Curso Six Sigma

Módulo 2- Etapa Medir:

El participante logrará conocer los procesos y herramientas necesarias de la etapa Medir de la metodología.

Etapa MEDIR

Los objetivos de la etapa Medir son:

a) Validar los datos y describir la naturaleza y extensión del problema

b) Definir la performance / baseline del proceso en términos estadísticos
c) Minimizar el impacto de las causas especiales de variación, cuando sea aplicable

Contenidos Unidad 1:

1. Estadísticas descriptivas
2. Representación gráfica de datos
3. Teorema del límite del valor central
4. Control estadístico de procesos (SPC)

[Link] 1
Etapa MEDIR

1. Estadísticas descriptivas

La estadística descriptiva es una ciencia que analiza series de datos (por ejemplo, edad de una población,
altura de los estudiantes de una escuela, temperatura en los meses de verano, etc) y trata de extraer
conclusiones sobre el comportamiento de estas variables.

Las variables pueden ser de dos tipos:

⇒ Variables cualitativas o atributos: no se pueden medir numéricamente (por ejemplo: nacionalidad, color
de la piel, sexo).
⇒ Variables cuantitativas: tienen valor numérico (edad, precio de un producto, ingresos anuales).

Por su parte, las variables cuantitativas se pueden clasificar en discretas y continuas:

⇒ Discretas: sólo pueden tomar valores enteros (1, 2, 8, -4, etc.). Por ejemplo: número de hermanos (puede
ser 1, 2, 3....,etc, pero, por ejemplo, nunca podrá ser 3,45).
⇒ Continuas: pueden tomar cualquier valor real dentro de un intervalo. Por ejemplo, la velocidad de un
vehículo puede ser 80,3 km/h, 94,57 km/h...etc.

Cuando se estudia el comportamiento de una variable hay que distinguir los siguientes conceptos:

Individuo: cualquier elemento que porte información sobre el fenómeno que se estudia. Así, si estudiamos la
altura de los niños de una clase, cada alumno es un individuo; si estudiamos el precio de la vivienda, cada
vivienda es un individuo.

Población: conjunto de todos los individuos (personas, objetos, animales, etc.) que porten información sobre el
fenómeo que se estudia. Por ejemplo, si estudiamos el precio de la vivienda en una ciudad, la población será el
total de las viviendas de dicha ciudad.

Muestra: en muchos casos es demasiado costoso, o en algunos casos imposible, trabajar con la población. En
estos casos se debe recurrir a una muestra. La muestra es el subconjunto que seleccionamos de la población.
Así, si se estudia el precio de la vivienda de una ciudad, lo normal será no recoger información sobre todas las
viviendas de la ciudad (sería una labor muy compleja), sino que se suele seleccionar un subgrupo (muestra)
que se entienda que es suficientemente representativo.

Estadísticas
Estadísticas Parámetros
Parámetrosde de
de
dela
lamuestra
muestra la población
la población
x = Media Muestra µ = Media de Población

s = desvío estándar de σ = desvío Estándar de la

la Muestra Población

Estadísticas Estimativa Parámetros

Las medidas de posición nos facilitan información sobre la serie de datos que estamos analizando. Estas
medidas permiten conocer diversas características de esta serie de datos.

⇒ Medidas de tendencia central

 Media
 Mediana

[Link] 2
⇒ Medidas de dispersión
 Rango
 Varianza
 Desvío estándar

Medidas de tendencia central

Media: Promedio aritmético del conjunto de valores

 Reflejan la influencia de todos los valores
 Influenciada por valores extremos

n
∑ xn
x = n=1
n

Mediana: 50% del rango – El número central de un conjunto

ordenado
 No necesariamente incluye todos los valores en el cálculo
 Es más robusta a la influencia de valores extremos
Moda: El valor que ocurre con mayor frecuencia

Medidas de variación

Rango (R): La distancia entre los valores extremos de

un conjunto de datos (Mayor – Menor)
Varianza (s2, σ2): Promedio del cuadrado de los desvíos de
cada punto respecto la media
Desvío estándar (s, σ): La raíz cuadrada de la varianza

2. Representación gráfica de datos

⇒ Los gráficos ayudan a entender la naturaleza de la variación.

⇒ Los gráficos hacen que la naturaleza de los datos sea más accesibles a la mente humana.
⇒ Los gráficos ayudan a ilustrar el contexto de los datos.
⇒ Los gráficos deberían ser la principal herramienta de presentación de datos para el análisis.
⇒ Si no puede mostrarlo gráficamente, posiblemente no tiene una buena explicación.

Distribuciones

⇒ Se puede obtener un buen conocimiento acerca del comportamiento de cualquier característica medible,
clasificando y representando las observaciones:

 A lo largo del tiempo

 Para distintos tipos de productos, familias de clientes, etc.
 A través de diferentes localidades geográficas, procesos, etc.
 Etc.
[Link] 3
⇒ Los datos pueden representarse usando:

 Dotplots
 Histogramas
 Usando gráficas de distribución normal o cualquier otra que se ajuste mejor a los datos

Dotplots

14 19 24 29
Time

⇒ Imagine un proceso que fue diseñado para ser ejecutado en un tiempo no mayor a 21 horas.
⇒ Se miden los tiempos de ejecución de 150 trabajos y se traza la gráfica mostrada.
⇒ Cada punto representa un “evento”. A medida que los puntos se acumulan, puede visualizarse el
desempeño de la operación como una “distribución” de tiempos.

