01 W2 Week 1 Review Sp. Six Sigma. Analyze

Six Sigma
Entrenamiento Green Belt
Revisin Week 1
INSTITUTO PARA LA CALIDAD 2008. Prohibida su reproduccin total o parcial sin permiso del autor y del Instituto para la Calidad de la Pontificia
Universidad Catlica del Per.
Reconocer
Definir
Medir
Analiza
Mejorar
Controlar
Acerca de este mdulo

Ahora tiene la oportunidad de hacer preguntas sobre lo visto
en la Semana 1:
Introduccin y carga del software
Visin general de Six Sigma
Rendimiento encadenado
Mapeo del proceso
Introduccin a Minitab
Probabilidad y estadstica bsica
Anlisis de modos de falla y efecto (AMFE)
Herramientas bsicas
Evaluar R & R
Requerimientos del proyecto
Six Sigma: una bsqueda de la perfeccin del proceso

Que ataca la variacin para lograr objetivos
Que aprendimos
Entregables para semana 2
Puntos clave
Fuentes de Variacin
Satisfaccin del cliente al menor costo
Fbrica Oculta y Rendimiento Encadenado
Foco en Six Sigma
Capacidad y la Funcin de Prdida
Benchmarking del proceso
Control de completitud
Mapeo del proceso
Anlisis de modos de falla y efecto
Seleccin de distribucin discreta
Funcin de densidad de probabilidad Distribucin normal estndar
Transformacin normal estndar
Trminos de Capacidad de Proceso & Frmulas
Evaluar R&R
Recoleccin de los datos
Formato de las entregas en el

Mdulo 2
Presentacin de PowerPoint que incluya:

1. Breve descripcin del proyecto y visin general del mapa del proceso
2. Mtricas clave
3. Resuma los ahorros actuales y los estimados

4. Herramientas no estadsticas utilizadas (Pareto, AMFE, etc)
5. Herramientas estadsticas utilizadas
6. Resultados y conclusiones
7. Recomendaciones clave/Prximos pasos
8. Controles necesarios para asegurar ganancias permanentes
Duracin <= 15 minutos (ms Q&A )

Use este formato para informar cada fase o combinacin de fases (D M A
I C) a su gerencia y a los participantes. Su presentacin debe ser
consistente
Universidad Catlica con
del Per.su proyecto aprobado.
Entregas mdulo 2
Entregables del proyecto
1.
2.
3.
4.
5.
6.
7.
Mapa del proceso

AMFE
Hoja de control / Tablas de datos
Histograma
Diagrama de Pareto (2 a 3 niveles)
Evaluar R&R
Ensayo de hiptesis en 2 muestras con la seleccin apropiada del
tamao de la muestra
Entregables de Catapulta
1. Mapa del proceso
2. AMFE
3. Diagrama de causa y efecto
Entregable de Catapulta: Mapa de

proceso
Comienzo
Armar
Catapulta
Fijar a la mesa
Pins (2)
Brazo
Banda de goma
Pelota
Abrazadera
Medicin
Cinta de medir
Brazo
se mueve
sin fricciones
Mover brazo al
ngulo correcto
ngulo
correcto
Alineado
con la cinta
7.5 cm
Pelota vuela
derecho
Posiciones
fijadas
Ajustes
factibles
Ajustes
correctos
Registre
distancia
Medida x cinta
Posicionamiento
correcto de
observadores
Movimiento
lateral
del operador
Ajustar pins
en catapulta
Plan o
Ecuacin de
prediccin
Computadora
Medir la
distancia
Disparar
Consistenciar
del operador
Ausencia de
Paralaje
Seleccionar ajustes
de catapulta
Fin
Registro
Computadora
Medida
exacta
5 cm
Distancia
correcta
registrada
Entrega catapulta: Diagrama Causa y

efecto
Diagrama de causa y efecto catapulta
Mediciones
Materiales
Hombres
Elasticidad de banda de goma

Cargar
Estado de banda de goma
Graduaciones sobre escala Pin de Tensin
Fijar y apuntar
Tamao de base de pelota
Armar
Peso de pelota
Tamao de pelota
Cinta mtrica
Pin de Parada
Lanzar
Medir
Papel
Grabar
Lapicera
Registro
Liberacin de brazo
ngulo de tiro
Direccin de lanzamiento
Diferencia entre tamao
Fijacin Catapulta
de base y de pelota
Posicin de pelota sobre base
Montaje de Catapulta
Catapulta
Locacin pin de parada
Pelota seleccionada
Ajuste tuerca fijacin de base
Ubicacin de base
Color de pelota
Recorrido banda de goma
Localizacin perno
Locacn pin de tensin
Medio ambiente
Mtodos
La pelota no da
en el objetivo
Mquinas
Que es Six Sigma?

Fuentes de Variacin
Cdigo
Formulario
2
3
Diseo
inadecuado
1
2
3
Partes
inestables,
Materiales,
Entradas
1.
2.
3.
Transaccional
Software
Fabricacin
Capacidad
de proceso
insuficiente
2
3
Desarrollo
Regin de sinergia de Six Sigma

Que es Six Sigma?

