Metodología 6 Sigma

Para Procesos Operaciones y Servicios

Estabilidad y Control
Estadístico de Procesos
Measure

1
Objetivos

Evaluar la estabilidad de un proceso

Revisar diferentes tipos de variación
Introducir el concepto del control estadístico de proceso (SPC)
Discutir la interpretación de las gráficas de control

2
Ejemplo:
Pagos vencidos
Se le ha asignado la tarea de trabajar con tres clientes, los cuales
exhiben un cierto número de días de atraso en el pago de sus
cuentas.
Un análisis ha arrojado las siguientes estadísticas:

Cliente Promedio días vencidos Desv. Std

A 9.1 5.8
B 9.3 6.8
C 8.0 5.7
¿Cómo abordaría el problema?
¿Serían sus preguntas las mismas para todos los clientes?

3
Ejemplo:
Pagos vencidos (continuación)
Usted ya se debe haber dado cuenta que necesita más que las
estadísticas básicas para hacer un juicio equilibrado
Abra la hoja de datos Receivables del archivo Minitab TR BLUE
BELT.MPJ, que contiene la información de 25 facturas enviadas a
cada cliente
1. Genere gráficas de puntos (dotplots) para comparar el
desempeño de cada cliente. Coloque las tres gráficas en el
mismo panel
2. Elabore gráficas de caja (boxplots) para comparar el
desempeño de cada cliente. Coloque también las tres gráficas
en el mismo panel
3. Grafique una serie de tiempo (time series plot) para evaluar el
comportamiento de cada cliente en el tiempo. Estos deben
estar en gráficos separados
4. ¿Qué gráficos son más útiles? Vea las gráficas en
las próximas láminas

4
Ejemplo:
Pagos vencidos (continuación)
Dotplot of Cust A, Cust B, Cust C Boxplot of Cust A, Cust B, Cust C

20

15

Cust A

Data
Cust B 10

Cust C
3 6 9 12 15 18 21 5
Data

0
Cust A Cust B Cust C

5
Ejemplo:
Pagos vencidos (continuación)
Time Series Plot of Cust A Time Series Plot of Cust B
20
20

15 15
Cust A

Cust B
10 10

5 5

0 0
2 4 6 8 10 12 14 16 18 20 22 24 2 4 6 8 10 12 14 16 18 20 22 24
Index Index

¿Todavía haría las mismas Time Series Plot of Cust C

preguntas a cada cliente? 20

15

Cust C

10

0
2 4 6 8 10 12 14 16 18 20 22 24
Index

6
Análisis de habilidad o aptitud
(Capability Analysis)
El objetivo de un análisis de habilidad es:
 Determinar la capacidad del proceso de hoy para cumplir con los
requerimientos del cliente (Línea Base)
 ¿Cuál sería el mejor desempeño del proceso, en condiciones optimas,
una vez que se hayan removido las causas especiales de variación?
(benchmarking interno)
 ¿Cuánto hace falta mejorar y qué tipo de mejoras son necesarias para
llegar a ese estado?
Para poder responder a esta dos preguntas, debemos determinar si el
proceso es estable en el tiempo y si está en control estadístico
 Cuando el proceso sólo presenta causas comunes de variación, se
dice que está en un estado de control estadístico
 Cuando el proceso no es estable, o no está en control, se dice que
tiene presente causas especiales de variación
Gráficas de corridas (Run Chart) y de control estadístico (SPC), permiten
determinar si el proceso es estable y si está en control estadístico
El análisis de habilidad compara el desempeño potencial del proceso con
los requerimientos del cliente o las metas del proyecto
¡Sin estabilidad no
hay capacidad!
7
Guía para los estudios de habilidad
Definir objetivos o
especificaciones

Definir la unidad y el
defecto

Determinar tipo de datos

Obtener datos
Datos Discretos Datos Continuos

Verificar estabilidad Verificar estabilidad

(Gráficas de corridas o de control) (Gráficas de corridas o de control)

Determinar habilidad Determinar habilidad

(DPU, DPMO, Z) (Cp, Cpk, Pp, Ppk)

8
Guía alternativa para los estudios de habilidad
Definir objetivos o
especificaciones

Definir la unidad y el
defecto

Determinar tipo de datos

Obtener datos
Datos Discretos Datos Continuos

Verificar estabilidad Verificar estabilidad

(Gráficas de corridas o de control) (Gráficas de corridas o de control)

Determinar habilidad Graficar y determinar PPM

(DPU, DPMO, Z) (Minitab)

Determinar habilidad
(En este caso DPMO = PPM, Z)

9
Dos tipos de datos
El primer paso es determinar el tipo de datos con que se cuenta
Datos continuos:
Resultados de la medición de características tales como tiempo
de ciclo, tiempo de repuesta, cantidad facturada, días para
pagar, etc.