Histograma

20
Ahora imagine los mismos datos, agrupados en
Frequency

intervalos. La altura de la barra para cada intervalo será

el número de mediciones que caen en ese intervalo.
10

0
Gráficos de 15
normalidad20 25 30
Time
⇒ Se puede verificar si un conjunto de datos se ajusta o sigue una distribución normal usando las gráficas de
normalidad (Normal probability plot).
⇒ Si la distribución de los valores observados se aproxima a una distribución normal, los puntos en la gráfica
estarán próximos a la línea recta.
⇒ Minitab hace que sea muy fácil crear un “Normal Probability Plot”.

[Link] 4
Series de tiempo

⇒ Hasta este momento hemos visto los datos agrupados (instantánea, versión “estática”).
⇒ Otra forma de revisar los datos es a través del tiempo (video, versión dinámica).
⇒ Un método común utilizado para las series de tiempo son las gráficas de lecturas individuales (Individuals
Charts).

Run Chart

La función Run Chart aplica algunas pruebas de diagnóstico estadístico para verificar la estabilidad de los
datos.

29

24
Thickness

19

14
50 100 150
Observation
Number of runs about median: 70 Number of runs up or down: 102
Expected number of runs: 76.00000 Expected number of runs: 99.66667
Longest run about median: 9 Longest run up or down: 3
A pprox P-Value for C lustering: 0.16278 A pprox P-Value for Trends: 0.67530
A pprox P-Value for Mixtures: 0.83722 A pprox P-Value for O scillation: 0.32470

Pruebas de estabilidad en el “Run Chart”

Prueba Condición Indicación

Número de corridas a Más corridas Mezcla (mixtures) de
un lado u otro de la observadas que las dos o más
Mediana esperadas poblaciones
(Puntos agrupados a Menos corridas Subconjuntos o
un solo lado de la observadas que las agrupamiento de
mediana) esperadas datos (clusters)
Número de corridas Más corridas Oscilación (oscillation)
hacia arriba y abajo observadas que las
(Puntos que cruzan la esperadas
mediana) Menos corridas Tendencias (trends)
observadas que las
esperadas

[Link] 5
Gráficas para lecturas individuales

Boxplots

⇒ Permiten visualizar los datos de una manera que hace muy fácil la comparación entre distribuciones.
⇒ Los Boxplots muestran la dispersión y la centralización de los datos.
⇒ ¡ CUIDADO! El centro de un boxplot es la MEDIANA, no la MEDIA.

Límite superior = Q3 + 1.5 (Q3 - Q1)

Q3 = P75
29

24
Q2 = P50
Time

19

Outlier
14
Q1 = P25

Límite inferior = Q3 - 1.5 (Q3 - Q1)

Boxplot of Time vs Customer Size

30.0

27.5

25.0

22.5
Time

20.0

17.5

15.0

1 2 3
Customer Size

Diagramas Pareto

El diagramas de Pareto es una herramienta esencial para priorizar los esfuerzos de mejora, enfocándose en el
área de mayor impacto, usando la conocida regla del 80-20.
⇒ El 20% de los problemas responsable por el 80% del pobre desempeño del proceso (defectos).
⇒ El 20% de las causas que causan el 80% del problema.

[Link] 6
Gráficos de relaciones

Muchas veces se desea poder visualizar una relación entre dos variables de manera gráfica.
Los gráficos de dispersión “Scatter Plots” son una herramienta efectiva para ejecutar esta tarea.

Scatterplots

Los scatterplots estudian la relación entre dos variables.

Scatterplot of Customer vs QC
390

380

370
Customer

360

350

340
330 340 350 360 370 380 390 400
QC

[Link] 7
Gráficos Marginales

Los gráficos marginales “Marginal plots” permiten combinar un diagrama de dispersión “Scatterplot” con uno de
los siguientes.
 Histogramas
 Boxplots
 Dotplots

Prospección de datos - Data mining

⇒ Todos los métodos presentados hasta ahora, proveen métodos gráficos para la representación de datos.
⇒ Utilizando los datos para determinar POR QUÉ el proceso se está desempeñando en la forma que lo hace,
es precisamente el objeto del data mining.
⇒ El análisis de datos debe seguir los siguientes pasos:
 Verificar o auditar los datos para identificar datos anómalos (errores, valores inesperados, etc.).
 Ejecutar un análisis gráfico de los datos para visualizar su comportamiento en el tiempo y la forma de
la distribución.
 Ejecutar un análisis estadístico descriptivo para caracterizar la distribución de los datos.
⇒ Veamos este último punto con más detalle.

Data mining usa datos existentes, no es un método para obtención

de datos y, como tal, no requiere un plan de obtención de datos
Resumen:

⇒ Utilice los gráficos como herramienta primaria de comunicación para su proyecto.

