Estudio Variabilidad

Estudio de la variabilidad
Índice de Contenidos
Estudio de la variabilidad ........................................................................... 2
1 Variabilidad........................................................................................... 2
1.1 Variables deterministas y variables aleatorias ...................................... 2
1.2 La variación inevitable ..................................................................... 2
1.3 Causas de la variabilidad .................................................................. 3
1.4 Comportamiento de la variabilidad debido a causas aleatorias ............... 6
2 La ley Normal ........................................................................................ 9

2.1 La ley Normal: importancia y aspectos fundamentales .......................... 9
2.2 Cálculo de probabilidades con la ley Normal ........................................ 9
2.3 Función de distribución. Test de normalidad ...................................... 14
3 Estudios de capacidad de máquina...................................................... 17

3.1 Cálculo de la capacidad de una máquina ........................................... 18
3.2 Índices de capacidad ..................................................................... 19
4 Métricas para Seis Sigma .................................................................... 22

4.1 El significado de Seis Sigma............................................................ 22
4.2 Variabilidad .................................................................................. 22
4.3 Proceso Seis Sigma ....................................................................... 23
4.4 Número de defectos: Medidas clásicas y Medidas Seis Sigma ............... 24
5 Medidas del rendimiento del proceso .................................................. 28
6 Tabla de correspondencias: DPMO – Sigmas del proceso .................... 30
© Copyright. UPCplus - Todos los derechos reservados

1
1 Variabilidad
En este apartado se presentan las diferencias entre variables deterministas y

variables aleatorias, se pone de manifiesto la existencia de “familias” de variables
aleatorias, y se estudian los tipos de causas que provocan variabilidad,
caracterizando cada uno de ellos.
1.1 Variables deterministas y variables aleatorias
Está claro que no va a resultarnos igual de complicado tomar una decisión cuando
nos encontremos en la situación de:
• Calcular la longitud de una hipotenusa

• Calcular el número medio de visitas que tendrán hoy un conjunto de oficinas
Llamamos variable al conjunto de valores que puede tomar una magnitud

determinada. Cuando el valor de una variable viene fijado por los valores que
toman las otras variables que le afectan, y este valor siempre es el mismo fijadas
las otras variables, la llamaremos variable determinista. Por ejemplo, en un
triángulo, la longitud de la hipotenusa la podemos calcular a partir de la longitud de
los otros dos lados. En cambio, en las variables aleatorias no sabemos sus valores
pero sí las podemos modelizar mediante distribuciones de probabilidad (o modelos
estadísticos). Aunque existen distintas distribuciones de probabilidad, nosotros nos
centraremos en la ley Normal.
1.2 La variación inevitable
La variabilidad es un fenómeno inevitable e inherente a todo proceso de

producción. Los técnicos que desempeñan sus tareas en las áreas de calidad o
producción no sólo tienen asumido este hecho, sino que en muchas ocasiones es el
principal problema con que deben enfrentarse.

2
Resulta que siempre existen variaciones en las variables que afectan al proceso y,
en consecuencia, existen también diferencias en las características de salida. Por
ejemplo, si en una línea de envasado de sacos de pienso pesamos todas las
unidades producidas observaremos (si la báscula tiene suficiente precisión) que no
todas tienen exactamente el mismo peso. Las causas pueden estar en la
variabilidad en la materia prima, en vibraciones que afectan al sistema de
regulación, en las condiciones ambientales, o pueden ser otras, pero lo cierto es
que seguro que hay variabilidad en el peso. Otra tema es que esa variabilidad sea o
no tolerable.
Métodos
Operarios
Materiales
Mantenimiento
Maquinaria
Entorno
Otros
ENTRADAS PROCESO SALIDA

(Característica de calidad)
Figura 1 La inevitable variabilidad en los factores de entrada provoca la variabilidad

en la salida
1.3 Causas de la variabilidad
Si el enemigo a que nos enfrentamos es la variabilidad, habrá que saber cuales son
las causas que la producen para dirigir contra ellas nuestras acciones. Estas causas
se dividen en dos grandes grupos: las aleatorias y las asignables.

