microsoft power point - 4 - analizar lss gb mod v1.1

5/13/2018 Microsoft Power Point - 4 - Analizar LSS GB Mod v1.1 - slidepdf.com

http://slidepdf.com/reader/full/microsoft-power-point-4-analizar-lss-gb-mod-v11 1/140

Entrenamiento LSS Green Belt

MOD 4 - ANALIZAR

©Black & Decker (U.S.), Inc., V1.0, December 2006

MODULO 4

ANALIZAR




MOD 4 - ANALIZAR


Contenido PaginaObjetivos del Modulo 5Paso 4 – Establecer la Capacidad del Proceso 7

Serie de Tiempos 10Histograma 11Estadística Básica 12

Distribuciones Normales 14Capacidad por Atributos 26Capacidad para Continuos 36

Paso 5 – Definir Objetivos de Desempeño 41PPM / DPMO 43Benchmarking 51Finanzas (MOD 5) 57




MOD 4 - ANALIZAR


Contenido Pagina

Paso 6 – Identificar Fuentes de Variación 58Árbol de Convergencia 60Causa y Efecto / Fishbone 65

Graficas de Pareto 80Prueba de Hipótesis 85Intervalos de Confianza 118Correlación y Regresión 122

Box plot 133Resumen del Modulo 139



4


MOD 4 - ANALIZAR

©Black & Decker (U.S.), Inc., - V1.0, DATE

Definir Medir Analizar Mejorar Controlar

6. Identificar Fuentesde Variación

5. Definir Objetivosde Desempeño

Entregables: EstadísticamenteDefinir la meta del Proyecto

1er pase en posibles beneficiosdel proyecto

Herramientas:

DPMO / PPM

Benchmarking

Beneficios / Visión generalde Ahorros

4. Establecer Capcidadde Proceso

Entregables: MidiendoProceso Actual

Herramientas:

Estadística Básica

Análisis Grafico Muestreo

Continuo Zst, Zlt

Normalidad

Discretos Zst, Zlt

Análisis de Capacidad

Entregables: Lista de X’sEstadísticamenteSignificantes, escogidasbasado en el Análisis deDatos Históricos

Herramientas:

Analizar de Proceso Análisis Grafico

Prueba de Hipótesis

Correlación y Regresión

ANOVA / GLM

Box Plot



5


MOD 4 - ANALIZAR


Objetivos de Aprendizaje

• Revisar los 3 pasos de Analizar

• Revisar los entregables de cada paso en la fase analizar • Revisar el concepto de medir la capacidad del proceso en términos de Seis

Sigma

• Reconocer que analizar es la fase con la que iniciamos trabajando con las X’s

Objetivos de Analizar

• Estudiar la estabilidad, forma, centro, y dispersión del proceso actual• Establecer una meta de mejora — el objetivo de desempeño• Determinar las X’s vitales que impactan el proyecto Y• Dar recomendaciones para la fase de mejorar



6


MOD 4 - ANALIZAR





Entregables: EstadísticamenteDefinir la meta del Proyecto

1er pase en posibles beneficiosdel proyecto

Herramientas:

DPMO / PPM

Benchmarking



Entregables: Estatus delProceso Actual

Herramientas:


Análisis Grafico Muestreo

Continuo Zst, Zlt

Normalidad

Discretos Zst, Zlt


Entregables: Lista de X’sEstadísticamenteSignificantes, escogidasbasado en el Análisis deDatos Históricos

Herramientas:




ANOVA / GLM

Box Plot



7


MOD 4 - ANALIZAR


Establecer Capacidad

de Proceso

Establecer Capacidad

de Proceso

PASO 4



8


MOD 4 - ANALIZAR


LSL USL

Capacidad deProceso pobre

Muy AltoProbabilidadde Defectos

LSL USL

ExcelenteCapacidad de Proceso

Muy BajoProbabilidadde Defectos

Muy AltoProbabilidadde Defectos

Muy BajoProbabilidadde Defectos

USLUSL

Y = f (X 1 . . . X ) n

La variación inherente en cualquier variable dependiente (Y) es determinado por lasvariaciones inherentes a cada una de las variables independientes. (X)

σ µ −

=x

Z



9


MOD 4 - ANALIZAR


Z =

USL

LSLT (Target)

µµµµ (Media)

st (corto plazo)

lt (largo plazo) σσσσ st

σσσσ lt

λ =λ =λ =λ =SL ====

Z =

SL - λλλλ

σσσσ

Reportando Zst y DPMO correspondientes a largo plazo

La Ecuación Universal para Z



10


MOD 4 - ANALIZAR


Graficando Datos•Hay muchas maneras de ver los datos! La grafica de abajo, una Time SeriesPlot, muestra el numero de días tarde las entregas del proveedor estaban en

periodo de 50 días.•La grafica time series plotmuestra los datos en el ordenen el cual fueron registrados

•este tipo de plot es usual paracambios spotting en los datossobre el tiempo.

•Es también fácil de ve“outliers” o puntos extremos deeste tipo de plot.In Minitab: Graph>Time Series Plot

Index

l a t e

50454035302520151051

0

-20

-40

-60

-80

-100

Time Series Plot of late



11


MOD 4 - ANALIZAR


•La grafica de abajo, llamada Histograma Frecuencias, muestra los mismos

datos de entrega de proveedor del ejemplo anterior.

• El Histograma toma todos losdatos y los agrupa en intervalos.

• Una barra es creada para cadaintervalo. El alto de la barra es el

numero de puntos en elintervalo.

• El Histograma representa ladistribucion de los datos

In Minitab: Graph>Histogram

late

F r e q u e n c y

0-20-40-60-80-100

14

12

10

8

6

4

2

0

Mean -39

S tDev 17.20

N 50

Histogram of lateNormal



12


MOD 4 - ANALIZAR


En Black & Decker usamos Minitab para calcular las estadisticas……….• Tipo de Datos en la hoja de trabajo de Minitab• Stats>Basic Statistics>Graphical Summary

105.595.999.9

9899.8100.192.5

99.999.7102.9



13


MOD 4 - ANALIZAR


Sumario Grafico de estadísticas en Minitab

1041009692

M e d i a n

M e a n

102101100999897

A n d e r so n - D a rlin g N o r m a lity T e s t

V a ria n ce 1 2 . 5 0 2

S k e w n e s s -0 . 3 4 6 6 9

K u rto s is 1 . 1 9 6 4 6

N 1 0

M in im u m 9 2 .5 0 0

A -S q u a r e d

1 s t Q u a rt ile 9 7 . 4 7 5

M e d ia n 9 9 . 8 5 0

3 rd Q u a rt ile 1 0 0 . 8 0 0

M a xim u m 1 0 5 .5 0 0

9 5 % C o n f id e n ce I n te rv a l f or M e a n

9 6 . 8 9 1

0 . 4 8

1 0 1 . 9 4 9

9 5 % C o n f id e n ce I n t e rv a l f o r M e d ia n

9 7 . 2 8 1 1 0 1 . 0 5 9

9 5 % C o n f id e n ce I n te rv a l f o r S tD e v

2 . 4 3 2 6 . 4 5 5

P -V a lu e 0 . 1 8 1

M e a n 9 9 . 4 2 0

S tD e v 3 . 5 3 6

9 5 % C o n f id e n ce I n te r v a l s

S u m m a r y f o r C 1



14


MOD 4 - ANALIZAR


Tipos de Distribuciones

Distribucion Normal(Forma de campana, natural)

Picos Múltiples(Los datos pueden representar

procesos múltiples)

Distribucion Sesgada(datos cargados hacia un lado)

Histogramas son usuales para describir la distribucion de los datos.



15


MOD 4 - ANALIZAR


Describiendo los Datos

Target

V a r i a c i ó n

L o c a

c i ó n

Target

La meta es que este CENTRADO, con Baja Variación



16


MOD 4 - ANALIZAR


Distribucion Continua de Probabilidad• El área bajo la curva representa la probabilidad

• El área total bajo la curva es = 1 (todas las posibles salidas)• Para Tablas de Distribuciones comunes/ existe un software el cual nos permitedeterminar la probabilidad (partes debajo de el área de la curva)

Area =

Probabilidad

Area =

Probabilidad

Length

F r e q u e n c y

2.82.72.62.52.42.32.2

6

5

4

3

2

1

0

Lower Spec Limit

Normal

Histogram of Length

Upper Spec Limit

Las 2 probabilidades solo se juntan



17


MOD 4 - ANALIZAR


Probabilidad Normal – Un Lado

Media 50%

+1σ 84%

+2σ 98%

+3σ 99.9%+4σ 99.997%

S t a n d a r d D e v ia t io n s f r o m M e a n

P e r c e n t

2 5

2 0

1 5

1 0

5

0

- 4 - 3 - 2 - 1 0 1 2 3 4

S t a n d a r d i z e d N o r m a l D i s t r i b u ti o n



18


MOD 4 - ANALIZAR


±1σ = 68%± 2σ = 95%

± 3σ = 99.7%

± 4σ = 99.994%

Probabilidad Normal – Dos Lados

S t a n d a r d D e v ia t io n s f r o m M e a n

P e r c e n t

2 5

2 0

1 5

1 0

5

0

-4 - 3 - 2 - 1 0 1 2 3 4

S t a n da r d i z e d N o r m a l D i s tr i b ut io n

± 6σ = 99.9999998%



19


MOD 4 - ANALIZAR


La Distribucion NormalMuchos eventos naturales que

curren aleatoriamente producendatos con distribuciones queson:• Forma de Campana• Con simetría

La curva continua llamada

Curva Normal es usada paraestimar la Distribucion Normalde los eventos naturalesocurriendo aleatoriamente.



