=X1+X2+…+Xn tiende a una distribución normal
con media Mu y desviación estándar Sigma/raiz(n).
b. La distribución de la suma Sn=X1+X2+…+Xn tiende a una distribución normal
con media Mu y desviación estándar Sigma/raiz(n).
c. La distribución de X tiende a ser una distribución normal con media Mu y
desviación estándar Sigma / raiz(n).
d. La distribución de las medias muestrales Xi-media tiende a una distribución
normal con media Mu y desviación estándar Sigma / raiz(n).
5. ¿Qué tabla debe ser usada para determinar un intervalo de confianza de la media
cuando Sigma no es conocida y el tamaño de muestra es 10?
Página 39 de 60
a. Z b. t c. F d. X2
6. Para dos eventos A y B ¿Cuál de los siguientes es una afirmación verdadera de

probabilidad?
a. P(A o B) = P(A) + P(B) si A y B son independientes
b. P(A o B) = P(A) + P(B) si A y B son mutuamente exclusivos
c. P(A y B) = P(A) x P(B) si A y B son mudamente exclusivos
d. P(A o B) = P(A) x P(B) si A y B son independientes
Resp. 4d, 5b, 6b
7. Se deben registrar normalmente los valores que reflejan longitud, volumen y

tiempo como:
I. Medibles III. Continuos
II. Discretos IV. Variables
a. I y III c. I, III y IV
b. II y IV d. I, II, III y IV
8. Cuando se realizan cálculos en datos muestrales:

a. La gráfica continua de frecuencia relativa es un histograma
b. El redondeo de datos no tiene efecto en la media y desviación estándar
c. La codificación de los datos no tiene efecto en la media y desviación estándar
d. La codificación y redondeo en los datos afecta a la media y a la desviación
estándar
9. La selección aleatoria de una muestra:

a. Teóricamente significa que cada artículo del lote tiene la misma posibilidad de ser
seleccionado en la muestra
b. Asegura que el promedio de la muestra es igual al promedio de la población
c. Significa que se usó una tabla de números aleatorios para la selección
d. Es un requerimiento teórico sin importancia
Resp. 7c, 8d, 9a
10. Determinar el coeficiente de variación para las últimas 500 pruebas piloto de
una película con una media de 900º y desviación estándar de 54º. (54/900*100)
a. 6% c. 0.6%
b. 16.7% d. 31%
Página 40 de 60
11. ¿Cuál de las siguientes cuatro técnicas podrían fácilmente mostrar los mismos
datos?
I. Diagrama de tallo y hojas
II. Diagramas de caja
III. Diagramas de dispersión
IV. Histogramas
a. I, II y III c. I, III y IV
b. I, II y IV d. II, III y IV
12. ¿Qué tipo de distribución muestra el siguiente histograma?
a. Bimodal
b. Polinomial
c. Sesgo negativo
d. Trinca
Resp. 10 a, 11b, 12 a
13. ¿Cuál es el uso más común de la distribución F?

a. Modelar datos discretos cuando el tamaño de la población es pequeño
comparado al tamaño de muestra
b. Probar la igualdad de varianzas de dos poblaciones normales
c. Compensar los errores en la desviación estándar estimada para pequeños
tamaños de muestra
d. Tomar decisiones y construir intervalos de confianza al sumar el cuadrado de
variables aleatorias normales
14. Hay varias formas de uso de la distribución exponencial para modelar la

confiabilidad. En la fórmula siguiente ¿qué representa theta?
a. La media c. La varianza
b. El valor del eje X d. La tasa de falla
Página 41 de 60
15. Identificar de los métodos siguientes, cuales son destructivos:
1. Ataque ácido 4. Líquidos penetrantes 7. Corrientes de Hedí