3
Las causas aleatorias son las más frecuentes, sus características más relevantes
son:
• Suelen ser muchas, no identificables individualmente, y cada una de ellas

produce pequeñas variaciones. Su superposición determina la variabilidad
intrínseca del proceso.
• Son parte permanente del sistema. Siempre están presentes y son difíciles
de eliminar.
Las causas aleatorias pueden tener su origen, por ejemplo, en las ligeras
variaciones de las materias primas o en las condiciones ambientales. Conceptos
como inevitable, estable, predecible o permanente están ligados a las causas
aleatorias. Si a una máquina sólo le afectan causas de variación aleatorias, se
encuentra en una situación estable que se define como estado de control.
Las causas asignables se caracterizan por:
• Ser pocas pero de efectos importantes
• Aparecer esporádicamente, lo cual facilita su identificación y posterior

eliminación.
Pueden ser debidas a errores humanos, desgaste, roturas, desajustes en el

proceso, etc. Conceptos como evitable, inestable, errático e impredecible están
ligados a las causas asignables.

4
Figura 2 Posibles acciones a tomar en función del origen de la variabilidad
La variabilidad total que presenta el proceso es la suma de la producida por las

causas aleatorias y las asignables. Estas últimas pueden ser eliminadas tras ser
detectadas en el control estadístico del proceso, pero el efecto de las causas
aleatorias nunca se puede eliminar totalmente. La gran ventaja de las causas
aleatorias es que, tal como veremos a continuación, la variabilidad que producen
sigue un patrón de comportamiento muy característico y fácil de tratar
estadísticamente.

5
1.4 Comportamiento de la variabilidad debido a causas aleatorias
En el caso de la línea de envasado, el hecho de que el peso exacto que tome una
unidad sea debido al azar, no significa que no presente un cierto tipo de
regularidad. Si las únicas causas que le afectan son aleatorias, la frecuencia con
que se observarán los distintos valores del peso tiende a estabilizarse siguiendo una
distribución conocida.
Por tanto, no podemos predecir el peso de una unidad concreta, pero si podemos
estimar cual será la proporción de unidades que tendrá un peso por debajo de un
determinado valor mínimo. En general, si la característica estudiada toma valores
que pueden desviarse con la misma libertad por encima o por debajo de su media,
la distribución que se obtiene recibe el nombre de ley Normal.
En la Figura 3 se presentan histogramas construidos con 50, 100, 500 y 1000

valores obtenidos de una distribución Normal. Puede observarse que cuando los
valores son pocos no hay que esperar que el histograma tenga la típica forma de
campana, pero cuando el número va aumentando su perfil se va adaptando cada
vez mejor a este tipo de curva. A nivel teórico, en vez de pensar en histogramas
construidos con muchísimos datos, utilizamos la campana (distribución Normal)
como modelo de referencia para la variabilidad debida a causas aleatorias en los
casos como el que hemos comentado.
9 15
8
7
6 10
Frequency
Frequency
5
4
3 5
2
1
0 0
42 44 46 48 50 52 54 56 58 60 62 35 45 55 65
nn=50
= 50 n=100
n = 100
90
70
80
60 70
50 60
Frequency
Frequency
50
40
40
30
30
20 20
10 10
0
0
30 40 50 60 70
40 50 60 70
n=1000
n n=500
= 500 n = 1000
Figura 3 Histogramas construidos a partir de 50, 100, 500 y 1000 valores de una
distribución normal

6
La distribución Normal se caracteriza únicamente por 2 parámetros: la media (µ -

leído mu-) y la desviación tipo (σ -leído sigma-). La media indica el valor en torno
al cual se mueven los datos, la desviación tipo es una medida de variabilidad. A
mayor desviación tipo mayor dispersión y, por tanto, campana más ancha y
aplanada.
Figura 4 Situación de la media (µ) y la desviación tipo (σ) en una distribución

Normal
La distribución Normal presenta la importante propiedad de que la proporción de

observaciones que se obtienen en el intervalo media ± k desviaciones tipo es
constante para cada valor de k, independientemente de cuales sean los valores de
µ y σ. Por ejemplo, en el intervalo µ ± σ se tiene el 68,3 % de los valores, en el
intervalo µ ±2σ se tiene el 95,4% y en el intervalo µ ± 3σ se tiene el 99,7%. Esta
propiedad es utilizada en los estudios de capacidad y en los gráficos de control.