20


MOD 4 - ANALIZAR


La Curva Normal• La Curva Normal es usada para DESCRIBIR datos• Describimos la locación de los datos y la variación usando dos

estadísticas simplesσσσσ, Desviación Standardµµµµ, Media

L o c

a c i ó n

V a r i a c i ó n

68 % de los datos están entre +/- 1 Desviaciones Standard

95 % de los datos están entre +/- 2 Desviaciones Standard



21


MOD 4 - ANALIZAR


Porque Queremos Datos Normales?Porque Queremos Datos Normales?

• Los Datos Normales son fácil de analizar

• Simétricos

• Predecible

• La desviación standard y la media pueden ser usada para predecir

valores entre un cierto rango• La Normalidad forma la base del análisis de capacidad

• La capacidad No-Normal es analizada diferente que los datos normales

• Hablando de forma General, la mayoría de los procesos con un limite deespecificación alto y un limite de especificación bajo formaran unadistribución normal



22


MOD 4 - ANALIZAR


Probando la NormalidadProbando la Normalidad

• La normalidad determina que tipo de análisis usaremos para

determinar que tan capaz es nuestro proceso hacia el cumplimientode las especificaciones del cliente.

• Hay herramientas en Minitab y Excel que verifican la normalidad

• Los métodos mas comúnmente usados involucran a Minitab.

Método 1: Usando el valor de p

Método 2: Análisis Grafico

Usted tendrá la oportunidad de probar ambos métodos através de este modulo.



23


MOD 4 - ANALIZAR


Método 1- Usando el Valor de pMétodo 1- Usando el Valor de p

In Minitab: Stat > Basic Statistics > Graphical Summary

Si el Valor de p >0.05, entonces susdatos son normales

1041009692

Median

Mean

102101100999897

A nderson-Darling Normality Test

V ariance 12.502

S kew ness -0.34669

Kurtosis 1.19646

N 10

M inimum 92.500

A -Squared

1st Q uartile 97.475

M edian 99.850

3 rd Qua rtile 100 .800

M aximum 105.500

95% C onfidence Interval for M ean

96.891

0.48

101.949

95% C onfidence Interv al for M edian

97.281 101.059

95% C onfidence Interval for StD ev

2.432 6.455

P -V alue 0.181

M ean 99.420

S tDev 3.536

95 % C onfidence Intervals

Summary for C1



24


MOD 4 - ANALIZAR


Método 2- Análisis GraficoMétodo 2- Análisis Grafico

Se ajustan los

datos a la línea?Si es así, los

datos sonnormales.

Nota: Estemétodo tambiénmuestra el valor

de p.

In Minitab: Stat > Basic Statistics > Normality Test

C1

P e r c e n t

1101051009590

99

95

90

80

70

60

50

40

30

20

10

5

1

Mean

0.181

99.42

StDev 3.536

N 10

AD 0.478P-Value

Probability Plot of C1Normal



25


MOD 4 - ANALIZAR


Datos No-NormalesDatos No-Normales

• Cuando vemos datos No-Normales?

- Los datos No-Normales son usualmentedelimitados por un limite.

Tiempo de Entrega (días)

TiempoLimitado por cero las

mejoras al proceso dirigen

los valores hacia cerocreando datos no-normales.

Limitado por cero lasmejoras al proceso dirigen

los valores hacia cerocreando datos no-normales.

Ejemplos de datos No-Normales:



26


MOD 4 - ANALIZAR


Capacidad de Procesopor Atributos

Capacidad de Procesopor Atributos



27


MOD 4 - ANALIZAR


Ejercicio del AeroplanoEjercicio del Aeroplano

• Examinemos el ejercicio del aeroplano como datos por atributos.• Usaremos esto como as la base de nuestro ejercicio.

• Nuestra meta es determinar que tan capaces los tiradores le dieron al

blanco.• Usaremos los datos incluidos en el archivo.

Filename: Airplane Capability-Attribute.mpj



28


MOD 4 - ANALIZAR


In Minitab: Stat > Quality Tools> Capability Analysis (Binomial)

Identificar Columnas queContienen los Defectos

Cuantas oportunidades?

Presione OK



29


MOD 4 - ANALIZAR


Cubriremos las graficas clave en las siguientes paginas

S a m p l e

P r o p o r t i o n

1 51 4131 2111 0987654321

0 . 9

0 . 6

0 . 3

_

P = 0 . 7 7 3 3

U C L= 1

LC L= 0 .2 1 1 6

S a m p l e

% D e f e c t i v e

1 5 . 01 2 . 51 0 . 07 . 55 . 02 . 50 . 0

1 0 0

9 0

8 0

7 0

S u m m a ry S t a t s

0 . 0 0

P P M D e f : 7 7 3 3 3 3

Lo w e r C I : 6 6 2 0 7 8

U p p e r C I : 8 6 2 0 6 4

P ro c e s s Z : -0 . 7 4 9 9

Lo w e r C I :

(u s in g 9 5 . 0 % c o n f id e n c e )

- 1 . 0 8 9 6

U pp e r C I : -0 . 4 1 8 1

% D e fe c t iv e : 7 7 . 3 3

Lo w e r C I : 6 6 . 2 1

U p p e r C I : 8 6 . 2 1

T a r g e t :

O b s e r v e d D e f e c t i v e s

E x p e c t e d D e f e c t i v e s

4 . 53 . 52 . 5

5

4

3

2

1 0 08 06 04 02 00

4 . 8

3 . 6

2 . 4

1 . 2

0 . 0

T a r

B i n o m i a l P r o c e s s C a p a b i l i ty A n a l y s i s o f M i s s e s

P C h a r t

C u m u l a t iv e % D e f e c t i v e

B i n o m i a l P l o t

D i s t o f % D e f e c t i v e



30


MOD 4 - ANALIZAR


• Los puntos deben estar entre las líneas rojas.

• Puntos Claves:

• Si la condición no es satisfactoria busque causas especiales.

• Ejemplo: Error de entrada de datos / puntos fuera de los imites quepueden ser explicados

Verifica que el proceso estaba en estado de control en el tiempo que elreporte fue generado

Grafica PGrafica P

S a m p l e

P r o p o r t i o n

1 51 41 31 21 11 0987654321

1 . 1

1 . 0

0 . 9

0 . 8

0 . 7

0 . 6

0 . 5

0 . 4

0 . 3

0 . 2

_

P = 0 . 7 7 3 3

U C L = 1

L C L = 0 . 2 1 1 6

P C h a r t o f M i s s e s

SS G



31


MOD 4 - ANALIZAR


• Los puntos deberán estar alrededor de la línea central

• Puntos Claves:

• Si la condición no es satisfactoria incremente el tamaño de la muestra

•Verifica que tengas suficientes datos para tener una estimación estable

% Defectivo Acumulativo% Defectivo Acumulativo

S a m p l e

%

D e f e c t i v e

1 5 . 01 2 . 51 0 . 07 . 55 . 02 . 50 . 0

1 0 0

9 0

8 0

7 0

% Defectivo Acumulativo

E t i t LSS G B lt



32


MOD 4 - ANALIZAR


Si las tres condiciones son satisfechas, Minitab calcula los DPMO.

PPM = 773,333 = DPMO

También usted puede calcular DPMO del % defectivo.

DPMO = 77.33% * 1,000,000

Resumen de EstadísticasResumen de EstadísticasS u m m a ry S ta ts

0 . 0 0

P P M D e f: 77 3 33 3

Lo w e r C I : 66 2 07 8

U p p e r C I : 86 2 0 6 4

P ro ce ss Z : -0 .7 49 9

Lo w e r C I :

(u sin g 9 5 .0 % c on fid e n ce )

- 1 . 0 896

U p p e r C I : -0 .4 18 1

% D e fe c tiv e : 7 7 .3 3

Lo w e r C I : 6 6 .2 1

U p p e r C I : 8 6 . 2 1

T a r g e t :

E t i t LSS G B lt



33


MOD 4 - ANALIZAR


EjercicioEjercicio

Filename: Helpdesk.mpj

• El departamento de IT quisiera analizar que tan capaz es contestandollamadas entrantes a el helpdesk.

• Un defecto es una llamada que no es contestada debido a la falta de

disponibilidad de un operador.• El numero total de llamadas y el numero total de defectos por día fueronmonitoreados por 20 días.

• Corra un trazo de Normalidad y análisis de capacidad para el helpdesk.

• Prepárese para reportar sus hallazgos.




