CMMi,

Six Sigma & BSC

Da 02

Carlos Gutirrez
carlos.gutierrez@avantare.com


Mayo 2011 Derechos Reservados
Avantare Consultores
Contenido detallado Da 2
Introduccin a Minitab
Conceptos de Estadstica para Six Sigma
Conceptos de alta madurez
Conceptos y herramientas para la administracin cuantitativa
2
INTRODUCCION A MINITAB
3
3
Men
Barra de Herramientas
Ventana de Sesin
Ventana de datos
(Actualmente la ventana activa)
Celda Activa
4
Ventana de Datos
La importancia del Rengln 0
Activar la Ventana de Datos
Escribir "Juan" en el rengln 1 de la
columna 1. Nota: C1 cambi a
C1-T para indicar texto.
Escribir "7/15/82" en la columna 2
del mismo rengln. Nota: C2
cambi a C2-D para indicar
fecha.
Escribir el nmero 87 en la 3er
columna. Nota: C3 no cambi.
Complete la hoja tecleando datos en
los renglones 2 y 3, as como
ponindole nombre a cada columna.
ID de la
columna
Nombre
de la
columna
5
Borrar vs Limpiar celdas
Click en la celda de la Fecha
de nacimiento de Juan.

Limpie la celda presionando la
barra espaciadora o
seleccionando Edit > Clear
Cells. La fecha de nacimiento
es reemplazada por un
asterisco, que significa Valor
faltante.

Click en la celda que contiene
el peso de Juan, y brrelo
presionando la tecla Borrar o
seleccionando Edit > Delete
Cells. El dato es borrado y los
dems datos de Peso se
recorren hacia arriba.

Si desea borrar el rengln entero,
seleccione el nmero de rengln y
presione la tecla Borrar
6
Caractersticas de un buen grupo de
datos
Datos numricos en Columnas numricas.
Datos de Texto en Columnas de Texto, etc.

No mezclar datos.
Nombres de columnas nicos
de 31 caracteres o menos
Datos dispuestos rectangularmente
Todos los renglones deben tener la
misma cantidad de columnas;
Todas las columnas deben tener la
misma cantidad de renglones.
Est atento de las celdas de texto
vacas.

Cuando falten datos numricos o de
fechas aparecern con un asterisco.

Un dato numrico faltante no
necesariamente es igual a cero.
7
Uso de Minitab: Una Sesin Tpica
Captura de datos
Seleccionar el comando de men Calc
Captura de parmetros de comando en la ventana de dilogo.
Ver resultados en la ventana de sesin o ventana de grficas.
Copiar los resultados en otra aplicacin.
Imprimir y Salvar los archivos.
8
Uso de Minitab: Una Sesin Tpica
Minitab permite capturar datos en cuatro formas
diferentes:

Abre una hoja de trabajo existentes en Minitab.
Escribe los datos en la hoja de trabajo.
Importa archivos de datos de otros paquetes de software
compatibles. (opcional)
Pega los datos de otras aplicaciones.

9
Uso de Minitab: Una Sesin Tpica
Captura de Datos

Escribe los
datos
directamente
en la hoja de
trabajo
10
Uso de Minitab: Una Sesin Tpica
Cmo importar un archivo de datos de Excel:

1. Archivo > Abrir Hoja de Trabajo
2. Selecciona los Archivos de Tipo: Excel
3. Marca el archivo que vayas a importar
4. Haz dos clicks o un click en Open


11
Uso de Minitab: Una Sesin Tpica
Pega los datos de Excel
1.En Excel:
Marca los datos (Y nombres de columnas) que se vayan
a copiar con tu Mouse

2.Copia los Datos en el Clipboard de Windows
Edit > Copy (o CTRL-C en tu Teclado)

3.Ve a Minitab:
ALT > Tab

4. Coloca el Cursor donde quieres meter los datos
Ve el ejemplo de abajo

5. Ve al Men Edit:
Edit > Paste/Insert Cells (o Ctrl-V en el teclado)
Punto de insercin
con ttulos
12
Uso de Minitab: Una Sesin Tpica
Oficina de ventas Ingreso Mes
Central 387,980 Enero
Central 45,700 Febrero
Central 456,789 Marzo
Central 349,050 Abril
Suroeste 578,990 Enero
Suroeste 600,987 Febrero
Suroeste 456,789 Marzo
Suroeste 456,798 Abril
Noreste 435,800 Enero
Noreste 542,700 Febrero
Noreste 345,988 Marzo
Noreste 564,050 Abril
Sureste 497,050 Enero
Sureste 827,900 Febrero
Sureste 456,789 Marzo
Sureste 687,050 Abril
Noroeste 613,242 Enero
Noroeste 61,689 Febrero
Noroeste 456,789 Marzo
Noroeste 434,567 Abril
El mejor formato para
el anlisis de datos en
Minitab es con
columnas variables.
Oficina de
Ventas

Enero

Febrero

Marzo

Abril
Central

387,980

45,700

456,789

349,050

Suroeste

578,990

600,987

456,789

456,798

Noreste

435.800

542,700

345,988

564,050

Sureste

497,050

827,900

456,789

687,050

Noroeste

613,242

61,689

456,789

434,567

Consejos para Importar Datos a Minitab
Tablas vs. Columnas
13
Uso de Minitab: Una Sesin Tpica
Consejos para Importar Datos a Minitab



Oficina de
Ventas

Enero

Febrero

Marzo


Abril











Central

$387,980

$45,700

$456,789

$349,050










Suroeste

$578,990

$600,987

$456,789

$456,798










Noreste

$435.800

$542,700

$345,988

$564,050










Sureste

$497,050

$827,900

$456,789

$687,050










Noroeste

$613,242

$61,689

$456,789

$434,567










Total

$2,513,062.00

$2,078,976.00

$2,173,144.00

$2,318,658.00



Ventas 1999
Cul es el problema con el formato de estos datos
hablando de su adecuacin para su uso en Minitab?
14
Sales
Office January February March April
Central 387,980 45,700 456,789 349,050
Southwest 578,990 600,987 456,789 456,798
Northeast 435,800 542,700 345,988 564,050
Southeast 497,050 827,900 456,789 687,050
Northwest 613,242 61,689 456,789 434,567
Sales Office Revenue Month
Central 387,980 January
Central 45,700 February
Central 456,789 March
Central 349,050 April
Southwest 578,990 January
Southwest 600,987 February
Southwest 456,789 March
Southwest 456,798 April
Northeast 435,800 January
Northeast 542,700 February
Northeast 345,988 March
Northeast 564,050 April
Southeast 497,050 January
Southeast 827,900 February
Southeast 456,789 March
Southeast 687,050 April
Northwest 613,242 January
Northwest 61,689 February
Northwest 456,789 March
Northwest 434,567 April
Consejos para Importar Datos a Minitab
Uso de Minitab: Una Sesin Tpica
15
Uso del Minitab: Una Sesin Tpica
Men Calc->Column Statistics
16
Uso del Minitab: Una Sesin Tpica
Captura los parmetros en la caja de dilogo
17
Uso del Minitab: Una Sesin Tpica
Ver los resultados en la ventana de sesin o grficas
18
Uso del Minitab: Una Sesin Tpica
Copiar los resultados en otra aplicacin

Copiado de grficas:
1. Asegura que la ventana de grficas est activa en Minitab.
2. Haz click en el botn derecho del mouse y selecciona Copy Graph.
3. Abre la aplicacin en la que quieres copiar la grfica o tabla, por
ejemplo, Microsoft Word.
4. Pega la grfica utilizando la funcin Paste de la barra de
herramientas o Ctrl-V.