7
99,7 %
95,4 %
68,3 %
µ−3σ µ−2σ µ−σ µ µ+σ µ+2σ µ+3σ
Figura 5 Proporciones fijas en una distribución Normal

8
2 La ley Normal
2.1 La ley Normal: importancia y aspectos fundamentales
La distribución Normal tiene una forma de campana muy característica, que

también recibe el nombre de “campana de Gauss”. Sus características más
destacables son:
• Los valores se distribuyen en torno a su valor medio, de forma que la mitad

está por encima de la media y la otra mitad por debajo (distribución
simétrica).
• La mayoría de valores se encuentran agrupados en torno a la media, la

probabilidad de aparición de un valor va disminuyendo a medida que se
aleja de la media.
Una población normal queda perfectamente definida a partir de su media y su

desviación tipo. La media corresponde al punto máximo de la distribución e
identifica el punto central sobre el que está colocada la campana. La desviación tipo
define su forma.
2.2 Cálculo de probabilidades con la ley Normal
El perfil (función de densidad) de la distribución normal se ha definido de forma

que:
• El área total bajo la campana es igual a 1.

• La probabilidad de que aparezca un valor entre a y b es igual al área
definida en la campana por dichos valores, tal como se indica en la Figura1.
Por tanto, si sabemos que una variable se distribuye según una normal y
conocemos su media y desviación tipo, el cálculo de probabilidades se reduce a un
cálculo de áreas.

9
Dicho cálculo no se realiza por métodos analíticos, sino mediante un cambio de

variable, de forma que si tenemos:
X ~ N (µ, σ)
(Esta es la forma de indicar que una variable aleatoria sigue una distribución
normal con media µ y desviación tipo σ.)
se pasa a una variable z calculada de la forma:
x−µ
z =
σ
La distribución de esta nueva variable tiene dos importantes propiedades:
• Z ~ N (0, 1) independientemente de cuáles sean los valores de µ y σ. Esta

distribución de z recibe el nombre de normal estandarizada.
• Si a x1 le corresponde el valor z1 y a x2 el z2, el área comprendida entre x1
y x2 es igual a la comprendida entre z1 y z2.
Al ser la distribución normal estandarizada siempre la misma, se han podido tabular

las áreas que dejan a la derecha cada uno de los valores de z (áreas de cola). De
esta forma, el cálculo de probabilidades en cualquier distribución normal se reduce
a un proceso del tipo:
1. Calcular los valores de z que corresponden a los valores de x que definen

el área a determinar.
2. Con ayuda de las tablas, determinar el área definida por los valores de z.
Esta área es la que corresponde a la probabilidad buscada.

10
Figura 6. Cálculo de probabilidades usando la normal estandarizada
Un ejemplo: “Las longitudes de ciertas piezas a la salida de máquina se distribuyen

según una normal de media 100 mm y desviación tipo 5 mm. Si sólo se consideran
aceptables las piezas con una longitud superior a 96,3 mm, ¿qué porcentaje de
piezas serán desechadas?
Si designamos como x a la longitud de las piezas tenemos que:

X ~ N(100 ; 5)
Transformamos en primer lugar el valor que toma la normal estandarizada:

x − µ 96,3 − 100
z= = = − 0,74
σ 5
Tenemos que:
P (x < 96,3) = P (z < – 0,74) = P (z > 0,74)
El área de cola que corresponde al valor z = 0,74 es 0,2296. Por tanto, la

probabilidad de que la longitud de las piezas sea inferior a 96,3 mm es del 23%.”

11
Figura 7 Cálculo de probabilidades con tablas
Minitab nos permite calcular probabilidades fácilmente, las instrucciones son:
Calc > Probability Distributions > Normal > Cumulative probability
En Mean pondremos la media de nuestro proceso, 100, y en Standard deviation, 5.

En Input constant el valor que queremos evaluar; y luego Ok. En pantalla
aparecerá el resultado: 0,229650. Puede ser que los valores de la tabla y los que
nos proporciona Minitab no sean exactamente iguales; esto es cuestión del
redondeo pero no tiene importancia.

