Herramientas Estadisticas

PROGRAMA DE FORMACIÓN EN HERRAMIENTAS
ESTADÍSTICAS PARA EL CONTROL Y LA

VALIDACIÓN DE PROCESOS Y ESPECIFICACIONES
DE PRODUCTOS.
Ing. Nestor Caicedo Solano
Especialista en Ingeniería y Gestión de Calidad
MSc. Ingeniería Industrial.
BB Programas Seis Sigma
Tomado de:
Control de Calidad, 2012. Besterfield Dale. Ed Pearson
Introduction to quality control, 2009. Montgomery Douglas, Wiley And Sons.
Juran´s Quality HandBook, 2016. Juran Joseph. Mc Graw Hill.
Conceptos y fundamentos
Calidad.
Dimensiones de calidad
Trilogía de Juran
Caracteristicas de calidad
Variables – atributos
Especificaciones – Límites de especificación – Tolerancias
Límites de control
Historia de Seis Sigma
Seis Sigma nace en Motorola en la década de los
80s.
Inició como una metodología enfocada a las áreas
de producción. Ahora es aplicada en procesos de
negocios como procesos de manufactura.
Adquirió su auge después de su exitosa
implementación en General Electric y Allied Signal
a mediados de los 90’s.
Actualmente esta siendo usado en las compañías
con mayor renombre en el mundo.
3
Importancia de Seis Sigma
Herramientas usadas:
FMEA
Pruebas de QFD
Hipótesis TRIZ
DOE DOE
Lluvia de ideas Regresión Análisis de Tolerancias
8D RSM FMEA
Pareto Simulación
Espina de Pez CEP
Intuición Poka Yoke 6 Sigma (DFSS)
Experiencia
Prueba y Error
Contingencias 4 - 5 Sigma (DMAIC)
2-3 Sigma (Otras iniciativas)

4
Beneficios de Seis Sigma
El avance de un sigma en el nivel de desempeño
de las compañías equivale a:
20% en la mejora del Margen de Operación

15% incremento en la capacidad
20% reducción de capital
12% redistribución de mano de obra
5
Perspectivas
de
Seis Sigma
6
¿Qué es Seis Sigma?
Metodología.
Análisis de Procesos.
Medición de Desempeño.
Significado Práctico.
Valor Meta.
Nueva Cultura.
7
Seis Sigma - Metodología
Seis Sigma es una rigurosa metodología que
engloba 5 fases:
Definir - Medir - Analizar - Mejorar - Controlar
(DMAIC por sus siglas en inglés).
La Metodología obliga al usuario a realizar una

serie de herramientas que incrementa, de manera
significativa, la probabilidad de éxito de cualquier
proyecto si es seguida adecuadamente.
Estas herramientas ayudarán a crear un banco de
información científica acerca del comportamiento
de los procesos.
8
Seis Sigma - Análisis de Procesos
A diferencia de otras iniciativas corporativas, Seis
Sigma no limita las herramientas que propone
para el análisis de procesos y solución de
problemas, al contrario, recomienda las
herramientas científico-estadísticas más
apropiadas para cada fase de desarrollo de los
proyectos.
Seis Sigma es una guía para el Análisis de los

Procesos, y el resultado será un conocimiento
real, libre de supuestos y estimaciones
incorrectas.
9
Seis Sigma - Med de Desempeño
Seis Sigma mide el desempeño de cualquier
proceso en términos “Sigma”. No importa la
naturaleza del proceso, su capacidad puede ser
expresada en “Nivel Sigma” dependiendo de la
cantidad de defectos que produce.
La relación que guarda el “Nivel Sigma” y los
defectos producidos (DPMO - Defectos por Millón
de Oportunidades) en el proceso es inversa, esto
es, entre mayor el número de defectos, menor el
Nivel Sigma.
La tabla en la siguiente página muestra esta
relación:
10
Seis Sigma - Med de Desempeño
Sigma DPMO
6 3.4
5 233
4 6,210
3 66,807
Nivel actual
de las compañías 2 308,538
norteamericanas
1 691,462
Tabla corregida con factor +1.5 sigmas
11
Seis Sigma - Significado Práctico
Actual (6 Sigma)
• 972,000 vuelos al año • 12 vuelos retrasados por año en
retrasados en los principales los principales aeropuertos de
aeropuertos de Europa Europa.
• 5,000 operaciones quirúrgicas • 1.7 operaciones incorrectas por