Copiado de los resultados de la ventana de sesin:
1. Resalta las lneas de texto que quieres copiar.
2. Usa el botn derecho del mouse para copiar el texto.
3. Abre la aplicacin en la que quieres copiar el texto.
4. Pega el texto utilizando la funcin Paste de la barra de herramientas
o Ctrl-V.


19
Uso del Minitab: Una Sesin Tpica
Imprimir y Salvar
20
Contenido detallado Da 2
Introduccin a Minitab
Conceptos de Estadstica para Six Sigma
Conceptos de alta madurez
Conceptos y herramientas para la administracin cuantitativa
21
ESTADISTICA PARA SIX SIGMA
22
Qu es estadstica?
La palabra estadstica, tiene sus orgenes en la palabra
Estado. Los romanos la utilizaban para nombrar los
conteos que realizaban para sus censos de poblacin.

Bsicamente la estadstica es una rama de las
matemticas encargada de la organizacin y anlisis de
datos para el entendimiento de grupos y poblaciones.
23
Estadstica Bsica
Diferentes tipos de datos, requieren diferente tipo de anlisis.
Debido a esto necesitamos identificar que tipo de datos
estamos manejando:
DATOS DISCRETOS - Los datos son discretos
(contados). Resultan del uso de gages pasa/no
pasa, o de la inspeccin de defectos visuales,
problemas visuales, partes faltantes, o de
decisiones pasa/falla o s/no.

DATOS CONTINUOS - Los datos son continuos
(medidos). Resultan de la medicin real de una
caracterstica tal como la impedancia del
embobinado de un motor, fuerza de tensin del
acero, dimetro de un tubo, flujo de una bomba,
tiempo, dinero, etc.

24
- DATOS DISCRETOS (Datos de conteo)
(#1) Nmero de partes en una categora (Proporciones
basadas en conteo)
Aguila/Sol (ej., contar el # de guilas y el # de soles)
Si/No (Forma para ordenar llenada exactamente o no)
Pasa/Falla; Bueno/Malo (Cobro exacto/Cobro exagerado)
(#2) Cantidad de veces de un evento discreto
# de raspones en el cofre de un auto
# de errores en una forma
# roturas de aislante en un rollo de alambre
# de veces que un cliente cuelga sin recibir respuesta
- DATOS CONTINUOS (Escala de medicin continua)
(#3) Datos continuos
> Las subdivisiones decimales son significativas
Ej: Tiempo de contestar el telfono ( # exacto de segundos por
llamada)
Estadstica Bsica
25
Ejercicio: Qu Tipo de Dato es?
(1) Porcentaje de solicitudes defectuosas llenadas cada hora
(2) Porcentaje de contenido de crema en botellas de leche
(contenedor de cuatro botellas)
(3) Tiempo de respuesta a un pedido
(4) Nmero de campos errneos en una factura
(5) Tiempo de entrega de plsticos a clientes
(6) Nmero de pasas en una caja de Raisin Bran
(7) Nmero de cruceros reservados y no pagados por mes.
(8) Calificacin de la evaluacin de satisfaccin de servicio evaluado
por el cliente
(9) Nmero de errores en una orden de compra
Instrucciones: Para cada una de las siguientes aplicaciones, identifica el tipo de
datos que estaras investigando (Discretos Datos Continuos).
... Y EXPLICA TU RESPUESTA
26
Qu es la variacin?
En todo proceso existe variacin.
La variacin es la cantidad de dispersin o propagacin de los
datos.
Permite identificar qu tan balanceado est un grupo de
datos.
Hora de Entrada
27
Variacin - Qu es?
28
Uso de los Datos para Entender la
Variacin
M
e
d
i
c
i

n

Tiempo
F
r
e
c
u
e
n
c
i
a

Medicin
Histograma
Grfica
Estudia la Variacin Durante un
Periodo
Estudia la Variacin Conforme Pasa el
Tiempo
Histograma
Grfica de
Caja
Grfica de
Barras
Grfica de Pay
Grfica
Tendencia
Grfica de
Control
Grficas de
Control
Grfica de
tendencia
Para Datos
Continuos
Para Datos
Discretos
Para Datos
Continuos
Para Datos
Discretos
29
3'
4'
5'
6'
2'
1'
0'
La variacin es comn
en un proceso natural...
30
6

5

Mximo
Mnimo
Promedio
Edad
Distribucin normal
Curva en forma de campana
Mida una caracterstica de
una poblacin y
Podemos tratar de entenderla ...
Y reducirla a un nivel aceptable...
dimetro
No podemos eliminar
toda la variacin, pero ...
Objetivo
Mayor
Tolerancia
Menor
Tolerancia
dimetro
Mayor
Tolerancia
Menor
Tolerancia
Objetivo
32
Caracterstica
de
producto
u otro
resultado
Variacin!
Por qu varan los resultados?
variacin
variacin
variacin
variacin
variacin
variacin
Mquinas Material Mtodos
Mediciones Media
Mano obra
6 M
33
Dos Tipos de Variacin
Causa Comn
Causa Especial
Tipo de
Variacin
Characteristics
Siempre Presente
Esperado
Predecible
Normal
No Siempre
Presente
Inesperada
Impredecible
No Normal
Caractersticas
Causas Comunes Versus Especiales
34
Descripcin de la Variacin Durante
un Perodo: Distribuciones de Datos
Preguntas Clave:
Cul es la forma de la distribucin - simtrica,
asimtrico, forma en cascada, picos gemelos, plana?
Cul es la tendencia central (Centro o Promedio)
de la distribucin?
Cul es la variacin (Diferencial) de la distribucin
amplia o angosta?

Forma
Centro
Dispersin
35
Analizando la Forma de los datos
La forma es el patrn de distribucin que muestran los datos.
Evala la forma utilizando un histograma, o de manera ms
precisa con una Grfica Normal de Probabilidad.