⇒ Estos gráficos serán utilizados durante las fases de Medición y Análisis para ilustrar el estado corriente del
proceso y entender su comportamiento.
⇒ En la fase de control del proceso se utilizarán gráficas para monitorear el desempeño del proceso a través
del tiempo y para controlar las variables críticas de entrada.

Una imagen vale más que 1000 palabras, … ahora, si requiere 1000
palabras para describir su gráfico, posiblemente tiene un mal gráfico

[Link] 8
3. Teorema del límite del valor central

Si se toman múltiple muestras aleatorias de tamaño n de una población con media m, y desvío estándar s,
entonces, cuando n es grande, la media de la muestra tiende a seguir una distribución normal, con media igual
a la media de la población y desvío estándar igual al desvío estándar de la población dividido por la raíz
cuadrada del tamaño de la muestra.
x→µ
σ
σx →
n
Esta aproximación es más precisa a medida que se aumenta el tamaño de la muestra

Error estándar de la media

⇒ El error o desvío estándar de la media (standard error of the mean) se define como:
σx
σx =
n
σX = Desvío estándar de la media
σX = Desvío estándar de las observaciones
n = Tamaño de la muestra
⇒ Esta fórmula nos dice que el desvío estándar de los promedios de las muestras es menor que el desvío
estándar de las lecturas individuales.

Aplicación práctica

⇒ Por lo general confiamos en la lectura del sistema de medición para estimar los valores de las variables de
interés.

 Una forma de mejorar la precisión de un sistema de medición es promediar dos o más lecturas.
σ MS
σ MS =
n
⇒ La precisión de nuestro sistema de medición se incrementa por un factor que es la inversa de la raíz
cuadrada del tamaño de la muestra utilizada.

 Si queremos disminuir el error de la medición a la mitad, debemos promediar cuatro lecturas.

Prueba de hipótesis

Una hipótesis es un enunciado que se cree verdadero

⇒ Se deben formular dos hipótesis:

 Una hipótesis Nula (Ho), un enunciado de “no cambio”, “no relación” o “independencia”.
 Una hipótesis Alterna (Ha), un enunciado de cambio, diferencia, o relación de dependencia.

[Link] 9
⇒ Se conduce un experimento que siempre busca rechazar el planteo de la hipótesis nula utilizando
herramientas estadísticas (Ej.: DOE, ANOVA, t-Test).
⇒ Al analizar los resultados de la prueba, se decide si se rechaza la hipótesis nula.
⇒ Si la hipótesis nula se rechaza, entonces se acepta la hipótesis alterna como verdadera.

Hipótesis y riesgo de decisión

⇒ Existen dos tipos de riesgo al tomar una decisión basada en una prueba de hipótesis:

 Rechazo de la hipótesis nula cuando es verdadera (error tipo I, riesgo α, riesgo del proveedor).
 Aceptación de la hipótesis nula cuando es falsa (error tipo II, riesgo β, riesgo del consumidor).

⇒ El riesgo de decisión se controla al especificar por adelantado, en el experimento, cuánto riesgo estamos
dispuestos a tolerar.
⇒ Después de haber especificado el grado de tolerancia al riesgo se cuenta con la información necesaria
para determinar el tamaño adecuado de la muestra.

Cómo seleccionar tamaños de muestra

⇒ Defina el problema
⇒ Desarrolle el objetivo
⇒ Establezca la hipótesis
⇒ Diseñe la prueba
⇒ Establezca el nivel alfa
⇒ Establezca el nivel beta
⇒ Establezca el cambio que desea detectar
⇒ Determine el tamaño de muestra
⇒ Diseñe un plan de muestreo
⇒ Obtenga la muestra
⇒ Mida y registre los datos
⇒ Conduzca una prueba estadística
⇒ Tome una decisión estadística
⇒ Traduzca la decisión en acción

Riesgo α Error tipo I, riesgo del proveedor

⇒ La opción de alfa determina cuándo rechazar la hipótesis nula:

 Si p-Value > α, no se rechaza la hipótesis nula (no cambio, independencia).

 Si p-Value < α, se rechaza la hipótesis nula (hay cambio, relación de dependencia).

⇒ Existe un riesgo de rechazar la hipótesis nula cuando realmente es verdadera (error tipo I), en otras
palabras, existe una probabilidad α de que esto ocurra al realizar la prueba.

[Link] 10
⇒ El error tipo I significa que la acción tomada no tuvo efecto, lo que no necesariamente es bueno o malo,
depende de lo que se quiera demostrar.
⇒ El valor α a utilizar depende de consideraciones prácticas – riesgo financiero, riesgo de seguridad u otro
riesgo para el cliente.
⇒ Valores típicos de α = [0.05 – 0.10].