Satisfaccin del cliente al costo ms bajo posible
Derrotar a la competencia primero entendiendo y luego excediendo

las expectativas del cliente.
Fijar objetivos exigentes apuntar a estndares Six Sigma
Medir permanentemente las mtricas claves para detectar mejora:
Mtricas Internas
Entrega
Precio
Calidad
Mtricas externas
Tiempo de
ciclo
Costo
Simplificar procesos para reducir el

tiempo de ciclo
Reducir el costo al mejorar la eficiencia

y eliminar los pasos sin valor agregado
Eliminar la variacin
Defectos
Los objetivos Six Sigma estn directa y cuantitativamente conectados

con los objetivos de negocio.
La Fbrica Oculta
Rendimiento clsico, Y =
Retrabajo:
La Fbrica
Oculta
S # Despachada Comenzada - Descartada

=
=
N # Comenzada
Comenzada
Operacin
Inspeccin
Retrabajo
Desperdicio
Rendimiento
tradicional no
considera el
retrabajo
Rendimiento encadenado (RTY)

N
Operacin
Inspeccin
Operacin
Retrabajo
Desperdicio
Inspeccin
Retrabajo
FPY considera
los sin defecto
Desperdicio
Rendimiento Encadenado, RTY:

RTY = FPY1 FPY2 FPY3 L FPYN
FPY = rendimiento de primera pasada (libre de defectos)
N = cantidad de pasos del proceso
El retrabajo es la
razn de la
diferencia entre
el rendimiento
tradicional y RTY
Rendimiento encadenado (RTY)

Recepcin
de partes
RTY = FPY1 x FPY2 x FPY3

RTY = 0.955 x 0.970 x 0.944 = 0.875
Inspeccin de recepcin:
FPY #1 = 0.955
Operaciones de maquinado:
FPY #2 = 0.970
Dinero perdido en
retrabajo y
desperdicio
Operaciones de acabado:
FPY #3 = 0.944
Por cada 1,000 partes
recibidas, solo 875
alcanzan este punto sin
retrabajo
Foco en Six Sigma

Para conseguir un crecimiento sostenible, una empresa tiene que
tener una fuerte capacidad en:
Productos innovadores
Liderazgo de Mercado
Foco Six Sigma
Excelencia Operacional
Las rupturas Six Sigma conllevan la Excelencia Operacional
Mtricas del Rendimiento
La Relacin de la Capacidad y
La Funcin de Prdida
L Y = K Y T
Prdida $
L = Prdida
Y = Caracterstica
K = Constante
T = Objetivo
Pobre< 3
3 Medio
6 Bueno
A medida que se va
mejorando la
capacidad del proceso,
la prdida esperada
disminuye.
Capacidad
del
proceso
LSL
USL
. . Entonces qu podra pasarle a la distribucin para

ocasionar un aumento en las prdidas?
El cambio sucede!
y son independientes!
Mejora del Proceso
Resultados de
Benchmarking de
Servicio
1,000,000
IRS Asesoramiento de Impuestos (por telfono)
PPM
100,000
Facturas de Restaurantes
Escritura Recetas Mdicas
Procesamiento de Nminas
Toma de Pedidos
10,000
Media
(con 1.5
desplazamiento)
Vales de revistas
Transferencias de dinero
Manejo de equipaje en aeropuertos
1,000
Material Comprado
Tasa de Rechazo del Lote
100
10
Mejor de su
Clase
1
2
Escala de Medicin Sigma
Lnea area domstica

6
Tasa de Mortalidad de Vuelos (0.43 PPM)
Verificaciones de Completitud
Mapeo de proceso
Paso del Proceso
Entradas
Parmetros de Proceso, xs
C Existen ys para cada x en este paso?
C Existe un tipo bueno de y para cada x ?
Salidas
y = f(x)
Parmetros de Producto , ys
Bueno
C Existe un tipo malo de y para cada x ?
Malo = Defectos
C Existen aqu xs que impactan ys en

pasos posteriores ?
Rechazado bueno = Defecto
P Recibi el mapa informacin del equipo

ampliado?
Historias de Horror: Qu ha
sucedido en el pasado que caus
fracasos?
Recuerde los 6 Ms
N Ruido
Legend
C Controllable
Cr Critical
N Noise
P Procedure
Man/Hombre (Gente)
Mquina (Equipo)
Mtodo (Procedimientos)
Material
Medicin
Madre Naturaleza (Medio
ambiente)
Aceptado malo = Defecto
Historias de xito: Qu resultados

de este paso encantaron a los
clientes?
Existen xs para cada y en este
paso?
Los xs depasos anteriores estn
impactando los ys de este paso?
Cmo?
Jerarquas de Proceso y
AMFE
Proceso Nivel #1
Paso #1
Paso #2
Paso #3
AMFE Nivel #1
Paso #3
AMFE - Nivel #2
Proceso Nivel #2
Paso #1
Paso #2
Proceso - Nivel #3
Paso #1
Paso #2
Paso #3
AMFE - Nivel #3
Pasos del proceso AMFE