34


MOD 4 - ANALIZAR


Unava i lab le

P e r c e n t

5 2 55 004 7 54 5 04 2 54 0 03 753 5 0

99

95

90

80

70

60

50

40

30

20

10

5

1

M e a n

0 .095

433 .2

S tD ev 31.32

N 20

A D 0.613

P - V a l u e

P r o b a b i l i ty P l o t o f U n a v a i l a b l eN o r m a l

Sample

P r o p o r t i o n

2018161412108642

0.26

0.24

0.22

0.20

_ P=0.22643

UC L=0.25552

LCL=0.19733

Sample

% D e f e c t i v e

2015105

23.5

23.0

22.5

22.0

21.5

Summary S ta ts

0.00

P P M Def: 226427

Low er C I: 222241

U pper C I: 230654

P rocess Z: 0.7507

Lower CI:

(using 95.0% confidence)

0.7367U pper C I: 0.7646

% D efe ctiv e : 22 .6 4

Low er C I: 22.22

U pper C I: 23.07

Target:

Sample S ize

% D e f e c t i v e

200019201840

26

24

22

20

24201612840

8

6

4

2

0

Ta r

1

Binomial Process Capability Analysis of Unavailable

P C h a r t

Tests performed w ith unequal sample sizes

Cumulat ive %Defect ive

Rate of Defect ives

Dist of %Defect ive

U n a v a i l a b l e

F r e q u e n

c y

5 0 04 8 04 6 04 4 04 2 04 0 03 8 03 6 0

9

8

7

6

5

4

3

2

1

0

M ea n 4 3 3 .2

S tD ev 3 1 .3 2

N 2 0

H i s t o g r a m o f U n a v a i l a b leN o rm a l • Los datos son normales

• La media 433 llamadas al día perdidasdebido a la falta de disponibilidad deloperador

• El tamaño de muestra es aceptable• El proceso esta en control• DPMO - 226,427

Análisis de Capacidad por Atributo (Paso 4)




35


MOD 4 - ANALIZAR


Revisando Datos por AtributosRevisando Datos por Atributos• Sepárese en grupos, vamos a practicar tirando una moneda.

•Coloque la cinta métrica en el piso haciendo cero en la pared

•Cada operador tirara la moneda y tratara de alcanzar elobjetivo en sets de 3 (tamaño de subgrupo)

•Complete 10 veces (10 subgrupos)

•Tome la medida mas cercana al centro de la moneda, utilicefracciones (ejem. 0.125”,0.25”, 0.50” etc..)

•Ingrese los datos en Minitab Mida la distanciade la pared a la moneda

Ejem. 5.25”




36


MOD 4 - ANALIZAR


Capacidad de Procesopara Continuos

Capacidad de Procesopara Continuos




37


MOD 4 - ANALIZAR


Capacidad de Proceso para ContinuosCapacidad de Proceso para Continuos

Cuando su tipo de Datos es CONTINUO, los pasos a tomar sonlos siguientes :-

1. Corra su prueba de Normalidad, dependiendo de que si el

conjunto de sus datos esta normalmente distribuidos o no,determinara cual herramienta de capacidad usar

2. Seleccione la prueba de capacidad correcta y aplíquela3. Haga sus conclusiones




38


MOD 4 - ANALIZAR


EjercicioEjercicio

Usted es el BB de la Cadena de Suministro trabajando en laresolución de la situación (RS) mejoras del Tiempo de Ciclo.

El objetivo del Cliente para la resolución de la reclamación es unperiodo de 45 días, con una especificación superior de 100 días,fijada por el Supervisor CS.

Como se esta desempeñando el proceso actual ?

Filename: ir cycle time.mpj




39


MOD 4 - ANALIZAR


• Los datos NO son normales

• El proceso NO esta en control, (situación de varianza) se necesita trabajar en llevar lassituaciones mas antiguas en una línea• DPMO 359,375 (observado)

Análisis de Capacidad para Continuos (Paso 4)

CLOSE-OPEN days

P e r c e n t

4003002001000-100-200

99.9

99

95

90

80

7060504030

20

10

5

1

0.1

Mean

<0.005

85.20

StDev 88.41N 128

A D 8.076

P-Value

Probability Plot of CLOS E-OPEN daysNormal

320240160800-80

Target USL

Process Data

S ample N 128

S tD e v (W ithin ) 2 4.0 68 80

S t D ev ( O v e ra ll ) 8 8. 58 59 5

LSL *Target 45.00000

U S L 100.00000

S am ple M ean 85.20313

Potential (Within) Ca pability

C C pk 0.76

O verall C apability

P p *

P P L *

P P U 0.06

P pk

C p

0.06

C pm 0.19

*

C P L *

C P U 0.20

C pk 0.20

O bserv ed Performance

P P M < LS L *

P P M > U S L 35 93 75 .0 0

P P M T ota l 359375.00

Exp. Within Performance

P P M < LS L *

P P M > U S L 2 69 35 1.9 6

P P M T o ta l 269351.96

Exp. O v erall Performance

P P M < LS L *

P P M > U S L 4 33 67 1. 60

P P M T o ta l 433671.60

Within

Overall

Issue Resolution Cycle Time




40


MOD 4 - ANALIZAR


Resumen de Capacidad – Paso 4Resumen de Capacidad – Paso 4 Medidas de la capacidad del proceso que tan bien estamos cumpliendocon las especificaciones del cliente.

Debe verificar estabilidad antes de correr cualquier estudio de capacidad.

Estabilidad no implica capacidad.

Para datos variables, debemos verificar normalidad antes de correr unestudio de capacidad.

Datos No-normales pueden ser convertidos a normales usando Weibull o

transformación por Box Cox.

Datos por Atributos son analizados de acuerdo a la distribución binomial.




41

MOD 4 - ANALIZAR


Definir Objetivos de

Desempeño

Definir Objetivos de

Desempeño

PASO 5




42

MOD 4 - ANALIZAR





Entregables: Estadísticamente

Definir la meta del Proyecto1er pase en posibles beneficios

del proyecto

Herramientas:

DPMO / PPM Benchmarking



Entregables: Estatus del

Proceso Actual

Herramientas:


Análisis Grafico

Muestreo Continuo Zst, Zlt

Normalidad

Discretos Zst, Zlt


Entregables: Lista de X’s

EstadísticamenteSignificantes, escogidasbasado en el Análisis deDatos Históricos

Herramientas:




ANOVA / GLM

Box Plot




43

MOD 4 - ANALIZAR


• Cuantificar los requerimientos del cliente (CTQ) yrequerimientos internos define los Estándares de Desempeño(Especificación)

• El Desempeño es medido contra nuestros estándares

• Fallar al cumplimiento de el Desempeño del Standard es

definido como un defecto

• La presencia de defectos da como resultado un defectivo

Definir los Estándares de Desempeño




44

MOD 4 - ANALIZAR


• Un defecto es cualquier característica (s) la cual causa en unarticulo falla en cumplir las especificaciones (CTQ)

• Los Defectivos resultan en re trabajos, desperdicio o retornospor garantías

• First Time Pass (FTP) y Partes por Millón (PPM) son medidas

tradicionales de defectivos

Defectivo

FTP =

Cantidad paso * 100

Cantidad Total

PPM =

Cantidad Defectiva * 1,000,000

Cantidad Total

Los Defectivos son artículos con uno o mas defectos




45

MOD 4 - ANALIZAR


• Un defecto es cualquier ocurrencia de una falla acumplir el Standard de desempeño o producir la salidaesperada de un proceso

• Una unidad defectiva puede contener mas de un

defecto.• Contar defectos de manera precisa requiere que no

paremos a buscar defectos después de que el primero

es identificado

Defectos

Cualquier cosa que no es hechacorrectamente la primera vez es un defecto




46

MOD 4 - ANALIZAR


• Defectos por Unidad (DPU) y Defectos por Millónde Oportunidades (DPMO) son usados paracuantificar defectos.

Defectos (Responsable por Scrap o Re trabajo)DPU = -----------------------------------------------------------------

Unidades (Originalmente Sumitidas del Proceso)

Métricas de Defectos

DPU es el numero promedio de defectosdentro de cada unidad producida




47

MOD 4 - ANALIZAR


• DPMO da un panorama mas completo de los defectos

de una parte/proceso que las medidas de defectivos(PPM)

• Debemos primero definir Oportunidad:

– Una Oportunidad es una probabilidad de crear undefecto

DPMO =Defectos

OportunidadesX 1,000,000

DPMO revela la capcidad de un proceso entero

Métricas de Defectos




48

MOD 4 - ANALIZAR


• Un Black Belt estaba trabajando en un proyecto para

registrar retornos de producto defectivo por código de fechadel producto de uno de nuestros mayores Distribuidores. Enel 2005, el total de retornos era igual a 5,914. El numero totalde productos vendidos fue de 43,344

– Cuenta de Defectos = 5,914 – Oportunidades = 43,344

– DPMO = 5,914 / 43,344* 1,000,000 = 136,443

– PPM = 5,914 / 43,344* 1,000,000 = 136,443

Ejemplo - Comercial

Por que los DPMO = PPM en este ejemplo?




49

MOD 4 - ANALIZAR


DPMO v’s. PPMDPMO v’s. PPM

• Donde las oportunidades sean igual a 1, Los DPMO serán losmismos que los PPM.

• Los defectivos manejan la satisfacción del cliente.• Los defectos manejan la mejora del proceso.• Los DPMO proveen una medida estable para probar el

desempeño del proceso.• Los PPM son sensitivos a la distribución de defectos, no a la

cantidad total.• Los DPMO son manejados solamente por la cantidad de

defecto.