Riesgo β Error tipo II, riesgo del cliente

⇒ β es el riesgo de aceptar la hipótesis nula cuando realmente es falsa (error tipo II).
⇒ El cometer un error tipo II significa que los datos no proveen evidencia suficiente para rechazar la hipótesis
nula.
⇒ Este riesgo debe ser considerado seriamente (se asume que no hubo cambio cuando realmente lo hubo).
⇒ Los valores típicos para experimentos industriales son usualmente β = [0.10 – 0.20].
⇒ El poder de una prueba es igual a 1- β.
⇒ Poderes altos (0.8 o mayores) permiten que no se pasen por alto las oportunidades de mejora.

Errores de decisión

Al decidir rechazar o NO, podemos

cometer uno de dos errores de decisión

Su Decisión

Aceptar Ho Rechazar Ho

Error
Ho Verdadera Correcto Tipo I
(Riesgo α)
La
Verdad
Error
Type II Correcto
Ho Falsa
(Riesgo β)

Relación Señal-Ruido (δ/s )

⇒ δ es el cambio mínimo (efecto) que se quiere estar razonablemente seguro de detectar durante un
experimento (δ también es conocida como la señal).
⇒ s es la desviación estándar del proceso (también es conocida como ruido).
⇒ La relación señal-ruido, δ/s, está directamente relacionada con la habilidad de detectar un cambio en el
proceso.
⇒ Altas relaciones señal-ruido están asociadas con un alto poder estadístico (habilidad para detectar un
cambio cuando el cambio ocurre).

[Link] 11
Calculando el tamaño de muestra

⇒ La relación entre las cinco variables α, β, δ, σ, y “n” puede ser expresada por una ecuación como la
siguiente:

( Zα / 2 + Z β )2
n=
(δ σ ) 2

⇒ Si se conocen cuatro de las cinco variables se puede calcular la quinta.

⇒ Utilizando Minitab calcularemos los tamaños de muestra y el poder de la prueba estadística:

 Tamaño muestra = n
 Poder estadístico = 1 - β

¿Muestrear o no muestrear?

⇒ Para algunas poblaciones el muestreo no es lo mejor.

⇒ Ejemplo: Si tenemos solo 25 ventas mayores a $10 millones por año, ¿tomaría una muestra de ellas?.
⇒ Probablemente analizaremos TODAS las ventas.
⇒ Esto NO es muestreo.
⇒ Se conoce como censo y tiene sus propias reglas.

Muestreando procesos- Consideraciones a tomar en cuenta

⇒ ¿Dónde muestrear?

 Lugares donde la variación afecta el desempeño de la variable de salida del proceso (defectos).
 En los lugares más prácticos y lógicos posibles.

⇒ Frecuencia de muestreo

 La suficiente como para abarcar todas las posibles condiciones del proceso (buenas o malas),
permitiendo capturar toda la gama de variación del proceso.
 Es mejor obtener varias muestras pequeñas a lo largo del tiempo que una muestra grande en un punto
en el tiempo.
 Tome muestras con mayor frecuencia, si la estabilidad del proceso es cuestionable.

⇒ Agrupamiento

 Minimice la probabilidad de ocurrencia de una causa especial dentro de un subgrupo.

 Queremos que las causas especiales cambien entre grupos.
 Mantenga identificado el qué, cómo, cuándo, dónde, etc.
 Necesitamos al menos 5 datos por cada nivel de la variable medida.

[Link] 12
Calidad del muestreo

⇒ Sesgo en la selección

 No hay estructura para determinar que elementos muestrear.

 Muestreo de conveniencia: muestreo sistemático que tiene algo de estructura.

⇒ Cambios en el medio ambiente

 Cambios en el medio ambiente hacen que la muestra no sea representativa.

⇒ Sesgo en la respuesta

 Especialmente en encuestas: las características de aquellas en las que los que no contestan son
significativamente diferentes de aquellos que sí contestan (minoría vocal).

⇒ Sesgo en medición

 En ocasiones relacionada con lotes de tamaños diferentes – tendencia a seleccionar lotes grandes
para muestrear.
 Lotes no representativos, cuentas no cobradas en un período largo sin considerar las que se pagaron a
corto plazo.

⇒ Plan de muestreo mal ejecutado

 Trate de evitar sesgo y otros problemas de calidad que pudieran afectar los datos.

Tamaño de muestra por herramienta

Herramienta o estadístico Tamaño mínimo de muestra

Media 5 - 10

Desviación Estándar 25 - 30

Proporción de defectuosos (p) 100 y np >= 5

Histograma o Pareto 50

Diagrama de Dispersión 25

Gráfico de Control 20

Recuerde que estos son los MINIMOS. Más datos significan mayor confianza en las
conclusiones que se pueden obtener de los datos

[Link] 13
4. Control estadístico de procesos (SPC)

Estabilidad del proceso

⇒ Entender la estabilidad del proceso es el primer paso antes de evaluar su desempeño.

⇒ El enfoque de mejora es diferente cuando el proceso está dominado por causas comunes (Cliente C) o
causas especiales o asignables (Clientes A y B).
⇒ Las gráficas de control ayudan a separar las causas comunes de las causas especiales de variación.

Un proceso estable es predecible

Tipos de variación

Causas comunes (Ruido)

⇒ También llamada “variación aleatoria”.

