DEFINE

MEASURE

Estadistica DATA SPC Cpk MSA

ANALYZE

BASIC STATISTIC
W H I T E - B E L T - T R A I N I N G
IMPROVE

CONTROL
PORQUE SEIS SIGMA? σ Six
Sigma

Una ambiciosa meta sería: 99.9%. Pero, ¿que pasaría si eso sucediese?:
• Las guarderías de los hospitales entregarían 12 bebes por dia a padres que no corresponden
• Algún banco descontaría 22,000 cheques de cuentas equivocadas ......cada 60 minutos.
• Se fabricarían 268,500 neumáticos defectuosos
• Se emitirían 20,000 recetas medicinales incorrectas.

Las empresas en general, han perdido competitividad, mercado y utilidades dia a dia por
haber estado ancladas a paradigmas que ya no eran válidos dentro del nuevo esquema
mundial.
PORQUE SEIS SIGMA? σ Six
Sigma

Las empresas de hoy tienen que seguir la “calidad total”

Actualmente las empresas, si quieren sobrevivir, deben trabajar para sus clientes más que
para si mismas.

Seis sigma guía a las empresas hacia el objetivo

que supone cometer el menor número de
errores en todas sus actividades, desde
elaborar las órdenes de compras hasta,
por ejemplo, la fabricación;
eliminando los errores de calidad lo antes
La mayoria de las empresas
posible.

Seis sigma no sólo detecta y corrige errores sino que aporta métodos específicos para volver
a crear procesos de modo que los errores no vuelvan a producirse.
 PORQUE SEIS SIGMA? σ Six
Sigma

 Champion: Corresponde a la alta gerencia o ejecutivos.  Yellow Belt : Personal con conocimiento básico de
Se recomienda un champion por unidad de negocio. seis sigma; en un entrenamiento de hasta 2 dias. A
Recibe entre 20 a 40 horas de entrenamiento veces es un personal de la alta gerencia; pero muy
diferente al champion o MBB
 Master Black Belt: Pueden ser los gerentes o jefes con
dominio de herramientas estadísticas. Se recomienda un  White Belt : Personal con conocimiento de
MBB por cada 30 BB, o por cada 1000 empleados. Recibe estadística básica; en un entrenamiento de 1 dia. A
entre 280 a 460 horas de capacitación veces es un personal de la alta gerencia; pero muy
diferente al champion o MBB
 Black Belt : Pueden ser ingenieros, técnicos o personal
con 5 o mas años de experiencia. Se propone un BB por
cada 100 empleados. Un BB es la persona que tutoriza o
dirige un equipo 6 sigma a tiempo completo; con 180 a
240 horas de capacitación.

 Green Belt : Suelen ser empleados que han recibido

suficiente formación seis sigma. En general es el personal
técnico o de soporte del área involucrada. Recibe entre
70 a 140 horas de entrenamiento. Su dedicación es a
tiempo parcial.
CUANDO USAR SEIS SIGMA? σ Six
Sigma

Six
Sigma

Six
Sigma

Problem
Solving

Lean
Mfg.
 σ Six

OBJETIVOS GENERALES Sigma

- Proporciona criterios estadísticos para la toma de decisiones mejorando el tiempo de respuesta

- Razonamientos lógicos para la elección del modelo mas adecuado en la solución de problemas.

- Conocimiento para el calculo de probabilidades en situaciones de incertidumbre.

- Identificar y analizar la relación de variables para cuantificar los problemas correctamente.

- Proporciona un fundamento estadístico mejorando un nivel de seguridad en las directrices de la

empresa

- Predecir problemas en los procesos.

- Apoyar a diseñadores de producto o proceso en sus modificaciones.

- Especificar requerimientos de desempeño para el equipo nuevo.

- Seleccionar proveedores.

- Reducir la variabilidad en cualquier proceso.

ESTADISTICA DESCRIPTIVA
Y TIPOS DE DATOS
EVOLUCION DE LA ESTADISTICA
METODOS DE INFERENCIA

ESTADISTICA INDUCTIVA

Blaise Pascal Galton Pearson

Antonio de Gombaud (1623-1662) (1.822-1.911) (1.857-1936)
Apuesta en 1654
Pierre de Fermat
(1601-1665)

R. A. Fisher

ESTADISTICA DEDUCTIVA C.Darwing

Graunt

Edmund Halley ESTADISTICA MODERNA

C. Huygens a mediados del siglo XX
(1.629-1.695) (1.656- 1.742)
I.Newton
LA ESTADISTICA
ESTADISTICA

Ciencia que utiliza conjuntos de datos numéricos para obtener, a partir de ellos, inferencias
basadas en el cálculo de probabilidades

Descriptiva: rama de las matematicas que recolecta, ordena y presenta un conjuntos de datos que
presenta variabilidad o incertidumbre para su estudio metodico , con el fin de describir las diversas
caracteristicas de ese conjunto

Probabilidad: Deducir leyes que rigen esos fenomenos

Inferencia: estudia como sacar conclusiones generales para toda la poblacion a partir del estudio de
una muestra y el grado de significancia de los resultados obtenidos
 σ Six

POBLACION Y MUESTRAS Sigma

Poblacion: es el conjunto sobre el que estamos

intersados en obtener conclusions (hacer inferencia)

Muestra: es un subconjunto de la poblacion al que

tenemos acceso y hacemos observaciones(mediciones):

Aleatoria: darle la oportunidad a cada elemento de la poblacion de ser elegido entre

la muestra

Estratificada: cuando se sabe que la poblacion esta dividida en categorias las cuales
no son de igual tamano.

Conglomerados( clusters): Cuando la poblacion se divide en grupos luego se eligue al

azar un cierto numero de cada uno de ellos y la sumatoria de todos los elementos
forman la muestra

Sistematica: cuando los datos de la poblacion estan ordenados en forma numerica, el

primer muestreo es elegido al azar de los primeros datos de la observacion y las
siguiente observaciones son elegidas guardando la misma distancia entre si.
 σ Six

TIPOS DE DATOS Sigma

Tipos de
Datos
 σ Six

PRINCIPALES TIPOS DE DATOS Sigma

Datos por atributo Ejemplos

(tambien llamados datos discretos) • Pasa / no pasa; Bien / Mal
• Se obtienen por conteo o • Verde, rojo, azul, negro
categorizando • Numero de errores en
• Numero finito de valores una factura, defectos, etc.

Datos Variables Ejemplos

(tambien llamados datos continuos) • Longitud
• Mediciones de una escala continua • Peso
• Gran numero de valores o infinitos • Fuerza
• Tiempo
 σ Six

DATOS POR ATRIBUTOS Sigma

BINARIOS DISCRETOS
•Pasa/No pasa •Numero finito de valores que se pueden
•Stock/Scrap clasificar.
•Si/No

•Ejemplos: las puntuaciones en las escalas,

La forma mas pobre de datos – no se pueden analizar los acontecimientos ocurridos en un periodo
con gran significado. Utilizados para contabilizar de tiempo.
defectuosos.

