USANDO DIAGRAMAS PARA

EXTRAER INFORMACION DE LOS

DATOS
 HISTOGRAMAS

Un histograma es un gráfico para datos continuos (mediciones .) Por ejemplo

120, 120.5, 121, 122 ,……n

El histograma describe la distribución de los datos que se han medido en unas
escala numérica continua

Debe usarse como la primera etapa del análisis de datos o resolución de

problemas ya que la forma del histogramas puede usarse para evaluar:
Medidas de tendencia central
Variación en los datos
Forma o distribución de los datos (ej., cuando se compara con una
curva normal)
Por lo tanto da una indicación inicial de qué esta sucediendo y dónde comenzar las
investigaciones
HISTOGRAMA CON CURVA NORMAL
Histogram Normal Distribution
Mean = -0.015393621
Std Dev = 1.1836
KS Test p-value = .7539
20

15

Apps: mathcracker
# Observations

10

0
-2.716 to <= - -1.716 to <= - -0.716 to <= 0.284 to <= 1.284 to <= 2.284 to <=
1.716 0.716 0.284 1.284 2.284 3.284
Class
 DISTRIBUCIÓN NORMAL Y PRUEBA DE
NORMALIDAD
La distribución normal suele ocurrir con frecuencia
Una buena cantidad de métodos estadístico se basa en datos
distribuidos de forma normal
Necesitamos un método para determinar si un conjunto de datos
puede modelarse en forma adecuada por una distribución normal
Hay dos modos de lograrlo
-Graficar un histogramas con curvas normal superpuesta
(con la misma media y s que los datos)

-Realizar una prueba de normalidad formal (Kolmogorov

smirnov test ) si el valor de p es mayor a 0.05 se acepta la hipotesis
nula.
 Pruebas de Normalidad
Normal Distribution
Histogram Mean = -0.015393621
Std Dev = 1.1836
KS Test p-value = .7539

20

15
# Observations

10

0
-2.716 to <= - -1.716 to <= - -0.716 to <= 0.284 to <= 1.284 to <= 2.284 to <=
1.716 0.716 0.284 1.284 2.284 3.284
Class
 Resumen Grafico de Acidez

Air academy associates

SPCXL software
 Resumen Grafico de Acidez
Resumen Grafico Acidez Normal Distribution
Mean = 15.203
8
Std Dev = 1.3498
KS Test p-value = .3968
7

5
# Observations

0
12.42 to <= 13.248 to 14.077 to 14.905 to 15.733 to 16.562 to
13.248 <= 14.077 <= 14.905 <= 15.733 <= 16.562 <= 17.39
Class
 Diagramas de Flujo de Proceso
Un Diagrama de Flujo de proceso es una representación visual de los
Mayores pasos y de los puntos de decisión en un proceso.

Es utilizado para mejorar el entendimiento de los procesos,

desglosandolo en simples pasos visuales para identificar áreas de
Problemas y de oportunidades de mejora.

Deben ser usados como parte del análisis del estado actual de un
Proceso, previo a la realización de una iniciativa de mejora.

 Estos diagramas pueden representar el flujo de material o información.

La información usada para desarrollar un PF puede ser reunida por

medio de una lluvia de ideas del equipo de trabajo o a travez de una
observacion del proceso.
 Flujo de Proceso
Ejemplo

Recepción de una orden

Llenar un container

Si/No, Aceptar o Rechazar

Cada paso del proceso debe ser examinado para evidenciar exceso
de variación o desperdicios
Cualquier cambio o desvio que inhiba el flujo del producto o del
proceso debe ser anotado para examinarlo. La causa del desvio, las
veces que se da, etc.
 Flujo de Proceso
Ejemplo

Retornar
al dueño

No
Completar Introducir Poner la
La forma Completa
una forma da Obtener la orden orden con
es enviada
de orden correcta aprobacion en el el
a compras mente?
de compra yes sistema vendedor
 DIAGRAMAS DE TIEMPO (O GRÁFICO DE
TENDENCIA)

Un diagrama de tiempo es un grafico de datos

en el tiempo usualmente conectado por líneas.
Se usa para :
-Registrar y desplegar tendencias de los
datos en el tiempo
-Detectar cambios significativos en un
proceso, es decir , tendencias, movimientos o
ciclos
Estos cambios son difíciles de detectar
puramente desde una tabla de números!!..
Deben usarse como partes del análisis de datos
o solución de problemas para dar una indicación
de cuándo ocurrieron los cambios y ayudar con
las investigaciones
 DIAGRAMAS DE TIEMPO (O GRÁFICO DE
TENDENCIA)