1. Identificar paso de proceso de Alto Impacto
2. Identificar ys asociados (Parmetros de
producto)
Anterior al AMFE:
Formar el equipo
Desarrollar y
caracterizar el
mapa del
proceso
3. Identificar modo de falla

4. Identificar efectos de falla / tasa de
severidad
5. Identificar causas / Tasa de ocurrencia
6. Identificar controles (si hay) / tasa de
deteccin
7. Calcular RPN
8. Priorizar por orden RPN
9. Determinar acciones / plan
10. Recalcular RPN basado en plan
11. Tomar accin
Seleccin de Distribucin Discreta

Inicio
P (r) =
Hipergeomtrico no
P(r) =
n
<0.10
N
si
Binomial
(o)
n!
pr (1-p)n-r
r! (n-r)!
= np
= np(1-p)
xito
Todo posible
no
C d . C N-d
n-r
np>5
si
CN
n
r =cantidad de xitos
n = cantidad de pruebas
p = probabilidad de xito
N = tamao de la poblacin
d = cantidad de xitos en la
poblacin
= media
= desviacin estndar
Poisson
P (r) = r e-
r!
= l = np
2 = l
no
.1 < p < .9
Si
Normal
= np
= np(1-p)
Funcin Densidad de la probabilidad - Distribucin Normal

Estndar
Definiciones
rea bajo la curva = 1
=1
=0
La frmula de la funcin de
densidad de la probabilidad es
1
f ( z) =
e
2
Cualquier distribucin normal

puede ser convertida a una
distribucin normal estndar
3 2
z2
2
+1 +2 +3
68.26%
95.46%
99.73%
Definiciones
La Transformacin Normal
Estndar
Z=
Permite la conversin de cualquier dato puntual de la

distribucin (X) en un valor Z. Este valor nos permite buscar el
porcentaje de la poblacin que est por encima y por debajo del
punto de dato.
Trminos de Capacidad
del Proceso
Son indicadores de la capacidad del proceso para producir productos/servicios cumplidores:
Cp capacidad del proceso a corto plazo
Durante un perodo de tiempo limitado (no incluye desplazamientos ni
desviaciones)
Considera que el proceso est centrado
Tambin conocido como optimizacin mxima posible del proceso
Cpk ndice de capacidad del proceso a corto plazo
Durante un perodo de tiempo limitado (no incluye desplazamientos ni
desviaciones)
Considera que el proceso NO est centrado del proceso
Pp Capacidad del proceso a largo plazo
Durante un perodo de tiempo extenso (incluye desplazamientos y desviaciones)
Considera que el proceso est centrado
Ppk ndice de capacidad del proceso a largo plazo
Durante un perodo de tiempo extenso (incluye desplazamientos y desviaciones)
Considera que el proceso NO est centrado
Vea frmulas en la siguiente pgina.
Frmulas de Capacidad
Cp =
Ancho de Especificacin (s)

Ancho de Proceso Corto Plazo
= USL - LSL
6ST
Pp =
Ancho de Especificacin(s)
Ancho de Proceso Largo Plazo
Cpk=
Menor de:
USL - X
3ST
Ppk=
Menor de :
USL - X
3LT
USL - LSL
6LT
X - LSL
3ST
X - LSL
3LT
Calculando capacidad
Usando Z para calcular capacidad
USL - LSL
ZCorto Plazo =
2 st
Recuerde que un proceso six
sigma tiene Zcp = 6 y Zlp = 4.5
(asumiendo un
desplazamiento de 1.5 )
Z Largo Plazo =
USL - LSL
2lt
Cp =
ZCorto Plazo
3
Z Largo Plazo= ZCorto Plazo - 1.5
Pp =
ZLargo Plazo
Evaluar R&R
Variacin
Observada
Variacin de
Proceso real
Variacin de
Proceso
A largo plazo
Repetibilidad
Variacin
Medida
Variacin de
Proceso a corto
plazo
Calibracin
Variacin debida
al instrumento
Estabilidad
Linealidad
Variacin
debida a los
Operadores
Dentro
Entre
Reproducibilidad
Repetibilidad y Reproducibilidad son normalmente los
principales contribuyentes al error de medicin
Evaluar R&R - Estudio de Atributo

General
Una evaluacin por atributo compara cada pieza o

caracterstica de la pieza con un conjunto de lmites
especficos:
Acepta
la pieza/caracterstica si se satisfacen los
lmites
Rechaza
la pieza/caracterstica si no se satisfacen
los lmites
Una evaluacin por atributo no indica lo buena o lo mala
que es una pieza/caracterstica, solamente si la pieza/
caracterstica ha sido aceptada o rechazada.
Evaluar R&R - Sistema de Medicin
Mtodo de Grfico de Control

Se prefiere el mtodo de grfico de control
porque es un mtodo fcil de utilizar, para:
Revelar la repetibilidad del
instrumento
Identificar la parcialidad del
operador y la reproducibilidad
Mostrar la variacin del producto
comparada con la variacin del
sistema de medicin
Cuantificar la discriminacin del
sistema de medicin
Evaluar R&R - Sistema de Medicin
Visin General de la Recoleccin de Datos