12 13 14 15 16 17 18 19
0
1
2
3
4
5
6
7
F
r
e
c
u
e
n
c
i
a

Distribucin Casi Normal
7 9 11 13 15 17 19 21 23
0
1
2
3
4
5
6
F
r
e
c
u
e
n
c
i
a

Distribucin Bimodal
0 10 20 30 40 50 60 70 80 90
0
10
20
Distribucin Sesgada
F
r
e
c
u
e
n
c
i
a



36
La Curva Normal
Es Normal la Distribucin de Datos?







Caractersticas:
Tericamente la curva no llega a cero
La curva puede dividirse a la mitad con piezas iguales en
cualquiera de los lados del valor que se presente con mayor
frecuencia
El pico de la curva representa el centro del proceso
El rea debajo de la curva representa virtualmente 100% del
producto que puede generar el proceso

Definition:
A Probability Distribution Where The Most Frequently Occurring Value Is In The
Middle And Other Probabilities Tail Off Symmetrically In Both Directions
Characteristics:

Curve Theoretically Does Not Reach Zero

Curve Can Be Divided In Half With Equal Pieces Falling Either Side Of The Most
Frequently Occurring Value

The Peak Of The Curve Represents The Center Of The Process

The Area Under The Curve Represents Virtually 100% Of The Product The
Process Is Capable Of Producing
37
La Curva Normal (Contina)
-3s -2s -1s X +1s +2s +3s
68.26%
95.46%
99.73%
68.26% Cae en +\- 1 Desviacin Estndar
95.46% Cae en +/ - 2 Desviacin Estndar
99.73% Cae en +/ - 3 Desviacin Estndar
34.13% 34.13%
13.60% 13.60%
2.14% 2.14%
0.13% 0.13%
38
Grfica Normal de Probabilidad
Descripcin Alternativa de la Forma
Average: 16.3921
StDev: 5.61675
N: 240
Anderson-Darling Normality Test
A-Squared: 0.208
P-Value: 0.864
2 12 22 32
.001
.01
.05
.20
.50
.80
.95
.99
.999
P
r
o
b
a
b
i
l
i
d
a
d

Cycle Time
Normal Probability Plot
39
Grfica Normal de Probabilidad (Contina)
Normal
12 13 14 15 16 17 18 19
0
1
2
3
4
5
6
7
F
r
e
q
u
e
n
c
y

Distribucin Casi Normal
P
e
r
c
e
n
t

Grfica Normal de Probabilidad para una
Distribucin Normal

ML Estimates
Mean:
StDev:
Tipo de Distribucin:
Lnea Recta
Cmo se ve la distribucin en la Curva
de Normalidad:
40
Grfica Normal de Probabilidad (Contina)
Curva Bimodal
7 9 11 13 15 17 19 21 23
0
1
2
3
4
5
6
Distribucin Bimodal
0 10 20 30
1
5
10
20
30
40
50
60
70
80
90
95
99
P
e
r
c
e
n
t

Grfica Normal de Probabilidad para
una Distribucin Bimodal
ML Estimates
Mean:
StDev:
14.6382
5.47084
Tipo de Distribucin:
Zig-zag
Cmo se ve la distribucin en la Curva
de Normalidad:
41
Grfica Normal de Probabilidad (Contina)
Sesgada
0 10 20 30 40 50 60 70 80
0
10
20
Distribucin Sesgada
F
r
e
q
u
e
n
c
y

P
e
r
c
e
n
t

Grfica Normal de Probabilidad para una
Distribucin Sesgada
ML Estimates
Mean:
StDev:
15.0790
12.6232
Tipo de Distribucin:
Dos lneas
(Operaciones Estables)
Cmo se ve la distribucin en la Curva
de Normalidad:
42
Grfica Normal de Probabilidad (Contina)
Cola Larga
P
e
r
c
e
n
t

Grfica Normal de Probabilidad para
una Distribucin de Cola Larga
0 10 20 30
1
5
10
20
30
40
50
60
70
80
90
95
99
7 9 11 13 15 17 19 21 23
0
1
2
3
4
5
6
Distribucin de Cola Larga
Tipo de Distribucin:
Curva S
Cmo se ve la distribucin en la Curva de
Normalidad:
43
Histograma para validar la Forma

Abrir archivo Hire_time.mtw
Graph > Histogram
Aparecer la siguiente pantalla.
Seleccione Tiempo de ciclo dndole doble-click o
sombrendola y darle click al botn Select.
Tiempo de ciclo
F
r
e
q
u
e
n
c
y
32 28 24 20 16 12 8 4
40
30
20
10
0
Histogram of Tiempo de ciclo
44
Evaluacin de Normalidad

Stat > Basic Statistics >
Normality Test
Aparecer la siguiente pantalla.
Seleccione Tiempo de Ciclo
dndole doble-click o
sombrendola y darle click al
botn Select.

Datos Normales si P-Value > 0.05
Tiempo de ciclo
P
e
r
c
e
n
t
35 30 25 20 15 10 5 0
99.9
99
95
90
80
70
60
50
40
30
20
10
5
1
0.1
Mean
0.864
16.39
StDev 5.617
N 240
AD 0.208
P-Value
Probability Plot of Tiempo de ciclo
Normal
45
Estadsticas Descriptivas:
Representa el valor nominal del proceso.

Media ( )


Mediana (Punto de datos enmedio)



Valores cuartiles (Q1, Q3)

Centro O Tendencia Central
x
Q1 Q3
Distribucin
Normal
Distribucin de
Cola Larga
Distribuciones
Sesgadas
X
46
Centro o Tendencia Central (Contina)
La Media, o promedio es el valor ms probable o esperado. La frmula de
la media es:



La Mediana es literalmente el centro del conjunto de datos donde 50% de
estos son mayores a la mediana y 50% son menores.
El procedimiento para calcular la mediana es:
Ordena los nmeros del ms pequeo al ms grande
Si el nmero de valores (N) es non, la mediana es el valor medio. Por ejemplo,
si los valores ordenados son 3, 4, 6, 9, 20, la mediana es 6.
Si el nmero de valores (N) es par, la mediana es el promedio de dos valores
medios. Por ejemplo, si los valores ordenados son 1,5,8,9,12,18, la mediana es
8.5.
Para datos muy sesgados, podemos describir la tendencia central en
trminos de valores cuartiles, Q1 Q3.
Q1 es el punto de datos que divide al 25% ms bajo del conjunto de
datos del 75% restante y se utiliza para describir el desempeo
cuando los datos se inclinan hacia la derecha.
Q3 es el punto de datos que divide al 25% ms alto del conjunto de
datos del restante 75% y se utiliza para describir el desempeo
cuando los datos se inclinan hacia la izquierda.
1. La suma de todos los
valores de datos
2. Divide entre el nmero de
valores de datos
n
X
X
i
=
47
Variacin
Representa la variacin del proceso


Desviacin Estndar (s)



Span



Factor de Estabilidad
(SF) = Q1/Q3

Q1
s
Q1 Q3 Q3
Distribucin Normal
Distribucin de
Cola Larga
Distribuciones
Sesgadas
x=.05 x=.95
48
Variacin (-2)
Distribuciones Normales:
La desviacin estndar es la distancia promedio o
desviacin a la que est un punto dado de la media. La
frmula de la desviacin estndar es:
B- calcula el
cuadrado de
cada
diferencia
A- Resta cada
valor de datos
de la media
D- divide entre 1 menos el nmero
de valores de datos
E- saca la raz
cuadrada del
resultado
X
i
-X
X
i
X
1 n
) X X (
2
i