12
Figura 8 Cálculo de probabilidades con Minitab
Minitab, por defecto, calcula el área de cola a la izquierda. Si lo que deseamos es

obtener el área de cola a la derecha, a 1 debemos restarle el valor obtenido.
Con Excel el cálculo es muy rápido y sencillo. Consiste en calcular

“=DISTR.NORM(‘punto a evaluar’; ‘media’; ‘desviación tipo’; VERDADERO); en
nuestro caso seria “=DISTR.NORM(96,3; 100; 5; VERDADERO)” o pasarle las
celdas que contienen dichos valores. El poner “VERDADERO” nos devuelve la
probabilidad acumulada. El valor “FALSO” nos devuelve la ordenada de la función
densidad de probabilidad.
Figura 9 Cálculo de probabilidades con Excel

13
2.3 Función de distribución. Test de normalidad
Conocida la función densidad de probabilidad de la ley normal es muy fácil

representar la función de distribución. Consiste en representar, para cada valor del
eje x, la probabilidad acumulada.
En la Figura 10 vemos como se construye la función de distribución para la

distribución normal estandarizada:
Figura 10 Ley Normal: Función de densidad vs. Función de distribución
La construcción para toda ley normal es análoga a la de la Normal estandarizada,

cambiando únicamente la escala de abscisas de manera que coincida con los
parámetros (si trabajamos con toda la población) o los estadísticos (si trabajamos
con muestras).
La representación gráfica de la función de distribución de la Normal tiene forma de

S alargada. Para conseguir que la función de distribución sea una recta tenemos
que cambiar la escala del eje de ordenadas, como se puede apreciar en la siguiente
figura.

14
Figura 11 Construcción del Papel Probabilístico Normal (ppn)
El papel con estas ordenadas se llama Papel Probabilístico Normal (ppn). La función
de distribución de la Normal, representada en ppn se denomina Recta de Henry. La
representación de datos en ppn sirve para analizar la hipótesis de normalidad de la
población.
Si los datos se distribuyen en el ppn de manera que forman una recta podremos
asumir la hipótesis de normalidad, en caso contrario rechazaremos dicha hipótesis.
Con los siguientes ejemplos se verá que es fácil discernir cuando se asume o
rechaza la normalidad de los datos:

15
Figura 12 Representación en ppn de los datos de: Normal (50;5), Chi cuadrado con
5 grados de libertad y Equiprobable entre 1 y 6.
Los datos que provienen de una Normal se alinean formando aproximadamente una
recta. En cambio, los datos de la Chi cuadrado se curvan en los extremos. Como la
ley equiprobable (todos los valores entre 1 y 6 tienen la misma probabilidad de
salir) es discreta, los valores se distribuyen verticalmente; en ningún caso
podríamos pensar que estos datos provienen de una Normal.
A parte de lo que se ve a simple vista en el ppn, Minitab nos proporciona un valor

que debe ayudarnos a decidir en casos dudosos: el p-valor (p-value en inglés). El
p-valor nos indica la proporción de veces que se da una discrepancia entre puntos y
recta como la observada o mayor si los datos provienen de la distribución Normal.
Dicha discrepancia entre puntos y recta se mide a través del estadístico de
Anderson-Darling. Por tanto, rechazaremos la hipótesis de normalidad cuando
tengamos p-valores pequeños.

16
3 Estudios de capacidad de máquina
Sigamos con la línea de envasado. El contenido de cada saco debe ser de 20kg,
pero incluso en las condiciones óptimas de trabajo los sacos no salen con este peso
exactamente, sino que puede estar comprendido, por ejemplo, entre 19,8 y 20,2kg.
La amplitud del intervalo de variabilidad cuando la máquina está en estado de

control (es decir, sólo actúan causas aleatorias de variabilidad) se denomina
capacidad. La idea de "capacidad" sugiere una característica positiva, de forma
que cuanto más mejor, pero en este contexto, capacidad = variabilidad y, por
tanto, cuanto menos mejor.
Si pesamos 500 sacos llenados con el proceso en estado de control y realizamos un

histograma de los pesos, podemos estar seguros de que este no tendrá ninguna de
las formas que se indican en la Figura 13, sino que será del tipo de la Figura 14,
recordando a una distribución normal.
40 70
60
30
50
Frequency
Frequency
40
20
30
10 20
10
0 0
19,80 19,85 19,90 19,95 20,00 20,05 20,10 20,15 20,20 19,80 19,85 19,90 19,95 20,00 20,05 20,10 20,15 20,20
Peso 1 Peso 2
Figura 13 (a y b) Histogramas que no representan la variabilidad natural de un

proceso

17
80
70
60
50
Frequency
40
30
20
10
19,80 19,85 19,90 19,95 20,00 20,05 20,10 20,15 20,20