Utilice el Existente de:
Operadores
Equipo (Calibrado)
Piezas
Gauge R&R Notes
Identificacin de Piezas (Identificacin Ciega)

No permita que el operador vea el ID de la
pieza
Haga que cada Operador Individual mida
aleatoriamente cada Pieza, en orden Aleatorio
Anote los datos del operador
Observe y Tome Notas!!
Contine hasta que todos los
Operadores/Mquinas hayan tomado como
mnimo 2 mediciones por pieza!
Evaluar R&R: Ejemplo Minitab

Open Datafile\Gageaiag.mtw
Stat > Quality Tools > Gage R&R (Crossed)
Gage R&R (Xbar/R) for Response
Contribucin
G age name:
Gage R&R %
Date of study :
debe ser <10%
Reported by :
Tolerance:
M isc:
Todas las piezas

deben tener el
mismo patrn
Components of Variation
Response by Part
Sample Range
Todos los
Puntos deben
estar entre los
lmites de
control
Sample Mean
La mayora de
los puntos debe
estar fuera de
los lmites
de control
% Contribution
1.00
% Study Var
0.75
50
0.50
0
Gage R&R
Repeat
Reprod
Part-to-Part
R Chart by Operator
1
10
Part
Todos los
operadores
deben seguir
el mismo
patrn
Response by Operator
UCL=0.1252
0.10
1.00
0.75
0.05
_
R=0.0383
0.00
LCL=0
0.50
1
2
Operator
Xbar Chart by Operator

1
1.00
0.75
0.50
Operator * Part Interaction
3
_
UCL=0.8796
_
X=0.8075
LCL=0.7354
Operator
1.00
Average
Percent
100
1
2
3
0.75
0.50
1
5
6
Part
10
Puntos divergentes indican interaccin pieza-operador
Evaluar R&R: Ejemplo Minitab (Continuacin)

3
Interpretacin de X-bar/R Chart

Sample Mean
Misma pieza
La variacin pieza-a-pieza es la
diferencia entre los puntos.
1.1
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
Reproducibilidad es la variacin
observada cuando diferentes
operadores miden las mismas
piezas con el mismo dispositivo.
3
3.0SL=0.8796
X=0.8075
-3.0SL=0.7354
2
Operador 1
Operador 2
Cada punto es el promedio de 2

mediciones hechas en la misma
pieza por el operador 1, 2, o 3.
Operador 3
La distancia entre los valores

ms altos y ms bajos de los
lmites de control representa el
error de medicin.
R Chart by Operator
Sample Range
0.15
Cada punto es el rango de las 2

mediciones de la misma pieza
0.10
hecha por el operador 1,2, o 3.
Repetibilidad es la variacin
0.05
R=0.03833
observada cuando el mismo
0.00
-3.0SL=0.00E+00
operador mide la misma pieza
en varias ocasiones usando el
mismo
INSTITUTO PARA LA CALIDAD 2008. Prohibida su reproduccin total o parcial sin permiso del autor y del
Institutodispositivo.
para la Calidad de la Pontificia
3.0SL=0.1252
Evaluar R&R: Ejemplo Minitab

(Continuacin)
Interpretacin (Continuacin)
Todos los puntos en el Grfico R estn dentro

de los lmites de control indicando que el
sistema de medicin es estable.
Sample Mean
Mire aca
1.1
1.0
segundo!
0.9
0.8
0.7
0.6
0.5
0.4
0.3
Mire0aca
.15
primero!
Sample Range

3.0SL=0.8796
X=0.8075
-3.0SL=0.7354
R Chart by Operator
1
3.0SL=0.1252
0.10
0.05
0.00
La mayora de los puntos

estn fuera de los lmites de
control en el grfico de
promedios (X-bar) indicando
que el sistema de medicin es
aceptable (ms variacin entre
grupos que dentro del grupo).
Los lmites de control X bar
son fijados por R bar e.j. Los
lmites de control =
X A2R
donde A2 es una constante

-3.0SL=0.00E+00 que depende en el tamao del
subgrupo.
R=0.03833
Evaluare R&R: Ejemplo Minitab (Continuacin)

Gage R&R for Response
Source
Variance
%Contribution
(of Variance)
Total Gage R&R

Repeatability
Reproducibility
Part-to-Part
Total Variation
2.08E-03
1.15E-03
9.29E-04
3.08E-02
3.29E-02
6.33
3.51
2.82
93.67
100.00
Source
StdDev
(SD)
Study Var
(5.15*SD)
Total Gage R&R

Repeatability
Reproducibility
Part-to-Part
Total Variation
0.045650
0.033983
0.030481
0.175577
0.181414
0.235099
0.175015
0.156975
0.904219
0.934282
Number of distinct categories = 5
Ventana de Sesin
Minitab
%Study Var
(%SV)
25.16
18.73
16.80
96.78
Las pautas AIAG

indican: debe ser 5
o mayor para una
discriminacin
adecuada.
Teorema del Lmite Central
x =
x
x
n
NOTA:
x
n
Desviacin estndar de la distribucin de

medias de muestra, X
Desviacin estndar de Xs individuales
Tamao de muestra utilizado para calcular X