50

MOD 4 - ANALIZAR


Sigma Calc.xls

Nivel Sigma

2

3

4

5

6

% Bueno

70%

94%

99.4%

99.98%

99.99997%

DPMO

308,537

66,807

6,210

233

3.4

Relación entre % Bueno, Sigma, y DPMORelación entre % Bueno, Sigma, y DPMO




51

MOD 4 - ANALIZAR


BenchmarkingBenchmarking

PASO 5




52

MOD 4 - ANALIZAR


El Objetivo BásicoEl Objetivo Básico

1

10

100

1000

10000

100000

1000000

33 44 55 66 7722

Escala Sigma de Medición

PPMPPM

Su ProcesoSu Proceso

Objetivo deDesempeño

Objetivo deDesempeño

Como determina usted el Objetivo de Desempeño?

La Necesidad de Dirección para el Avance




53

MOD 4 - ANALIZAR


Definiendo los Objetivos de Desempeño

Benchmark: Desempeño Clase-MundialBenchmark: Desempeño Clase-Mundial

Entitlement: El nivel de desempeño que un negocio debe ser capaz delograr de acuerdo a las inversiones ya hechas

Entitlement: El nivel de desempeño que un negocio debe ser capaz delograr de acuerdo a las inversiones ya hechas

Defectos

p(x)Benchmark

Entitlement Baseline

Benchmarking fija la ultima meta, mientras Baseliningtoma las mediciones actuales para monitorear un proceso

Benchmarking fija la ultima meta, mientras Baseliningtoma las mediciones actuales para monitorear un proceso

Baseline: Nivel actual de desempeñoBaseline: Nivel actual de desempeño




54

MOD 4 - ANALIZAR


BenchmarkingBenchmarking

1. Identifique el proceso a benchmark

2. Seleccione la Organización / departamento / proceso a benchmark

3. Prepare para la visita / colecte información

4. Conduzca visita / revise información

5. Debrief y desarrolle el plan de acción

6. Comunique y revise


MOD 4 ANALIZAR



55

MOD 4 - ANALIZAR


• Ver un solo componente de manera aislada

• Usar comparaciones no relevantes

• Observaciones simples

• Otras ?

Obstáculos de BenchmarkingObstáculos de Benchmarking


MOD 4 ANALIZAR



56

MOD 4 - ANALIZAR


Meta estadística de este proyectoDPMO Sigma

Desempeño Actual Agosto - Oct 04 20,417 3.55Meta 10,378 3.81

Benchmarking

Sigma en Bélgica = 3.43 v’s. Sigma en Francia = 4.1

- Mismo Gerente de Operaciones- Similar Organización de Servicio al Cliente- Similar Base de Clientes- Diferente uso de Variabilidad de negociación de precios: Representantes de ventas deBélgica debido a la competencia del mercado tienen mas frecuentemente que ofrecer variabilidad en la negociación de precios para proteger las ventas. Esto incrementa lacomplejidad del proceso para fijar a tiempo y de manera precisa el precio en el sistema.

Paso 5: Definir Objetivos de Desempeño – Ejemplo Proyecto GB


MOD 4 ANALIZAR



57

MOD 4 - ANALIZAR


RevisiónModulo 5 - Finanzas

RevisiónModulo 5 - Finanzas

Paso 5


MOD 4 ANALIZAR



58

MOD 4 - ANALIZAR


Identificar las Fuentesde Variación

Identificar las Fuentesde Variación

PASO 6


MOD 4 ANALIZAR



59

MOD 4 - ANALIZAR





Entregables: Estadísticamente

Definir la meta del Proyecto1er pase en posibles beneficios

del proyecto

Herramientas:

DPMO / PPM Benchmarking



Entregables: Estatus del

Proceso Actual

Herramientas:


Análisis Grafico

Muestreo Continuo Zst, Zlt

Normalidad

Discretos Zst, Zlt


Entregables: Lista de X’s

EstadísticamenteSignificantes, escogidasbasado en el Análisis deDatos Históricos

Herramientas:

Analizar de Proceso

Análisis Grafico



ANOVA / GLM

Box Plot


MOD 4 - ANALIZAR



60

MOD 4 - ANALIZAR


Árbol deConvergencia

Árbol deConvergencia

PASO 6


MOD 4 - ANALIZAR



61

MOD 4 ANALIZAR


Que es?Que es?

• El árbol de convergencia es una guía visual a través de su proyecto.

• Cada rama representa un “corte” que eliminara causas posibles.

• Expresar5 y seguir un árbol de solución en una investigación escentral para direccionar hacia la X Vital y facilitar la búsqueda del patrón

de convergencia.

• Opera como mapa guía para el equipo

• Muestra opciones que fueron percibidas, elecciones tomadas, yfundamentos para cambios.

• GRAN HERRAMIENTA DE COMUNICACION


MOD 4 - ANALIZAR



62

MOD 4 ANALIZAR


Fuente:

• CTQ identificado

• Métrico: DPMO• Mapa de Proceso

• Diagrama de Pescado

Cliente insatisfecho con el servicio deentrega de Pizza

Tomar la orden Preparación

Forma para

Orden STD

Claridad en Teléfono Mandar orden a cocinar

EquipoRuido en elcuarto

Escuchar ymanera dehablar

TeléfonosCelulares

EjemploEjemplo


MOD 4 - ANALIZAR



63

MOD 4 ANALIZAR


Ejemplo de ManufacturaEjemplo de Manufactura

Distancia Central

Ensamble

Armadura

Medición

RodamientoCilindrico

EsfericoEsferico

Medición Parte

Dimensión esféricade la Cavidad

Dimensión cilíndricade la Cavidad

Caja deEngranes

FlechaReciprocante

Engrane

Parte

Transmisión Coraza

Componente

Quemado/Altos Amps


MOD 4 - ANALIZAR



64©Black & Decker (U.S.), Inc., - V1.0, DATE

Convergence Tree - PackagingProblemas de Empaque de Consumer

Tiempo Costo Calidad

SALIDA CPT AccesoriosHH

I = empaqueabollado

G =empaquedesgarrado

W = Daño por agua

DFT = Robodurante ladescarga

OG =Empaquecortado al abrir

N = tarimasmojadas

Ejemplo ComercialEjemplo Comercial


MOD 4 - ANALIZAR




Diagrama de Pescado /

Causa y Efecto

Diagrama de Pescado /Causa y Efecto

PASO 6


MOD 4 - ANALIZAR




Reglas y Tips para Lluvia de Ideas Reúna un grupo multifuncional

Fije o declare objetivos claros :-“Cuales son los factores que están afectando el nivel de servicio pobre”

Escriba cada idea palabra por palabra

No juzgue ninguna idea (no hay respuestas equivocadas)

Sea Creativo – esto alienta las ideas Deténgase cuando las ideas se vayan acabando

Usualmente 10 a 15 minutos

Tenga el Objetivo claro a la vista

Escriba las ideas en post its Cintunue escribiendo un cantidad grande necesaria para que el grupo lo vea


MOD 4 - ANALIZAR




• Un diagrama de pescado o diagrama causa-y-efecto representa lascausas potenciales de un problema.

• La lista de causas en un lado están organizadas en una estructuratipo ramas .

• Las ramas, categorías mayores de las causas, tienen un listado demas causas específicas.

Que es?Que es?

Stat > Quality Tools > Cause and Effect


MOD 4 - ANALIZAR




Clásicas M’s:

• Hombre (Man)

• Maquinas

• Materiales

• Métodos

• Mediciones

• Medio ambiente

Transaccional P’s:• Gente (People)

• Lugares (Places)

• Procedimientos

• Políticas

• Mediciones• Sistemas

Categorías de Causas PotencialesCategorías de Causas Potenciales


MOD 4 - ANALIZAR




Brainstorming Causas PotencialesBrainstorming Causas Potenciales

Hombre (Man)

Métodos

Materiales Maquinas

Medio ambiente

• Los materialistas azotan loscontenedores dentro del pick face

• Producto se deja caer en ellugar de salida

• El recolector vierte las partesdentro del tote

• Empacadores de ensamblado

• Tote density too many in compin tote

• Goteras en el trailer

• El Skid se cae en el camión

• Partes no seguras en loscamiones cuando sonembarcadas

• Empaques de proveedores

• No criterio de medición

• Totes Dañados/ contenedores

• Vibración del transportador

• Soporte superior de la maquina

• Skids dañados

• Partes defectivas antes dePTO

Medición

• Verificando danos in llaves decilindros

• No Standard


MOD 4 - ANALIZAR




Situación:Resolución

de tiempode Ciclo

Gente Cliente

Medio ambiente / Método Maquina / Sistema

Procedimiento de trabajoconfuso / desconocido

Mngm buy In / Drive

No respaldo

Confuso R&R

Prioridad baja de IR v

Baja valor de RMA

Sistema V lento, tiempo

LNP excluido del las revisionesSCM y GEAM

Pobre comunicación lnp /cust & cust / lnp

Estatusincorrecto

Colapso de

sistema

Velocidad de ejecución de RMA

Error de re ruteo

Botón de Edición faltante

Código equivocado / info.

