Documente Academic
Documente Profesional
Documente Cultură
MEASURE
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
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.
Six
Sigma
Six
Sigma
Problem
Solving
Lean
Mfg.
σ Six
- Razonamientos lógicos para la elección del modelo mas adecuado en la solución de problemas.
- Seleccionar proveedores.
ESTADISTICA INDUCTIVA
R. A. Fisher
Graunt
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
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
Estratificada: cuando se sabe que la poblacion esta dividida en categorias las cuales
no son de igual tamano.
Tipos de
Datos
σ Six
BINARIOS DISCRETOS
•Pasa/No pasa •Numero finito de valores que se pueden
•Stock/Scrap clasificar.
•Si/No
Los datos variables son el camino a niveles mas altos de conocimento de tu proceso!!!
σ Six
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
Población Muestra
Varianza 2 s2 o 2
- 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.
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
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).
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
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
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
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.
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
INTERPRETACION
Sigma
INTERPRETACION
managegement
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
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
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
c Número de defectos.
u Defectos por unidad.
MINITAB
DATOS
No causas
especiales
Variacion
Natural
Valor
Optimo
σ Six
INDICE DE CAPACIDAD
Sigma
Voz del
cliente
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
14
13
CO2-Shrt
12
11
10
Index 10 20 30 40 50
σ Six
INDICE DE CAPACIDAD
Sigma
Limites de
tolerancia
INDICE DE CAPACIDAD
Sigma
σ Six
INDICE DE CAPACIDAD
Sigma
σ Six
Límite de Especif.
Probabilidad
de un Defecto
Cp: 1
Cp: 2
σ Six
LA SECUENCIA SISTEMATICA
Sigma
• Despues usar el Cpk, para determinar cual es el nivel del proceso actual( para el
mismo valor del indice deseado).
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
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
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
EL MODELO BASICO
Sigma
2
Total 2
Producto 2
Sistema Medición
2
Sistema Medición 2
Repetibilidad 2
Reproducibilidad
FUENTES DE LA VARIACION
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
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
EXACTITUD
Sigma
Valor
Maestro
Sesgo
Media
σ Six
SESGO (BIAS)
Sigma
El promedio de las mediciones difiere del Valor Maestro por una cantidad fija.
• 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 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
PRESICION: REPRODUCIBILIDAD
Sigma
• La variación que resulta cuando diferentes condiciones son utilizadas para hacer las
mediciones
REPRODUCIBILIDAD REPRODUCIBILIDAD
Sigma
Valor Reproducibilidad
Maestro Mala
Reproducibilidad
buena
EXACTITUD Y PRECISION
Sigma
• 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
5.15 * MS
%P / T 100
Tolerancia
• Analiza que porcentaje de la tolerancia es consumida por
el error de medición
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
LSL USL
Tolerancia Producto
P/T = 200%
σ Six
• 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
Usualmente
MS expresado
%R & R 100 como
T otal porcentaje
• Como objetivo, busque que el %R&R < 20% (industria automotriz < 10%)
σ Six
• 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
• 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)
INTERPRETACION DE RESULTADOS
Sigma
σ Six
INTERPRETACION DE RESULTADOS
Sigma
σ Six
2.07
2.06
2.05
2.04
Sum
Sum
Sum
1
10
10
10
Appraiser 2
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
Cuantas piezas buenas pasa como malas y cuantas piezas malas pasan como buenas
SISTEMA DE MEDICION
SISTEMA POR ATRIBUTOS
DE MEDICION POR ATRIBUTOS
GUIAS DE ACEPTABILIDAD
Sigma
Porcentaje Guía
De 90% a 100% Aceptable
De 80% a 90% Marginal
Menos de 80% Inaceptable
σ Six
Percent
85 85 Between Appraisers
Assessment Agreement
MSA
Datos
Continuos Atributos
Datos
Ordinales
Binomial (Poisson)
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
Tipos
de
Datos
σ Six
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
c Número de defectos.
u Defectos por unidad.
σ Six
Capacidad
Datos
Continuos Atributos
contando
Defectuoso Defectos
Capacidad
Cpk, Ppk Capacidad Capacidad
Binomial Poisson
σ Six
MSA
Datos
Continuos Atributos
Datos
Ordinales
Binomial (Poisson)
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
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
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