49
Variacin (-3)
Distribuciones Sesgadas u Operaciones Estables:
El factor de estabilidad (SF) es la razn de los valores del primer y tercer
cuartiles. La frmula del Factor de Estabilidad es:
SF = Q1/Q3
En general, el factor de estabilidad se interpreta de tal forma que el SF ms
cercano es a uno, mientras menos variacin haya en el proceso y mientras ms
cerca est SF al 0, mayor variacin habr en el proceso.
0 Ms Variacin Menos Variacin 1
Q1 Q3
Q1 Q3
Q1
Q3
0
Ms
Variacin
Q1
Q3
1
Menos
Variacin
50
Variacin (-4)
Distribuciones de Cola Larga:
Se usa Span para indicar la cantidad de variacin en una distribucin
de cola larga. Es la distancia entre los dos extremos de los conjuntos
de datos. Por ejemplo, en el span de entrega al cliente, es el nmero
de das la entre ms temprana y ms tarda. Como no queremos el
span con slo uno o dos puntos de datos, generalmente usamos P95 y
P5 (Aunque esto cambia dependiendo del tamao de la muestra) El
span es el nmero de puntos de datos entre P95 y P5.
Los lineamientos de qu span utilizar varan con el tamao de la
muestra:
51
Tamao Muestra Span
100-500 90%-10%
501-2000 95%-5%
2001-5000 97%-2%
5001+ 99%-1%
Las Ecuaciones Computacionales
Media de la Poblacin


Varianza de la
Poblacin


Desviacin Estndar
de la Poblacin


Media de la Muestra


Varianza de la Muestra

Desviacin Estndar
de la Muestra



=
=

X
N
i
i
N
1
( )
o

X
N
i
i
N
2
1
( )
o

2
2
1
=

X
N
i
i
N
= =
=

X
X
n
i
i
n
1
( )
o = =


=

s
X X
n
i
i
n
2
1
1
( )
o
2 2
2
1
1
= =


=

s
X X
n
i
i
n
.
.
.
52
Anlisis de Estadstica bsica
53
Abrir el archivo hire_file.mtw
Ejecutar el men Stat->basic statistics -> Display Descriptive
Statistics
Seleccionar la columna tiempo de ciclo
En el boton Graph seleccionar histograma
Qu pasa si los datos no
son normales?
54
Resumen de Estadsticas Descriptivas
normal
sesgada
cola larga
Cuartil
Q1 Q3
Desviacin(es)
Estndar(es)
Factor de
Estabilidad
(SF)
Span
bimodal
Grfica de Normal de Probabilidad para una
Distribucin Normal
P
o
r
c
e
n
t
a
j
e
ML Estimates
Mean:
StDev:
15.7224
1.74183
Normal Probability Plot for an Exponential Distribution
P
e
r
c
e
n
t

ML Estimates
Mean:
StDev:
15.0790
12.6232
Normal Probability Plot for a Long-Tailed Distribution
Normal Probability Plot for a Bimodal Distribution
0 10 20 30
1
5
10
20
30
40
50
60
70
80
90
95
99
P
e
r
c
e
n
t

ML Estimates
Mean:
StDev:
14.6382
5.47084
0 10 20 30
1
5
10
20
30
40
50
60
70
80
90
95
99
P
e
r
c
e
n
t

ML Estimates
Mean:
StDev:
14.6382
5.47084
Se tienen que estratificar los
diferentes procesos antes de poder
calcular las estadsticas.
Media
( ) X
Mediana ( ) X
~
Forma
Grfica de
Normalidad
Centro
(Tendencia central)
Dispersin
(Variacin)
55
Si no son normales
Se pueden normalizar los datos para poderlos analizar.

Se pueden analizar con pruebas no-paramtricas


Convertir a datos discretos

56
Estudio de un Caso de Tiempo de Ciclo de
Reclutamiento
Ests trabajando en un proyecto para reducir el tiempo de ciclo para llenar los
puestos temporales en el departamento de TI en la empresa. Actualmente trabajas
con una agencia que busca y encuentra contratistas temporales para ocupar los
puestos que solicite el departamento de IT. El estndar de desempeo de tiempo
de ciclo para llenar este puesto es de 20 das (Hbiles) mximo. Este tiempo se
midi desde el momento en que la agencia recibe la solicitud hasta el momento en
que se llena el puesto.

Ya terminaste la fase de Definir y Medir. En la fase de Medicin, recopilaste datos
sobre el tiempo de ciclo de una serie de puestos que se han ocupado en los ltimos
6 meses.

Los datos estn en el archivo hire_time.mtw. Las etiquetas de la columna son
las siguientes:
Campos:
Aos de experiencia, Agente, Sitio, Tipo de recurso, Tiempo de ciclo
57
Estudio de un Caso de Tiempo de Ciclo de
Reclutamiento
Forma
Que distribucin tienen los datos? (Tcnicas que me pueden ayudar a saber)
Normal __ Bimodal __ Ops Estables __ Cola larga __

Tendencia Central
Identificar la Media: __

Identificar la Mediana: __

Dispersin
Identificar la desviacin estndar: __




58
SPC fue desarrollado por Walter A Shewart en 1920.
Qu es SPC?
Statistical Process Control (SPC) es un mtodo para definir
lmites operacionales en los datos de un proceso con
variacin aceptable, y examina el desempeo del proceso en
trminos estadsticos
59
CMMI y SPC
El control estadstico aplicado a software implica:
Identificar los procesos clave para el negocio
Identificar la manera en que esos procesos se han comportado
histricamente a nivel:
Organizacin
Proyectos
Controlar estadsticamente la manera en que esos procesos se
comportan
Mejorar continuamente la forma en que los procesos se
comportan
El CMMI establece las bases para aplicar SPC a los proyectos
de software en los Niveles 4 y 5
60
Conceptos de SPC
Un de las herramientas que mas apoyan al control estadstico
de un proceso son los grficos de control.






Lmites de control (o naturales) son lmites calculables con
base en los datos recolectados.
Representa la amplitud en donde han variado los datos y se
espera que varen los datos futuros.
Comnmente se identifica a un punto que est fuera de los
lmites de control como Causa Especial (pero existen otros 7
tipos ms)
61
Conceptos de SPC
SPC busca describir el proceso bajo anlisis utilizando
Forma
Centrado
Dispersin
Identificacin de causas especiales (reactivo)
Prediccin (proactivo)
62
Conceptos SPC
De acuerdo a SPC, tambin se analiza el comportamiento del
proceso contra la voz del cliente.
Quiero mi carro a mas tardar en 10 das.
Quiero mi software con cero defectos.
Esta voz del cliente se identifica con los lmites de
especificacin:
USL (LSE) = Lmite de Especificacin Superior
LSL (LIE) = Lmite de Especificacin Inferior
Origen:
BSC
Benchmark
Encuestas
Requerimientos
63
SPC y SixSigma
Six Sigma es una metodologa holstica.
Six Sigma utiliza SPC.

Six Sigma se asimila con las navajas suizas:
Usemos lo
mnimo
indispensable
64
Contenido detallado Da 2
Introduccin a Minitab
Conceptos de Estadstica para Six Sigma
Conceptos de alta madurez
Conceptos y herramientas para la administracin cuantitativa
65
Conceptos de alta
madurez
66









OPP
QPM
Sin embargo el fundamento es
Medicin y Anlisis






DEFINIDO
IPM
OPD
OPF
ADMINISTRADO
PP PMC
MA
ADMINISTRADO
CUANTITATIVAMENTE
67
Una mirada cercana a la evolucin de
MA
Nivel 1 Inicial
Nivel 2 Administrado
Nivel 3 Definido
Nivel 4 Administrado
cuantitativamente
Nivel 5
Optimizado
M
&
A

68
Desempeo del Proceso
Desempeo del proceso
Se refiere a medir el resultado obtenido al seguir un proceso
a travs de:

El desempeo incluye el proceso y la calidad del producto
Mediciones del proceso
Ejem.