incorrectas por semana semana
• 200,000 recetas de • 68 recetas equivocadas por

medicamentos equivocadas año.
cada año.
• 550 predicciones del tiempo • 2 predicciones del tiempo

equivocadas al año en las 30 erróneas cada 50 años en las 30
principales ciudades de principales ciudades de
Estados Unidos. Estados Unidos.
12
Seis Sigma - Valor Meta
De acuerdo a la tabla anterior, Seis Sigma nos
propone un objetivo: lograr cometer solo 3
defectos cada millón de veces que se ejecute un
proceso.
Pensando detenidamente en esta declaración, nos
daremos cuenta que los defectos serán casi
imperceptibles. Esto es, nuestros procesos serán
los suficientemente robustos para los
requerimientos de nuestros clientes.
13
Seis Sigma - Cambio Cultural
Al implementar Seis Sigma en una organización,
inicia como una revolución por la cantidad de
herramientas usadas para el logro exitoso de los
proyectos. Sin embargo, con el paso del tiempo,
se convierte en la manera de tomar decisiones y
hacer negocios de la compañía.
Seis Sigma es una evolución, un cambio cultural

que lleva a las organizaciones a un ambiente real
y tangible de mejora continua.
14
Ser Seis Sigma por Inspección
OK, OK, esto de Seis Sigma suena muy retador,
pero si se trata de que al cliente no le lleguen
defectos, ¿que acaso no se podría usar la
inspección para que a los clientes se les enviara
solo producto que satisface sus
especificaciones?
La experiencia nos ha mostrado que no importa

que tan buenos seamos en las operaciones de
inspección y prueba, entre más defectos
produzcamos, más defectos llegarán a los
clientes.
15
Descripción
de la
Metodología
DMAIC
16
La Metodología cuenta con 5 fases básicas:
Definir
Controlar Medir
Mejorar Analizar
17
DEFINIR
Objetivos:
Conocer quiénes son los clientes,qué
esperan, cuáles son los medios de
comunicación.
Selección de proyectos encaminados a
satisfacer a los clientes, de acuerdo a la
estrategia corporativa.
SIPOC
Mapa de Proceso
Matriz Causa y Efecto
FMEA
18
MEDIR
Objetivos:
Conocer como se mide el proceso,
Verificar si las mediciones son
confiables.
Conocer la capacidad inicial del
producto/proceso.
Análisis del Sistema de Medición.
Desempeño Actual del proceso.
Capacidad Potencial del proceso.
Cálculo de Cp, Cpk, Pp, Ppk, Z, DPMO.
19
ANALIZAR
Objetivos:
Verificar la importancia de los factores
que afectan el proceso.
Filtrar causas potenciales
Análisis Multivari
Correlación y Regresión
Prueba de Hipótesis
ANOVA
Pruebas de Chi Cuadrada
20
MEJORAR
Objetivos:
Descubrir cuál es la relación entre las
variables críticas que afectan al
producto/proceso.
Identificar las condiciones óptimas de
operación.
Diseño de Experimentos
Superficie de Respuesta
Regresión Múltiple
Regresión Logística Binaria
21
CONTROLAR
Objetivos:
Hacer que las ganancias se mantengan.
Dar cumplimiento al sistema de calidad.
Instalación de controles reales para el
proceso.
Cierre de proyectos
5S
Planes de Control
Procedimientos de Operación
Control Estadístico de Procesos
Poka Yoke
22
ANÁLISIS DE PROCESOS
Proceso Y
Y = Salida del Proceso