Tambin es llamado Error estndar de la Media
Calculando el valor de Z usando el TLC

El valor Z para distribuciones de muestreo se puede calcular de la misma
forma que para individuales, pero se utiliza el error estndar del estadstico
de la media x , en lugar de .
(i.e., Z tiene una distribucin normal y se da como):
z=
Z*
x
x
n
z=
= x
La base de clculo estadstico/inferencial:
= x z * X
Frmulas Intervalos de Confianza

Media
Sigma
Capacidad
del Proceso
Proporcin
X t / 2,n 1
s
X + t / 2,n 1
n 1 21 / 2,n1 s n 1 2 / 2,n1
C p
p Z / 2
2 / 2,n 1
n 1
Cp C p
p (1 p )
p p + Z / 2
n
21 / 2 ,n 1
n 1
p (1 p )
n
Deje a Minitab hacer el grueso del trabajo!

Smbolos y Definiciones de Intervalos de Confianza

Medicin Parm.de Estad.de
poblacin muestra
Usar
Z n 30
conocido
Media
Varianza
s2
Desviacin
Estndar
Capacidad
de proceso
Cp
Cp
Proporcin
^
p
Binomial o
Z (aprox)
Tpicamente
Riesgo Alfa
t n <30
5%
Riesgos Alfa y Beta; Errores Tipo I y II

Los errores tipo I se cometen
cuando rechazamos la
hiptesis nula y sta es cierta
Los errores tipo II se cometen

cuando no rechazamos la
hiptesis nula y sta es falsa.
El riesgo () es la probabilidad
de cometer un error tipo I.
El riesgo (b) es la probabilidad

de cometer un error tipo II.
Tpicamente, se fija este

riesgo en un 5%.
Tpicamente, se fija este

riesgo en un 10%.
Los riesgos se fijan a priori, antes de realizar el experimento.

La Tabla Verdad de los Riesgos

es el riesgo de encontrar una diferencia cuando realmente no existe.
b es el riesgo de no encontrar una diferencia cuando s existe.
Accin
La Verdad
Ho no debera
rechazarse
(Ho es cierta)
Ho debera
rechazarse
(Ho es falsa)
Ho no rechazada
Decisin
correcta
Error Tipo II, o

Riesgo del
Consumidor
b = P (Tipo II)
Ho rechazada
Error Tipo I, o
Riesgo del
Productor
= P (Tipo I)
Decisin
correcta
Relaciones: Riesgo, Delta, y

Tamao de la Muestra
Constante
Constante
Constante
Constante
Constante
Constante
Constante
Constante
Constante
Constante
Constante
n = 2 ( Z / 2 + Z b )2 2
d
Constante
Pruebas significativas
Los ensayos se usan para evaluar

las evidencias proporcionadas por
los datos de muestra, con el fin de
poder decidir sobre un parmetro
de la poblacin.
La hiptesis nula (Ho) es la

propuesta que evaluamos.
Ho se suele presentar como: no

hay diferencia.
La hiptesis alternativa (Ha) se

presenta como hay diferencia.
No podemos rechazar Ho a menos

que se tenga una evidencia
convincente para ello.
Ejemplos tpicos
Ho : a = b
Ha : a b
Ho : a = b
Ha : a b
Ho : pa = pb
Ha : pa pb
rbol de decisin de los Ensayos de Hiptesis

Ho: P1=P2 Ha: P1 P2
Minitab: Stat-Basic Stat-1or 2 proportions
Ensayos de
Hiptesis
Prueba de Proporciones (Solo 2 factores)

Datos de
Atributos
Datos Continuos
(Un solo factor)
No-normal
Test de Normalidad
Ho: 2 factores son independientes

Ha: 2 factores son dependientes
Minitab: Stat-tables-Chi square test
Normal
Tabla de Contingencia
Ho: Datos Normales

Ha: Datos NO Normales
Minitab: Stat-Basic Stat-Normality Test
Usar Anderson-Darling
2 ms muestras
Test de Levene
1 Muestra
Ho:1=2=3
Chi-Cuadrado
Ha: Al menos 1 es diferente
Ho: 1=objetivo Ha: 1 objetivo
Minitab: Stat-ANOVA-Test for Equal Variances
Minitab: Stat-Basic Stat-Display Desc StatPara slo 2 s, esto es similar a un F-test: F=(S1)2/(S2)2 Graphical Summary
Si Fcalc>Fcrit, rechazar Hiptesis nula
Si objetivo cae dentro de CI: no rechazamos Ho
(Usar Chi-Squared para 1 muestra)
1 Sample T Test
1 Muestra
Ho: M1 = objetivo Ha: M1 objetivo
Minitab: Stat-Nonparametric-1 Sample - sign (or)
Stat-Nonparametric-1 Sample Wilcoxon
(Usado tambin con datos emparejados Ho: M1-M2=0)
M1=Median or sample 1
M target = Target Median
2 ms muestras
2 ms Muestras
Test de Bartlett
Ho:1=2=3 Ha: 1 al menos 2 son diferentes
Minitab: Stat-ANOVA-Test for Equal Variances
Para solo 2 s, es igual que F-test:
Stat>BasicStat>2 Variances
F=(S1)2/(S2)2
Si Fcalc>Fcrit, rechaza Ho