(Esfuerzo, tiempo del ciclo, efectividad de
remocin de defectos)
Mediciones del producto
Ejem.

(Densidad de defectos, capacidad, tiempo
de respuesta)
69
Niveles de entendimiento
Organizacin
(OPP)
Proyectos
(QPM)
Conjunta la
informacin de los
diferentes proyectos y
la clasifica, analiza y
controla de manera
estadstica, para lograr
ciertos objetivos
Revisa la informacin
del proyecto y lo
administra de acuerdo
a sta para lograr los
objetivos a nivel de
proyecto
Nivel 1 Inicial
Nivel 2 Administrado
Nivel 3 Definido
Nivel 4 Administrado
cuantitativamente
Anlisis predictivo
70
Variacin del proceso
Todos los procesos tienen variaciones
en sus resultados
Entender la variacin es la base para
la administracin cuantitativa
(entender el pasado, controlar el
presente, predecir el futuro)
Debemos entender el comportamiento
real de los procesos, antes de hacer
conclusiones sobre el desempeo de
los productos o servicios

Cul es la variacin inherente
al proceso? Causas comunes
Cul es la variacin anormal
del proceso? Causas especiales
Qu diferencia hay entre ambas?
La variacin es la que caracteriza
a un proceso:


Inestable



Estable



Capaz
71
Proceso inestable
El proceso cambia continuamente
La variacin se incrementa y decrece
sin tendencia aparente.
El promedio cambia continuamente
No todas las mediciones tienen la
misma dispersin, ni los mismos
lmites
72
Proceso estable
El proceso mantiene los
mismos lmites y la media
La variacin est controlada
Se tiene un desempeo ms
predecible
La voz del proceso est determinado
por los histricos.
Existen pruebas estadsticas que
permiten validar la estabilidad.
(ANOVA ANOM)
73
Proceso capaz
El proceso siempre cae dentro de
los lmites especificados
Todas las causas especiales han
sido removidas
Proceso capaz = Proceso estable
+ su desempeo est dentro de los
lmites de especificacin
x
UCL
LCL
USL
LSL
---- Voz del cliente
---- Voz del proceso
X + 3
X - 3
74
Proceso capaz (-2)
Quien define los lmites de especificacin?
El cliente del proceso
UCL
LCL
USL LSL
---- Voz del cliente
En trminos de la mtrica relacionada.
Lmites de especificacin alcanzables.
Lmites de especificacin negociables.
Puede existir solo uno de los dos o ambos lmites.
Ejemplos:
tu crdito en 5 minutos o menos
Si no llega en 15 minutos es gratis
Le entregamos su auto de 8 a 10 das
Resolvemos al menos el 95% de sus
problemas en tiempo
75
Proceso capaz (-3)
Qu grficos me permiten conocer la voz del proceso?
Control Charts
ImR ( X bar & R) Control Chart
c Control Chart (Datos Discretos, defectos)
u Control Chart (Datos Discretos, defectos por unidad)
p Control Chart (Datos Discretos, fraccin rechazada)
np Control Chart (Datos Discretos, artculos defectuosos)
Nota: Ver documento digital control charts.pdf para mayor detalle
en el tema y referencias.
Ejemplo: Graficar un IMR con el archivo Hire_time.mtw
Stat -> Control Charts > Variables Charts for Individuals -> I-MR
76
Capacidad del proceso, causas
comunes y especiales
Causa Especial de
Variacin

Causas Comunes de
Variacin

Variacin

Capacidad del
Proceso: Rango de
resultados esperados
que pueden ser
logrados al seguir un
proceso

Causas especiales de
variacin: Causa o
defecto especfico por
alguna circunstancia que no
forma parte inherente del
proceso

Causas comunes
de variacin:
Fuente de variacin
que es normal y
esperada
77
Capacidad del proceso, causas
comunes y especiales
TIPS
En la realidad no existe un proceso con cero causas especiales
Una proporcin aproximadamente adecuada de causas
especiales est en un 0% a 15%
Si la empresa (proyectos) se dedica solo a eliminar causas
especiales no existe estabilidad y por lo tanto no existe
madurez.
Con base en lo anterior:
Toda innovacin (OPM) pierde relevancia para nivel 5
Todo anlisis causal (CAR) pierde relevancia para nivel 5.
Por lo tanto el no tener estabilidad elimina por default el nivel 5
78
Procesos controlados y administrados
Se analizan causas comunes y
especiales de variacin y se vigila
que se mantengan dentro de los
lmites del proceso.
Proceso
controlado
estadsticamente
Se identifican causas comunes y
especiales de variacin dentro del
desempeo del proceso para tomar
acciones preventivas y correctivas.
Proceso
administrado
estadsticamente
Rango de variacin que ocurre
normalmente en el proceso.
Lmites naturales
= Voz del
proceso
N4
79
Optimizacin del proceso
Es un proceso administrado cuantitativamente
que es mejorado basado en el entendimiento de
las causas comunes de variacin inherentes al
mismo. Su enfoque es continuamente mejorar
el rango del desempeo, haciendo mejoras
incrementales e innovadoras.
Proceso
optimizado
N5
80
Modelos de desempeo
Son usados para estimar (predecir) los valores de medicin
del proceso/sub-proceso a partir de sus valores histricos, los
de otros procesos relacionados y de factores ajustables.
Representan la forma en que los factores de entrada afectan a
la salida. Por ejemplo:
Salida : Nm de defectos en produccin
Factores: Defectos en pruebas, defectos en cdigo, defectos de
anlisis y diseo
Matemticamente se expresa:

Y = F(X
1
, X
2
,.., X
n
)
81
Contenido detallado Da 2
Introduccin a Minitab
Conceptos de Estadstica para Six Sigma
Conceptos de alta madurez
Conceptos y herramientas para la administracin cuantitativa
82
Conceptos y herramientas
para la administracin
cuantitativa
83
reas de proceso de Nivel 4
OPP
QPM
Administraci
n
de proyectos
Ingeniera
Soporte
Administracin
de
procesos
84
OPP: Desempeo del proceso
organizacional
OPP Organizational Process Performance
Establecer y mantener un entendimiento
cuantitativo del desempeo del proceso
estndar de la organizacin, como soporte
a los objetivos de calidad y de desempeo
del proceso; as como proveer informacin
del desempeo de los procesos, lneas
base y modelos para administrar
cuantitativamente los proyectos de la
organizacin.

OPP
Administracin
de
procesos
85
Recordando: Metas y prcticas especficas
Seleccionar los
procesos
Establecer las mtricas
de desempeo del
proceso
Establecer lneas
base y modelos
de desempeo

Establecer los objetivos
de calidad y
desempeo del proceso

Establecer las lneas
base de desempeo del
proceso
Establecer modelos de
desempeo del proceso
86
Recordando: Quin debe utilizarlo?
OPP se controla y administra a nivel organizacional y los
proyectos consumen los resultados de l.