•Utilizados para conteo de defectos.

Trate de evitarlos o convierta a un nivel mas elevados
de datos(categorias).
 σ Six

DISCUSION DEL GRUPO Sigma

Datos variables(o continuos)

 Cuales son las ventajas de los datos variables?
 Cuales son las desventajas de los datos variables?

Datos por atributos (o discretos)

 Cuales son las ventajas de los datos por atributos?
 Cuales son las desventajas de los datos por atributos?
 σ Six

COMPARACION DE LOS TIPOS DE DATOS Sigma

Datos Variables Datos por Atributos

Datos continuos Conteo de datos

Frecuentemente distribucion Usualmente distribucion

Normal Binomial o Poisson

Valor real Pasa/Falla

Excelente definicion de datos Pobre definicion de datos

Tamaños de muestra menores Tamaños de muestra mayores

Los datos variables son el camino a niveles mas altos de conocimento de tu proceso!!!
 σ Six

EJEMPLO: ASIENTOS TRASEROS DE AUTOMOVILES Sigma

Facilidad para liberar

Pasa/Falla Datos Asientos Traseros

Pasa= Facil para liberar Categoria Escala

Falla = Dificil para liberar Muy Facil 1

Facil 2

Aceptable 3
Si los datos que has obtenido no
Dificil 4
pueden ser convertidos a datos
variables, trata de obtener otros
Muy Dificil 5
Nota parametros continuos para evaluar
tu proceso con el mismo gage.
 σ Six

SIMBOLOGIA ESTADISTICA Sigma

Usamos símbolos diferentes para los valores de población y de muestra.

Población Muestra

Promedio (mu) x (x-barra) o (mu

^ de gorro)
^
Desviación estándar sigma) s o  (sigma de gorro)
(dispersión de los datos)

Varianza 2 s2 o  2

Medimos una muestra para

poder estudiar la población.
RESUMEN DE ESTADISTICA
RESUMEN DESCRIPTIVA
DE ESTADISTICA DESCRIPTIVA σ Six
Sigma

Población Todos los artículos de interés (Conjunto Universal)

Muestra Un subconjunto de datos de una población
¡¡¡Siempre grafica tus Muestra Aleatoria Cada artículo en la población tiene la misma oportunidad de estar presente en la muestra
datos!!!
Histograma Un tipo de gráfica de barras que representa los datos ( gráfica de barra , diagrama de pareto)

Mediana El valor de en medio

Rango El valor más grande menos el valor más pequeño
Varianza Cuadrado de la Desviación estándar

Frecuencia Número de entradas en una celda

Frecuencia Acumulativa Número en esa celda mas las celdas anteriores
Frecuencia Relativa Frecuencia en la Celda / Tamaño muestral
Frec. Rel. Acumulativa Frecuencia Acumulativa / Tamaño muestral

Distribución Normal En forma de campana, curva Gaussiana.

Histograma Generalmente una buena aproximación de la distribución de los datos
Distr Normal std Una distribución normal con = 0 y  = 1
Tabla Normal Usada para encontrar áreas ( probabilidades ) bajo una curva normal
Teorema Límite Central Establece que una suma o promedio frecuentemente tienen una distribución normal
xi Sumatoria: X 1 + X 2 + X 3 + . . . + Xn
DISTRIBUCIONES DE LOS DATOS σ Six
Sigma

Distribución Normal o Campana de Gauss. La distribución normal

es desde luego la función de densidad de probabilidad
“estrella” en estadística. Tiene una forma acampanada (de
ahí su nombre) y es simétrica .

- 6  - 5 - 4 - -2 - 1  + 1 + 2 + 3 + 4 + 5 + 6

68.3%
95.4%
99.7%
99.99999975%

El (TLC) teorema del límite central. Establece que si una variable aleatoria se
obtiene como una suma de muchas causas independientes, siendo cada una
de ellas de poca importancia respecto al conjunto, entonces su distribución es
asintóticamente normal.

Distribución de las medias muestrales. la distribución de las medias muestrales

tiende a ser normal aún en el caso que la población base no lo sea, siempre
que el tamaño de la muestra sea suficientemente grande n³25, si bien este
número depende de la asimetría de la distribución
 σ Six

DISTRIBUCIONES DE LOS DATOS

DISTRIBUCIONES DE LOS DATOS
Sigma

Distribución binomial. Distribucion de probabilidad ampliamente

utilizada de una variable aleatoria discreta q=1-p. La probabilidad de
que ocurra un éxito p y la probabilidad de que ocurra un fracaso q. Se
esperan 2 tipos de resultados, denominado arbitrariamente como
“éxito” lo que se espera que ocurra o “fracaso” que seria lo contrario.
La probabilidad y el numero de ensayos son constantes

la distribución de Poisson es una distribución de probabilidad discreta que

expresa, a partir de una frecuencia de ocurrencia media, la probabilidad de
que ocurra un determinado número de eventos durante cierto período de
tiempo, por unidad de área, por pieza. Concretamente, se especializa en la
probabilidad de ocurrencia de sucesos con probabilidades muy pequeñas, o
sucesos "raros".
 σ Six

HISTOGRAMAS Sigma

Un histograma es una gráfica que puede utilizar para evaluar la forma y dispersión de datos de
muestra continuos. Puede crear un histograma antes o durante un análisis para ayudar a confirmar
supuestos y orientar análisis posteriores. La utilidad del histograma tiene que ver con la posibilidad
de establecer de manera visual, ordenada y fácilmente comprensible todos los datos numéricos
estadísticos que pueden tornarse difíciles de entender. Hay muchos tipos de histogramas y cada
uno se ajusta a diferentes necesidades como también a diferentes tipos de información
 MINITAB
Estadistica Descriptiva: Stat > basic Statistics > Display /store descriptive statistics

Histograma: Graph> histogram

 HIPOTESIS

Cuantas veces sospechamos de posibles causas en un proceso pero no estamos seguros?

Llamaremos hipótesis nula (H0) a la hipótesis que se supone cierta de partida, y llamaremos hipótesis
alternativa (H1) a la que reemplazará a la hipótesis nula cuando ésta es rechazada.
Asi que podemos definir una prueba de hipotesis como una regla para decidir si aceptamos la hipotesis
nula (H0) o la rechazamos en favor de la hipotesis alternativa (H1).

P –Valor : es el nivel de significacion más pequeño que

conduce al rechazo de H0. (estadísticamente fuerte) .
Para el nivel de significancia (α ) suele utilizarse un valor de
0.05, entonces, si el valor p es menor que o igual a 0.05,
rechace H0.
 HIPOTESIS

En un juicio, la hipotesis es la siguiente: Ho: el acusado es inocente

H1: el acusado no es inocente HIPOTESIS
Mientras tengamos suficiente evidencia para aceptar H0 tendremos que creernos que H0 es cierta.