Minitab: Stat-Basic Stat-1 Sample-T
(Usado tambin con datos apareados :Ho: 1=2=0)
1 Sample Z Test
Minitab: Stat-Basic Stat-1 Sample-Z
(Usado tambin con datos apareados: Ho:1=2=0)
Tamao de muestra >=30 conocida
2 Muestras
One Way ANOVA

Ho: 1=2=3=
Ha: 1 al menos 2 son diferentes
Minitab: Stat-ANOVA-One Way
(Cuidado: Bartletts p<0.005;
asume=varianzas)
2 Sample T Test
Ho: M1=M2=M3
Paired T Test (Variance =)
Ha: Al menos 2 son differentes
Ho: 1=2
Ha: 1 2
Minitab: Stat-Nonparametric-Mann-Whitney (or)
Ho: 1-2=0 Ha: 1-m2 0
Minitab: Stat-Basic Stat-2 Sample-T
Stat-Nonparametric-Kruskal-Wallis (or)
Minitab: Stat-Basic Stat-Paired T
(Compara medias usando Std Dev global)
Stat-Nonparametric-Freidmans
(Compara medias cuando las
Seleccionar varianzas iguales o
M1=Median sample
1,
etc.
observaciones
estn
Seleccionar
varianzas
diferentes
INSTITUTO PARA LA CALIDAD 2008. Prohibida su reproduccin total o parcial sin permiso del autor y del Instituto
para la Calidad
de apareadas)
la Pontificia
Tipos de Ensayos de Hiptesis: 2

Muestras
Prueba t para 2 muestras

Se usa para comparar dos muestras y determinar si existen
diferencias en las medias
Para una prueba a dos colas y dos muestras t
es desconocida
Prueba t para datos apareados

Se usa para calcular el intervalo de confianza y realizar el
ensayo de hiptesis de la diferencia entre las medias de
poblacin cuando las observaciones estn apareadas.
Este procedimiento se ajusta a aquellas respuestas en que
existe dependencia o relacin entre pares de valores.
Esta dependencia hace que la variacin entre los pares resulta
en errores de menor magnitud, con el consiguiente aumento en
la sensibilidad del ensayo o el intervalo de confianza.
Otros temas?
Alguna pregunta:
Sobre el material e la semana #1?
Como se aplica lo que ha aprendido a su
proyecto?
Encontr problemas?
Hemos aprendido ...
Entregas para semana 2
Puntos claves
Fuentes de variacin
Satisfaccin del cliente al menor costo
Fbrica oculta y rendimiento encadenado
Foco en Six Sigma
Capacidad y la funcin de prdida
Benchmarking del proceso
Control de completitud
Mapeo del proceso
Anlisis de modos de falla y efecto
Seleccin distribucin discreta
Funcin de la densidad de la probabilidad Distribucin normal estndar
Transformacin normal estndar
Trminos de la capacidad de proceso & Formulas
Evaluar R&R
Recoleccin de los datos
Teorema de lmite central e intervalos de confianza
Riesgos del muestreo y ensayos de hiptesis
Revisin Semana #1
Material
Suplementario
Recoleccin de datos para el mtodo grfico de

control R&R
Use estos datos de ejemplo para construir un grfico X-bar/R
Misma pieza
y mismo
operador
Sample
Size
m=2
Mean >>
Range >>
0.65
0.60
0.63
0.05
1.00
1.00
1.00
0.00
0.85
0.80
0.83
0.05
Sample Size
m=2
Mean >>
Range >>
0.55
0.55
0.55
0.00
1.05
0.95
1.00
0.10
0.80
0.75
0.78
0.05
Sample Size
m=2
Mean >>
Range >>
Grand Mean >>
Mean Range >>
Part Mean >>
0.50
0.55
0.53
0.05
0.802
0.040
0.567
1.05
1.00
1.03
0.05
0.80
0.80
0.80
0.00
1.008
0.800
PART (SUBGROUP)
4
5
6
7
Operator 1
0.85
0.55
1.00
0.95
0.95
0.45
1.00
0.95
0.90
0.50
1.00
0.95
0.10
0.10
0.00
0.00
Operator 2
0.80
0.40
1.00
0.95
0.75
0.40
1.05
0.90
0.78
0.40
1.03
0.93
0.05
0.00
0.05
0.05
Operator 3
0.80
0.45
1.00
0.95
0.80
0.50
1.05
0.95
0.80
0.48
1.03
0.95
0.00
0.05
0.05
0.00
0.825
0.458
1.017
0.942
10
0.85
0.80
0.83
0.05
0.85
0.80
0.83
0.05
0.60
0.70
0.65
0.10
0.75
0.70
0.73
0.05
1.00
0.95
0.98
0.05
0.55
0.50
0.53
0.05
0.80
1.05
0.85
0.80
1.05
0.80
0.80
1.05
0.83
0.00
0.00
0.05
Range of Operator
Means
0.783 0.950 0.667
Range of Part Means
Operator
Mean
0.810
0.768
0.828
0.060
0.558
Datafile\Gageaiag.mtw
Evaluar R&R: Grfico X-bar/R
Sample Mean
Xbar/R Chart for Measurement