Variación mas allá de los limites esperados Tendencia a la alta

Puntos consecutivos que suben o bajan Step change

 Demostracion
Usar Excell para general un diagrama de tiempo para los
datos de la acidez.. 17.254 14.6462 16.3 14.7301 17.3833
16.941 14.7851 15.3899 16.1259 15.5792
13.904 15.8828 16.2352 12.8409 13.5296
15.442 14.06 15.4853 16.6528 13.5897
12.428 16.4967 15.1246 16.8342 13.6708
Run Chart 13.894 14.228 16.2353 15.6954 13.8465
18

17

16
Y Axis

15

14

13

12
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
X Axis
Distribución de Muestreo
 POR QUÉ USAMOS MUESTRA ?
Idealmente, nos gustaría usar la población completa para obtener
Estadísticas
Los parámetros de la población representan los valores reales para
la distribución .
Podríamos no conocer la Población porque no tenemos el tiempo o
los recursos para recolectar los datos o es físicamente imposible
tomar la población completa
Piense en ejemplos en los cuales no podemos tomar la población
completa ?
Usamos muestras para estimar las estadísticas de la población
completa
Una estimación del valor real de la población basado en una muestra
(usualmente aleatoria) se llama estadística de la muestra

Por ejemplo: el porcentaje real de defectos producidos por

un proceso de producción de tortillas puede
estimarse por promediar el numero de
defectos para una muestra tomadas del
proceso .
EJEMPLO DE TOMA DE MUESTRA

Queremos evaluar si los pesos de las tortillas que salen de

dos máquinas son iguales.
 La población sería todas las tortillas que salen
de ambas máquinas.
 Tomamos muestras aleatorias de ambas máquinas
generando al azar 100 números de lotes y
pesando todas las tortillas dentro de los lotes
seleccionados aleatoriamente .
 Si los dos pesos promedios (promedios de
muestra) están “lo suficiente cerca” concluimos
que las máquinas tienen un desempeño similar.
 EJEMPLO DE MUESTREO
Queremos evaluar si una secadora de café produce
gránulos homogéneos, es decir todo el polvo que sale de
la secadora al final del proceso de secado es en general
secado por igual
 La población sería la de todos los gránulos de café.
Tomamos muestras y evaluamos el contenido de
humedad.
 El polvo se descarga en 10 tambores
 Tomamos muestras de la parte superior, medias e
inferior del primero y último barril, y tres barriles elegidos
aleatoriamente en algún lugar del medio
 Evaluamos las lecturas de contenido de agua de todos
las muestras .
 Si las lecturas se acercaran bastante concluimos que la
secadora es homogénea.
 EJEMPLO DE MUESTREO

Observar aquí que la toma de muestras no es

estrictamente aleatoria: sospechamos que el polvo en la
parte superior e inferior de la secadora podría mostrar la
mayor parte de la diferencia, de modo que siempre
tomamos muestras del primero y último barril.

Además, sospechamos que podría haber formación de

grumos en los barriles, así que tomamos aleatoriamente
muestras de la parte superior, media e inferior de cada
barril.
Entender la Variacion es la Clave
para el éxito.

Deming
 Control Estadistico de Proceso
Es una metodología que usa los gráficos básicos y
herramientas estadisticas para análizar, controlar y reducir
la variabilidad dentro de un proceso
Entradas Salidas
Materiales
Maquina Process Espesor
Gente
Peso
Metodo
Produción Color
Medición
queso
Ambiente

Si queremos monitorear el desempeño de un proceso y entender como

el proceso se esta comportando, necesitaremos ganar conocimiento
acerca de la variabilidad en las medidas criticas.
El procedimiento normal implica que nosotros monitoriemos la variabilidad
en las salidas críticas, pero monitorear las salidas podria dirigirnos a
monitorear las entradas criticas.
La salida debe ser medida y la variación debe ser trazada hacia la fuente.
Control Estadistico de Proceso
Entendiendo la Variación
•Partes varian de una a otra.
•Formando un patrón que se
llama distribución
•Esta distribución puede ser
caracterizada por localización,
Dispersión, forma.

•Causa Común se refiere a

muchas fuentes de variación que
producen variación natural

•Si solo variación de causa

común esta presente, los datos
del proceso formaran una
distribución que es predecible y
estable sobre el tiempo.
Control Estadistico de Proceso
Entendiendo la Variación
•Causa especial se refiere a
cualquier factor que causa
variación que no puede ser
explicada por una
distribución única de la
medida de desempeño.