Establece las lneas base de desempeo



Establece los modelos de desempeo
87
Recordando: Pre-requisitos
Debido a que OPP controla el desempeo histrico de la
organizacin (datos de proyectos) es crtico contar con:

Histricos. No solo datos sino un sistema de medicin estable.
Estabilidad.
Objetivos de medicin (basados en los objetivos de negocio)

En resumen:
Madurez (dada por el tiempo y al igual que la calidad no se
alcanza, se mantiene)
Cultura de medicin
88
Debido a que no es posible, til o econmicamente justificable
el aplicar una administracin cuantitativa a todos los procesos
y subprocesos de la organizacin, se hace una seleccin
basada en los objetivos de negocio crticos de la
organizacin de aquellos procesos y subprocesos que ayuden
a lograr esos objetivos.
Seleccionar los subprocesos a controlar
89
Tomar en cuenta un criterio de seleccin de estos subprocesos,
y armar un plan para su ejecucin, en dnde se identifiquen los
procesos y subproceso a ser analizados.

Ejemplos de criterios de seleccin:
La relacin que existe entre los subprocesos y los objetivos de
negocio (mapa de procesos vs objetivos, rbol Y-to- X, rutas
estratgicas de BSC)
Disponibilidad de valores histricos e informacin relevante de los
subprocesos
El grado actual de variabilidad de los datos
Estabilidad de los procesos
La disponibilidad de informacin para
construir los modelos

Seleccionar los subprocesos
90
Seleccionar los subprocesos
Arbol (Y to x)
Y
y
y y
y
y y
y
y
Y
y
y y
y
y y
y
y
X
x
x x
x
x x
x
x
X
x
x x
x
x x
x
x
Fuente: CMMI & Six Sigma
Objetivos de negocio de Alto nivel
(p.e. BSC)
Objetivos subordinados
(p.e. % performance, GP,
Cuotas de vta, entre otros)
Procesos de Alto nivel
Procesos/ sub-procesos
subordinados
(p.e. un proceso vital = que sea
el factor que influya en la salida
de un proceso)
91
Ojo: muchos SLA son particularmente crticos en la
identificacin de los procesos Y subprocesos a administrar
estadsticamente por la organizacin evaluada.
La seleccin de procesos y subprocesos no significa identificar
de que proceso est relacionada la mtrica.
La identificacin de los subprocesos est relacionada con la
relacin cuantitativa Y = F(X1, X2, .. , Xn)
Algunas herramientas para identificar los subprocesos son:
ANOVA (ANalysis Of VAriances)
Regression (Regresiones)
Seleccionar los procesos a controlar
TIPs
92
Ejemplo 1: Identificacin subprocesos
Herramienta ANOVA:
(herramienta para el diseo de experimentos).
Abrir archivo subproc_id.mtw
Correr la prueba de normalidad stat->basic statistics ->
normality test solo para verificar que son datos normales.
Correr el men Stat -> ANOVA -> one way
Response = tiempo de inspeccin
Factor = tipo de inspeccin
Boton GRAPHS seleccionar BoxPlots of data


Regla: Si p-value > 0.05 los datos de los diferentes factores no son diferentes
estadsticamente, de lo contrario si p-value< 0.05 existe diferencia estadstica y por lo tanto
existen sub-procesos que tienen aportacin estadstica.
93
PP
SP 1.2
Ejemplo 2: Identificacin subprocesos
Herramienta Regression:
(herramienta para el diseo de experimentos).
Abrir archivo subproc2_id.mtw
Correr el men Stat -> Regression -> Fitted Line Plot
Y = hrs inspeccin
X = tipo de inspeccin
94
PP
SP 1.2
Ejemplo 2: Identificacin subprocesos
Regla: Si p-value > 0.05 el factor no es estadsticamente representativo en la relacin Y
=F(X), de lo contrario si p-value< 0.05 existe una relacin estadstica y por lo tanto X es un
factor crtico (sub-procesos) que tiene aportacin estadstica sobre Y.
95
Ejemplo 2: Identificacin subprocesos
Regla: R-Sq indica que tan representativo es el factor X para explicar los resultados de Y. Si
es 100% es muy representativo, si es <30%, entonces X no es significativamente
representativo.
96
Es la evolucin de las definiciones operacionales de MA.



Se clarifican las herramientas/scope para las mtricas N4
(ojo: no todas las mtricas/proyectos de la organizacin necesitan el
mismo nivel de mtricas).





Se ajusta la periodicidad y los responsables.
Establecer mediciones de desempeo del
proceso
97
Madurez!
Mtricas
N3 N4
BSC
Estos objetivos deben considerar los siguientes atributos:

Basados en los objetivos de negocio de la organizacin
Basados en el desempeo pasado de los proyectos
Definicin de objetivos de desempeo de procesos, en reas
como calidad, productividad, ciclo de vida, tiempo de respuesta,
etc.
Variabilidad de los lmites naturales (proceso estadsticamente
estable)
Establecer objetivos de calidad y
desempeo del proceso
98
Revisar los objetivos de negocio
organizacionales relacionados a la calidad
y desempeo de procesos y definir sus
objetivos cuantitativos.

Priorizar los objetivos, revisarlos,
negociarlos y obtener su compromiso con
los involucrados.

Actualizar tanto los objetivos de negocio
como sus objetivos cuantitativos como sea
necesario. (trimestres, semestres,
anuales)
Tratamiento de los objetivos cuantitativos
99
Recolectar mediciones de los proyectos de la
organizacin y establecer una PPB de su recoleccin
y anlisis. El anlisis involucra analizar la distribucin
de los datos y rango de resultados que caracterice un
desempeo esperado.

Revisar las PPBs con los involucrados y obtener su
compromiso.

Publicar y hacer disponibles las PPBs a toda la
organizacin.

Comparar las PPBs contra los objetivos asociados y
actualizarlas como sea necesario.
Establecer lneas base de desempeo de
proceso
100
Lneas base de desempeo
Caracterizacin documentada de los
resultados actuales logrados por seguir
un proceso, que son usados como punto
de comparacin del desempeo actual
contra el desempeo esperado.
Lneas base de
desempeo de
procesos (PPBs)
Limite superior
Limite inferior
101
Establecer y mantener lneas base de desempeo de
proceso

Distribuciones, rangos y PPBs
Una distribucin y
rango de resultados
puede ser usada como
una LB
102
Consideraciones sobre las PPBs
Los PPBs o Process Performance Baselines
ejemplifican el desempeo de un proceso
particular (relacionado a los objetivos de calidad y
desempeo).

Los PPBs documentan los resultados histricos
del proceso.

Los PPBs sirven como punto de comparacin
contra el desempeo actual del proyecto.

Los resultados actuales del proyecto,
posteriormente formarn parte del histrico
contenido en los PPBs.
103
Ejercicio: PPBs

Abrir archivo Hire_time.mtw
Generar la estadstica bsica de la columna tiempo de ciclo
Cul es la forma de la distribucin mostrada en el histograma?
Cul es la media?
Cul es la desviacin estndar?
Generar el ImR de la columna tiempo de Ciclo
Analizar los resultados:
Es estable?
Tiene causas especiales?
Cul es la voz del proceso?