⇒ Está presente en todo proceso.
⇒ Es la contribución aleatoria de un gran número de pequeñas causas.
⇒ Es generada por el proceso mismo (“la forma de hacer negocio”).
⇒ Un proceso es estable, predecible y bajo control cuando únicamente existen causas comunes de variación.

Se manifiesta como un proceso donde la media y la dispersión son estables

Causas especiales o asignables

⇒ Impredecibles.
⇒ Causadas por disturbios únicos o la combinación de una serie de ellos (causas asignables).
⇒ Puede ser un evento único o una serie de eventos repetitivos que afectan al proceso en forma permanente.
⇒ Un proceso exhibiendo causas especiales de variación es un proceso fuera de control o inestable.

Las gráficas de control son la mejor herramienta para identificar y separar las causas especiales de
variación de las causas comunes de variación

Usos de las gráficas de control

⇒ Como herramienta de diagnóstico

 Usadas para entender el comportamiento real del proceso

 Permiten verificar la estabilidad de los datos obtenidos durante la fase de medición del proyecto 6s

⇒ Como herramienta de control

 Permiten mantener la estabilidad del proceso asegurando la estabilidad de las variables críticas de
control (X’s).
 Usan datos obtenidos durante la operación normal del proceso obtenidos por el operador o a través de
sistemas automáticos de captura de datos.

[Link] 14
⇒ Como herramienta de monitoreo

 Usa datos del desempeño del proceso (Y’s) para asegurarse de la efectividad del los controles (X’s).

Líneas de control
UCL
Característica
Monitoreada

Línea Central

LCL
Límites
Límitesnaturales
naturalesdel
del
Datos graficados en el tiempo proceso
proceso
±3σ
±3σ 99.723%
99.723%

UCL = Límite de control superior = Línea Central + 3σ

LCL = Límite de control inferior = Línea Central – 3σ

Cuando sólo hay causas comunes, 99.723% de los puntos caen entre el UCL y el LCL
Puntos fuera de las líneas de control no son necesariamente defectos

Especificaciones

⇒ La mayoría de los procesos tienen especificaciones.

⇒ En un mundo ideal las especificaciones son determinadas por los clientes, sin embargo, algunas veces son
establecidas por la administración, organizaciones gubernamentales, u otras entidades.

Ejemplos:

 El 98% de las entregas deben ser hechas a tiempo.

 El tiempo de ciclo para obtener un nuevo contrato debe ser menor a seis meses.
 La duración de una llamada (“talk time”) debe estar comprendida entre 2 y 10 minutos.

Límites de control y especificaciones

⇒ Los límites de control y las especificaciones NO están relacionados.

⇒ El LCL y el UCL se obtienen a partir de la variación interna (within sample variation) del proceso.

 La variación del proceso es independiente de los deseos del cliente o de la administración.

 La variación del proceso se utiliza para determinar su habilidad (capability).
 El LCL y el UCL son una representación de la “voz” del proceso.

⇒ Las gráficas de control contestan la pregunta:

 ¿Los datos provienen de un proceso único?

[Link] 15
Estrategia para utilizar gráficas de control

⇒ Al inicio de la investigación construya gráficas de las variables de salida (Y’s) para determinar si el proceso
es estable (en control).
⇒ Utilice el FMEA para minimizar el riesgo (RPN moderado/ alto) asociado a causas especiales de variación.
⇒ Identifique factores que requieran mejora usando el diseño de experimentos (DOE) u otros métodos
apropiados.
⇒ Después de mejorar el proceso construya gráficas de las variables críticas de control del proceso (X´s).
⇒ Elimine gráficos que no proporcionen información o donde no se pueda tomar acción.
⇒ La meta: controlar las entradas (X) y, así, mantener el desempeño de las variables de salida (Y).

Guía para las gráficas de control

1) Seleccione el parámetro apropiado, relaciónelo con el Mapa del Proceso y el FMEA.

2) Seleccione el tipo de gráfica de control adecuado para el tipo de variable considerada.
3) Seleccione el punto de obtención de los datos. Nota: Si la variable no puede ser medida directamente,
puede ser identificada una variable sustituta
4) Determine el tamaño de la muestra y la frecuencia de muestreo.
5) Determine el método/criterio de medición.
6) Determine el método de obtención y presentación de la información.
7) Determine el error de medición (MSA).
8) Elabore un estudio de habilidad para establecer los límites iniciales de control.
9) Desarrolle procedimientos para analizar y actuar con base a la información.
10) Entrene y comunique al personal involucrado.