• A menos que todas las

causas especiales de
variación sean identificadas y
corregidas, ellas continuaran
afectando el desempeño del
proceso de una forma
impredecible.
Process Control vs Capacidad del Proceso

•Un proceso se dice

que opera en un estado de
Control estadistico cuando
Solo causa común son las
Fuentes de variación. No hay
causas especiales

•Capacidad del Proceso es una

medida de cuan bien un proceso
esta comportandose con respecto
a las especificaciones.
Process Control vs Capacidad del Proceso
•La capacidad del proceso
esta determinada por la
variación Total que viene de
las causas Comunes. La
minima variación que puede
ser alcanzada despues que
todas las causas especiales
han sido eliminadas.

•La capacidad del proceso

representa el desempeño del
proceso mismo y demuestra
cuando el proceso esta siendo
operado en un estado de
control estadistico
Process Control vs Capacidad del Proceso
•Un proceso en control estadistico
Puede ser descrito por una
Distribución predecible, en donde la
Proporción de partes que estan fuera de
especificación puede ser estimada.

•De tal forma que si el proceso

Permanece en control estadistico
continuará produciendo la misma
Cantidad de productos fuera de
Especificación en la misma
proporción.

•Acciones para reducir la variación de

Causa común son requeridas para
Mejorar la habilidad del proceso, para
Conseguir de mejor forma las
especificaciones Consistentemente.
 Perfomance y Capacidad del Proceso
Relacion entre Tolerancia natural y limites de especificacion

Limites de Control

Voz del proceso

Voz del cliente

Nuestros Clientes tanto internos como externos determinan los límites de

Especificación de modo que tenemos que asegurarnos que la amplitud
del proceso +/- 3S sea menor que la amplitud de la especificación
 Capacidad del Proceso

La capacidad del proceso compara el desempeño actual(llamada

La voz del proceso) contra como se desarrollara el proceso según
lo definido en la especificación del cliente (llamada la voz del cliente)

dpm: Defectos por millon

: Proporción de observaciones fuera de especificacion x 1,000,000

Ancho de la especificación/Ancho del proceso

Fuera de objetivo. No Capaz.

Dentro de objetivo. No Capaz.

Dentro de objetivo. Capaz.

Capacidad del Proceso Calculos

 Ejemplo
 CP k Calculo

Limite inferior 34, Limite superior 95

 N = 50
LSL = 34
USL = 95

DPM = 12.2
Cp = 1.4580
33.10172206

Cpk = 1.4571
Mean = 64.48

34.46371743
StdDev = 6.973

35.8257128
37.18770817
Sigma Level = 4.3712

38.54970354
39.91169891
41.27369428
Sigma Capability = 5.7203

42.63568965
43.99768502
45.35968039
46.72167576
48.08367113
49.4456665
50.80766187
52.16965724
53.5316526
54.89364797
56.25564334
57.61763871
58.97963408
60.34162945
61.70362482
63.06562019
64.42761556
65.78961093
Cpk Analysis

67.1516063
68.51360167
69.87559704
71.23759241
72.59958778
73.96158315
75.32357852
76.68557389
78.04756926
79.40956463
80.77156
82.13355537
83.49555074
84.85754611
86.21954148
87.58153685
88.94353222
90.30552759
91.66752296
LSL
USL

93.02951833
In spec

94.3915137
95.75350907
Out spec left
Out spec right
 33.10172206
34.9875618
36.87340154

N = 50
38.75924129
LSL = 50
USL = 95

40.64508103 Cpk = .6922

42.53092077 Cp = 1.0756
Mean = 64.48

44.41676052 DPM = 18,925

StdDev = 6.973

46.30260026
48.18844
Sigma Level = 2.0766

50.07427974

Las Claves
51.96011949
53.84595923
Sigma Capability = 3.5765

55.73179897
57.61763871
59.50347846
61.3893182
63.27515794
65.16099768
67.04683743
68.93267717
70.81851691
72.70435666
74.5901964
Cpk Analysis

76.47603614
78.36187588

Mover el promedio
80.24771563
82.13355537
84.01939511
85.90523485
87.7910746
89.67691434
91.56275408
93.44859383
95.33443357
LSL
USL
In spec
Out spec left
Out spec right

Reducir la variabilidad
Si solo centrara el proceso!!!!!!
 Defectos por millon(dpm)
 De forma alternativa podemos expresar el
desempeño de un proceso en términos del
índice de defectos, es decir, Que porcentaje
son lotes malos o fuera de especificación del
total?
 Este se conoce como el índice de defectos por
millón dpm. Lo que significa simplemente… si
tenemos 1,000,000 lotes, en base al
desempeño actual . Cuantos serían
defectuosos?
 Todos los índices de capacidad pueden
convertirse en un dpm o viceversa
Sigma Capacidad