Datos discretos:
Resultado de la inspección de defectos tales como órdenes
completas/incompletas, señal alfa atendida/no atendida,
resultado de una encuesta de satisfacción en una escala del 1 al
5, etc.

10
Tipos de variación
Causas comunes (ruido)
También llamada variación “intrínseca” o “aleatoria”
Está presente en todo proceso
Es la combinación aleatoria de un gran número de pequeñas
causas de variación
Es generada por el proceso mismo (“la forma de hacer negocios”)
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

11
Tipos de variación
Causas especiales o asignables
Impredecibles
Causada por un disturbio único o una combinación de eventos
Puede ser un evento puntual único o una serie de eventos 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

12
Estabilidad del proceso
Entender la estabilidad del proceso es el primer paso para evaluar su
capacidad – o habilidad – para cumplir con las especificaciones del
cliente (benchmarking interno)
El enfoque de mejora es diferente cuando el proceso está dominado por
causas comunes (Cliente C) o causas especiales (Clientes A y B)
Las gráficas de control ayudan a separar las causas comunes de las
causas especiales de variación
La gráfica de corridas (Run chart) permiten identificar si el proceso es
estable o no
 Usan procedimientos no paramétricos para identificar patrones de
comportamiento
 No requieren normalidad de los datos
 A pesar de no ser gráficas de control, proveen información muy
valiosa acerca de la estabilidad del proceso

¡Cuando se determina el desempeño (baseline) del proceso se deben

considerar todas las causas de variación, no sólo las causas comunes!

13
Gráficas de corridas
Run chart
Abra la hoja de trabajo Call Center del archivo TR BLUE BELT.MPJ

14
Gráficas de corridas
Run chart

Run Chart of Time_Bob

26.0

25.5

25.0
Time_Bob

24.5

24.0

23.5

23.0
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
Observation
Number of runs about median: 16 Number of runs up or down: 18
Expected number of runs: 16.00000 Expected number of runs: 19.66667
Longest run about median: 4 Longest run up or down: 3
Approx P-Value for Clustering: 0.50000 Approx P-Value for Trends: 0.22828
Approx P-Value for Mixtures: 0.50000 Approx P-Value for Oscillation: 0.77172

15
Gráficas de corridas
Estudio de estabilidad del proceso
Regresemos a la hoja de datos Receivables del archivo Minitab
TR BLUE BELT.MPJ
Elabore gráficas de corridas (Run Chart) para cada uno de los
clientes

16
 Gráficas de corridas
Estudio de estabilidad del proceso, cliente A
• El p-Value representa la probabilidad de
Run Chart of Cust A equivocarnos al rechazar la hipótesis
20
nula, en esta caso, “el proceso es
15
estable”
• Si el p-Value es mayor que el riesgo
Cust A

10
tolerable al emitir un juicio equivocado,
5 decimos que no hay evidencia que
soporte rechazar la hipótesis de que el
0
2 4 6 8 10 12 14 16 18 20 22 24
proceso sea estable
Observation
Number of runs about median: 2 Number of runs up or down: 5
• En este caso, como p-Value > 0.05 para
Expected number of runs:
Longest run about median:
13.00000
10
Expected number of runs:
Longest run up or down:
16.33333
11
mezclas y oscilación, decimos que no
A pprox P-Value for Clustering:
A pprox P-Value for Mixtures:
0.00000
1.00000
A pprox P-Value for Trends:
A pprox P-Value for Oscillation:
0.00000
1.00000
hay evidencia de existencia de mezclas
ni oscilaciones en el proceso (dos
formas de inestabilidad)
Los p-Values son la clave para la • Como p-Value < 0.05 para tendencias y
interpretación de las gráficas de corridas agrupamientos, podemos concluir con
una probabilidad < 0.05 de
El riesgo tolerable al emitir un juicio equivocarnos, de que el proceso
equivocado es el riesgo a, generalmente muestra señales de tendencias y
igual a 0.05 agrupamientos