104
PP
SP 1.4
Ejercicio: PPBs
Ejercicio (cont.):

Capture los valores histricos del proceso:
Proceso Sub-proceso Nombre LCL CL UCL D.Std.
Contratacin 3 - Entrevista Tiempo de Ciclo
105
PP
SP 1.4
Ejercicio: PPBs
Qu sucede si la forma no es normal? (slide 55)

Si es sesgada:
Que valores podemos documentar?

Cmo lo Graficamos?


Si es de Cola larga:
Que valores podemos documentar?

Cmo lo Graficamos?

106
PP
SP 1.4
PPBs - Estratificacin
Separar los datos recolectados con base a caractersticas
lgicas para el negocio.
Ejemplo:
Estratificacin por ubicacin geogrfica
.. Por lnea de negocio
.. Por tecnologa
.. Por gerencia
.. Por severidad de defectos
.. Por Clasificacin de clientes
Signos para saber si es necesario estratificar:
Forma (bimodal, multimodal)

No existe reglas para la estratificacin, pero tener un
entendimiento del negocio ayuda a definir atributos que sirvan
para estratificar los datos posteriormente.
107
Indicadores de subprocesos/factores
Abril archivo estrat_time.mtw
Correr la prueba de normalidad sobre la columna datos
Stat -> Basic Statistics -> Normality Test
Analizar resultados.
PP
SP 1.4
108
Indicadores de subprocesos/factores
P-Value
< 0.05
Anlisis posteriores nos permitirn identificar si es necesario
estratificar por: Divisin, Gerencia, etc. (ANOVA, ANOM)
PP
SP 1.4
109
Capacidad Herramienta para
identificar la capacidad
Abrir el archivo hire_time.mtw
Seleccionar STAT -> Quality Tools -> Capability Analysis
Definir el USL a 20*
Analizar los resultados
110
PP
SP 1.4
Ejemplo de Flujo de proceso para
generacin de PPBs
Recolectar datos
Validar datos
Analizar datos
Definir Parmetros
de PPBs
Analizar la
capacidad
Validar Desempeo
Documentar
Objetivos
Grficos
PP
SP 1.4
111
Los modelos son utilizados a nivel de la organizacin
y a nivel de los proyectos:
A nivel de la organizacin para:
Estimar, analizar y proyectar el desempeo del
proceso asociados a los procesos de la organizacin
Evaluar el potencial retorno de inversin de las
actividades de mejora de los procesos

A nivel de los proyectos para:
Estimar, analizar y proyectar el desempeo del
proceso de sus procesos definidos para el proyecto
Para seleccionar los procesos o subprocesos que
utilizarn
Establecer modelos de desempeo (PPMs)
112
Establecer PPMs basados en el conjunto
de procesos de la organizacin y PPBs.

Calibrar PPMs basados en resultados
pasados y actuales de la organizacin.

Revisar los PPMs con los involucrados y
obtener su compromiso.

Dar soporte a los proyectos en el uso de
los PPMs y actualizar los modelos como
sea necesario.

Monitorear y calibrar los modelos
113
El fundamento de los modelos de
desempeo - PPM
Los modelos de desempeo describen
las relaciones entre los atributos del
proceso y sus productos de trabajo.

Los modelos estn basados en las PPBs.

Los modelos son utilizados para estimar
o predecir un valor crtico de los
proyectos, que no pueden ser medidos
solo hasta que el proyecto se encuentre
en etapas posteriores de su ciclo de
vida.
Using BSC to help achieve ML4, European SEPG, 2005
114
Uso de los modelos de desempeo
Principales usos
Los modelos de desempeo al representar una
relacin de causa-efecto pueden servir para:
Predecir el comportamiento de un proyecto/ calidad de
un producto, si se modifican ciertos factores

Proporcionan informacin sobre posibles resultados:
Para alcanzar ciertos objetivos
Ej: Tener una desviacin de no ms de 15% en
el proyecto
Para realizar una accin, si se tienen ciertos
resultados.
Ej. si en la fase de diseo tuve una desviacin
del 8%, es posible lograr el objetivo al final del
proyecto? Qu acciones debo tomar para
lograrlo?
115
Los PPMs como funcin matemtica -
Modelos Y = f(X1,X2,..,Xn) - (1)
Existen diferentes factores que influyen en los procesos
clave, y estos a su vez en el logro de los objetivos
relacionados:
Ejemplo: Estimaciones
Ciclo de vida (X1)
Duracin (das) (X2)
Nmero de productos a desarrollar (X3)
Tamao de los productos a desarrollar (X4)
Defectos estimados (X5)

Y = f(X1, X2, X3, X4, X5)



Y = Salida Xn = Entradas
116
De esta manera podemos llegar a generalizar nuestra
forma de estimar (proceso) como una funcin
matemtica del tipo:
Y = f(X1,X2,, Xn)
Donde:
Y = Resultado de un proyecto
Xi = Factores (controlables o incontrolables)
que afectan el resultado del proyecto

Entre ms factores tengamos, ms precisa ser nuestra
estimacin, pero ms complicada ser, por tanto slo
centrarnos en:
Los resultados (Ys) que ms beneficios traern a los
proyectos
Los factores (Xs) controlables
117
Los PPMs como funcin matemtica -
Modelos Y = f(X1,X2,..,Xn) - (2)
Tcnicas y Herramientas para la definicin
de modelos
Existen muchos mtodos para realizar un modelo:
Anlisis de varianza (ANOVA)
Regresin (lineal/logartmica)
Co-relacin
Anlisis de Chi-square

Existen herramientas que ayudan a simular el
comportamiento del modelo:
Montecarlo (ayuda a simular el comportamiento de los factores
relacionados)
Redes Bayesianas (ayuda a interpretar las relaciones entre factores)


118
PP
SP 1.5
Ejemplo 1: Identificacin de Factores
Crticos
Herramienta ANOVA:
(herramienta para el diseo de experimentos).
Abrir archivo subproc_id.mtw
Correr la prueba de normalidad stat->basic statistics ->
normality test solo para verificar que son datos normales.
Correr el men Stat -> ANOVA -> one way
Response = tiempo de inspeccin
Factor = tipo de inspeccin
Boton GRAPHS seleccionar BoxPlots of data


Regla: Si p-value > 0.05 los datos de los diferentes factores no son diferentes
estadsticamente, de lo contrario si p-value< 0.05 existe diferencia estadstica y por lo tanto
existen sub-procesos que tienen aportacin estadstica.
119
PP
SP 1.5
Ejemplo 1: Identificacin de Factores
Crticos
120
Factores
Crticos
Prediccin
CORRELACION
Ejemplo 2: Identificacin de Factores
Crticos
DOE (Diseo de Experimentos)

1. Diseos de Exploracin (elimina Xs no relevantes)
2. Diseos de Refinacin (generan modelos)
3. Diseos de Optimizacin (genera modelos exactos)
Y
X1 X2 X3
Xn
X1* X2
X2* X3

X1* X2* X3
Resultado
Factores
Interrelaciones

Otras Tcnicas para generar modelos
ms robustos
Uso de tcnicas de modelado de modelos de prediccin ms
avanzados:

Simulacin monte carlo
Modelado y simulacin de eventos discretos
Anlisis de serie
Bayesian Belief Network (BBNs)
Anlisis Weibull
Anlisis Rayleigh Curve
DMAIC*



122
PP
SP 1.5
Ejemplo - Simulacin del
comportamiento usando redes Bayesianas
Complejidad
# Componentes
Re-uso
Experiencia
Dominio
Tipo Asignacin
Tcnicos
Administracin
Organizacionales
Financieros
Re-trabajo
Comunic.
Ineficiente
Defectos
Cambios
Recursos
Ambiente
Infraestructura
Proyecto
exitoso
Tamao Productividad Riesgos Esfuerzo Costo Proyecto
123
PP
SP 1.5
Ejemplo - Simulaciones Monte Carlo
124
Factor A
Factor B
Factor C
Frmula de
Correlacin
LI LS
% CI
PP
SP 1.5
125
Herramienta Crystal Ball:
(herramienta para simulacin montecarlo).
Caso de anlisis: Estimacin de Costos de Proyectos
Abrir archivo de ejemplo: Monte Carlo - Project Cost
Estimation.xls
Analizar los componentes del modelo
Ejecutar simulacin por el instructor y analizar resultados.
Ejemplo - Simulacin usando Monte Carlo
PP
SP 1.5
Tips en la creacin de modelos
Identificar mas sub-procesos crticos
Identificar estratificaciones
No olvidar usar las PPBs (centro, tendencia, forma, tipo de
dato)
Los modelos deben de tener puntos intermedios.
Los modelos deben de considerar rangos de variacin en las
Xs y en la Ys
Los modelos deben de explicar el error de las Ys (si estamos
hablando de regresiones hablamos de la R-sqr)
Deben ser significativos para la toma de decisiones.

Actualizarlos peridicamente reflejando el nuevo PPB
permitiendo reducir el error.

126
QPM: Administracin Cuantitativa
del Proyecto
QPM

Administracin
de proyectos
QPM Quantitative Project Management
Administrar cuantitativamente el proceso
definido del proyecto para alcanzar los
objetivos de calidad y desempeo del
proceso establecidos para el mismo
127
Metas y prcticas especficas
Administrar
Cuantitativamente el
Proyecto
Establecer el proceso
definido
Seleccionar los
subprocesos que
sern administrados
estadsticamente
Administrar el
desempeo del
proyecto
Administrar
cuantitativamente el
desempeo de
subprocesos
Registrar informacin
para administracin
estadstica
Monitorear el
desempeo de los
subprocesos
seleccionados
Aplicar mtodos
estadsticos para
entender la variacin
Establecer los
objetivos del proyecto
Seleccionar mtricas
y tcnicas analticas
128
Quin debe utilizarlo?
Toda la organizacin. QPM no solo es aplicable para lderes
o gerentes, sino tambin para todos los que ejecuten los
procesos. Esto denota una EMPRESA MADURA.
129
Pre-requisitos para ejecutar QPM
Sub-procesos a administrar cuantitativamente
PPBs y PPMs estables y definidos
Repositorio organizacional de mediciones
Estimaciones confiables, es decir, que sean capaces de
predecir hasta cierto punto el cumplimiento de los
objetivos del proyecto.
Herramientas (hojas de clculo, formatos, herramientas
de software) para administrar cuantitativamente el
proyecto
Capacitacin en estadstica, para entender la naturaleza
de la variacin en el desempeo de los procesos,
interpretar graficas, elaborar pruebas de hiptesis y
entender el comportamiento de los procesos.
130
Qu involucra? (1)
Establecer y mantener los objetivos de calidad y desempeo
del proceso para el proyecto.


Identificar sub-procesos que conformen el proceso definido
para el proyecto, basndose en datos estables y de capacidad
histrica de las PPBs y/o PPMs y seleccionar los que sern
administrados cuantitativamente por el proyecto.


Seleccionar las tcnicas de medicin y anlisis a utilizar para
administrar cuantitativamente los subprocesos seleccionados.
Definido por las definiciones operacionales organizacionales.

131
Template que toma objetivos organizacionales
PDP PPB PPM
Template Grfico
PPM
QPM
SP 1.1
QPM
SP 1.2,3
QPM
SP 1.4
Qu involucra? (2)
Tcnicas estadsticas para el anlisis de los datos
recolectados:
Grficos de control
Grficos de ejecucin
Intervalos de confianza
Histogramas
Grficos de Cajas

La informacin estadstica en conjunto con los modelos
predictivos se usan para conocer y predecir si el proyecto
cumplir sus objetivos e identificar las acciones
preventivas/correctivas que se deben tomar.
132
Qu involucra? (3)
Monitorear el desempeo de los subprocesos seleccionados
para determinar si sern capaces de satisfacer los objetivos de
calidad y desempeo del proceso e identificar las acciones
preventivas/correctivas.
identificacin de causas especiales
Analizar y actualizar los modelos de prediccin.
Analizar la capacidad del proceso del proyecto
Establecer y mantener un entendimiento de la variacin de
los subprocesos seleccionados haciendo uso de las mediciones
y tcnicas de anlisis.
Peridicamente
Actualizar modelos
Definir acciones preventivas / correctivas
Analizar las Causas Races para tomar acciones.
Analizar las causas especiales para saber la causa raz y
eliminarlas.

133
QPM
SP 2.1
QPM
SP 2.2
QPM
SP 2.3
CAR
Template Grfico
Revisar los objetivos de la organizacin para la calidad y
el desempeo de los procesos.
Identificar las necesidades y prioridades de clientes y
grupos relacionados, para validar uso de PPBs
existentes o definir mtricas exclusivas del proyecto.
Definir y documentar los objetivos cuantitativos del
proyecto
Obtener objetivos intermedios para puntos intermedios,
para monitorear el progreso del logro de los objetivos
del proyecto. (aqu pueden servir los modelos)
Administrar cuantitativamente el proyecto
(1)
134
Establecer una rastreabilidad de los objetivos de calidad
y desempeo de procesos con sus fuentes.

Definir y negociar objetivos de calidad y desempeo de
procesos con los proveedores.

Actualizar los objetivos de calidad y desempeo del
proceso como sea necesario.


Administrar cuantitativamente el proyecto
(2)
135
Establecer lmites de especificacin de los subprocesos.
Recolectar los datos de la ejecucin de los subprocesos.
Calcular los lmites naturales del desempeo de los subprocesos.
Identificar y analizar las causas especiales de variacin, para
determinar la razn de la anomala y las acciones correctivas a
tomar para eliminar la causa especial y prevenir su posible futura
ocurrencia.
Re-calcular los lmites naturales de cada subproceso como sea
necesario.


136
Administrar cuantitativamente el
proyecto (3)
Qu involucra? (3)
IMPLICITAMENTE:
Almacenar los datos estadsticos resultantes de la administracin
cuantitativa en el repositorio de mediciones organizacional.










Recomendaciones? NO
137
DB
Proyecto
DB

Organizacin
MA
SP 2.3
QPM
GP 3.2
Preguntas?