Proceso Seis Sigma

Defectos por millon, Nivel Sigma
Asumiendo proceso centrado
Capacidad de Proceso
CAPACIDAD DEL PROCESO Y RIESGO

La capacidad del proceso indica la probabilidad de

no lograr la especificaciones .
El riesgo de fallas es alto, con baja Capacidad del
Proceso
Los riesgo se reducen, al aumentar la capacidad del
proceso
Fuera de objetivo. No Capaz.
Mover el Promedio
Dentro de objetivo. No Capaz.

Reducir Variabilidad Dentro de objetivo. Capaz.

Precursores de la Capacidad del Proceso
•El proceso debe estar en control.
•Inicialmente con frecuencia no lo esta. Asi que
El desempeño futuro aun no es predecible.

•Buen conjunto de datos

Representativos.
•Extensos para el tipo de proceso.

•Pueden los datos ajustarse a una distribución

normal?
 Control Estadistico de Proceso
Una gráfica de control es solo un run chart la cual incluye los
limites de control Estadisticamente generados. La línea superior es
el Limite de Control Superior y la línea inferior es el límite de control
inferior.

El proposito de un gráfico de control es proveer evidencia si un

proceso ha estado operando en un estado de control estadistico y
señalar la presencia de causa especial de variación de tal forma
que acciones púedan ser tomadas.

La Mejora de proceso usando gráficas de control es un

procedimiento iteractivo donde se repiten las fases fundamentales
de colección de datos, control de proceso y capacidad del proceso.

Trabaje para reducir la variación del Proceso, mejore continuamente

Su capacidad.
 Control Estadistico de Proceso
Límites de control de prueba son
calculados basados en los datos
del proceso, reflejando la cantidad
de variación que pudiera ser
esperada si solo variación de
causa común esta presente.

UCL

X bar

LCL
Se toman datos posteriores que son
comparados con los límites de control
para ver si la variación es estable y
solo es producida por causa comun.
Si causas especiales son evidentes
la operación del proceso es estudiada
para determinar que esta afectando al
proceso.
 Control Estadistico de Proceso
Despues que acciones son tomadas mas
datos deben ser colectado, los limites de
control deben ser recalculados si es
necesario,

UCL

X bar

LCL

Luego se calcula la capacidad del proceso

 Grafica de Control
Gas miliage
21
Ejemplo Manual IM
19
20
22
18
21
20
20 Para un gráfico IM los límites
18 de control se configuran en
20 (x bar -3s, xbar +3s)
19
22
20
21
19
20
19
21
18
22
Gas miliage
Gráfica de Control
21
19
20
22
Ejemplo Manual IM
18
21
20
20
18
20
19
22
20
21
19
20
19
21
18
22
Gráfica de Control en Zonas

99.7%

68.3%

95.5%
Sintomas de Fuera de Control

7 puntos consecutivos estan incrementando o decreciendo

 Síntomas de Fuera de Control

7 Puntos consecutivos estan en el mismo lado de la linea central

 Síntomas de Fuera de Control

2 de cada 3 puntos consecutivos estan en la misma Zona A o mas aya

 Síntomas de Fuera de Control

4 de 5 puntos consecutivos estan en la misma zona B o mas aya

 Síntomas de Fuera de Control

14 puntos consecutivos estan alternadamente subiendo y bajando

Síntomas de Fuera de Control

14 Puntos estan en cualquieras de las Zona C

 Ejemplo IM

Individuals Chart

50
45
40 UCL=40.251
35
30
25
CEN=22.88
20
15
10
5 LCL=5.509
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50
Pasos en el control de áreas operativas

Determinar que
parametros
seguir Reunir
datos: mas Revisar
Graficar un tendencias
de 30 run chart
puntos

Eliminar atipicos con Revisar conjunto de

causas especiales datos para
Trazar diagrama de
normalidad a travez control. Determinar
conocidas limites de control
de histograma

Realizar rutina de
monitoreo diario de
datos. Extender su
diagrama de control
CÓMO REDUCIR LA VARIACIÓN
En Lean Sigma, una de las metodología primarias usada
para reducir la variación es: PF/CE/CNX/SOP
Que debe ser un primer paso importante en cualquier
esfuerzo de mejora
PF es el diagrama de flujo de proceso (Process Flow)
CE es el diagrama de causa y efecto
CNX es la separación o partición de la variable
SOP es el Procedimiento Estandar de Operacion
(Standard operating Procedure)
 Flujo de Proceso

Retornar
al dueño

No
Completar Introducir Poner la
La forma Completa
una forma da Obtener la orden orden con
es enviada
de orden correcta aprobacion en el el
a compras mente?
de compra yes sistema vendedor
 Diagrama de Ishikawa (CE)

El diagrama de Causa Raiz es una herramienta grafica

usada para identificar, desplegar e identificar las potenciales
causas de una condición observada.