23
DEFINIR
Ruido
R1 R2 R3 R4
P
r X1
o X2
c
e
X3
X4
Proceso Y
s X5
o
M1 M2 M3 M4
Proveedores
24
MEDIR
Ruido
R1 R2 R3 R4
P
r X1
o X2
c
e
X3
X4
Proceso Y
s X5
o
M1 M2 M3 M4
Proveedores
25
ANALIZAR
Ruido
R1 R2 R3 R4
P
r X1
o X2
c
e
X3
X4
Proceso Y
s X5
o
M1 M2 M3 M4
Proveedores
26
MEJORAR
Ruido
R1 R2 R3 R4
P
r X1
o X2
c
e
X3
X4
Proceso Y
s X5
o
M1 M2 M3 M4
Proveedores
Y = C + AX1 + BX2 + CM1
27
CONTROLAR
Ruido
R1 R2 R3 R4
P
r X1
o X2
c
e
X3
X4
Proceso Y
s X5
o
M1 M2 M3 M4
Proveedores
28
EFECTO DMAIC
PROCESO CAÓTICO (30 - 50 X´s)
X´s
DEFINIR 20 - 35
MEDIR 10 - 20
ANALIZAR 6 - 12
MEJORAR 3-6
CONTROLAR 2-4
PROCESO OPTIMIZADO
29
Roles y
Responsabilidades
en Seis Sigma
30
Roles
Líder de
Despliegue
Líder de
Dirección
Projectos
Líderes
INICIATIVA Master
de Área SEIS Black Belt
SIGMA
Miembros Cinta
de Equipo Negra
Cinta
Verde
31
Responsabilidades
Apoya publicamente la Iniciativa
Provee recursos
Fija objetivos agresivos
Visión Líder de
Despliegue
Líder de
Dirección
Projectos
Líderes
INICIATIVA Master
SIGMA
Miembros Cinta
de Equipo Negra
Cinta
Verde
32
Responsabilidades
Implementación de Iniciativa
Comunicación Interna
Apoya publicamente la Iniciativa Recursos para Arranque
Provee recursos Visión/Objetivos
Fija objetivos agresivos
Visión Líder de
Despliegue
Líder de
Dirección
Projectos
Líderes
INICIATIVA Master
SIGMA
Miembros Cinta
de Equipo Negra
Cinta
Verde
33
Responsabilidades
Apoya publicamente la Iniciativa Recursos para Arranque Selección de Proyectos
Provee recursos Visión/Objetivos Recursos p/proyectos
Fija objetivos agresivos Eliminación de Barreras
Visión Líder de Apoyo a Black Belts
Despliegue
Líder de
Dirección
Projectos
Líderes
INICIATIVA Master
SIGMA
Miembros Cinta
de Equipo Negra
Cinta
Verde
34
Responsabilidades
Despliegue
Líder de
Dirección
Projectos
Líderes
INICIATIVA Master
Entrenamiento a Líderes
de Proyecto y Cintas Negas
de Área SEIS Black Belt Formación de Estrategia
Apoyo en Aplicación de DMAIC
SIGMA
Miembros Cinta
de Equipo Negra
Cinta
Verde
35
Responsabilidades
Despliegue
Líder de
Dirección
Projectos
Líderes
INICIATIVA Master
SIGMA
Miembros Cinta
de Equipo Negra Dedicado 100%
Cinta Ejecución de Proyectos
Verde Aplicación de Metodología
Expandir la nueva cultura
Uso de Herramientas
Modelar nuevos comportamientos
Entrenamiento a personal
Obtener beneficios
36
Responsabilidades
Despliegue
Líder de
Dirección
Projectos
Líderes
INICIATIVA Master
SIGMA
Miembros Cinta
Expandir la nueva cultura
Uso de Herramientas
Parcialmente dedicado Modelar nuevos comportamientos
Apoyo en los Proyectos Entrenamiento a personal
Conoce la Metodología Obtener beneficios
Expande la nueva cultura
Busca áreas de oportunidad
37
Responsabilidades
Despliegue
Líder de
Dirección
Projectos
Líderes
INICIATIVA Master
SIGMA
Miembros Cinta
Apoyo en los Proyectos Expandir la nueva cultura
Aprenden la Metodología Uso de Herramientas
Expande la nueva cultura Parcialmente dedicado Modelar nuevos comportamientos
38
Responsabilidades
Despliegue
Líder de
Dirección
Projectos
Buscan áreas Líderes