Ajustes delgrupo de trabajo

Pivotal update v slow

E-pod no al 100% para LNPViejo CSR info. limitada

Confuso / desconocidoprocedimiento de escalada

Usar nivel deExperto

Notificación de botón de edición

Asegurar que CS es unasituación única punto deentrada, a tiempo

Asegurar CS is single issueentry point

Presión de trabajo Cr /Dr faltando

Velocidad de cierredespués de RCCA

Proceso CappioRCCA

Compromiso para buen IR

No efectiva acción correctiva

Volumen de situaciones

LNPE UniformeSituaciones desistema

Ejemplo enPowerPoint


MOD 4 - ANALIZAR




Cargar datos por Categoría inColumnas

Cambiar etiquetascomo se requiera

Filename: KSFishbone.MPJStat> Quality Tools > Cause & Effect

Ejercicio de MinitabEjercicio de Minitab


MOD 4 - ANALIZAR




MinitabMinitab

misplaced

packing

Envi ronment

Measurements

Methods

Material

Machines

Personnel

packers assem bling

pickers dump parts in box

Drop product placing onthe dock

Materials handlers slamcontainers into pickface

Top pinning machine

Conveyor vibration

dam aged boxes

no measurement criteria

Packaging by suppliers

Parts not secure ontruck during s hipment

Pallet overtunrs in truck

No standards

no quality checksbefore shipping out

leaking trailers

boxes too m any on 1pallet

KS Fishbone Exercise


MOD 4 - ANALIZAR




EjemploEjemplo•En una Orden de empaque de Kwikset, las auditorias de final de líneamostraron que el 60% de los cilindros de cierre fueron rayados o

abollados.•El Black Belt inicio una investigación para averiguar las causas.•La meta era reducir los DPMO un 80%.

• Porque los cilindros estaban siendo dañados?

Cilindro y llave


MOD 4 - ANALIZAR




Consejos:• Circule las causasparecidas

• Busque los temascomunes

• Pregunte por quecada situación es una

causa• Inicie el proceso paraidentificar las pocasvitales x’s de las

muchas x’s solo conLluvia de Ideas(brainstorming)

No culpe a nadie. Haga énfasis que el equipo esta trabajando hacialas causas raíz de las pocas vitales

Grafica de AnálisisGrafica de Análisis


MOD 4 - ANALIZAR




Lluvia de Ideas – Causas PotencialesLluvia de Ideas – Causas Potenciales

Pregunte POR QUE suficientes veces hasta que su equipo de expertos comience

REALMENTE a llegar a las causas raíz de las situaciones del proceso

Por Ejemplo :-

1. PORQUE fallo?

2. PORQUE retarda al proceso?3. PORQUE el proceso no es conocido ?

4. PORQUE no sabemos quien debe hacer que ?

5. PORQUE re trabajamos ?

Los 5 Porqués …………..


MOD 4 - ANALIZAR




Corrobore cada “porque” condatos reales para confirmar cualquier posibilidad.Esto puede tomar algún tiempodependiendo de la disponibilidad de losdatos pero probara que vale la pena en

la resolución de cualquier dudadentro o fuera del equipo y en justificar posibles desembolsos

Ejemplo 5 Porqués –Considera simple el

sistema?

Ejemplo 5 Porqués –Considera simple el

sistema?


MOD 4 - ANALIZAR




Solución de problema – 5 PorquésSimplemente pregunte PORQUE 5 veces, por ejemplo:

1. “Porque se fundió el fusible?” Demasiada carga en el motor

2. “Porque hay demasiada carga en el motor?” No fluye suficiente aceite a través de la bomba

3. “Porque no hay suficiente flujo?” El filtro esta bloqueado

4. “Porque esta el filtro bloqueado?” Hay impurezas en el aceite

5. “Porque hay impurezas en el aceite?” ……………………..


MOD 4 - ANALIZAR




Pocas Vitales – tome como objetivo unMáximo de 4

Como llegar desde el paso 6 al paso 7 – Las pocas vitales x’s ?• Del resultado general de la lluvia de ideas del paso 6, necesita ahora identificar las

POCAS VITALES x’s……….

• Con su diagrama de pescado, use datos cuando los tenga o con el equipo valore

las x’s basándose en el bloque de 4 para obtener las POCAS VITALES x’s :

• Remarque las POCAS VITALES (ejemplo./ valor 1)

• Sea Inteligente ……..si usa Fish Bone, tome como objetivo cubrir el paso 6 Y 7 enuna junta con su equipo de proyecto

• NOTA: El Paso 7 es el inicio de fase MEJORAR y será cubierta con mas detalleen ese modulo.

1 2

3 4

Impacto

Alto BajoFácilImplementar

Difícil


MOD 4 - ANALIZAR




Graficas de ParetoGraficas de Pareto

PASO 6


MOD 4 - ANALIZAR




• Las Graficas de Pareto pueden ayudar a enfocar los esfuerzos de

mejora en las áreas donde los mas grandes beneficios se puedenhacer

• De acuerdo al Principio de Pareto, aunque pudiera haber unos

cuantos pocos contribuidores al problema, la mayoría del problemaes generado solo por una pequeña cantidad de esos contribuidores

• Los principales contribuidores al problema son considerados a ser

“las pocas vitales” la regla 80 / 20

Graficas de ParetoGraficas de Pareto


MOD 4 - ANALIZAR




Stat>Quality Tools>Pareto ChartStat>Quality Tools>Pareto Chart

Etiquetecategoríasaquí

Ponga losdatos aquí Cargue las etiquetas y

datos aquí

Combine todos los otrosdefectos, después esteporcentaje en una caja

etiquetada como “otros.”

MinitabMinitab


MOD 4 - ANALIZAR




C o u n t

P e r c e n t

DefectivesCount

2.8

Cum % 52.8 85.1 97.2 100.0

20600 12600 4700 1100

Percent 52.8 32.3 12.1

AppraisalNon-ConformanceWarrantyScrap

40000

30000

20000

10000

0

100

80

60

40

20

0

Pareto Chart of Defectives

Stat > Quality Tools > Pareto chart

Cargue en una hoja de trabajo:Defectives $COFScrap 20600Non-Conformance 4700Appraisal 1100Warranty 12600

MinitabMinitab


MOD 4 - ANALIZAR




C o u n t

P

e r c e n t

DefectivesCount

2.8Cum % 52.8 85.1 97.2 100.0

20600 12600 4700 1100

Percent 52.8 32.3 12.1

AppraisalNon-ConformanceWarrantyScrap

40000

30000

20000

10000

0

100

80

60

40

20

0

Pareto Chart of Defectives

• El contribuidor numerouno al costo de falla es eldesperdicio (scrap).

• Enfocándose en lareducción del desperdicio,atacaremos el 53% de elcosto de falla (COF)

El COF equivale a un 52.8%.Los proyectos se

enfocaran en esta área.

Enfoque de ParetoEnfoque de Pareto


MOD 4 - ANALIZAR




Prueba de HipótesisPrueba de Hipótesis

PASO 6


MOD 4 - ANALIZAR




• Maneja apropiadamente la incertidumbre• Minimiza la subjetividad

• Cuestiona asunciones• Previene la omisión de información importante

• Maneja el riesgo de errores de decisión

Porque Prueba de Hipótesis


MOD 4 - ANALIZAR




Como trabaja?Como trabaja?1. Formula su hipótesis – Que quiere usted probar ?

2. Establece su nivel de riesgo alfa

3. Colecta sus datos

4. Desempeña la prueba estadística apropiada basada en la distribuciónde la probabilidad y el tipo de datos

5. Determina el valor de p y lo usa para hacer conclusiones acerca de suhipótesis

6. Traduce la conclusión estadística hacia la solución practica

ProblemaPractico

ProblemaEstadístico

SoluciónEstadística

SoluciónPractica


MOD 4 - ANALIZAR




La Prueba de Hipótesis es una herramientaestadística que nos permite contestar lacuestión practica:

“Hay una diferencia real entre ‘C’ y ‘D’ ?

Que es?Que es?


MOD 4 - ANALIZAR




La Prueba de Hipótesis en cada día de la vidaHo: La edad no importa en una compañía contratando practicasHa: La edad importa en una compañía contratando practicas

Ho: Los Datos son NormalesHa: Los Datos no son Normales

Ho: El tiempo de ciclo promedio del Lote X ES IGUAL al tiempode ciclo promedio del Lote Y

Ha: El Tiempo de ciclo promedio del Lote X NO ES IGUAL altiempo de ciclo promedio del Lote Y

Ho = _______________________________________ Ha = _______________________________________


MOD 4 - ANALIZAR




Alfa (αααα) es el riesgo de encontrar una diferencia cuando en realidad no hayuna. También llamado error TIPO I o Riesgo del Productor.

Beta (ββββ) es el riesgo de no encontrar una diferencia cuando en realidad hayuna . También llamado error TIPO II o Riesgo del Consumidor.

Riesgo Alfa y BetaRiesgo Alfa y Beta

Su DecisiónSu Decisión

Aceptar Ho

LaVerdad

LaVerdad

Ho Verdad

Ho Falso

Error TIPO I((((Riesgo αααα)

Error TIPO II((((Riesgo ββββ)

CorrectoCorrecto

CorrectoCorrecto

Rechazar Ho


MOD 4 - ANALIZAR




Decisiones de AlarmaDecisiones de Alarma

Nada en la bolsa

La

Verdad

La

Verdad

Nada en la bolsa

Algo malo en labolsa

Error TIPO I

(((( Riesgo αααα)

Error TIPO II

((((Riesgo ββββ)

CorrectoCorrecto

CorrectoCorrecto

Algo malo en la bolsa

Consecuencias: Arma en aeropuerto

Consecuencias:Cliente detenido

en seguridad

Seguridad enAeropuerto


MOD 4 - ANALIZAR




Decisión del JuradoDecisión del Jurado

No es culpable

La

Verdad

La

Verdad

Inocente

Culpable

Error TIPO I

(((( Riesgo αααα)

Error TIPO II

(((( Riesgo ββββ)

CorrectoCorrecto

CorrectoCorrecto

Es culpable

Consecuencia: Criminal sale libre

Consecuencia:

Hombreinocente va a lacárcel

Jucio


MOD 4 - ANALIZAR

Ni l d Si ifi i (Alf )

Ni l d Si ifi i (Alf )




Nivel de Significancia (Alfa)Nivel de Significancia (Alfa)• El nivel de significancia (alfa) es la probabilidadde hacer un error Tipo I.