Peso 3
Figura 14 Variabilidad debida únicamente a causas aleatorias
Como esta variabilidad debida a causas aleatorias sigue una distribución normal, la
capacidad de una máquina se define tradicionalmente como 6σ (desde µ−3σ hasta
µ+3σ), que es el intervalo en el que obtendrán el 99,7 % de las observaciones. Para
no dejar de considerar el 3 por mil que queda fuera de este intervalo, algunas
empresas prefieren emplear 8σ (µ ± 4σ) como medida de capacidad.
3.1 Cálculo de la capacidad de una máquina
Esquemáticamente, el proceso a seguir es el siguiente:
1. Asegurarse de que la máquina se encuentra en estado de control (no hay

causas asignables de variabilidad).
2. Tomar un mínimo de 50 unidades consecutivas (normalmente entre 50 y

100), midiendo para cada una la característica a estudiar.
3. Verificar la normalidad de los datos. Esta verificación suele hacerse

representando la función de distribución de los datos en papel probabilístico
normal. Existen unas plantillas para realizar estudios de capacidad de
máquinas que han sido muy utilizadas y que incorporan el papel
probabilístico.
4. Estimar la desviación tipo del proceso o, directamente, su capacidad. Las

plantillas como la antes comentada facilitan los cálculos.

18
Los estudios de capacidad son una herramienta fundamental para la racionalización

del control de calidad. El saber lo que la máquina es realmente capaz de hacer debe
ser conocido, y no sólo por las personas involucradas en la fabricación, sino
también por los comerciales cuando estos negocian con los clientes las
características de los productos.
3.2 Índices de capacidad
La capacidad de una máquina será adecuada o no en función de las tolerancias del

producto a elaborar. Así, una variabilidad perfectamente tolerable para llenar sacos
de cemento de 50kg, puede ser un disparate para llenar paquetes de azúcar de 1
kg.
Se ve clara, por tanto, la necesidad de definir un índice que relacione las tolerancias
del producto con la capacidad de la máquina. Este se denomina índice de capacidad
y viene definido por:
LTS − LTI
CP =
6σ
Siendo LTS: Límite de Tolerancia Superior, LTI: Límite de Tolerancia Inferior y 6σ:
Capacidad de la máquina
LTI Intervalo de tolerancias LTS
LTS − LTI Anchura tolerancias

Cp =
6σ Anchura campana
Capacidad = 6σ
Figura 15 Obtención del índice de capacidad
Tradicionalmente si Cp > 1 se dice que el proceso es capaz, pero muchas empresas

exigen a sus procesos o a sus proveedores valores de Cp > 1,33 cuando se

19
considera la capacidad igual a 6σ, o Cp = 1 con capacidad igual a 8σ (ambos

valores son equivalentes).
Tolerancias
Tolerancias > Capacidad

Máquina CAPAZ
Capacidad
Tolerancias
Tolerancias < Capacidad

Máquina NO CAPAZ
Capacidad
Figura 16 Definición de una máquina como capaz o no capaz (de fabricar con unas
determinadas especificaciones)
Supongamos que el peso de los sacos de pienso tiene una tolerancia de ± 250 g. y
que la desviación tipo calculada de una muestra de sacos tomada con el proceso en
estado de control es σ = 0,06 g. Tendremos:
LTS = 20,25 g
LTI = 19,75 g
6σ = 6 · 0,06 g = 0,36 g
20,25 − 19,75
Por tanto: CP = = 1,39
0,36