Si aceptamos H0, sólo podemos decir que tenemos suficiente evidencia para asegurar que el acusado
es inocente, así que debemos creer su afirmación μ = 0 (puede que nos engañe o puede que no),
mientras que si rechazamos H0, estaremos bastante seguros de que el acusado es culpable, μ = 0.

Al tomar una decision de este tipo podemos cometer errores sin saberlo.
 ANALISIS DE VARIANZA

ANALISIS DE VARIANZA (ANOVA)

El ANOVA es un metodo para comparar las diferencias
obtenidas de 2 o mas muestas aleatorias .

Los ANOVA evalúan la importancia de uno o más factores al

comparar las medias de la variable de respuesta en los
diferentes niveles de los factores. La hipótesis nula establece
que todas las medias de la población (medias de los niveles
de los factores) son iguales mientras que la hipótesis
alternativa establece que al menos una es diferente.
El procedimiento funciona comparando la varianza entre las
medias de los grupos y la varianza dentro de los grupos como
una manera de determinar si los grupos son todos parte de
una población más grande o poblaciones separadas con
características diferentes.
 σ Six
BASES ESTADISTICAS Y LOS PROXIMOS OBJETIVOS Sigma

Resumen y objetivos posteriores :

Tenemos las bases estadisticas para continuar con herramientas de analisis, que sigue…

Primero tenemos que asegurarnos que un proceso debe de estar en control estadistico (SPC) y para
eso es indispensable conocer los graficos de control

Una vez esto, necesitamos conocer la habilidad actual del proceso y/o los indices que nos permitan
medir el proceso(CPK,yield,Sigma,etc), para posteriormente saber que mejorar.

Esto nos apunta a hacernos una pregunta para el proceso, Estamos seguros que estamos midiendo
bien nuestro indice de capacidad?, son nuestras mediciones confiables? por tanto debemos de
asegurarnos que la variacion del ( MSA) sea acceptable.
COMPORTAMIENTO DEL PROCESO
 σ Six

CONTROLES ESTADISTICOS
CONTROL DEL PROCESO
ESTADISTICO DEL PROCESO
Sigma

El “Control Estadístico de Procesos” nació a finales de los años 20 en los Bell Laboratories. Su creador
fue W. A. Shewhart, quien en su libro “Economic Control of Quality of Manufactured Products” (1931)
marcó la pauta que seguirían otros discípulos distinguidos (Joseph Juran, W.E. Deming, etc.).
 σ Six

VARIACION DE LOS PROCESOS

VARIACION EN LOS PROCESOS
Sigma

las características del producto fabricado no son uniformes y presentan una variabilidad. Esta
variabilidad es claramente indeseable y el objetivo ha de ser reducirla lo más posible o al menos
mantenerla dentro de unos límites. El Control Estadístico de Procesos es una herramienta útil para
alcanzar este segundo objetivo. Dado que su aplicación es en el momento de la fabricación,
puede decirse que esta herramienta contribuye a la mejora de la calidad de nuestros procesos
administrativos-productivos.
 σ Six

HABILIDAD Y VARIACIONES DEL PROCESO Sigma

Naturalmente de un proceso no se conoce “todo”, ya que si fuera así no tendría sentido realizar
otro estudio sobre él. Por ejemplo, si se trata de un proceso de mecanizado, es esperable que el
desgaste de la herramienta produzca un desplazamiento de la media, etc.

Causas Comunes. Al conjunto de datos distribuidos normalmente .

Causa assignable. si circunstancialmente incide un factor con un efecto preponderante, entonces

la distribución de los datos no tiene por qué seguir una ley normal.
Defecto (Defect): Cualquier producto o servicio que presenta una desviación con respecto a sus
especificaciones. Termino usado “no conformidad”

Defectuoso (Defective): Cualquier producto o servicio que se considera completamente

inaceptable para su uso.Termino usado “no conforme”
 σ
GRAFICAS DE CONTROL
Six
Sigma

Las graficas de control están destinadas a detectar CUANDO el proceso esta fuera de control, y no
POR QUE.
Por lo tanto, la interpretación de Graficas X-R se limita a una serie de “reglas de dedo” que indican
mas que nada como proceder ante determinado comportamiento de la grafica.
Los limites de control no tienen nada que ver con las especificaciones. Un proceso puede estar
dentro de control pero no necesariamente estará cumpliendo con las especificaciones. Para saber si
un proceso estable es capaz de cumplir con la especificación, se tienen los ESTUDIOS DE HABILIDAD.

Las graficas X-R son las graficas de control mas sensibles a cambios en la variación de procesos con
características medibles. La regla es simple: si los datos están dentro de los limites de control, no se
hace nada, aun cuando el dato caiga justo en la frontera. Si los puntos se mueven hacia arriba y
hacia abajo de la linea central y dentro de los limites, no puede haber algo mejor. La variación es
inherente a causas aleatorias y no asignables. El proceso se comporta de modo normal y el operario
no puede hacer nada para remediar dicha variación.

Si los puntos se mueven FUERA de los limites de control en la grafica de medias, se tiene una causa
asignable, la cual merece atención y corrección antes de continuar con el proceso. Usualmente el
operario puede eliminar la causa y meter de nuevo control el proceso.
 σ Six

LAS 4 REGLAS Sigma

 Conviene buscar patrones en el comportamiento Un proceso debera ser detenido para

de los datos. Un patrón comúnmente utilizado es
el que determina que si siete o mas datos se su revision si:
presentan seguidos bajo o encima de la media,
se requiere una acción correctiva, o si siete datos
 Algun punto se sale de los limites de control.
seguidos muestran un aumento o decremento
consistente.
 Existen siete puntos seguidos por encima o por
debajo de la linea MEDIA.
 Otro mas indica que al menos 2/3 de los datos
deberán caer dentro del tercio central del área
entre limites de control. Existen libros enteros  Existen siete puntos seguidos ascendiendo o
dedicados a interpretar patrones “Guide to siete puntos seguidos descendiendo en
Quality Control” de ishikawa es uno de ellos. cualquiera de las graficas.

 Muchos de los datos (mas de un tercio) son

graficados muy lejos de la linea MEDIA (fuera de
la zona de ± 1 Sigma).
 σ Six

INTERPRETACION
Sigma

INTERPRETACION

 Las CAUSAS asignables mas comunes son:

managegement

 En cuanto a la grafica de rangos, si presenta anomalías, usualmente el operario no puede hacer

mucho para corregir un proceso con variación inherente aleatoria que esta fuera de control. La
recomendación para el operario aquí deberá ser dar aviso a la gerencia para que se tomen
acciones correctivas de fondo.