17
Gráficas de corridas
Pruebas de patrones aleatorios
Test Condition Indication
Cantidad de corridas Más corridas Mezclas (datos
alrededor de la observadas que las provenientes de dos o
mediana esperadas más poblaciones)
Cantidad de corridas Menos corridas Agrupamiento de los
alrededor de la observadas que las datos
mediana esperadas
Cantidad de corridas Más corridas Oscilaciones (los
hacia arriba o hacia observadas que las datos se mueven
abajo esperadas hacia arriba y hacia
abajo repetidamente
Cantidad de corridas Menos corridas Tendencias
hacia arriba o hacia observadas que las
abajo esperadas

18
 Gráficas de corridas
Veamos los datos de los clientes B y C
Los datos del cliente B tienen
Run Chart of Cust B
20
p-Value > 0.05 para tendencias,
mezclas y oscilaciones, pero
15 p-Value < 0,05 para
agrupamientos, por lo que se
Cust B

10
concluye que el proceso no es
5
estable en el tiempo y que hay
evidencia de agrupamiento
0
2 4 6 8 10 12 14 16 18 20 22 24
Observation
Number of runs about median: 4 Number of runs up or down: 16 Run Chart of Cust C
Expected number of runs: 13.48000 Expected number of runs: 16.33333
Longest run about median: 11 Longest run up or down: 5
Approx P-Value for Clustering: 0.00005 Approx P-Value for Trends: 0.43480 20
Approx P-Value for Mixtures: 0.99995 Approx P-Value for Oscillation: 0.56520

15

Cust C
10
Los datos del cliente C tienen
p-Value > 0.05 para todas las 5

pruebas, de donde se concluye

0
que no hay evidencia de 2 4 6 8 10 12 14 16 18 20 22 24
Observation
inestabilidad en el tiempo
Number of runs about median: 15 Number of runs up or down: 17
Expected number of runs: 13.48000 Expected number of runs: 16.33333
Longest run about median: 3 Longest run up or down: 3
Approx P-Value for Clustering: 0.73307 Approx P-Value for Trends: 0.62868
Approx P-Value for Mixtures: 0.26693 Approx P-Value for Oscillation: 0.37132

19
Gráficas de corridas y gráficas de control
Recuerde
– Acaba de usar gráficas de corridas para investigar la
estabilidad del proceso
– Los p-Value le dan una cierta idea de los patrones de
inestabilidad
– El próximo paso es identificar las causas de esta inestabilidad
para poder corregirla
Otras condiciones fuera de control
– Al igual que las gráficas de corridas, las gráficas de control se
usan para detectar problemas de estabilidad en el tiempo y
otras causas especiales de variación presentes en el proceso

20
Aplicaciones de las gráficas de control
Como herramienta de diagnóstico
– Para entender el comportamiento del proceso
– Para verificar la estabilidad de los datos obtenidos durante la
fase de medición del proyecto 6s
Como herramienta de control
– Para mantener la estabilidad del proceso a través del control
de las variables críticas de control del proceso (X’s)
– Los datos se obtienen durante la operación normal del
proceso por el operador o mediante sistemas automáticos
Como herramienta de monitoreo
– Para verificar la estabilidad del proceso (Y’s) en el tiempo
– Los datos se obtienen durante la operación normal del
proceso por el operador o mediante sistemas automáticos
– Los procesos deben tener un buen diagnostico antes de
intentar el monitoreo mediante gráficas de control

21
Gráficas de control
Componentes básicos
UCL
Característica
Monitoreada

Línea Central

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

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

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

22
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, regulaciones gubernamentales, u otros medios
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

23
Límites de control y especificaciones

Los límites de control y las especificaciones NO TIENEN NADA

QUE VER uno con el otro y, por lo tanto , no son una garantía de
cero defectos
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 observados, provienen de un proceso único?

24
Tipos de gráficas de control

Gráficas para datos continuos

I-MR: Individual and Moving Range Chart
X-bar/R Chart
Vamos a X-bar/s Chart
discutir este
tipo en más
detalle
Gráficas para datos discretos
p-Chart
np-Chart
c-Chart
u-Chart

25
I-MR Chart
Individuals/Moving Range Chart
La gráfica de control más simple y más comúnmente usada en
procesos transaccionales
Requiere normalidad de los datos (haga una prueba de
normalidad de los datos antes de aplicar esta herramienta)
La gráfica superior (I), representa las lecturas individuales
graficadas en su secuencia natural en el tiempo
– Cada punto representa una lectura individual