Criterios de sensibilización

Se usa universalmente el Criterio #1 de uno o más puntos fuera del intervalo comprendido entre el LCL y el
UCL (límites naturales del proceso ±3s) como el estándar para separar causas especiales de causas comunes
en las gráficas de control.
Criterio
Criterio#2:
#2: Nueve
Nuevepuntos
puntosconsecutivos
consecutivosaaun unmismo
mismolado ladodedelalalínea
líneacentral
central(agrupamiento
(agrupamiento––
clustering)
clustering)
Criterio #3: Seis
Criterio#3: Seispuntos
puntosconsecutivos
consecutivostodos
todosaumentando
aumentandoootodos todosdisminuyendo
disminuyendo(tendencia
(tendencia
––trend)
trend)
Criterio
Criterio#4:
#4: 14
14puntos
puntosconsecutivos
consecutivosalternándose
alternándosearriba
arribayydebajo
debajode delalalínea
líneacentral
central(mezclas
(mezclas
––mixtures)
mixtures)
Criterio
Criterio#4:
#4: 22de
de33puntos
puntosconsecutivos
consecutivosaamás másdede2σ2σaaununmismo
mismolado ladode delalalínea
líneacentral
central
(cambio
(cambiode deposición
posición––shift)
shift)
Criterio
Criterio#5:
#5: 44de
de55puntos
puntosconsecutivos
consecutivosmás másallá
alláde
de1σ1σaaununmismo
mismolado ladode delalalínea
líneacentral
central
(cambio de posición – shift)
(cambio de posición – shift)
Criterio
Criterio#5:
#5: 15
15puntos
puntosconsecutivos
consecutivosdentro
dentrodedelalafaja
fajadelimitada
delimitadapor por±±1σ 1σ(agrupamiento
(agrupamiento––
clustering)
clustering)
Criterio
Criterio#6:
#6: 88puntos
puntosconsecutivos
consecutivospor
porfuera
fuerade
delalafaja
fajadelimitada
delimitadapor por±±1σ 1σ(agrupamiento
(agrupamiento––
clustering)
clustering)

No use todos las criterios de sensibilización al mismo tiempo, o de lo contrario la

grafica se torna muy sensible, dando falsas alarmas e indicando que el proceso es
inestable cuando en realidad no lo es

[Link] 16
Criterio de selección de gráficas de control

Variable/Continuo Atributo/Discreto
Tipo de variable

¿Contamos
¿Valores
defectos o
individuales?
NO SI defectuosos?
N>1 N=1 Tipos Unidades
Específicos de defectuosas
“defectos”

X-Bar/R
I-MR
X-Bar/S ¿Conocemos el
¿Baja
número
probabilidad
NO de malos y
defecto?
buenos?
NOTA 1: X-Bar/S es apropiado si el tamaño de
subgrupo n ≥ 9 o cuando este no fuera SI SI
constante Poisson I-MR Binomial
NOTA 2: Las gráficas X-bar/R, X-bar/S, e I-MR,
requieren que los datos sean normales
NOTA 3: Cuando los datos no son normales, se
puede usar un Run Chart para definir la
¿Muestra de
estabilidad del proceso ¿Unidad de
tamaño
tamaño
NOTA 4: Cuando los datos no son normales, se constante?
constante?
pueden usar transformaciones para
normalizar los datos para así poder aplicar
gráficas que requieren la normalidad de NO SI NO SI
los datos u c p np

Patrones de comportamiento

Gráfico Descripción Ejemplo #1 Ejemplo #2 Interpretación

El proceso es estable,
Los datos no
UCL 20 UCL 20 no cambia. Puede haber
forman ninguna
oportunidades de
Proceso agrupación
15 15 mejora mediante el uso
bajo especial y todos X X de DOE
Control están dentro de
LCL 10 LCL 10
los límites de
control
El proceso está
Los datos se cambiando. Puede ser
UCL UCL 20
agrupan de una 20
un cambio debido a la
Proceso o más formas y mejora. Identifique las
15 15
fuera de uno o más X X razones del cambio y
Control puntos se actúe en consecuencia.
LCL 10 LCL 10
encuentra fuera
de los límites de
control

Sugiere que el proceso

Un grupo de UCL 20 UCL 20
ha cambiado,
datos
posiblemente en forma
consecutivos se 15 15 permanente, y se ha
Corrida encuentra por X X estabilizado en un
encima o debajo
nuevo lugar o media.
de la línea LCL 10 LCL 10
Encontrar la razón y
central.
recalcular límites.

[Link] 17
Gráfico Descripción Ejemplo #1 Ejemplo #2 Interpretación
Usualmente visto
Seis o más
1 cuando se realiza un
puntos UCL 20
7
UCL 20
5
6 2
3 cambio en el proceso.
consecutivos 4 4
5
2 3
15 6 Puede reflejar el efecto
Tendencia ascendiendo o X 15
1 X 7
de aprendizaje o curva
descendiendo LCL 10 LCL 10
de experiencia
después de aplicar una
mejora.
Frecuentemente se
Se repite el
relaciona con factores
mismo patrón UCL UCL
20 20
que explican la
en períodos de
naturaleza del patrón
tiempo X
15
X
15
Ciclo (cambios de turno,
predecibles
LCL 10 LCL 10
proveedores, cambios
ambientales, etc.)