 Conviene siempre re-verificar los cálculos aritméticos antes de dar aviso, parar una línea o tomar
alguna acción puesto que a veces la causa asignable puede ser .............. El error humano.
INTERPRETACION DE UN GRAFICO DE
CONTROL
Reglas 1, 2, 3, 3´, 4, 4´, 4´´ y 7. Si el gráfico de medias presenta
alguna de estas indicaciones y el gráfico S o R no presenta
anomalías, lo más probable es que el proceso se encuentre
desplazado. Si el gráfico S o R presenta también indicaciones,
entonces es proceso ha aumentado la variabilidad y posiblemente
también se ha desplazado

Reglas 5, 6, 6´, 6´´. Lo más probable es que el proceso esté

desplazándose.

Regla 7. Si el gráfico S o R no presenta anomalías, lo más probable

es que el proceso sea muy inestable en cuanto a su centrado. Si el
gráfico S o R presenta también indicaciones, entonces es probable
que el proceso haya aumentado la variabilidad.

Regla 8. que Puede ser síntoma de que se ha reducido la

variabilidad del proceso si el gráfico S o R también muestra una
reducción de la variabilidad muestral. Si el gráfico S o R no muestra
una reducción de la variabilidad muestral, puede ocurrir que se
estén mezclando dos poblaciones distintas, siendo la distribución
resultante bimodal (dos jorobas).

Regla 9. Es síntoma de inestabilidad del proceso.

La distribución de S o R no es normal (aunque lo sea el proceso) ni

tampoco es simétrica, por lo que las probabilidades indicadas en la
columna de la derecha no son de aplicación a este caso.
 σ Six

LO QUE DEBEMOS SABER...

Sigma

LO QUE DEBEMOS SABER

Constantes para Gráficos de Control
Carta P Carta NP
de Variables (proporciones) (número de defectuosos)
n A2 A3 D3 D4 B3 B4 d2 c4
1 2.660 3.760 - - - - - -
p(1  p)
2 1.880 2.659 0 3.267 0 3.267 1.128 0.7979 LSC  p  3 LSC  n p  3 n p(1  p)
3 1.023 1.954 0 2.575 0 2.568 1.693 0.8862 n
4 0.729 1.628 0 2.282 0 2.266 2.059 0.9213 LC  n p
5 0.577 1.427 0 2.115 0 2.089 2.326 0.9400 LC  p
6 0.483 1.287 0 2.004 0.03 1.970 2.534 0.9515
LIC  n p  3 n p(1  p)
7 0.419 1.182 0.076 1.924 0.118 1.882 2.704 0.9594 p(1  p )
8 0.373 1.099 0.136 1.864 0.185 1.815 2.847 0.9650 LIC  p  3
9 0.337 1.032 0.184 1.816 0.239 1.761 2.970 0.9693 n
10 0.308 0.975 0.223 1.777 0.284 1.716 3.078 0.9727

Carta C Carta U
Promedio y Rango X Individual y Rango móvil (número de defectos) (número de defectos por unidad)

X
X  X
1  ...  X k
2  n
, donde X   i
X X 1
 X  X 2  ...  X k 
k k
i 1 n Líneas Centrales u
Rm   X i 1  X i  LSC  u  3
R  R 2  ...  R k 
R 1 LSC  c  3 c ni
k
Líneas Centrales R  R  ...  Rk 1 
 1 2
Rm
k 1 LC  c LC  u
UCLx  X  A 2 R LCL x  X  A 2 R
CLx  X 
3
Rm LIC  c  3 c u
d2 LIC  u  3
UCLR  D4 R LCL R  D3 R ni
UCLR m  D4 R m LCL R m  D3 R m
 σ Six

COMO ELEGUIR UN GRAFICO DE CONTROL

Sigma

Elección del gráfico de control correcto

Variable Atributo/Discreto
¿Qué tipo de dato es?

¿Datos individuales ¿Contamos defectos o

o en grupo? defectuosos?
GRUPOS VALORES
(Medias) INDIVIDUALES Tipos Unidades
(n>1) (n=1) Específicos de defectuosas
“defectos”

X-Barra R
I-RM
X-Barra S ¿Baja probabilidad de ¿Conocemos el número
defecto? de malos y buenos?
NO
NOTA: X-Barra S es apropiado si
Distribución Poisson Distibución Binomial
el tamaño de subgrupo (n) es > 10
SI SI
I-RM

Para datos variables(continuos):

X-R Promedios y rangos
I-MRLecturas individuales(Individual-Moving Ranges). ¿Unidad de
¿Muestra de tamaño
constante?
tamaño constante?

Para datos por atributos:

p Porcentaje de unidades defectuosas. NO SI NO SI

np Cantidad de unidades defectuosas. U C P NP

c Número de defectos.
u Defectos por unidad.
 MINITAB

Control charts: Stat > Control Charts > Attributes Charts

Stat > Control Charts > Variables Charts for Subgroups
Stat > Control Charts > Variables Charts for Individuals
HABILIDAD DEL PROCESO
 σ Six

CAPACIDAD Y VARIACIONES DEL PROCESO

Sigma

Como consecuencia de todo lo anterior, si un proceso normal está en control estadístico, la

característica de calidad del 99,73% de los elementos fabricados estará comprendida entre m - 3s y m +
3s. El parámetro m depende del punto en el que centremos el proceso. Sin embargo s depende del
número y variabilidad de las causas comunes del proceso y por lo tanto es intrínseca a él. Por lo tanto
6sigma es la Variabilidad Natural del Proceso o Capacidad del Proceso.

DATOS

No causas
especiales

Variacion
Natural

Valor
Optimo
 σ Six

LOS LIMITES DEL PROCESO

Sigma

LIMITES DEL PROCESO

USL Limite de Especificacion superior

LSL Limite de especificacion inferior

UCL Limite de Control superior

LCL Limite de control inferior

USL – LSL = Ancho de especificacion de diseno

UCL – LCL = Rango del proceso natural

 σ Six

INDICE DE CAPACIDAD
Sigma

Comparación de la variación del proceso (voz del proceso) contra las

especificaciones (voz del cliente):
Voz del Cliente USL  LSL Cp = 1: La distribución del proceso apenas
  Cp
Voz del Proceso 6 cabe en la ventana de tolerancia

USL LSL Cp = 2: El proceso es 6 Sigma. La ventana

de tolerancia es el doble de la variación del
proceso

Voz del
cliente

Voz del proceso

 σ Six

INDICE DE CAPACIDAD
Sigma

CP (potencial) Y CPK (Actual). se calculan con la variabilidad inherente del proceso (variabilidad en el corto
plazo). En este caso se considera la variabilidad entre los elementos de la misma muestra o muestras
próximas.