INICIATIVA Master
de oportunidad
Apoyan a Seis Sigma
Aprenden la Metodología SIGMA
Miembros Cinta
Apoyo en los Proyectos Expandir la nueva cultura
Aprenden la Metodología Uso de Herramientas
Expande la nueva cultura Parcialmente dedicado Modelar nuevos comportamientos
39
Papel e importancia de la estadística
- Variabilidad: Las observaciones sucesivas de un fenómeno no producen

exactamente el mismo resultado. Es inherente a cualquier actividad de la vida cotidiana.
Los métodos estadísticos se utilizan como ayuda para describir y

entender la variabilidad.
- Estadística: Ciencia que estudia la recolección, presentación, análisis e
interpretación de datos.
Estadística descriptiva: Abarca los métodos de presentación y
descripción de datos.
Ejemplos: Tablas, gráficas, medidas de tendencia central y de
dispersión, etc.
Estadística inferencial: Abarca los métodos para enunciar conclusiones
de una población a partir de una muestra. Se encarga de temas como
la estimación de parámetros y las pruebas de hipótesis.
Papel e importancia de la estadística
Etapas del análisis estadístico
1. Recolección de datos.
2. Ordenación y presentación de datos.
3. Cálculo de medidas o parámetros estadísticos.
4. Análisis y predicción de los resultados.
La estadística actúa como disciplina de interconexión

entre los modelos matemáticos y los fenómenos
reales.
DEFINICIONES BÁSICAS
Definiciones básicas
Población
 Población: Colección de todos los individuos, items
o eventos de interés.
 Muestra: Subconjunto de una población. Muestra
 Variable: Característica de interés de cada elemento individual de la población o

muestra en estudio.
 Datos: Mediciones de las variables.
 Experimento: Actividad planeada cuyo resultado es la obtención de datos.
 Estadístico: Resumen numérico de una muestra.
 Parámetro: Resumen numérico de una población.
Los estadísticos permiten realizar estimaciones de los parámetros de una población. Los
estadísticos se utilizan cuando es imposible o muy difícil determinar los parámetros.
Definiciones básicas [2]
Tipos de datos (variables)
 Datos: Mediciones de las variables.
Cualitativos (atributo): Categorizaciones no numéricas

Nominal: La categoría es descrita con un nombre
Ejemplo: Sexo, religión, etc.
Ordinal: Las categorías son ordenadas.
Ejemplo: Nivel de destreza, etc.
Cuantitativos: Datos numéricos
Discretos: Todos valores posibles que puede tomar la variable son
números enteros.
Ejemplo: Número de unidades no conformes, número de accidentes,
etc.
Continuos: La variable puede tomar cualquier valor.
Ejemplo: Tiempo, peso, humedad.
MEDIDAS DESCRIPTIVAS
Medidas descriptivas
Cuando se analiza una distribución de frecuencias se busca reducir una serie
de datos a unos pocos coeficientes que contengan la mayor parte de la
información relevante.
Algunos tipos de medidas descriptivas:

 De tendencia central. Media, mediana, moda.
 De variación o dispersión. Rango, desviación estándar o típica, varianza,
coeficiente de variación.
 De posición. Percentil, cuartil, decil.
Algunas medidas de tendencia central
Las medidas de tendencia central buscan sintetizar la información contenida en una
distribución de frecuencias estimando donde se encuentra el centro de la misma.
- Media: La media o media aritmética de un conjunto de números x1, x2, x3, ...xn se
denota por y se define por: x
n
x1  x 2  ...  x n x i x = Media muestral

x  i 1
m = Media poblacional
n n
La media muestral es una estimación razonable de la media poblacional.
Algunas características de la media:

No es recomendable utilizar la media aritmética como medida central en las distribuciones muy
asimétricas.
La media depende de la división de los intervalos en el caso de variables continuas.
Algunas medidas de tendencia central [2]
- Mediana (med): Es el valor de la distribución que deja la mitad de las observaciones

por debajo de ella y la otra mitad por encima. Si el número de observaciones es par, la
mediana está a la mitad de los valores centrales.
Ventaja:
No es afectada por las observaciones extremas, por ello es adecuado su uso en distribuciones
asimétricas
Mayor defecto:
La mediana tiene propiedades matemáticas complicadas, lo que hace que sea muy difícil de
utilizar en inferencia estadística.
- Moda: Es el valor de los datos que ocurre con mayor frecuencia.

Algunas propiedades:
Es fácil de calcular.
Puede no ser única.
Algunas medidas de variación o dispersión
Las medidas de variación o dispersión dan una idea de lo agrupados que están los
datos, y por lo tanto, miden la homogeneidad de estos.
Las medidas de variación o dispersión determinan el grado de alejamiento de los

datos respecto a una medida de posición que, generalmente, es la media aritmética.
Las medidas de variación o dispersión se pueden dividir en dos grupos. Las

medidas de dispersión absolutas y las medidas de dispersión relativas. Hacen parte
del primer grupo el rango, la desviación media, la varianza y la desviación estándar. El
segundo grupo lo conforman el coeficiente de variación y el coeficiente de disparidad.
Algunas medidas de variación o dispersión [2]
- Rango o amplitud (r): Diferencia positiva entre el valor más bajo y el más alto del
conjunto de observaciones realizadas.
Propiedades:
No utiliza todas las observaciones (sólo dos de ellas).
Se puede ver muy afectada por alguna observación extrema.
No hace referencia a ninguna medida de tendencia central.
- Desviación media (Dm): La desviación media de un conjunto de números x1, x2, x3,
...xn se define por:
1 n
Dm    x i  x
n i 1
- Desviación estándar o típica (S): Es la raíz cuadrada positiva de la varianza.
- Varianza: La varianza se define como las diferencias cuadráticas de n observaciones
con respecto a su media aritmética, es decir
n
  xi  x 
1 S2 = Varianza muestral
S 
2 2
n  1 i 1
1 n
    xi  m  2 = Varianza poblacional
2 2
n i 1
Interpretación:
Cuanto mayor sea, mayor dispersión habrá y menos representativa será la media aritmética.
Propiedades:
Si a todos los valores de una variable le sumamos o restamos un número, la varianza no cambia, es
decir, la varianza no queda afectada por cambios de origen.
La varianza viene expresada en las unidades de la variable al cuadrado.
- Coeficiente de variación: Se define como relación entre la desviación estándar y la
media muestral.
S
CV 
x
Interpretación:
Cuanto mayor sea, mayor dispersión habrá
Propiedades:
Es una medida adimensional.
Utiliza toda la información de la distribución.
Si la media aritmética tiende a cero el CV tenderá a infinito.
- Coeficiente de disparidad: Relación entre la observación de mayor valor y la de

menor valor.
X max
CD 
X min
Medidas de posición
- Percentil: El percentil 100k-ésimo es un valor de los datos tal que aproximadamente
el 100k% de las observaciones está en este valor o abajo del mismo
aproximadamente el 100(1-k)% de ellas se encuentra arriba de él.
- Cuartil: Los cuartiles, Qi, son un caso particular de los percentiles. El primer cuartil, q1,
es un valor que tiene aproximadamente una cuarta parte (25%) de las observaciones
debajo de él. El segundo cuartil, q2, equivale al valor de la mediana. El tercer cuartil,
q3, tiene aproximadamente tres cuartas partes (75%) de las observaciones debajo de
su valor.
Otras medidas
- Medidas de asimetría: Tratan de determinar si una distribución de frecuencias
posee asimetría positiva o negativa.
- Una distribución es asimétrica positiva si las frecuencias más altas se encuentran en el lado
izquierdo de la media aritmética, mientras que en el derecho hay frecuencias más pequeñas.
- Una distribución es asimétrica negativa cuando las frecuencias pequeñas están en el lado izquierdo de
la media.
Ejemplo: Distribución con sesgo a la