Sugiere mezcla de
Puntos muy
poblaciones con
cerca de los UCL 20 UCL 20

Adhesión 1/3 diferentes parámetros

límites de
a límites 1/2 (media y desviación
control o línea 15 15
X 1/2 X estándar). Considere
central (2 de 3,
estratificar los datos.
3 de 7, 4 de 10 LCL 10 LCL 10 1/3

datos
consecutivos)

Tipos de gráficas de control

⇒ Gráficas para datos continuos

 I-MR: Individual and Moving Range Chart

 X-bar/R Chart
 X-bar/s Chart
 I-MR-R/S (Within/Between)

⇒ Gráficas para datos discretos

 p-Chart
 np-Chart
 c-Chart
 u-Chart

[Link] 18
Gráficas de control- Variables continuas

I-MR Chart- Individuals/Moving Range Chart

La gráfica de control más simple para datos continuos.

I-MR Chart of Delivery Time La gráfica I-MR, como

U C L=14.960 toda grafica de SPC para
14
datos continuos, asume
Individual V alue

12 _
X=11.621
la normalidad de los
datos y esto debe
10
verificarse antes de
LC L=8.283
8
5 10 15 20 25 30 35 40 45 50
usarla
O bser vation
Violando la condición de
U C L=4.101
4
normalidad cualquier
gráfica de SPC para
M oving Range

2 datos continuos puede

__
1
M R=1.255 llevar a extraer
conclusiones erróneas
0 LC L=0
5 10 15 20 25 30 35 40 45 50 acerca de la estabilidad
O bser vation
del proceso

⇒ La gráfica inferior (MR – Moving Range) representa rangos móviles, una medida de la variación a corto
plazo del proceso (within sample variation).

 El rango móvil es el valor absoluto de la diferencia entre dos observaciones consecutivas.

 Ayuda a determinar la estabilidad de la variación del proceso.

⇒ La gráfica superior (I), representa las lecturas individuales graficadas en función del tiempo.

 Cada punto representa una lectura individual.

 Ayuda a determinar la estabilidad de la media del proceso (tendencia central).

Gráficos de medias y rangos- X-Bar/R

⇒ Se grafican las medias y rangos de muestras de tamaño “n”. Los límites de control reflejan la variación
esperada en medias y rangos.
⇒ Líneas centrales:

X = Promedio de los promedios

R = Promedio de los rangos
⇒ Cada punto en la gráfica X-Bar es la media de un subgrupo o muestra de tamaño “n”.
⇒ Cada punto en la gráfica de rangos es el rango de un subgrupo o muestra de tamaño “n”.

[Link] 19
 Xbar-R Chart of Email Send Time
0.45 U C L=0.4477

Sample Mean 0.40

_
_
X=0.3631
0.35

0.30
LC L=0.2785
1
0.25
1 4 7 10 13 16 19 22 25 28
Sample

U C L=0.2129
0.20
Sample Range

0.15

0.10 _
R=0.0827
0.05

0.00 LC L=0
1 4 7 10 13 16 19 22 25 28
Sample

Gráfico de medias y desviación estándar - X-bar/S

⇒ Se grafican las medias y desviaciones estándar de muestras de tamaño “n”. Los límites de control reflejan
la variación esperada en medias y desviación estándar.
⇒ Líneas centrales:
X = Promedio de los promedios
s = Promedio de las desviaciones estándar
⇒ Cada punto en la gráfica X-Bar es la media de un subgrupo o muestra de tamaño “n”.
⇒ Cada punto en el gráfico S es la desviación estándar de un subgrupo o muestra de tamaño “n”.
⇒ Se utiliza cuando n ≥ 9 o “n” es variable.

Xbar-S Chart of Send Time

0.45 U C L=0.4477

0.40
Sample Mean

_
_
X=0.3631
0.35

0.30
LC L=0.2785
1
0.25
1 4 7 10 13 16 19 22 25 28
Sample

U C L=0.1112
0.100
Sample StDev

0.075

0.050 _
S =0.0433

0.025

0.000 LC L=0
1 4 7 10 13 16 19 22 25 28
Sample

[Link] 20
Gráfica I-MR-R/S (Between/Within) – Puntos Principales

⇒ La gráfica I-MR-R/S (Between/Within) sirve para observar más de una fuente de variación.

La gráfica de rangos
móviles muestra la
La gráfica de variabilidad entre
lecturas (between) los
individuales diferentes subgrupos
muestra el I-MR-R/S (Between/Within) Chart of Dollars
comportamiento de 900
UCL=928.5
Subgroup Mean

la media del 750

_
X=735.7

proceso a través 600

LCL=542.9
del tiempo 1 6 11 16 21 26 31 36 41 46

UCL=236.9
MR of Subgroup Mean

200

100 __
MR=72.5

0 LCL=0

1 6 11 16 21 26 31 36 41 46

UCL=172.3
160
Sample Range

_
80 R=75.5

0 LCL=0
1 6 11 16 21 26 31 36 41 46
Sample

La gráfica de rangos muestra la

variabilidad dentro (within) de
cada subgrupo

Gráficas de control para datos discretos

⇒ Se usan para datos que se obtienen a través de conteo de defectos o clasificaciones de aceptación y
rechazo.
⇒ Aplica a la mayoría de las operaciones donde los datos son conteos o clasificaciones de tipo binario.
⇒ Las gráficas de control para datos discretos son más costosas y difíciles de interpretar que los gráficos
para datos continuos.
⇒ A diferencia de las gráficas de control para variables continuas las gráficas de control para datos discretos
pueden construirse para más de una característica de calidad y requieren sólo una gráfica, por que el
desvió estándar es función del promedio.