2. Partículas magnéticas 5. Voltaje de ruptura 8. Radiografía
3. Espectroscopia 6. Ultrasonido
a. 1, 3 y 5 c. 1, 4, 6 y 8
b. 2, 3 y 8 d. 3, 5 y 6
Resp. 13b, 14 a, 15 a
16. Cuando se hacen mediciones con instrumentos de prueba, la precisión y

exactitud significan:
a. Lo mismo
b. Lo opuesto
c. Consistencia y correcto respectivamente
d. Exactitud y trazabilidad, respectivamente
17. La desviación estándar de las mediciones de la dimensión A de una muestra

aleatoria de partes es sigma1 y la de una serie de mediciones en una parte es
Sigma2. ¿Cuál es la desviación estándar de los valores reales de la dimensión A en
la población de la cual se tomaron?
18. ¿Cuál de los siguientes es más importante cuando se calibra un equipo de

medición?
a. La etiqueta de calibración
b. La tarjeta del historial de mantenimiento
c. El estándar usado
d. El intervalo de calibración
Resp. 16c, 17 a, 18c
19. Los límites de control se ponen a una distancia de tres sigma debido a:
a. Este nivel dificulta que la respuesta se salga de control
Página 42 de 60
b. Este nivel establece límites estrictos para el proceso de producción

c. Este nivel reduce la probabilidad de buscar fallas en el proceso de producción
cuando no existan
d. Este nivel asegura un error tipo II muy pequeño
20. ¿Cuál de las siguientes afirmaciones describe mejor a la capacidad de máquina?

a. La variación total de todas las cavidades de un molde, cavidades de una máquina
extrusora o husillos de una máquina de ensamble
b. La variación inherente de la máquina
c. La variación total en un turno
d. La variación de partes consecutivas producidas en un periodo corto
21. En una distribución normal, ¿cuál es el área bajo la curva entre +0.7 y -1.3
unidades de desviación estándar?
a. 0.2903
b. 0.7580
c. 0.6612
d. 0.1452
22. Si el Cpk (superior) es 2.0 y el Cpk (inferior) es de 1.0 ¿Qué se puede decir del
proceso?
I. El proceso está corrido hacia la izquierda
II. Hay un error de cálculo
III. El proceso no es estable
IV. El Cpk debe ser reportado como 1.0
a. Sólo IV c. II y III
b. I y IV d. I, III y IV
23. Cuando se selecciona una muestra para auditoria, ¿Qué regla se debe seguir de
las siguientes?:
a. Como la calidad puede variar con el tiempo, debemos buscar una cantidad fija
cada periodo de tiempo para propósitos de auditoría
b. Se requiere solo una muestra pequeña para propósitos de auditoría, siempre y
cuando sea aleatoria
c. Cualquier tamaño de muestra seleccionado aleatoriamente puede ser adecuado
para propósitos de autoría, ya que no no se está realizando la aceptación o rechazo
de lotes
d. La norma ANSI/ASQ Z1.4 es un procedimiento de muestreo científico y se
requiere un muestreo científico para propósitos de auditoría
Página 43 de 60
24. Cuando se trata de determinar la capacidad de procesos no normales, ¿cuál de

las alternativas siguientes es apropiada?
I. Grafica un histograma y determinar si los valores de los datos se encuentran
dentro de especificaciones
II. Transformar los datos usando la técnica de Box-Cox
III. Si los datos pueden ser representados por una gráfica de probabilidad, hacer
predicciones usando esta técnica
a. Sólo I b. Sólo II c. II y III d. I, II y III
Resp. 22b, 23c, y 24d
Página 44 de 60
Ejercicios adicionales – Black Belts
1. ¿Qué símbolos utiliza el diagrama de flujo siguiente?
Página 45 de 60
2. ¿Cómo se realiza y para que sirve el diagrama siguiente?
Página 46 de 60
3. Utilizando los símbolos siguientes, hacer un Mapa de la cadena de valor del

servicio de distribución de electricidad o de algún otro servicio que integre varias
actividades:
Página 47 de 60
Tomar como referencia este ejemplo:
Página 48 de 60
4. Un panadero cree que existe una gran variabilidad en el peso de