Pp(potencial) y Ppk (actual) . se calculan con la variabilidad total del proceso (variabilidad en el largo
plazo). En este caso se tiene en cuenta la variabilidad introducida por la deriva del centrado del
proceso y la inestabilidad del mismo

CO2 Levels for 55 Time Points

14

13

CO2-Shrt
12

11

10

Index 10 20 30 40 50
 σ Six

INDICE DE CAPACIDAD
Sigma

Limites de
tolerancia

Especificaciones del Cliente Capabilidad del proceso Obstruccion del proceso

1 sigma - 30.85% exitoso

3 sigma - 93.33 % exitoso

6 sigma – 99.9997% exitoso

 σ Six

INDICE DE CAPACIDAD
Sigma
 σ Six

INDICE DE CAPACIDAD
Sigma
 σ Six

VARIACIONES DE LAS CAPACIDADES

Sigma

VARIACION EN LAS CAPACIDADES

Límite de Especif.

Probabilidad
de un Defecto

Cp: 1

Cp: 2
 σ Six

LA SECUENCIA SISTEMATICA
Sigma

• Primeramente usando el Cp, determinamos si el proceso es capable a cualquier

indice deseado (1,1.33,1.67 o mayor)

• Despues usar el Cpk, para determinar cual es el nivel del proceso actual( para el
mismo valor del indice deseado).

• Cuando el Cpk = Cp , entonces sabremos que el proceso esta centrado, dicho en

otras palabras el indice mas bajo possible de defectos se ha logrado
 σ Six

INDICADORES DEL RENDIMEINTO DEL PROCESO

Sigma

Defectos por unidad: Rendimiento inicial de un proceso:

Defectos por oportunidades de

que sucedan defectos:
Rendimiento total del proceso:

Defectos por millon de oportunidades:

First Pass Yield (FPY), or Throughput Yield (TPY), and First Time Yield (FTY), Rolled
Throughput Yield (RTY)

Unidades defectuosas por cada millon:

 σ Six

RELACION ENTRE CAPABILIDAD Y SEIS SIGMA

Sigma

RELACION ENTRE CAPACIDAD Y SIGMA

Recuerda que el nivel Sigma es el numero de desviaciones std que “caben” entre la media de
proceso y el limite mas cercano.
YIELD *D/PPM CPK SIGMA
10% 900,000 0.07 0.22
19% 810,000 0.21 0.62
25% 750,000 0.28 0.83
31% 690,000 0.33 1
39% 610,000 0.41 1.22
46% 540,000 0.47 1.4
50% 500,000 0.5 1.5
58% 420,000 0.57 1.7
65.6% 344,000 0.63 1.9
72.6% 274,000 0.7 2.1
78.8% 212,000 0.77 2.3
84.2% 158,000 0.83 2.5
88.5% 115,000 0.9 2.7
91.92% 80,800 0.97 2.9
93.32% 66,800 1 3
95.54% 44,600 1.07 3.2
97.13% 28,700 1.13 3.4
98.22% 17,800 1.2 3.6
98.93% 10,700 1.27 3.8
99.37% 6,210 1.33 4
99.952% 480 1.6 4.8
99.977% 230 1.63 5
99.996% 40 1.83 5.4
99.998% 20 1.9 5.6
99.9997% 3 2 6
* Cuando un defecto es una pieza defectuosa.
 σ Six

COMO REALIZAR UN ANALISIS DE CAPACIDAD

Sigma

Capacidad

Datos

Continuos Atributos

contando

Defectuoso Defectos

Capacidad
Cpk, Ppk Capacidad Capacidad
Binomial Poisson
MINITAB

Capability: Stat > Quality Tools > Capability Analysis > Normal
Stat > Quality Tools > Capability Analysis > Binomial
Stat > Quality Tools > Capability Analysis > Poisson
 σ Six

PROCESOS CON DATOS NO NO

NORMALES
Sigma
PROCESOS DATOS NORMALES

Puesto que la causa de no normalidad es intrínseca al proceso, se toma una muestra de al menos 25 o 30
unidades, de manera que la distribución de la muestra sea lo más próxima a la normal posible. De esta
manera se puede mantener el control de las derivas en el proceso. Realizar una transformación de
normalización de los datos. En general resultan eficaces la transformaciones de Box-Cox

Una vez determinada la transformación numérica de normalización, si se codifican los

valores tomados en las muestras, se puede tratar como los procesos vistos hasta ahora.
Naturalmente para interpretar los valores de los límites de control, fracción fuera de
tolerancia, etc. Es preciso deshacer la transformación.

Nos aseguramos que los datos se distribuyan normalmente con la prueba de Ryan como sigue:
Stat > Basic statistics > Normalita Test Seleccionar Ryan Joiner test OK
Probability Plot of Datos
Normal
99.9
Mean 269.3
StDev 30.72
99
N 100
RJ 0.994
95 P-Value >0.100
90
80
70
Percent

60
50
40
30
20
10
5

0.1
150 200 250 300 350
Datos
ANALISIS DEL SISTEMA DE MEDICION
 σ Six

LA INTEGRIDAD DE LOS DATOS

Sigma

• Validez: ¿Se está midiendo el aspecto correcto del proceso?

• Los datos pueden provenir de un método o fuente confiable, pero no empatar con las
definiciones operacionales establecidas para su proyecto

• Confiabilidad: Trata con la exactitud y consistencia de los datos

• Para el procesamiento de datos, recurra a auditorías para para evaluar la confiabilidad de la
información
• Cuando los datos provienen de un equipo de pruebas, elabore un estudio de Repetibilidad y
Reproducibilidad (Gage R&R)
• Cuando los datos provienen de una evaluación cualitativa, elabore un estudio de Atributos MSA

¿Cuál es el estudio que necesita?

 σ Six

EL MODELO BASICO
Sigma

 2
Total  2
Producto  2
Sistema Medición

La variación total es igual a la variación real del

producto más la variación debida al Sistema de
Medición

 2
Sistema Medición  2
Repetibilidad  2
Reproducibilidad

La Variación del Sistema de Medición es igual a

la variación debida a la Repetibilidad más la
variación debida a la Reproducibilidad.
 σ Six

FUENTES DE LA VARIACION
Sigma

FUENTES DE VARIACION EN LA MEDICION

 σ Six
COMO SE MUESTRAN LOS ERROES DE MEDICION? Sigma

LSL USL
15
Variación del proceso
Real – No hay error de
Frequency

10
Medición
5

30 40 50 60 70 80 90 100 110
Process

15

LSL USL Variación del proceso

10 Observada – Con error
Frequency

de medición
5

30 40 50 60 70 80 90 100 110
Observ ed
 σ Six

DISCRIMINACION
Sigma

La capacidad tecnologica del sistema de medicion para diferenciar adecuadamente entre los valores de un
parametro medido.
.28 .28 Regla .28 .28
.279 .282 Calibrador .282 .279
.2794 .2822 .2819 .2791
Micrometro
 σ Six

PRECISION Y EXACTITUD
Sigma

Exacto y Preciso Ni Preciso

Preciso No Exacto Ni Exacto
 σ Six

EXACTITUD
Sigma

La exactitud de instrumento es la diferencia entre el promedio observado de la medición y el valor

maestro ó valor verdadero
El valor maestro es un estándar de referencia aceptado y rastreable
(Ej. NIST)

Valor
Maestro

Sesgo

Media
 σ Six

SESGO (BIAS)
Sigma

El promedio de las mediciones difiere del Valor Maestro por una cantidad fija.