Defecto versus defectuoso

⇒ Un defectuoso es una unidad o elemento de una muestra que tiene una o más no-conformidades.
⇒ Un defecto es cada una de las no conformidades que tiene el elemento de una muestra.

Tipos de gráficas

⇒ Defectuosos

 np: número de unidades no conformes

 p: proporción de unidades no conformes

[Link] 21
⇒ Defectos

 c: número de defectos por área de oportunidad (constante)

 u : número de defectos por área de oportunidad (constante o variable)

p-Chart

⇒ Las gráficas de control para datos discretos se basan en el conteo de unidades defectuosas (p, np) o
defectos (c, u).
⇒ La gráfica p se usa para visualizar la proporción de unidades no conformes o defectuosas:

 p = proporción no conforme.
 Una unidad no conforme es un artículo o una entidad que tiene una o más no conformidades (uno o
más defectos).
 La fracción no conforme sigue una distribución binomial.

⇒ La gráfica p se puede usar con muestras de tamaño constante o variable.

⇒ Línea central

p=
∑c i Donde ci es la cantidad de unidades no conforme en la muestra i y
∑n i
ni es el tamaño de dicha muestra

P Chart of Needed Assistance

0.06 1

0.05

0.04
Proportion

1
0.03 1 UCL=0.02955

0.02
_
P=0.01434
0.01

0.00 LCL=0

2 4 6 8 10 12 14 16 18 20 22 24
Sample
Tests performed with unequal sample sizes

np-Chart

⇒ Grafica el número de unidades no conforme en una muestra.

⇒ El tamaño de la muestra debe ser constante.
⇒ Se puede decir que es un caso especial, más simple de interpretar que la gráfica p, ya que al tener tamaño
de muestra constante, cuenta con límites de control constantes, a diferencia de la gráfica p que puede
tener tamaños de muestras variables, y en consecuencia, límites de control variables.
⇒ Dado que n es una constante, como p sigue una distribución binomial, entonces np también sigue una
distribución binomial.
[Link] 22
 NP Chart of Errors
10 UCL=9.87

8
Sample Count

__
4 NP=4.04

0 LCL=0

2 4 6 8 10 12 14 16 18 20 22 24
Sample

c-Chart

⇒ Representa el formato más simple para graficar el comportamiento de defectos.

⇒ El tamaño de la muestra, unidad, o área de oportunidad debe ser constante.
⇒ Supuestos de la gráfica de defectos c:

 Los defectos son independientes entre sí.

 La probabilidad de un defecto es proporcional al tamaño de la unidad evaluada (por ejemplo, habrá
más defectos de ortografía en un contrato con 10 hojas vs. un contrato con 2 hojas).

⇒ La cantidad de defectos encontrados en un área de oportunidad constante, sigue la distribución de

Poisson.
⇒ Ejemplos:

 Fallas por km de cable.

 Errores por factura emitida.
 Accidentes por km de carretera.

C Chart of Fill Low

18 1

16 UCL=15.81

14

12
Sample Count

10
_
8 C=7.56
6

0 LCL=0

2 4 6 8 10 12 14 16 18 20 22 24
Sample

[Link] 23
u-Chart

⇒ Este tipo de gráfica se utiliza para mostrar el comportamiento de procesos donde se generan defectos
donde el área de oportunidad puede ser constante o variable
⇒ Por ejemplo:

 Errores de ortografía en contratos con diferente número de páginas.

 Remaches defectuosos en el ala de un avión donde se tienen diferentes aviones con diferente plano
de ala.

⇒ Supuestos de la gráfica de defectos u:

 Los defectos son independientes entre sí.

 La probabilidad de un defecto es proporcional al tamaño de la unidad evaluada (e.g., habrá más
defectos de ortografía en un contrato con 10 hojas vs. un contrato con 2 hojas).

U Chart of Defects
3.5
UCL=3.352

3.0
Sample Count Per Unit

2.5

2.0 _
U=1.893

1.5

1.0

0.5 LCL=0.434

0.0
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Sample

Resumen

⇒ Las gráficas de control permiten determinar la estabilidad del proceso y constituyen el primer paso en la
determinación de su habilidad para cumplir con los requerimientos estipulados (process capability)
⇒ Las gráficas de control se pueden usar tanto para datos continuos cuanto para datos discretos (atributos)
⇒ La mayoría de las aplicaciones transaccionales envolviendo datos continuos se pueden resolver usando
gráficas I-MR
⇒ La mayoría de las aplicaciones donde existen datos discretos se pueden resolver usando gráficas p
⇒ Existen otros tipos de gráficas para aplicaciones especiales tales como Zone Control Chart, EWMA,
CUSUM, etc.

[Link] 24
Lista de comprobación de la etapa MEDIR

Si puede responder “sí” a las afirmaciones siguientes, usted ha complementado la etapa “Medir” y está listo
para pasar a la fase “Analizar” del DMAMC.

Para nuestro proyecto hemos…

[Link] 25