sus productos: Hay dos operadores A y B que usan las máquinas 1 y 2
no en forma simultanea. Durante 20 días se tomaron muestras de 4
piezas de pan de cada máquina con los siguientes resultados:
Día Operario Máq1_p1 Máq_p2 Máq1_p3 Máq1_p4 Máq2_p1 Máq2_p2 Máq2_p3 Máq2_p4
1 A 209.2 209.5 210.2 212 214.3 221.8 214.6 214.4
2 B 208.5 208.7 206.2 207.8 215.3 216.7 212.3 212
3 B 204.2 210.2 210.5 205.9 215.7 213.8 215.2 202.7
4 B 204 203.3 198.2 199.9 212.5 210.2 211.3 210.4
5 A 209.6 203.7 213.2 209.6 208.4 214.9 212.8 214.8
6 A 208.1 207.9 211 206.2 212.3 216.2 208.4 210.8
7 A 205.2 204.8 198.7 205.8 208.1 211.9 212.9 209
8 B 199 197.7 202 213.1 207.5 209.9 210.6 212.3
9 B 197.2 210.6 199.5 215.3 206.9 207.1 213.6 212.2
10 A 199.1 207.2 200.8 201.2 209.6 209.5 206.8 214.2
11 B 204.6 207 200.8 204.6 212.2 209.8 207.6 212.6
12 B 214.7 207.5 205.8 200.9 211.4 211.2 214.4 212.6
13 B 204.1 196.6 204.6 199.4 209.6 209.2 206.1 207.1
14 A 200.2 205.5 208 202.7 203.5 206.9 210.6 212.3
15 A 201.1 209.2 205.5 200 209.1 206.3 209.8 211.4
16 B 201.3 203.1 196.3 205.5 208 207.9 205.3 203.6
17 B 202.2 204.4 202.1 206.6 210 209.4 209.1 207
18 A 194.1 211 208.4 202.6 215.6 211.8 205.4 209
19 A 204.8 201.3 208.4 212.3 214.5 207.5 212.9 204.3
20 A 200.6 202.3 204.3 201.4 209.1 205.8 212 204.2
a) Apilar todas las columnas

Data > Stack > Columns
Stack the following columns todas
Column of current worksheet seleccionar una vacía Total
b) Hacer un histograma con la columna total

Graph > Histogram: Simple
c) Agrupar las columnas de la máquina 1

Data > Stack > Columns C3-C6 Máquina1
d) Agrupar las columnas de la máquina 2

Data > Stack > Columns C7-C10 Máquina2
e) Hacer histogramas similares al realizado con la columna de total

f) Comparar y sacar conclusiones
g) ¿qué se puede concluir si se acepta como normal un peso de 210 +- 10 gramos?
Página 49 de 60
Stat > Quality tools > Capability analysis (normal)

Variable Total
Sample size 1
LSL 200 USL 220
OK
2. Se representa la humedad de 20 paquetes de un producto tomado durante varios

días a la semana:
lunes martes mierc jueves viernes

8.2 8.61 9.43 8.97 8.46
8.36 9.14 8.85 9.02 8
8.37 8.52 8.66 9.61 8.32
8.52 9.2 8.89 9.15 8.91
8.05 9.3 9.28 9.21 8.17
8.76 9.58 9.14 9.53 8.6
8.51 8.81 9.41 9.28 8.48
8.18 8.68 9.34 9.28 8.65
8.52 8.59 9.59 8.86 8.97
8.64 8.66 9.15 8.75 8.2
8.83 8.7 9.75 9.64 8.33
8.35 9.08 9.18 9.05 8.26
8.48 8.32 8.86 8.76 8.64
8.34 8.33 9.28 9.21 8.81
8.51 8.41 8.5 8.76 8.73
8.08 9.07 9.19 9.4 8.73
8.15 9.08 9.19 9.55 8.4
8.15 9.13 9.12 9.5 8.6
8.68 8.69 9.2 9.48 8.47
8.79 8.46 8.8 9.58 8.1
a) Apilar todas las columnas agregando una columna de índices

Data > Stack > Columns
Stack the following columns lunes-viernes
Column of current worksheet semana
Store subscripts in Dia
seleccionar Use variable names in subscript column
OK
b) Hacer un diagrama de datos de la semana ver si el proceso es estable