izquierda o negativo.
x
- Medida de forma: La curtosis mide cuán puntiaguda es una distribución, en general
por referencia a la normal.
Algunas Propiedades estadísticas (1)
Los conceptos de valor esperado y varianza serán utilizados durante todo
el desarrollo del curso. Algunas de sus propiedades elementales se
muestran a continuación:
- E(C) = C
- E(y) = m
- E(Cy) = C E(y) = C m
- V(C) = 0
- V(y) = 2
- V(Cy) = C2 V(y) = C2 2
Si existen dos variable aleatorias, por ejemplo, y1, con E(y1) = m1 y V(y1) =
21; y2 con E(y2) = m2 y V(y2) = 22:
- E(y1 + y2) = E(y1) + E(y2) = m1 + m2
De igual forma, se puede comprobar que:

- V(y1 + y2) = V(y1) + V(y2) + 2 Cov (y1, y2), donde
- Cov (y1, y2) = E[(y1 - m1)(y2 - m2)]
- V(y1 - y2) = V(y1) + V(y2) - 2 Cov (y1, y2)
Si las dos variables son independientes (no existe correlación estadística
entre ellas), entonces:
- V(y1  y2) = V(y1) + V(y2)
Por último, se puede comprobar que:

- E(y1 y2) = E (y1) E (y2) = m1 m2
- E(y1 / y2)  E (y1) / E (y2), por lo general, sin importar si y1 y y2 son
independientes.
Variables aleatorias continuas
- Para una variable aleatoria continua X, una función de densidad de probabilidad
es una función tal que:
1.- f x   0

2.-  f x   dx  1

b
3.- Pa  X  b   f  x   dx  área bajo la curva de a a b. f x 

a
- La función de densidad de probabilidad de una variable aleatoria continua X es

x
F  x   P X  x    f u   du Para    x.  

Variables aleatorias continuas [2]
Suponga que X variable aleatoria continua con función de densidad de
probabilidad f x 
- La media o valor esperado de X, denotada como m o E(X) es:

m  EX    x  f x dx

- La varianza de X, denotada como 2 o V(X) es:

  V X    x  m   f  x dx
2 2

- La desviación estándar de X es  =[V(X)]1/2.
. Un histograma es una aproximación

de una función de densidad de
probabilidad
Variables aleatorias continuas
Distribuciones de probabilidad para variables aleatorias continuas
(algunas)
- Continua uniforme
- Normal
- Chi-Cuadrado
- F
- T-student (asignación)
Distribución continua uniforme
- Una variable aleatoria continua X con función de densidad de probabilidad
f x  
1
, a xb
ba
tiene una distribución continua uniforme.
b  a   2  V X  
b  a 2
m  E X  
2 12
Función de densidad de probabilidad

continua uniforme.
Distribución normal
- Una variable aleatoria X con función de densidad de probabilidad
  x  m 2
f x  
1
e 2 2 para   x  
2  
tiene una distribución normal con parámetros m, donde
   m  , y >0. Además,
E X   m V X    2
Función de densidad de probabilidad

normal
Distribución normal estándar
- A Una variable aleatoria normal con m = 0 y 2 = 1 se le llama variable aleatoria
normal estándar. Una variable aleatoria normal estándar se denota como Z.
Si X es una variable aleatoria normal con E(X) = m y V(X) = 2, entonces la variable
aleatoria
X m
Z 

es una variable aleatoria normal con E(Z) = 0 y V(Z) = 1. Es decir, Z es una variable
aleatoria normal estándar.
 X m xm
P X  x   P    PZ  z 
   
donde,
Z es una variable aleatoria normal estándar,
z = (x - m/ es el valor z que se obtiene al estandarizar X.
Distribución Chi-Cuadrado
Si Z1, Z2, …, ZK son variables aleatorias distribuidas normalmente con m = 0 y 2

= 1, entonces:
x  Z  Z   Z
2
1
2
2
2
K
sigue una variable aleatoria Chi-cuadrado con k grados de libertad.