20
Otro índice también muy usado es el Cpk, que mide lo centrada que está la
máquina respecto al valor nominal. Su valor es el mínimo entre el Cp superior y el
Cp inferior, siendo:
LTS − µ µ - LTI
Cp superior: CpU = ; Cp inferior: CpL =
3σ 3σ
LTI nominal LTS
µ − LTI
CpL =
3σ
LTS − µ
CpU =
3σ
µ-LTI LTS-µ Cpk = Mín {CpL, CpU}
3σ 3σ
Figura 17 Determinación del Cpk. En el caso de la figura, como el proceso está

descentrado hacia los valores bajos, Cpk = CpL
Por ejemplo, si el proceso de llenado de sacos se descentra y pasa a llenarlos en

torno a un valor de 19,85 los valores del Cp superior e inferior serán:
20,25 − 19,85
Cp superior = = 2,22
3 ⋅ 0,06
19,85 - 19,75
Cp inferior = = 0,056
3 ⋅ 0,06
Por tanto, como Cpk = mínimo (Cp superior, Cp inferior) tendremos que:
Cpk = 0,056
Nótese que si el Cp coincide con el Cpk la máquina estará exactamente centrada. Si

no coinciden el proceso estará descentrado, llegando a que Cpk = 0 cuando la
máquina se halla centrada sobre un extremo del intervalo de tolerancias. (Si se
hallara centrada en un valor fuera del intervalo de tolerancias Cpk < 0).

21
4 Métricas para Seis Sigma
4.1 El significado de Seis Sigma
Presentamos a continuación una serie de términos que intervienen en los

programas de mejora Seis Sigma.
4.2 Variabilidad
La lucha por disminuir la variabilidad es uno de los objetivos principales en la

mejora de la calidad. Para medir la variabilidad del proceso utilizamos la desviación
tipo.
Figura 18 Variabilidad del proceso
La desviación tipo no sólo está ligada a la distribución Normal. Se puede calcular la

desviación tipo de cualquier conjunto de datos, sea cual sea su distribución.
Si la distribución es Normal, la desviación tipo tiene un papel protagonista, ya que:
• La media y la desviación tipo definen la distribución (bastan estos dos

valores para tenerla perfectamente definida)

22
• El porcentaje de valores más allá de un cierto número de desviaciones tipos

es constante, sin depender de la media ni de la desviación tipo.
Figura 19 Porcentaje de defectos según el número de desviaciones tipo
4.3 Proceso Seis Sigma
Cuando decimos que un proceso tiene seis sigmas (o cuatro, o las que sean) no nos
estamos refiriendo a su variabilidad. Esas sigmas no son medida de variabilidad.
Las sigmas del proceso relacionan variabilidad y tolerancias, igual que ocurre con el
Cp. Un proceso Seis Sigma es aquél que tiene las tolerancias a 6 sigmas del valor
objetivo.
Se producen 0,002 ppm de defectos (0,002 defectos por cada millón de unidades)
en un proceso Seis Sigma perfectamente centrado. Pero es muy optimista pensar
que estará siempre centrado. Para ser más realista, se cuenta la proporción de
defectos cuando el proceso se ha descentrado 1,5 sigmas. En este caso resulta que
los defectos son 3,4 ppm. Este valor de 1,5 sigmas de descentramiento es un poco
arbitrario; así lo plantearon los “pioneros” y así se ha quedado.

23
Figura 20 Defectos en un proceso Seis Sigma
4.4 Número de defectos: Medidas clásicas y Medidas Seis Sigma
Vamos a entender porqué la métrica convencional no es eficiente:
• Situación 1: Hemos producido dos unidades (la 101 y la 102). La 101 no

tiene defectos, la 102 tiene dos defectos. Productividad = output/input = ½
• Situación 2: Hemos producido dos unidades (la 103 y la 104). La 103 no

tiene defectos, la 104 tiene ocho defectos. Productividad = output/input = ½
La métrica convencional no distingue entre las situaciones 1 y 2, lo cual repercute

en una pérdida de información.
Seis Sigma propone una medida distinta: defectos por millón de oportunidades
(DPMO). Las oportunidades de defecto son todos aquellos aspectos que pueden
fallar en el producto/servicio y están ligadas con las CCC’s (características críticas
de calidad).
Ejemplos de oportunidades de defecto en:
• Factura: Dirección, A la atención de, Importe, Descripción, Condiciones de

pago.
• Rotulador: Encaje tapa-cuerpo, Punta deformada, Serigrafía exterior,
Cantidad de tinta.