El efecto de sesgo incluye:

• Sesgo operador – diferentes operadores obtienen diferentes promedios detectables para la misma cosa

• Sesgo instrumento – diferentes instrumentos obtienen diferentes promedios para la misma cosa, etc.

Instrumento 1 Valor Instrumento 2

Sesgo Maestro Sesgo

Instrumento 1 Instrumento 2

Promedio 1 Promedio 2
 σ Six

PRECISION: REPETIBILIDAD
Sigma

• La variabilidad inherente del sistema de medición. Es la variación obtenida por la misma persona
usando el mismo producto.

• La variación que ocurre cuando repetidas mediciones se hacen de la misma variable bajo
situaciones absolutamente idénticas

 • Mismo operador
rpt • Mismo set-up
• Mismas unidades
• Mismas condiciones medio ambiente
• Corto plazo

• Estimada por la desviación estándar de la distribución de mediciones repetidas

• La Repetibilidad es siempre menor que la variación total del sistema

 σ Six

PRESICION: REPRODUCIBILIDAD
Sigma

Es la variacion obtenidad a traves de diferentes personas quienes tomaron mediciones.

• La variación que resulta cuando diferentes condiciones son utilizadas para hacer las
mediciones

 rpd • Diferentes operadores

• Diferentes Set-ups
• Diferentes unidades de prueba
• Diferentes condiciones ambientales
• Largo Plazo

• Estimada por la desviación estándar del promedio de las mediciones de diferentes

condiciones de medición
 σ Six

REPRODUCIBILIDAD REPRODUCIBILIDAD
Sigma

La diferencia en el promedio de las mediciones hechas por diferentes personas, utilizando

los mismos instrumentos cuando se mide con características idénticas con condiciones
diferentes (tiempo, medio ambiente, etc.)

Valor Reproducibilidad
Maestro Mala
Reproducibilidad
buena

Operador Operador Operador Operador Operador Operador

1 2 3 1 2 3
 σ Six

EXACTITUD Y PRECISION
Sigma

• Asuma que tiene un material de referencia con una

dureza “verdadera” de 5.0
• Método 1 la da las siguientes lecturas:
3.8, 4.4, 4.2, 4.0
• Método 2 la da las siguientes lecturas :
6.5, 4.0, 3.2, 6.3
• ¿Cuál método es más exacto?

• ¿Cuál método es más preciso?

• ¿Qué método prefiere? ¿Porqué?

 σ Six

ANALISIS DE UN SISTEMA DE MEDICION

Sigma

• Los estudios de Repetibilidad y Reproducibilidad ( Gage R&R) son buenas

herramientas para evaluar el sistema de medición

• Cuantifican los componentes de repetibilidad y reproducibilidad de la

variabilidad de la medición y…

• Estiman la relación porcentaje/tolerancia (%P/T) y el Porcentaje

Repetibilidad y Reproducibilidad (%R&R)

• Generalmente involucran:
• 2-3 operadores, asesores
• 10 o mas muestras
• Cada muestra es medida 2-3 veces por cada operador
INDICE DE CAPACIDAD DE MEDICION –P/T σ Six
Sigma

• Relación precisión a tolerancia

5.15 * MS
%P / T  100
Tolerancia
• Analiza que porcentaje de la tolerancia es consumida por
el error de medición

• Incluye ambas, repetibilidad y reproducibilidad

• Mejor caso: 10% Aceptable: 30%

Nota: 5.15 desviaciones estándar son responsables del 99% de la variación MS. El uso
de 5.15 es un estándar de la industria
 σ Six

RELACION DE PRESICION Y TOLERANCIA

Sigma

LSL USL
Tolerancia Producto

P/T = 20% Variación

Sistema
Medición
P/T = 100%

P/T = 200%
 σ Six

USOS DEL %P/T (% Tolerancia)

Sigma

• Este estimador puede ser apropiado para evaluar que tan bien se desempeña el sistema
de medición respecto a las especificaciones

• Las especificaciones; sin embargo, pueden ser muy estrictas o muy relajadas

• Generalmente, la relación P/T es un buen estimador cuando el sistema de medición se

utiliza únicamente para clasificar las muestras de producción
• Aún así, si la capacidad del proceso no es adecuada (Cpk), la relación P/T pudiera darle
un sentido de seguridad falso
 σ Six

INDICE DE CAPACIDAD DE LA MEDICION -% R&R

Sigma

• Analiza que porcentaje de la variación total proviene del error de medición

Usualmente
MS expresado
%R & R   100 como
T otal porcentaje

• Incluye ambas, repetibilidad y reproducibilidad

• Como objetivo, busque que el %R&R < 20% (industria automotriz < 10%)
 σ Six

USOS DEL % R&R

Sigma

• El %R&R es la mejor medición para el líder de mejora de procesos

• Estima que tan bien se desempeña el sistema de medición respecto a la variación

general del proceso

• El %R&R es el mejor estimador cuando se están llevando a cabo estudios de

mejora de procesos.

Se debe tener cuidado de utilizar muestras que

representen la variación del proceso completa.
 σ Six

SET-UP PARA EL ESTUDIO GAGE R&R

Sigma

• Generalmente dos o tres operadores

• Generalmente 10 unidades a medir

• Cada unidad se mide 2-3 veces por cada operador

 σ Six

ESTUDIOS PARA LA SELECCION DE LA MUESTRA

Sigma

• Las muestras deben ser extraídas del proceso de manera que muestren
la variación normal del proceso

• Ej.: Si fabrica un material con un espesor promedio de 0.020” y una variación del 0.001”,
extraiga muestras que tengan un espesor de 0.017” – 0.023” (99% del rango)

• TENGA CUIDADO!
• Si fabrica la misma base del material con diferente grosor con el mismo proceso, haga sub-
grupos y después desarrolle el estudio R&R

• Ejemplo
• Un proceso que fabrica material con un espesor de 0.700”, 0.850”, y 0.900” todos con
una tolerancia +/- 0.015, todos medidos con el mismo sistema
• Elabore 3 estudios – uno para cada grosor
• Si agrupa todas las muestras, el valor Gage R&R sería artificialmente bajo
 σ Six