Además, se cumple que:
2
 n
 _
SS   yi  y 
i 1  
  χ n 1
2
σ 2
σ 2
y, S2 = SS / (n - 1).
Distribución Chi-Cuadrado
 Distribución F:
Si χ y χ
2 2
u v son dos variables Chi-cuadrado independientes con grados de
libertad u y v, entonces la relación:
χ 2
Fu,v  u
χ 2
v
sigue una variable aleatoria F con u grados de libertad (en adelante

gdl) en el numerador y v gdl en el denominador. Entonces:
2
S
 Fn1 1,n 2 1
1
2
S 2
Usos de las distribuciones de probabilidad
Contínuas (Normal, Weibull, Gamma, Log normal):

mantenimiento, ciclos de vida, control estadístico de
procesos, inferencia estadística,entre otros.
Discretas (Poisson, binomial, hipergeométricas): teoría

de colas, programación de operaciones, muestreo en
calidad, curvas de operación, entre otras.

Herramientas Estadisticas

Cargado por

Copyright:

Formatos disponibles

Herramientas Estadisticas

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Herramientas Estadisticas

Cargado por

Copyright:

Formatos disponibles

PROGRAMA DE FORMACIÓN EN HERRAMIENTAS

ESTADÍSTICAS PARA EL CONTROL Y LA

2-3 Sigma (Otras iniciativas)

20% en la mejora del Margen de Operación

La Metodología obliga al usuario a realizar una

Seis Sigma es una guía para el Análisis de los

• 5,000 operaciones quirúrgicas • 1.7 operaciones incorrectas por

• 200,000 recetas de • 68 recetas equivocadas por

• 550 predicciones del tiempo • 2 predicciones del tiempo

Seis Sigma es una evolución, un cambio cultural

La experiencia nos ha mostrado que no importa

Y = Salida del Proceso

Buscan áreas Líderes

- Variabilidad: Las observaciones sucesivas de un fenómeno no producen

Los métodos estadísticos se utilizan como ayuda para describir y

La estadística actúa como disciplina de interconexión

 Variable: Característica de interés de cada elemento individual de la población o

 Parámetro: Resumen numérico de una población.

Cualitativos (atributo): Categorizaciones no numéricas

Algunos tipos de medidas descriptivas:

x1  x 2  ...  x n x i x = Media muestral

Algunas características de la media:

- Mediana (med): Es el valor de la distribución que deja la mitad de las observaciones

- Moda: Es el valor de los datos que ocurre con mayor frecuencia.

Las medidas de variación o dispersión determinan el grado de alejamiento de los

Las medidas de variación o dispersión se pueden dividir en dos grupos. Las

- Coeficiente de disparidad: Relación entre la observación de mayor valor y la de

Ejemplo: Distribución con sesgo a la

- E(y1 + y2) = E(y1) + E(y2) = m1 + m2

De igual forma, se puede comprobar que:

- V(y1  y2) = V(y1) + V(y2)

Por último, se puede comprobar que:

- La función de densidad de probabilidad de una variable aleatoria continua X es

. Un histograma es una aproximación

Función de densidad de probabilidad

Función de densidad de probabilidad

Si Z1, Z2, …, ZK son variables aleatorias distribuidas normalmente con m = 0 y 2

sigue una variable aleatoria Chi-cuadrado con k grados de libertad.

sigue una variable aleatoria F con u grados de libertad (en adelante

Contínuas (Normal, Weibull, Gamma, Log normal):

Discretas (Poisson, binomial, hipergeométricas): teoría

También podría gustarte