24
En el caso de la factura hemos encontrado cinco oportunidades de defecto por

factura (5 OD), por tanto, en 1000 facturas tendremos 5000 OD.
Hemos detectado los siguientes errores:
Número
de Error en:
factura
34 Dirección
34 Importe
112 A la atención de
512 Descripción
512 Importe
512 Condiciones
Tabla 1 Errores detectados en las facturas
El total de errores son 6. De aquí, defectos por oportunidad = 6/5000 y DPMO =

(6/5000) x 1.000.000 = 1.200.
Calculando los DPMO estamos siendo más exigentes con nuestro proceso ya que si
una factura tiene más de un defecto lo tenemos en cuenta mientras que con la
métrica convencional pasábamos por alto este hecho.
Un proceso con 1.200 DPMO es un proceso aproximadamente 4,5 sigmas. En el

siguiente apartado (Tabla de correspondencias: DPMO – Sigmas del proceso) tiene
una tabla completa que relaciona sigmas del proceso y DPMO.
Sigmas
del DPMO
proceso
6 3,4
5 233
4,6 968
4,5 1320
4 6.210
3 66.807

25
2 308.538
1 691.462
Tabla 2 Tabla resumen de la relación entre sigmas del proceso y DPMO
Si comparamos la métrica convencional con la métrica que usa Seis Sigma, vemos
que tiene ciertas ventajas, estas son:
• Se contabilizan todos los defectos (errores) con independencia de que se

den en la misma unidad o en unidades diferentes.
• Permite valorar las mejoras con mayor nivel de detalle (mayor resolución en
la escala de medida)
Los peligros son que:
• La definición de Oportunidad de Defecto es subjetiva. Un proceso tiene más

o menos Sigmas según se definan más o menos Oportunidades de Defecto.
• No es una medida intuitiva.
El hecho que sea una medida subjetiva no tiene por qué ser algo contraproducente,
pues cada organización debe ajustarla a su proceso sin caer en el error de definir
oportunidades ni por exceso ni por defecto ya que “nos estaremos engañando”. Si
exageramos las oportunidades de defecto tendremos un proceso con muchas
sigmas (pero nos estaremos engañando). En consecuencia, una comparación del
tipo “Este proceso tiene 5 sigmas y aquél tiene 4, luego este proceso es mejor que
aquél”, no nos estará informando realmente de cómo son los procesos.
Una oportunidad de defecto debe tener una posibilidad razonable de que se cometa
ese tipo de error. Si se definen bien las oportunidades de defecto, entonces sí
podremos comparar nuestro proceso con otro. También podremos ver la evolución
de un mismo proceso y el aumento notable de las sigmas del proceso: “Al inicio del
proyecto nuestro proceso tenía 2,7 sigmas y hemos logrado situarlo en 5,2”.
Cuando se están cometiendo muy pocos defectos, las DPMO miden las mejoras de
una manera más clara. Dicen lo mismo: “Hemos pasado de un 0,003% de DPMO a
un 0,0003%” que “Hemos pasado de un proceso 5 Sigma a un proceso 6 Sigma”;
en cambio, la segunda expresión es más comprensible.

26
Si en su proyecto ve muy forzado utilizar sigmas como medida de buen

funcionamiento o le parece que trabajar con DPMO complica las cosas más que las
facilita, simplemente no utilice estas ideas.
Las sigmas del proceso tienen que ver con el nombre pero no con la esencia ni con
lo más importante de los programas Seis Sigma.
Para calcular las sigmas de sus procesos puede utilizar la siguiente plantilla:
Pasos 1 2 3
1. Número de oportunidades de defecto por unidad O=
2. Número de unidades procesadas N=
3. Número total de defectos identificados D=
4. Defectos por oportunidad DPO= D/(N x O) =
5. Defectos por millón de oportunidades DPMO = DPO x 106 =
6. Sigmas del proceso (tabla equivalencias DPMO y Sigmas del proceso)
Tabla 3 Plantilla para calcular las Sigmas del proceso

27
5 Medidas del rendimiento del proceso
Tenemos un proceso que tiene un input de 1.500 unidades y un output de 1.477

unidades. El rendimiento final es de 0,985 (3,7σ).
Figura 21 Rendimiento final del proceso
Observe que este indicador nada dice de las vueltas que han dado las 1.477
unidades antes de salir del proceso. Podrían salir las 1.500, y tener un rendimiento
final del 100%, pero reprocesando cada una varias veces. Medido de esta forma, el
rendimiento no es un buen indicador del rendimiento del proceso.
El indicador más adecuado es el rendimiento a la primera (first-pass yield).