– Determinar la estabilidad de la media del proceso (tendencia

central)
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 o
más observaciones consecutivas
– Determinar la estabilidad de la variación del proceso

26
Calculando el rango móvil (moving range)
% LOT Moving Range Rangos móviles:
93.8 *
91.3 2.5 |93.8 – 91.3| = 2.5
99.2 7.9 |91.3 – 99.2| = 7.9
98.8 0.4 |99.2 – 98.8| = 0.4
99.2 0.4 • La gráfica de rangos
98.5 0.7 • móviles siempre tiene
98.7 0.2 • un punto menos que el
98.0 0.7 número total de
93.4 4.6 I and MR Chart for C7
lecturas individuales.
93.6 0.2
99.8 6.2
97.8 2.0 UC
Individual Value

97.9 0.1 100

98.5 0.6 Me

98.0 0.5 95

95.8 2.2 LC
98.5 2.7 90
1

99.2 0.7 Subgroup 0 10 20

9
8 1
ange

7
6 27 UC
Ejemplo
Análisis de Normalidad: Tiempo de entrega
Abra la hoja Delivery Time del archivo TR BLUE BELT.MPJ

Probability Plot of Delivery Time

Normal - 95% CI
99
Mean 11.62
StDev 1.091
95 N 50
AD 0.388
90
P-Value 0.374
80
70

Percent
60
50
40
30
20

10

1
8 9 10 11 12 13 14 15
Delivery Time

¿Es este un proceso normal?

28
Ejemplo
Análisis de estabilidad: Tiempo de entrega
Grafique los datos (I-MR Control chart)

29
Ejemplo
Análisis de estabilidad: Tiempo de entrega
I-MR Chart of Delivery Time La gráfica I-MR, como
U C L=14.960 toda grafica de SPC
14
para datos continuos,
Individual V alue

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

3
SPC para datos
2
__
continuos puede llevar
M R=1.255
1 a extraer conclusiones
0 LC L=0
erróneas acerca de la
5 10 15 20 25 30 35 40 45 50 estabilidad del proceso
O bser vation

¿Es este un proceso estable en el tiempo?

30
Ejemplo
Prueba de estabilidad – Datos muy sesgados
Histogram of C1
140

120

I-MR Chart of C1
100
20 1
Frequency

80 1

Individual V alue
1 1 1
1 1
1 11 1
1
60 10 U C L=9.99

_
40 X=3.06
0

LC L=-3.87
20
1 51 101 151 201 251 301 351 401 451
O bser vation
0
0 3 6 9 12 15 18 11
C1 16

M oving Range
1 1 11
12 11
1 11 1
1 1 1
1 11
8 U C L=8.51

4 __
M R=2.60
0 LC L=0
1 51 101 151 201 251 301 351 401 451
O bser vation

¿Este proceso es estable en el tiempo?

31
Pruebas de sensibilización

32
 Ejemplo: Pruebas de estabilidad
4 out of 5 > 1 standard deviation of center line (same side)

1 P(X > 1) = 1 - 0.841345

= 0.158655

P(4 out of 5) = 0.1586554 * 0.841345

= 0.000536

3σ
x
2σ x
x x
Cumulative Distribution Function 1σ
x
X
Normal with mean = 0 and standard deviation = 1
1σ

x P( X <= x ) 2σ
1 0.841345 3σ

33
Resultados de las gráficas de control
¿Cómo las gráficas de control pueden ayudar a que su equipo
entienda mejor el comportamiento del proceso?
¿Qué debe hacerse cuando se encuentra un punto fuera de
control?
¿Un punto fuera de control significa que no se está cumpliendo
con las expectativas del cliente?

Si el proceso no está bajo control se deben investigar las causas

de la inestabilidad, antes de intentar determinar su habilidad

34
Resumen
El primer paso en la determinación de la habilidad del proceso
(process capability) es determinar si este es estable en el tiempo
 Sin estabilidad, no hay capacidad
 Las gráficas de corridas (Run-chart) y las gráficas de control
(SPC) permiten determinar la estabilidad del proceso
Use gráficas de corridas (Run chart) para determinar la
estabilidad con cualquier tipo de datos
Use gráficas de control I-MR para determinar la estabilidad de
datos continuos normales
Veremos otros tipos de gráficas más adelante
Determine si el proceso está en control estadístico
Remueva causas especiales de variación
Sólo determine la capacidad de un proceso estable

35