PROCEDIMIENTO PARA LA ELABORACION DE UN ESTUDIO R&R

Sigma

• Calibre el dispositivo, ó asegúrese que haya sido calibrado

• Haga que el operador 1 mida todas las muestras una sóla vez en orden aleatorio

• Haga que el operador 2 mida todas las muestras una sóla vez en orden aleatorio

• Continúe hasta que todos los operadores hayan medido las muestras una sóla vez
(este es el primer intento)

• Repita los pasos anteriores para el número requerido de intentos ó pruebas

• Utilice la forma para determinar los estadísticos del Estudio R&R

• Repetibilidad
• Reproducibilidad
• Desviación estándar para cada uno de los de arriba
• %R&R
• Relación P/T
• Analice los resultados y determine una acción de seguimiento, de ser necesario
 σ Six

NUMERO DE DISTINTAS CATEGORIAS

Sigma

• El número de distintas categorías de datos dentro de un proceso que el sistema de

medición puede detectar.

• Es una indicación de Discriminación del sistema de medición

• Si el número de categorías es menor a 2, el sistema de medición es de valor mínimo ya

que sería difícil distinguir una parte de la otra.

• Si el número de categorías es 3, el sistema de medición puede dividir los datos en 3

grupos – bajo, medio y alto

• Un sistema de medición que es aceptable y útil para las actividades de mejora de

procesos debe tener más de 5 categorías distintas. 10 o más es ideal.
 σ Six

INTERPRETACION DE RESULTADOS
Sigma
 σ Six

INTERPRETACION DE RESULTADOS
Sigma
 σ Six

GAGE R&R - X/R CHART

Sigma

Part by Appraiser Plot • Queremos ver variabilidad en él

gráfico X-bar fuera de los límites
2.12 de control
2.11 • Esto indica variabilidad parte-a-
parte
2.1
• Si no existiera, probablemente no
2.09
obtuvo las muestras que cubren
Averagge

2.08 el rango normal en producción

2.07

2.06

2.05

2.04
Sum

Sum

Sum
1

10

10

10
Appraiser 2

Series1 UCL XCL LCL

Appraiser 1 Appraiser 3
 σ Six

GAGEGAGE
R&R R&R
- X/RXCHART
Sigma

/ R Chart
Range of Parts by Appraiser

0.06
• El gráfico de Rango debe mostrar al
proceso que está en control
0.05
• Si hay un punto arriba del UCL, el
0.04 operador está teniendo un problema para
realizar mediciones consistentes.
Range

0.03
• El gráfico de Rango también puede
0.02 ayudar a identificar discriminación
inadecuada
0.01
• Se quiere que al menos existan 5 valores
0 posibles dentro de los límites de control
Sum

Sum

Sum
1

9
10

10

10
Appraiser 2
Series1 UCL Rave
Appraiser 1 Appraiser 3

Sospeche sobre Discriminación inadecuada si:

 El gráfico de Rango tiene menos de 5 niveles diferentes dentro de los límites de control
 5 o más niveles para el rango, pero más de ¼ de los valores son cero
• Repetibilidad es cuestionable si el gráfico de rango muestra condiciones fuera de control
• Si el rango para un operador está fuera de control y el de los otros no lo están, el método es sospechoso
• Si todos los operadores tienen rangos fuera de control, el sistema es sensible a la técnica del operador
 σ Six

INTERPRETACION DE DATOS CUANTITATIVOS

Sigma
 σ Six

INTERPRETACION DE DATOS CUANTITATIVOS

Sigma
 σ Six

INTERPRETACION DE DATOS CUANTITATIVOS

Sigma
 σ Six

SISTEMAS DE MEDICION POR ATRIBUTOS

Sigma

SISTEMA DE MEDICION POR ATRIBUTOS

ESTUDIO DE ANÁLISIS POR ATRIBUTOS

• También es muy importante tener adecuada repetibilidad (attribute gage study) y

reproducibilidad (attribute agreement analysis) al obtener datos de atributos.

• Si un operador, por ejemplo, decide que una unidad tiene un defecto de

“apariencia” y otro operador concluye que la misma unidad no tiene defectos,
entonces hay un problema con el sistema de medición.

• Igualmente, el sistema de medición es inadecuado cuando la misma persona llega

a diferentes conclusiones al repetir las evaluaciones en la misma unidad o producto.
 σ Six

SISTEMA DE MEDICION POR ATRIBUTOS

Sigma

SISTEMA DE MEDICION POR ATRIBUTOS

• Un sistema de medición de atributos compara cada parte con un estándar y acepta la

parte si el estándar se cumple.

• La efectividad de la discriminación es la habilidad del sistema de medición de atributos

para discriminar a los buenos de los malos.

• En general el análisis del sistema de medición te ayuda a predecir si:

 El equipo tiene la capacidad de diferenciar entre piezas buenas y malas,

 Cuantas piezas buenas pasa como malas y cuantas piezas malas pasan como buenas
SISTEMA DE MEDICION
SISTEMA POR ATRIBUTOS
DE MEDICION POR ATRIBUTOS

MÉTODO PARA REALIZAR UN ESTUDIO DE ATRIBUTOS

INTERPRETACION DE RESULTADOS
INTERPRETACION DE RESULTADOS
FUENTES DE VARIACION
 σ Six

GUIAS DE ACEPTABILIDAD
Sigma

Aunque el 100% es el resultado que deseamos obtener, en un estudio de

repetibilidad y reproducibilidad de atributos, la siguiente guía se usa
frecuentemente:

Porcentaje Guía
De 90% a 100% Aceptable
De 80% a 90% Marginal
Menos de 80% Inaceptable
 σ Six

Analisis de un Sistema de medicion por atributos

Sigma

Within Appraisers Porcentaje de aceptacion

Assessment Agreement Date of study: Assessment Agreement

Reported by:
Intervalo de
Appraiser # Inspected # Matched Percent 95% CI
Name of product: Angelica 30 26 86.67 (69.28, 96.24)
confianza
Misc: Laura 30 26 86.67 (69.28, 96.24)
Lupy 30 27 90.00 (73.47, 97.89)

# Matched: Appraiser agrees with him/herself across trials.

Within Appraisers Appraiser vs Standard Each Appraiser vs Standard

95.0% CI 95.0% CI Assessment Agreement

Percent Percent Appraiser # Inspected # Matched Percent 95% CI
95 95 Angelica 30 26 86.67 (69.28, 96.24)
Laura 30 26 86.67 (69.28, 96.24)
Lupy 30 27 90.00 (73.47, 97.89)

90 90 # Matched: Appraiser’s assessment across trials agrees with the known

standard.
Percent

Percent

85 85 Between Appraisers
Assessment Agreement

# Inspected # Matched Percent 95% CI

80 80 30 21 70.00 (50.60, 85.27)

# Matched: All appraisers’ assessments agree with each other.

75 75 Fleiss’ Kappa Statistics

Response Kappa SE Kappa Z P(vs > 0)

G 0.763435 0.0304290 25.0890 0.0000
70 70 NG 0.763435 0.0304290 25.0890 0.0000

Angelica Laura Lupy Angelica Laura Lupy All Appraisers vs Standard

Assessment Agreement
Appraiser Appraiser
# Inspected # Matched Percent 95% CI
30 21 70.00 (50.60, 85.27)

# Matched: All appraisers’

 σ Six

COMO ELEGIR EL SISTEMA DE MEDICION?