1.1
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
UCL=0.8769
Mean=0.8017
LCL=0.7264
Subgroup
10
Operator #1
20
Operator #2
50% o ms
de las
medias del
subgrupo
fuera de los
lmites
30
Operator #3
Sample Range
0.15
UCL=0.1307
0.10
0.05
0.00
R=0.04
LCL=0
25% o
menos de
los
rangos
son cero
Para una discriminacin adecuada

Evaluar R&R: Estimando la desviacin estndar
Number of Samples, g
Values Associated with the Distribution of the Average Range, d 2

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
>15
2
3
4
5
6
7
8
9
10
1.41
1.91
2.24
2.48
2.67
2.83
2.96
3.08
3.18
1.28
1.81
2.15
2.40
2.60
2.77
2.91
3.02
3.13
1.23
1.77
2.12
2.38
2.58
2.75
2.89
3.01
3.11
1.21
1.75
2.11
2.37
2.57
2.74
2.88
3.00
3.10
1.19
1.74
2.10
2.36
2.56
2.73
2.87
2.99
3.10
1.18
1.73
2.09
2.35
2.56
2.73
2.87
2.99
3.10
1.17
1.73
2.09
2.35
2.55
2.72
2.87
2.99
3.10
1.17
1.72
2.08
2.35
2.55
2.72
2.87
2.98
3.09
1.16
1.72
2.08
2.34
2.55
2.72
2.86
2.98
3.09
1.16
1.72
2.08
2.34
2.55
2.72
2.86
2.98
3.09
1.16
1.71
2.08
2.34
2.55
2.72
2.86
2.98
3.09
1.15
1.71
2.07
2.34
2.55
2.72
2.85
2.98
3.09
1.15
1.71
2.07
2.34
2.55
2.71
2.85
2.98
3.09
1.15
1.71
2.07
2.34
2.54
2.71
2.85
2.98
3.08
1.15
1.71
2.07
2.34
2.54
2.71
2.85
2.98
3.08
1.128 1.693 2.059 2.326 2.534 2.704 2.847 2.970 3.078
A. J. Duncan,
Quality Control &

Industrial Statistics
Normalmente, la desviacin estndar de la poblacin es estimada desde el

rango como R-bar/d2. Sin embargo, d2 asume 20 o mas subgrupos. Cuando
slo unos pocos subgrupos estn disponibles, se obtiene una mejor estimacin
de la desviacin estndar usando d2*.
Repetibilidad:
Variacin debida a la evaluacin
La desviacin estndar para repetibilidad o variacin del instrumento

E =
d2
0.04
= 0.035
1.128
0.04 es la media de
estos rangos
m = 2, tamao de la muestra del subgrupo

g = (3 Operadores) x (10 Piezas)
= 30, Cantidad de subgrupos
10 piezas (mismas
piezas) medida por
operadores 1,2, y 3
Sample Size
m=2
Mean >>
Range >>
0.65
0.60
0.63
0.05
1.00
1.00
1.00
0.00
0.85
0.80
0.83
0.05
Sample Size
m=2
Mean >>
Range >>
0.55
0.55
0.55
0.00
1.05
0.95
1.00
0.10
0.80
0.75
0.78
0.05
Sample Size
m=2
Mean >>
Range >>
Grand Mean >>
Mean Range >>
Part Mean >>
0.50
0.55
0.53
0.05
0.802
0.040
0.567
1.05
1.00
1.03
0.05
0.80
0.80
0.80
0.00
1.008
0.800
PART (SUBGROUP)
5
6
7
Operator 1
0.85
0.55
1.00
0.95
0.95
0.45
1.00
0.95
0.90
0.50
1.00
0.95
0.10
0.10
0.00
0.00
Operator 2
0.80
0.40
1.00
0.95
0.75
0.40
1.05
0.90
0.78
0.40
1.03
0.93
0.05
0.00
0.05
0.05
Operator 3
0.80
0.45
1.00
0.95
0.80
0.50
1.05
0.95
0.80
0.48
1.03
0.95
0.00
0.05
0.05
0.00
4
0.825
0.458
1.017
0.942
10
0.85
0.80
0.83
0.05
0.85
0.80
0.83
0.05
0.60
0.70
0.65
0.10
0.75
0.70
0.73
0.05
1.00
0.95
0.98
0.05
0.55
0.50
0.53
0.05
0.80
1.05
0.85
0.80
1.05
0.80
0.80
1.05
0.83
0.00
0.00
0.05
Range of Operator
Means
0.783 0.950 0.667
Range of Part Means
Operator
Mean
0.810
0.768
0.828
0.060
0.558
Reproducibilidad:
Variacin debida a los Operadores
Rango entre operadores, RO = ( XO )MAX - ( XO )MIN = 0.828 - 0.768