• Si usted desea que haya oportunidad menor del 10% de que sus observaciones pudieranocurrir aleatoriamente, (αααα = 0.10)

• Este nivel de alfa requiere dos cosas:• La asunción de no diferencia (Ho – ‘H Nula’ )

• Una referencia de distribución de algún sorteo


MOD 4 - ANALIZAR

H i t d P b d Hi ót i




Herramientas de Prueba de Hipótesis

• Hay cuatro principales herramientas estadísticas usadas para la prueba de

hipótesis Prueba T

Prueba Chi-cuadrada

ANOVA

Prueba F

• La aplicación de las herramientas depende de

Tipo de los datos

Planteamiento del problema


MOD 4 - ANALIZAR

M d l P b d Hi ót i




Mapa de la Prueba de HipótesisPara determinar si hay una diferencia estadística entre las poblaciones:

Datos por Atributos

Prueba Chi cuadrada

Datos Continuos (Variable)Varianza Media

Prueba F Comparaciónde dos Muchascomparaciones

Prueba T ANOVA


MOD 4 - ANALIZAR

V l P

V l P




Valor PValor P

• El “valor p” es la probabilidad de la hipótesis nula ocurriendo por oportunidad

• Esto es, el valor de P igual a la probabilidad de obtener la diferenciaobservada dada de que la diferencia real es cero

• El valor de p esta basado en una actual o asumida distribución dereferencia (ya sea normal, distribución t, chi-cuadrada, o distribución F) .

• Usamos el valor p para trazar conclusiones acerca de nuestros datos.• Si p < αααα, rechazamos Ho (aceptamos Ha)• If p > αααα, aceptamos Ho (rechazamos Ha)

• Usaremos Minitab para calcular nuestro valor p.


MOD 4 - ANALIZAR

Haciendo Conexiones

Haciendo Conexiones




Haciendo ConexionesHaciendo Conexiones• Recuerde que una prueba de normalidad es para examinar el valor.

• Dijimos que si p > 0.05 (alfa), entonces los datos son normales.

• La prueba de normalidad es de hecho una prueba de hipótesis.• Que hemos estado usando como hipótesis nula y alterna?

Ho: Los datos son Normales Ha: Los Datos no son Normales

C1

P e r c e n t

1101051009590

99

95

90

80

70

60

50

40

30

20

10

5

1

Mean

0.181

99.42

StDev 3.536

N 10

AD 0.478

P-Value

Probability Plot of C1Normal


MOD 4 - ANALIZAR

Formulando Hipótesis para Datos por Atributos:




Formulando Hipótesis para Datos por Atributos:

Hipótesis Nula (Ho)

Interpretación: La respuesta al factor A no depende de los niveles del factor B.

Ho: A es independiente de B

Hipótesis Alterna (Ha)

Interpretación: La respuesta del factor A depende de los niveles del factor B.

Ha: A es dependiente de B

La interpretación de resultados depende del niveldeseado de significancia


MOD 4 - ANALIZAR

Que es esto?

Que es esto?




• Recuerde que los datos por atributo son datos discretos

(Pasa / Falla)

• Con datos por atributos estamos probando dependencia,

no una diferencia.

• En adición al valor p, usamos una tabla de contingencia

de análisis para analizar los datos vía clasificación dos-caminos (involucrando dos factores).

Que es esto?Que es esto?


MOD 4 - ANALIZAR

Hi ót i At ib t P di i t

Hipótesis por Atributos Procedimiento




• Plantee el Problema Practico

• Formule la Hipótesis

• Prepare sus datos en Minitab• Corra Chi-Cuadrada

• Traduzca la conclusión estadística en términos deproceso

Hipótesis por Atributos - ProcedimientoHipótesis por Atributos - Procedimiento


MOD 4 - ANALIZAR

Ejemplo de Prueba de Hipótesis por Atributos:




Ejemplo de Prueba de Hipótesis por Atributos:Ejercicio: Use la hoja de trabajo para decidir si el estatus de entregadepende de que transportador (Carrier) sea usado.

Ho (Nula): El estatus de entrega es independiente del carrier usado.

Ha (Alt): El estatus de entrega es dependiente del carrier usado.

Paso 1: Plantee el Problema

Nombre del archivo: carrier.mpj

Carrier A Carrier B Carrier C Carrier D Carrier EEntregas a Tiempo 28 29 39 42 15

Entregas tarde 19 4 10 12 8


MOD 4 - ANALIZAR

Paso 2a: Determine la prueba estadística en Minitab




p

- Seleccione columnas conteniendo los datos

Minitab: Stat > Tables > Chi-square Test


MOD 4 - ANALIZAR

Paso 2b : Lea el valor de p de los datos de salida de la Ventana de Sesión




p

Valor P = 0.032


MOD 4 - ANALIZAR

Pas 3: Analice los resultados




Pas 3: Analice los resultados

Si el valor de P > 0.05 No Rechace Ho

Si el valor de p < 0.05 Rechace Ho

Valor de P = 0.032 por tanto < 0.05 …………a si que Ho es rechazada

Paso 4: Interprete los resultados - Conclusión

El Estatus de Entrega depende del carrier usado

Ho (Nula): El estatus de entrega es independiente del carrier usado.

Ha (Alt): El estatus de entrega es dependiente del carrier usado.

Paso 1: Plantee el problema


MOD 4 - ANALIZAR

Prueba de Hipótesis – Resumen de Datos por Atributos

Prueba de Hipótesis – Resumen de Datos por Atributos




La prueba de Hipótesis puede ser aplicada a datos por atributos como escon los datos variables; sin embargo, con datos por atributos estamos

probando dependencia entre variables.

Para determinar dependencia y probar (o desaprobar) su hipótesis, use elvalor p.

Recuerde las reglas:

Si p < αααα, rechace Ho.

Alternativamente, si χχχχ 2(calc) > χχχχ 2 (critica), entonces RECHACE Ho.

Prueba de Hipótesis – Resumen de Datos por AtributosPrueba de Hipótesis Resumen de Datos por Atributos


MOD 4 - ANALIZAR

Prueba de Hipótesis – Datos Continuos

Prueba de Hipótesis – Datos Continuos




Ejercicio: Un nuevo sistema de procesamiento de orden ha sido iniciado por elequipo Gamma. Ellos creen que este sistema incrementa la precisión de ordenesy ayuda a cumplir tiempo de entrega requerido por las tiendas.

Use el archivo: Delivery2.mpj para decidir si el tiempo de entrega a Gamma esmejor que el tiempo de entrega a Praxis.

NOTA – Que tipo de datos tiene ? Que quiere probar ?Por lo tanto que herramienta esta usted usando mejor ?

Ho: µp = µg


Ha: µp µg≠

Ho: Media del tiempo de entrega a Praxis = Media del tiempo de entrega a Gamma

a: Media del tiempo de entrega a Praxis Media del tiempo de entrega a Gamm≠

Prueba de Hipótesis Datos ContinuosPrueba de Hipótesis Datos Continuos


MOD 4 - ANALIZAR

Paso 2a: Determine la prueba estadistica en MinitabSeleccione columnas




Seleccione columnasconteniendo datos

Minitab: Stat > Basic Statistics > 2 - Sample t


MOD 4 - ANALIZAR

Paso 2b: Determine la prueba estadísticamente en Minitab y lea el valor pd l t d ió




de la ventana de sesión

Two-sample T for Gamma v's Praxis

N Mean StDev SE MeanGamma 30 1.77 4.47 0.82Praxis 30 3.92 5.48 1.0

Difference = mu (Gamma) - mu (Praxis)Estimate for difference: -2.1493695% CI for difference: (-4.73626, 0.43754)

T-Test of difference = 0 (v's not =): T-Value = -1.67 P-Value = 0.102 DF = 55


MOD 4 - ANALIZAR

Paso 3: Analice Resultado




Paso 3: Analice Resultado

Si el valor p > 0.05 = No rechace la Nula (Ho)

Si el valor p < 0.05 = Rechace la nula (Ho)

Valor P = 0.102, por lo tanto > 0.05, la nula (Ho) NO es rechazada

Paso 4: Interprete Resultado – Conclusión

No hay diferencia estadística en la media del tiempo de entrega a Praxis o Gamma

El sistema nuevo no ha afectado significativamente el tiempo de entrega

Paso 1: Plantee el problemaHo: Media del tiempo de entrega a Praxis = Media del tiempo de entrega a GammaHa: Media del tiempo de entrega a Praxis Media del tiempo de entrega a Gamma≠


MOD 4 - ANALIZAR

Porque probar Poblaciones una contra Otra?

Porque probar Poblaciones una contra Otra?