Sigma

MSA

Datos

Continuos Atributos

Gage R&R Evaluacion

> 10 por atributos
> 30

Datos

Ordinales
Binomial (Poisson)

ANOVA Kappa Kendall

MINITAB

MSA: Stat > Quality Tools > Create Attribute Agreement Analysis worksheet
Stat > Quality Tools > Attribute Agreement Analysis

Stat > Quality Tools > Gage Study > create Gage R&R Study worksheet
Stat > Quality Tools > Gage Study > Gage R&R Study (Crossed)
RESUMEN
RESUMEN#1 -ESTADISTICA DESCRIPTIVA σ Six
Sigma

Población Todos los artículos de interés (Conjunto Universal)

Muestra Un subconjunto de datos de una población
¡¡¡Siempre grafica tus Muestra Aleatoria Cada artículo en la población tiene la misma oportunidad de estar presente en la muestra
datos!!!
Histograma Un tipo de gráfica de barras que representa los datos ( gráfica de barra , diagrama de pareto)

Mediana El valor de en medio

Rango El valor más grande menos el valor más pequeño
Varianza Cuadrado de la Desviación estándar

Frecuencia Número de entradas en una celda

Frecuencia Acumulativa Número en esa celda mas las celdas anteriores
Frecuencia Relativa Frecuencia en la Celda / Tamaño muestral
Frec. Rel. Acumulativa Frecuencia Acumulativa / Tamaño muestral

Distribución Normal En forma de campana, curva Gaussiana.

Histograma Generalmente una buena aproximación de la distribución de los datos
Distr Normal std Una distribución normal con = 0 y  = 1
Tabla Normal Usada para encontrar áreas ( probabilidades ) bajo una curva normal
Teorema Límite Central Establece que una suma o promedio frecuentemente tienen una distribución normal Definir el problema
xi Sumatoria: X 1 + X 2 + X 3 + . . . + Xn
Definir de forma cuantitativa las
necesidades de los clientes y lo
que constituye un defecto.
Establecer los objetivos de
mejora. “Lo importante es lo que
quiere el cliente”

“Un problema mal definido

llevará a desarrollar soluciones
para falsos problemas”

Se definen las características

críticas de la calidad (CTQ´s).
 σ Six

RESUMEN#2 -TIPOS DE DATOS Sigma

Tipos
de
Datos
 σ Six

RESUMEN#3 -COMPORTAMIENTO DEL PROCESO

Sigma

Elección del gráfico de control correcto

Variable Atributo/Discreto
¿Qué tipo de dato es?

¿Datos individuales ¿Contamos defectos o

o en grupo? defectuosos?
GRUPOS VALORES
(Medias) INDIVIDUALES Tipos Unidades
(n>1) (n=1) Específicos de defectuosas
“defectos”

X-Barra R
I-RM
X-Barra S ¿Baja probabilidad de ¿Conocemos el número
defecto? de malos y buenos?
NO
NOTA: X-Barra S es apropiado si
Distribución Poisson Distibución Binomial
el tamaño de subgrupo (n) es > 10
SI SI
I-RM

Para datos variables(continuos):

X-R Promedios y rangos
I-MRLecturas individuales(Individual-Moving Ranges). ¿Unidad de
¿Muestra de tamaño
constante?
tamaño constante?

Para datos por atributos:

p Porcentaje de unidades defectuosas. NO SI NO SI

np Cantidad de unidades defectuosas. U C P NP

c Número de defectos.
u Defectos por unidad.
 σ Six

RESUMEN#4 -HABILIDAD DEL PROCESO

Sigma

Capacidad

Datos

Continuos Atributos

contando

Defectuoso Defectos

Capacidad
Cpk, Ppk Capacidad Capacidad
Binomial Poisson
 σ Six

RESUMEN#5 -SISTEMA DE MEDICION

Sigma

MSA

Datos

Continuos Atributos

Gage R&R Evaluacion

> 10 por atributos
> 30

Datos

Ordinales
Binomial (Poisson)

ANOVA Kappa Kendall

 6 0.483 1.287 0 2.004 0.03 1.970 2.534 0.9515
7 0.419 1.182 0.076 1.924 0.118 1.882 2.704 0.9594

EXAMEN
8 0.373 1.099 0.136 1.864 0.185 1.815 2.847 0.9650
9 0.337 1.032 0.184 1.816 0.239 1.761 2.970 0.9693 σ Six
Sigma
10 0.308
Relaciona las definiciones con las formulas correctas
0.975 0.223 1.777 0.284 1.716 3.078 0.9727

Promedio y Rango X Individual y Rango móvil

X
X  X
1 ...  X k
2  n
, donde X   i
X X 1
 X  X 2  ...  X k  promedio
k k
i 1 n Líneas Centrales
Rm   X i 1  X i 
R  R  ...  R k 
R 1 2
Rango
k
Líneas Centrales
Rm
R  R  ...  Rk 1 
 1 2
Probability Plot of Datos
Normal

k 1
99.9
Mean 269.3

P chart
StDev 30.72

UCLx  X  A 2 R LCL x  X  A 2 R
99
N 100
RJ 0.994
3 95 P-Value >0.100

Carta C Carta U
CLx  X  R m 90
80

UCLRde defectos)  D3 Rpor unidad) d2 70

Percent
(número D4 R LCL
(número de Rdefectos
60
50

NP chart
40
30

UCLR m  D4 R m LCL R m  D3 R m 20
10
5

u Carta P 1
Carta NP
LSC  u  3
Desviacion estandar
(proporciones) (número0.1de defectuosos)
LSC  c  3 c ni 150 200 250
Datos
300 350

LC  c LC  u LSC  p  3
p(1  p)
LSC  n p  3 n p(1  p)
n
LIC  c  3 c
LIC  u  3
u
LC  p
LC  n p Formula gage r&R
ni LIC  n p  3 n p(1  p)
p(1  p )
LIC  p  3
n Formula atributos
MS
%R & R 
T otal
 100 Valor de p-value aceptable

5.15 * MS
%P / T  100
Tolerancia
END
White Belt training