Desviacin estndar para reproducibilidad
R
0.060
= 0.031
O = O =
1.91
1.91
donde m = 3 y g = 1
Pero la cosa se complica. . . La estimacin de la desviacin estndar de la

reproducibilidad se contamina por la variacin propia de la evaluacin
Desviacin estndar para la reproducibilidad ajustada
2
2
E 2
RO
0.035
= 0.0312
= 0.030
(O ) Ajustada = *
10 2
d2
nr
donde n = cantidad de piezas
r = tamao de muestra del subgrupo
Variacin pieza-a-pieza
Rango entre medias de las piezas R = 1.107 - 0.458 = 0.558

P
P =
RP
0.558
=
= 0.175
3.18
3.18
La variacin pieza-a-pieza se puede ver en el grfico X-bar
Los lmites de control para el grfico X-bar se basan en la

repetibilidad del operador, por lo tanto, muchas de las medias de los
subgrupos estn fuera de estos lmites
Para un adecuado sistema de medicin, ms de la mitad de las

medias del subgrupo deben estar fuera de los lmites de control.
Nota: este es el momento en que usted quiere que el grfico X-bar
est fuera de control.
ndices de Evaluar R&R
%R&R
Fraction R & R
= M =
T
=
E + O
2
E + O + P
0.0352 + 0.0302
0.0352 + 0.0302 + 0.1752

%R & R = 100 0.254 = 25.4
0.046
= 0.254
0.181
AIAG (Automotive Institute Action Group) recomienda un valor

inferior a 30%
Indices de Evaluar R&R (Continuacin)
Cantidad de categoras distintas (Number of distinct categories)

La cantidad de particiones en las que se puede clasificar el
objeto medido
La Voz de la pieza dividida por la Voz del sistema de medicin
donde esperamos que la Voz de la pieza sea ms fuerte
Cantidad de categoras distintas
2 P 2
M 2
2 0.17 2
= 5.4 5
0.046 2
AIAG recomienda 5 o mayor

01 W2 Week 1 Review Sp. Six Sigma. Analyze

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

01 W2 Week 1 Review Sp. Six Sigma. Analyze

Hochgeladen von

Copyright:

Verfügbare Formate

Six Sigma

Entrenamiento Green Belt

Acerca de este mdulo

Six Sigma: una bsqueda de la perfeccin del proceso

Entregables para semana 2

Satisfaccin del cliente al menor costo

Fbrica Oculta y Rendimiento Encadenado

Foco en Six Sigma

Capacidad y la Funcin de Prdida

Benchmarking del proceso

Mapeo del proceso

Anlisis de modos de falla y efecto

Seleccin de distribucin discreta

Funcin de densidad de probabilidad Distribucin normal estndar

Transformacin normal estndar

Trminos de Capacidad de Proceso & Frmulas

Recoleccin de los datos

Formato de las entregas en el

Presentacin de PowerPoint que incluya:

3. Resuma los ahorros actuales y los estimados

Duracin <= 15 minutos (ms Q&A )

Mapa del proceso

Entregable de Catapulta: Mapa de

Entrega catapulta: Diagrama Causa y

Elasticidad de banda de goma

Que es Six Sigma?

Regin de sinergia de Six Sigma

Que es Six Sigma?

Derrotar a la competencia primero entendiendo y luego excediendo

Simplificar procesos para reducir el

Reducir el costo al mejorar la eficiencia

Los objetivos Six Sigma estn directa y cuantitativamente conectados

S # Despachada Comenzada - Descartada

Rendimiento encadenado (RTY)

Rendimiento Encadenado, RTY:

Rendimiento encadenado (RTY)

RTY = FPY1 x FPY2 x FPY3

Foco en Six Sigma

Mtricas del Rendimiento

. . Entonces qu podra pasarle a la distribucin para

Mejora del Proceso

Escala de Medicin Sigma

Lnea area domstica

C Existe un tipo malo de y para cada x ?

C Existen aqu xs que impactan ys en

Rechazado bueno = Defecto

P Recibi el mapa informacin del equipo

Aceptado malo = Defecto

Historias de xito: Qu resultados

Pasos del proceso AMFE

3. Identificar modo de falla

Seleccin de Distribucin Discreta

Funcin Densidad de la probabilidad - Distribucin Normal

Cualquier distribucin normal

Permite la conversin de cualquier dato puntual de la

Ancho de Especificacin (s)

Usando Z para calcular capacidad

Evaluar R&R - Estudio de Atributo

Una evaluacin por atributo compara cada pieza o

la pieza/caracterstica si se satisfacen los

Evaluar R&R - Sistema de Medicin

Mtodo de Grfico de Control

Evaluar R&R - Sistema de Medicin