Graph > Time Series Plot: Simple
Series semana
OK
Página 50 de 60
c) Distinguir el día de la semana en que ocurrieron los resultados

Graph > Time Series plot: With Groups
Series Semana
Categorical variables for grouping Dia
OK
Weight Llenadora
905 2
¿Qué conclusiones se obtienen?
930 1
865 2
895 1 3. Obtener las estadísticas básicas de Weight para dos
905 1 máquinas de llenado:
885 2
890 1
930 2
915 2 a. Estadísticas básicas
910 1 Mediana Moda Media
920 1 Desviación estándar
915 1
Varianza
925 2
860 2 Coeficiente de variación
905 2 Rango
925 2 Primer cuartil
925 2
Tercer cuartil
905 2
Rango intercuartílico
915 1
930 1 Esquematiza el diagrama de caja
890 1
940 1 b) Hacer una prueba de normalidad en los datos. Con los
860 2 datos completos y considerando cada llenadora:
875 1
985 2
970 1
c) Obtener un histograma para la llenadora 2
940 1
975 1
1000 2
2 d) Obtener un diagrama de caja para la llenadora 2
1035
1020 2
985 2
960 2 e) Obtener un diagrama de tallo y hojas para ambas
945 1
965 1
940 2
Con los datos completos
900 2
920 2
980 2
950 2
955 2
Página 51 de 60
970 2
970 1
1035 1
f) Encontrar la proporción de pesos que se encuentran entre 900 y 1000 grs.
g) Encontrar la proporción de pesos menores a 850 grs.
h) Encontrar la proporción de pesos mayores a 1,050 grs.
i) Encontrar la proporción de pesos menores a 880 grs. Y mayores a 1020 grs.
j) Con Excel, si los límites de especificación son LIE = 850 y LSE = 1,050 determinar
la capacidad del proceso total y para cada una de las máquinas: determinar la
fracción
defectiva, Cp y Cpk utilizando la desviación estándar estimada de corto plazo
(Within)
cuando no hay cambios y el proceso en control.
R LSE  X LIE  X
 st   Within  Z LSE  Z LIE 
d2  st  st
Fracción defectiva =  ( Z LIE )   (  Z LSE )
Z LIE , Z LSE
LSE  LIE C pk  Menor
Cp  3
6 st
LSE  LIE
1 C pm 
CR   ST  ( X  M ) 2
Cp
INDICES DE DESEMPEÑO
k) Determinar la fracción defectiva, Pp y Ppk utilizando la fórmula de la desviación
estándar de largo plazo (Overall) siguiente para datos históricos, cuando ya
ocurrieron todos los cambios, no importa que el proceso no esté en control:
Página 52 de 60
S 4 ( n  1)
 lt   Overall  ( Xi  X ) 2 C4 
C4 S 4n  3
n 1
LIE  X LSE  X
Z LIE  Z LSE 
 lt  lt
Fracción defectiva =  ( Z LIE )   (  Z LSE )
LSE  LIE
Pp 
6 LT
Z LIE , Z LSE
Ppk  Menor
3
Fracción defectiva =
4. ¿Qué recomendaciones proporciona la norma ISO 10012 en relación con los

equipos de medición?
Página 53 de 60
5. Comentar acerca de la aplicación de los siguientes instrumentos de medición:
Página 54 de 60
Página 55 de 60
Página 56 de 60
Página 57 de 60
Página 58 de 60
Página 59 de 60
Página 60 de 60

Resp Ejercicios Fase Medicion BB2

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Resp Ejercicios Fase Medicion BB2

Încărcat de

Drepturi de autor:

Formate disponibile

RESP_EJERCICIOS FASE DE MEDICIÓN SEIS SIGMA BB P.