Es un documento viviente que esta a menudo vinculado a

un diagrama de flujo de proceso.
Pasos para confeccionar un CE
Continuar con los siguientes pasos:

1. Hacer un diagrama en blanco de CE

2. Escribir de forma concisa el

Problema o efecto
 Pasos para confeccionar un CE

3. Escribir las categorias que

se consideren apropiadas al
problema: máquinas, mano de
obra, materiales, métodos,
Ambiente, Medición son
las más comunes y se aplican
en muchos procesos.

4. Realizar una lluvia de ideas

(brainstorming) de posibles
Causas y relacionarlas con cada
Categoría.
 Medición Método Máquina
Medidor
para los Rotación Carburador
neumáticos de Ruedas
Transmisión

Presión de
Estimación Plan de Llanta
de Tanque MP afinamiento Tipo de Neumático
Peso
lleno
Tracción delantera
Tipo de Arranque o Trasera
Velocímetro Rápido

Aire
Acondicionado

Entrenamiento Tipo de Gas

Autopista o
Consumo de
del chofer
Ciudad Gas de un auto
No. De
A B
Condiciones del tiempo
pasajeros
Tipo de Aceite
Terreno

A B
Chofer

Aditivos de
Gasolina

Gente Materiales Ambiente

PARTICIÓN DE LAS VARIABLES

Una vez completada la espina de pescado, las variables

identificadas deben separarse y clasificarse como C, N, or X.
C = Constante por medio de un SOP
N = Ruido (Noise)
X = eXperimental
Inicialmente, las variable X se mantiene constantemente al inicio. Si
no se obtiene el resultado esperado, entonces se lleva a cabo la
experimentación (DoE)
Los Procedimiento Operativos Estándar deben escribirse para
especificar exactamente como se mantiene constante las variable “C”
 Medición Método Máquina
Medidor
para los
Rotación de Carburador(C)
neumáticos
Ruedas (C
Transmisión(C)
(C)
Presión de
Estimación Llanta(C)
de Tanque Plan de Afinamiento(C)
lleno (C) Tipo de Neumático(C)
MP (C) Peso(N)

Tracción delantera
Arranque o Trasera (C)
Tipo de
Rápido (C)
Velocímetro
(C) Aire
Acondicionado(N)
Consumo de
Entrenamiento Tipo de Gas (X) Autopista o
Gas
del chofer(C) Ciudad)N)
No. De
pasajeros
A B
Condiciones del tiempo (N)
(N) Tipo de
Aceite(X)
Terreno(N)

A B
Chofer(N)

Aditivos de
Gasolina(C)

Gente Materiales Ambiente

SOP (estandarización)
 LUEGO DE PF/CE/CNX/SOP
PF/CE/CNX/SOP es una herramienta fantástica para
estandarizar el proceso y reducir la variación, sin
embargo, a veces necesitamos mejores
resultados de los que podemos obtener sólo
con PF/CE/CNX/SOP
Con el fin de optimizar nuestro procesos, podemos usar
una herramienta llamada diseño de experimento
(Design of Experiment (DOE)
En DOE, buscamos los efectos que tiene nuestra
variables de entrada “X” sobre nuestra
respuesta/resultado, y usamos la información
que aprendemos para optimizar el resultado
para dar al cliente un resultado satisfactorio
 PUNTOS CLAVE
La variación es el enemigo del cliente incluso si
cumplimos las especificación, cualquier desviación de los
resultados buscados nos aleja de nuestro objetivo.
La variación puede reducirse drásticamente por la
aplicación rigurosa de la metodología PF/CE/CNX/SOP
Podemos esperar ver un 50-80% de reducción en la
variabilidad al aplicar esta herramienta (particularmente
luego de que observamos el sistema de medición)
Al aplicar esta metodología, mejoramos nuestra nivel
Sigma y reducimos nuestro defectos
Si aún necesitamos más para satisfacer a nuestro
clientes, debemos usar DOE para optimizar nuestro
procesos