109


Muestra 2Muestra 1

Nunca sabemos los parámetros verdaderos de la población. Por eso usamosestadísticas de las muestras para determinar que tan probable es que esa dos muestras

vengan de una población. Podemos comparar dos medias de procesos y varianzas para concluir con confidencia

estadística que esos parámetros vienen de una población o dos.

Tales comparaciones pueden también proveer a nuestros proveedores y clientes

información critica para ayudar en la mejora continua del proceso. Para contestar la pregunta:

“Hay una diferencia real entre y ?”

Muestra 1

Muestra 2OR

Porque probar Poblaciones una contra Otra?q p


MOD 4 - ANALIZAR

Que es?

Que es?



110


• ANOVA es simplemente otra prueba de hipótesis, por tanto en escala masamplia.

• ANOVA desempeña pruebas entre múltiples poblaciones.• Con ANOVA, estamos tratando de probar:

• “Hay una real diferencia entre & & & . . . ?”

• “Es la diferencia significante?”

• “Es la diferencia debida a causas especiales y comunes?”

NOTA – Que tipo de datos tiene usted? Que quiere usted probar?Por tanto que herramienta esta usted usando mejor ?


MOD 4 - ANALIZAR

Procedimiento

Procedimiento



111


1. Plantee el problema practico2. Verifique que los datos sean normales, independiente, varianzas de

población son iguales3. Formule las hipótesis4. Construya la tabla ANOVA5. Verifique que los errores del modelo son normales e independientemente

distribuidos6. Interprete el Valor P- Valor de P < 0.05, entonces RECHACE Ho- De otra manera, la hipótesis nula es verdadera / aceptada

7. Calcule la epsilon cuadrada para el tratamiento y términos de error

8. Traduzca la conclusión estadística en términos de proceso


MOD 4 - ANALIZAR

Ejercicio: Use el Archivo: Delivery3.mpj para decidir si el tiempo de



112


entrega a Praxis, Gamma y B&Q son los mismos.

Ho: µp = µg = µbq

Paso 1: Plantee el problemaHo: Media de tiempo de entrega a Praxis = Media de tiempo de entrega aGamma = Media de tiempo de entrega a B&Q

Ha: Media de tiempo de entrega a Praxis Media de tiempo de entrega aGamma Media de tiempo de entrega a B&Q≠

≠

Ha: µp µg µbq≠ ≠


MOD 4 - ANALIZAR

Paso 2a: Determine estadísticamente la prueba en Minitab



113


Seleccione columnasconteniendo los datos

Minitab: Stat >ANOVA > One - way (unstacked)


MOD 4 - ANALIZAR

Paso 2b: Lea el valor p de la ventana de sesión



114


One-way ANOVA: Praxis, Gamma, B&Q

Source DF SS MS F P

Factor 2 211.1 105.6 5.15 0.008Error 87 1783.3 20.5Total 89 1994.5

S = 4.527 R-Sq = 10.59% R-Sq(adj) = 8.53%

Individual 95% CIs For Mean Based onPooled StDev

Level N Mean StDev ---+---------+---------+---------+------Praxis 30 3.918 5.476 (--------*-------)Gamma 30 0.958 3.302 (-------*-------)B&Q 30 4.435 4.540 (-------*-------)

---+---------+---------+---------+------0.0 2.0 4.0 6.0

Pooled StDev = 4.527


MOD 4 - ANALIZAR

Paso 3: Analice Resultados



115


Si el valor p > 0.05 = No rechace la Nula (Ho), acepte

Si el valor de p < 0.05 = Rechaza la Nula (Ho)

Valor P = 0.008 por tanto < 0.05, así que Ho ES RECHAZADO

Paso 4: Interprete resultados – Conclusión

Hay diferencia estadística en la media del tiempo de entrega Praxis, Gamma y B&Q

Donde esta la diferencia? ……..Analicemos esto viendo a el 95% de CI (Intervalo deConfidencia)…….


Ho: Media de tiempo de entrega a Praxis = Media de tiempo de entrega a Gamma = Media de tiempo de entrega B&QHa: Media de tiempo de entrega a Praxis Media de tiempo de entrega a Gamma Media de tiempo de entrega a B&Q≠≠


MOD 4 - ANALIZAR

One-way ANOVA: Praxis, Gamma, B&Q

Source DF SS MS F P2 2 0 6 0 008



116


• El IC Gamma no se traslapa con el IC para B&Q.• Gamma parece tener un mucho mas bajo IC que Praxis o B&Q.

Factor 2 211.1 105.6 5.15 0.008Error 87 1783.3 20.5Total 89 1994.5

S = 4.527 R-Sq = 10.59% R-Sq(adj) = 8.53%

Individual 95% CIs For Mean Based onPooled StDev

Level N Mean StDev ---+---------+---------+---------+------

Praxis 30 3.918 5.476 (--------*-------)Gamma 30 0.958 3.302 (-------*-------)B&Q 30 4.435 4.540 (-------*-------)

---+---------+---------+---------+------0.0 2.0 4.0 6.0

Pooled StDev = 4.527


MOD 4 - ANALIZAR



117


Intervalos de ConfianzaIntervalos de Confianza


MOD 4 - ANALIZAR

PoblacionPoblacion Muestra aleatoriaMuestra aleatoriaQue nota acerca de sus muestras?



118


ob ac o uest a a eato a

Media X = 266

☺☺☺☺

☺☺☺☺

☺☺☺☺☺☺☺☺

☺☺☺☺☺☺☺☺☺☺☺☺

☺☺☺☺

☺☺☺☺

☺☺☺☺

☺☺☺☺ ☺☺☺☺☺☺☺☺

☺☺☺☺

☺☺☺☺

Hay variación de muestra a muestra . . .Así que como puedo usar estos datos para reflejar mi población


MOD 4 - ANALIZAR

Intervalos de Confidencia

Intervalos de Confidencia



119


• Porque hay variabilidad, de muestra a muestra, en laestimación de media y desviación Standard, podemoscuantificar nuestra incertidumbre usando estadísticabasado en Intervalos de Confianza (IC’s)

• La mayoría de las veces, calculamos IC’s a un 95%

• Esos son interpretados como sigue: – Aproximadamente 95 fuera de un 100 de IC’s contendrá los

parámetros de la población, o

– Tenemos 95% de certeza de que el parámetro de lapoblación esta dentro del intervalo


MOD 4 - ANALIZAR

• Abra el archivo en Minitab Proyecto DMConfidence Intervals.MPJ y asegúrese



120


Confidence Intervals

Variable N Mean StDev SE Mean 95.0 % CI

Data 10 249.56 14.15 4.47 ( 239.44, 259.68)

Este resultado dice que estamos 95% seguros de que la media delproceso actual esta entre 239.44 y 259.68, también estamos tomando un

5% de probabilidad de que estemos equivocados

de que la hoja de trabajo nombradaExample 1 es una hoja de trabajo activa.

• Clic en Stat > Basic Statistics > 1-Sample t.• Seleccione Data como la variable y clicOK.


MOD 4 - ANALIZAR

PASO 6



121


Correlación yRegresiónCorrelación yRegresión


MOD 4 - ANALIZAR

Que es?

Que es?



122


• La Correlación es una medida de la relación lineal entre dos variablescuantitativas (ejemplo: presión y rendimiento) la cual ayuda en

establecer Y = F(X).• La fuerza de la relación Lineal entre dos variables es medida usando elcoeficiente de Correlación = r.

• El Coeficiente de Correlación r, siempre se encontrara entre -1 y +1.

• Guía: Si | r | > 0.80, entonces la relación es significante

-1.0 +1.0

0

CorrelaciónNegativa

Correlación

Positiva

No hay correlación“r”

Grado de Correlación AltoBajo

NOTA: MINITAB USA LA FORMULA DE

CORRELACION “PEARGON”


MOD 4 - ANALIZAR

Por que usarla?

Por que usarla?Todas lasposiblesX’s



123


Colectar datos significantes acerca delproceso sin ninguna interrupción en el.

Este tipo de estudio deja a el proceso enun estado natural de operación (sinDOE) versus induciendo artificialmentevariación (con DOE).

Un análisis grafico y un cuantificador matemáticamente basado de la fuerzaentre las variables dependientes eindependientes.

Método de eliminación (filtrado) defuentes de variación.

Entrada1

S a l i d

a - Y

Entrada2

X

ProbableX’s


MOD 4 - ANALIZAR

Requerimientos

Requerimientos



124


Para conducir un estudio de correlaciónusted debe tener:

–DATOS BIVARIABLES: El terminoes usado para describir dos partesde los datos que son variables.

Expresado matemáticamente, datosbivariables constituidos de paresordenados. Llamémoslos “x” y “y” (x,y).