Reyes / febrero 2008

1. ¿Cuáles son los principales propósitos y entregables de la fase de medición?

a. Determinar req. de información para el proyecto

2. ¿Cómo se realiza un mapa detallado del proceso? Dar un ejemplo

Es el paso inicial para la mejora de procesos, ya que facilita la generación de

Comparar el proceso actual a un proceso imaginario “perfecto”

3. ¿Cómo se realiza un mapa de la cadena de valor? Dar un ejemplo

El mapa de cadena de valor se crea para identificar las actividades

Agrega valor de acuerdo a la percepción del cliente

 Recolecte siempre información del estado actual mientras se realizan las

 Inicie con una caminata rápida a través de la cadena de valor completa

 Inicie desde el final de embarque y de ahí para atrás. Así se iniciará el

 Inicie con una caminata rápida a través de la cadena de valor completa

 Inicie desde el final de embarque y de ahí para atrás. Así se iniciará el

 Utilice el cronómetro y no dependa de tiempos estándar o información que

 Trazar uno mismo la cadena de valor completa. Entendiendo que el flujo

 Siempre trace a mano y a lápiz. Ir al piso de producción al realizar el análisis

4. ¿Cómo se establece un plan de colección de datos o los pasos para lograrla?

Se establece a través de un Diagrama de las 5Ws y 1H, para indicar los

 Un plan de Recolección de Datos relacionada con las CTQs de interés es la

5. ¿Cuáles son las variables clave de entrada (KPIV) y salida (KPOV) de un

1.2 PROBABILIDAD Y ESTADISTICA

 La estadística inferencial se orienta a estimar los parámetros de la población

2. ¿Cuál es la diferencia entre un estadístico y un parámetro?

3. ¿A qué se refiere el Teorema del Límite Central?

4. ¿Cómo se aplica el teorema del límite central en la evaluación de intervalos y

6. ¿Qué es independencia, mutuamente exclusivos, reglas de multiplicación?

Eventos independientes: un evento que no depende de la ocurrencia de otro

Eventos mutuamente exclusivos: eventos que no tienen elementos en

Regla de la adición: P(AuB) = P(A) + P(B) – P(AyC)

Regla de multiplicación: P(AyB) = P(A) * P(C)

1.3 TIPOS DE DATOS Y RESUMEN DE DATOS

Datos discretos: Son contables y finitos, resultado de eventos discretos

Datos variables: Son valores reales resultado de mediciones

2. Dar un ejemplo de los datos y escalas de medición siguientes:

a. Nominales: Colores, categorías

b. Ordinales: representan un orden por ejemplo: menor, medio, mayor o 1, 2,

c. De intervalo: tienen valores numéricos pero el cero no representa

d. De razón: tienen valores reales donde el cero es ausencia absoluta de

3. ¿Para que sirven las hojas de registro?

4. ¿Cómo se codifican los datos? Dar ejemplos:

a. Multiplicación o división por una constante: 3.456, 3.458, 3.451 por 6, 8, 1

b. Suma o resta de una constante: 56, 58, 51 por 6, 8, 1

a. Aleatorio: cuando los elementos tienen la misma probabilidad de ser

b. Estratificado: cuando hay estratos con características específicas,

c. Sistemático: se toma un artículo cada cierto número de artículos, de

6. ¿Cómo se asegura la integridad de los datos?

 Evitar sesgo emocional respecto a tolerancias

1.4 Estadística descriptiva

1. ¿Cómo se calculan las medidas de tendencia central?

Media: promedio aritmético de un grupo de datos

Moda: es el valor que más se repite, puede haber varias modas

Mediana: con los números ordenados de manera ascendente, es el valor

2. ¿Cómo se calculan las medidas de dispersión?

Rango: es el valor mayor menos el valor menor de un grupo de datos

Varianza: es el promedio de las desviaciones al cuadrado respecto a la media

Desviación estándar: es la raíz cuadrada de la varianza, en la distribución

Coeficiente de variación: es la desviación estándar entre la media expresada

3. ¿Cuál es el propósito del Diagrama de Pareto?

4. ¿Cuál es el propósito del Histograma / Cartas de tendencias?

Histograma: muestra la distribución de frecuencia de un grupo de datos

Carta de tendencias: muestra el desempeño de un grupo de datos en el