Es habitual llamar X a la variable deentrada (independiente) y Y a la variablede salida (dependiente)

X (entrada)

x1

x2

x3

x4

x5x...n

Y (salida)

y1

y2

y3

y4

y5y...n

(Respuesta) (Factor)


MOD 4 - ANALIZAR

Tipos de Correlación

Tipos de CorrelaciónFuerte Débil



125


120110100908070605040

110

100

90

80

70

60

50

40

30

Input

O u t p u t

R-Squared = 0.876

Y = 9.77271 + 0.745022X

Strong Positive Correlation

80706050403020100

110

100

90

80

70

60

50

40

30

Input

O u t p u t

R-Squared = 0.876

Y = 99.1754 - 0.745022X

Strong Negative Correlation

1009080706050

110

100

90

80

70

60

50

40

Input

O u t p u t

R-Squared = 0.359

Y = 25.7595 + 0.645418X

Moderate Positive Correlation

50403020100

110

100

90

80

70

60

50

40

Input

O u t p u t

R-Squared = 0.359

Y = 90.3013 - 0.645418X

Moderate Negative Correlation

908070605040

85

75

65

55

Input

O u t p u t

R-Squared = 0.115

Y = 56.6537 + 0.181987X

Weak Positive Correlation

605040302010

85

75

65

55

Input

O u t p u t

R-Squared = 0.115

Y = 74.8524 - 0.181987X

Weak Negative Correlation

Fuerte Débil

+

_


MOD 4 - ANALIZAR

Si t bl l ió t “ ” “ ” NO

Abuso y uso Incorrecto de la Correlación !

Abuso y uso Incorrecto de la Correlación !



126


Si establecemos correlación entre “x” y “y”, NOnecesariamente significa variación en x causada por

variación en y.

Pudiese haber una tercer variable que este causado la

variación que no hemos tomado en cuenta.

Para concluir que hay una relación entre dos variables NO

significa que hay relación causa y efecto.

La Correlación NO determina causal !


MOD 4 - ANALIZAR

Ejemplo

EjemploFilename: Training.mpj

E tá l ú d h d t i t l ó d d ió



127


1050

100

90

80

70

60

training hours

p r o d u c t i o n r a t e

• Están los números de horas de entrenamiento y la razón de produccióncorrelacionadas?

• Significa esto que gastando mas tiempo en el entrenamiento de losempleados incrementara la productividad?1/ SIEMPRE grafique los datos primero

• Graph > Scatter Plot2/ Corra el análisis de correlación

• Stat > Basic Statistics > CorrelationCorrelaciones: horas deentrenamiento, razón de produccióncorrelación Pearson de horas deentrenamiento y razón de producción =0.891

La pendiente positiva MAS un valor R

de 0.891, indican una directa relaciónentre las variables independientes ydependientes


MOD 4 - ANALIZAR

La correlación es una medida de la relación entre dosResumen de Correlación

Resumen de Correlación




variables cuantitativas.

La correlación es una herramienta muy útil en industriasde proceso porque puede inicialmente filtrar fuentes devariación. Tendrá que probar esto mas tarde!

Si usted tiene datos por atributos, necesitaracodificarlos o convertirlos a una escala Likert para correr un análisis de correlación.

Una fuerte correlación NO implica causal!


MOD 4 - ANALIZAR

Regresión

Regresión• Un análisis de regresión genera una ecuación de predicción que nos permite medir

la fuerza entre factor (es) independiente (s) y la variable dependiente




la fuerza entre factor (es) independiente (s) y la variable dependiente

• El coeficiente de determinación, (R2), cuantifica la cantidad de variación en nuestroproceso que es explicada por la ecuación de regresión.

• La ecuación de Regresión que Minitab provee is simplemente la que MEJORENCAJA en los datos graficados.

• Para la regresión lineal simple o múltiple, la variable dependiente debe de se unavariable continua

• Variables independientes pueden ser ambas discretas o continuas, pero deben ser independientes una de otra

• La regresión lineal simple relaciona una ‘x’ a una ‘y’

• La regresión lineal múltiple relaciona múltiples ‘X s’ a una ‘y’


MOD 4 - ANALIZAR

RegressionPlot• Recolecta datos significativos

Porque usarla?

Porque usarla?




876543210

60

50

40

30

20

10

0

-10-20 95%PI

95%CI

Regr essi on

R- Squared=0. 941

Y=- 10.3333+7.75X

RegressionPlotRecolecta datos significativosacerca de un proceso sin

ninguna interrupción en el.

• Este estudio deja a el procesoen un estado natural de

operación

• La regresión puede ser usadacomo un medio de obtener

ecuaciones de predicción conlas cuales las variablesindependientes pueden ser controladas.

Customer

S u p p l i e r


MOD 4 - ANALIZAR

• La Correlación nos dice la fuerza de una relación, no nos dice la

Correlación vs. Regresión

Correlación vs. Regresión




relación numérica exacta.

• El análisis de Regresión calcula una “ecuación de predicción” lacual matemáticamente puede predecir “Y” para cualquier “X” dada.

• El coeficiente de correlación, r, ( el cual cuantifica la fuerza de

asociación entre dos variables) es la raíz cuadrada de el coeficientede determinación , R2, (el cual cuantifica la cantidad de error explicado por nuestro modelo).

• El análisis de correlación pude correr entre cualquiera de dosvariables independientes , pero un análisis de regresión corre entreuna variable independiente una dependiente.


MOD 4 - ANALIZAR

PASO 6




Box PlotBox Plot


MOD 4 - ANALIZAR

Verifique estos puntosOutlier Boxplot




Maximo incluyendo outliers

Mínimo excluyendo outliers

75% del camino hacia el rango de los datos50% del camino hacia el rango de los datos

25% del camino hacia el rango de los datos

Q3Mediana

Q1

Whisker

• Box plot ayuda a mostrar la distribución de sus datos

• Si los datos vienen de una distribución normal entoncesel box plot y la curva normal están are relacionados


MOD 4 - ANALIZAR

Ejercicio

EjercicioArchivo: Jig Saw Gear Case.mtw




• Datos fueron muestreados de todos los 3 turnos de producción.

• El muestreo fue hecho de 1 hora en cada turno, en medio, y 1 hora previo alfinal de cada turno.

• La posición verdadera fue maquinada usando un nido de 4 estaciones.todos los nidos (locaciones) fueron muestreados.

• La posición verdadera fue medida y los datos registrados.

• Su trabajo como el del ingeniero de calidad de Proveedores is determinar cual factor contribuye mas a la posición verdadera del hoyo delrodamiento que esta fuera o desfasado.

• Use Boxplot para analizar varianza entre los diferentes niveles de cadafactor, ejemplo/ Tiempo.


MOD 4 - ANALIZAR

• Crear un Boxplot para cada factor.• Graph > BoxPlot

Ejercicio

Ejercicio




p• With Groups > select data view and tick required selections > OK

Time

T P

CB A

0.20

0.15

0.10

0.05

0.00

Boxplot of TP vs Time

No parece haber mucha varianza entre los diferentes tiempos.


MOD 4 - ANALIZAR

Archivo: online test result.mpj

Ejercicio

Ejercicio




• Datos fueron muestreados de los resultados de prueba de la fase piloto de

el examen• la calificación para pasar es 80%

• Su trabajo como MBB es determinar si el examen esta aplicado al nivelcorrecto (no muy fácil y no muy difícil)

• Use Boxplot para analizar la varianza entre los diferentes niveles de cadafactor, ejemplo/ habilidad técnica vs. Transaccional

• Cuales son sus conclusiones ?


MOD 4 - ANALIZAR

Ejercicio

Ejercicio• Cree un Boxplot para cada factor.

• Graph > BoxPlot > with groups > select data view




function

g r a

d e

TransTech

100

90

80

70

60

50

40

30

Boxplot of grade vs function

• tick required selections > OK


MOD 4 - ANALIZAR

Resumen del Modulo Analizar

Resumen del Modulo Analizar • Reconocer la actual capacidad del proceso en DPMO y términosd Z t




de Zst

• Benchmarking es una herramienta muy útil para establecer elobjetivo / meta de sus proyectos

• Identificar fuentes de variación en ambientes pobres de datos

como también usar técnica de dirección de datos• Cuantificar la fuerza entre variables

• Llevar acabo Prueba de Hipótesis y ANOVA para verificar

asunciones acerca de las causas raíz

• En Analizar, no olvide revisar los beneficios de su proyecto ($$)


MOD 4 - ANALIZAR

Resumen DMAICA, - Cliente, CTQ’s, Enunciado del Problema, Equipo, Como es el proceso etc.

B, C

1 S l i P d t P C t í ti ( ) j CTQ “ ”

Y{Fase Paso Enfoque

Definir

Aprox.

Tiempo

Sem 1




Medir

Mejorar

1 - Seleccionar Producto o Proceso Característica (s); ejem., CTQ “y”

2 - Definir los Estándares de Desempeño para “y”

3 - Validar el Sistema de Medición para “y”

4 - Establecer la Capacidad del Proceso de crear “y”

5 - Definir Objetivos de Desempeños para “y”

6 - Identificar Fuentes de Variación en “y”

7 - Filtrar causas potenciales para cambio en “y” e Identificar Pocas Vitales xi

8 - Descubrir Relación entre Variables Pocas Vitales xi

9 - Establecer Tolerancias Operativas en Pocas Vitales xi

10 – Validar el Sistema de Medición para xi

11 – Verificar mejora en “y” – capacidad de proceso12 – Implementar Controles

13 - Documentación

14 – Resultados de Auditoria

y

yy

y

y

x1,

x2

, . . . xn

x1, x2, . . . xn

Pocas Vit xi

Pocas Vit xi

x y “y”“y”

x y “y”

{

{

{

{Analizar

Controlar

Traducir {

{Sem 3

Sem 3Sem 3

Sem 4

Sem 5

Sem 7

Sem 7

Sem 8

Sem 9

Sem 13+

Sem 13+

Sem 14+

Sem 14

Sem 14


MOD 4 - ANALIZAR

microsoft power point - 4 - analizar lss gb mod v1.1

Documents