También se puede calcular como el producto de los rendimientos en cada fase.
Vemos que calculando el rendimiento del proceso a la primera, el resultado es

menor pero más informativo.

28
Figura 22 Rendimiento a la primera del proceso
Aunque difícilmente podremos contabilizar los reprocesos si en el diagrama de flujo

no se han identificado correctamente los bucles. Pasar de un diagrama de flujo
detallado a las partes del proceso es fácil
Figura 23 Rendimiento del proceso a la primera: hacer un diagrama de flujo

detallado para poder ver reprocesos.

29
6 Tabla de correspondencias: DPMO – Sigmas del proceso
Defectos por Defectos por Defectos por Defectos por

Porcentaje Sigmas del
1.000 10.000 100.000 1.000.000 de Cp
de defectos proceso
oportunidades oportunidades oportunidades oportunidades
0,00034 0,0034 0,034 0,34 3,4 6 2,0
0,0005 0,005 0,05 0,5 5,4 5,9 2,0
0,0009 0,009 0,09 0,9 8,5 5,8 1,9
0,001 0,01 0,1 1 13 5,7 1,9
0,002 0,02 0,2 2 21 5,6 1,9
0,003 0,03 0,3 3 32 5,5 1,8
0,005 0,05 0,5 5 48 5,4 1,8
0,007 0,07 0,7 7 72 5,3 1,8
0,011 0,11 1,1 11 108 5,2 1,7
0,016 0,16 1,6 16 159 5,1 1,7
0,023 0,23 2,3 23 233 5 1,7
0,034 0,34 3,4 34 337 4,9 1,6
0,048 0,48 4,8 48 483 4,8 1,6
0,069 0,69 6,9 69 687 4,7 1,6
0,097 0,97 9,7 97 968 4,6 1,5
0,135 1,35 13,5 135 1.350 4,5 1,5
0,187 1,87 18,7 187 1.866 4,4 1,5
0,256 2,56 25,6 256 2.555 4,3 1,4
0,347 3,47 34,7 347 3.467 4,2 1,4
0,466 4,66 46,6 466 4.661 4,1 1,4
0,621 6,21 62,1 621 6.210 4 1,3
0,820 8,20 82,0 820 8.198 3,9 1,3
1,07 10,7 107 1.072 10.724 3,8 1,3
1,39 13,9 139 1.390 13.904 3,7 1,2
1,79 17,9 179 1.786 17.865 3,6 1,2
2,28 22,8 228 2.275 22.750 3,5 1,2
2,87 28,7 287 2.872 28.717 3,4 1,1
3,59 35,9 359 3.593 35.931 3,3 1,1
4,46 44,6 446 4.457 44.567 3,2 1,1
5,48 54,8 548 5.480 54.801 3,1 1,0
6,68 66,8 668 6.681 66.811 3 1,0
8,08 80,8 808 8.076 80.762 2,9 1,0
9,68 96,8 968 9.681 96.809 2,8 0,9
11,5 115 1151 11.508 115.083 2,7 0,9
13,6 136 1357 13.569 135.687 2,6 0,9
15,9 159 1587 15.869 158.687 2,5 0,8

30
Defectos por Defectos por Defectos por Defectos por

Porcentaje Sigmas del
1.000 10.000 100.000 1.000.000 de Cp
de defectos proceso
oportunidades oportunidades oportunidades oportunidades
18,4 184 1841 18.411 184.108 2,4 0,8
21,2 212 2119 21.193 211.928 2,3 0,8
24,2 242 2421 24.207 242.071 2,2 0,7
27,4 274 2744 27.441 274.412 2,1 0,7
30,9 309 3088 30.877 308.770 2 0,7
34,5 345 3449 34.492 344.915 1,9 0,6
38,3 383 3826 38.257 382.572 1,8 0,6
42,1 421 4214 42.143 421.427 1,7 0,6
46,1 461 4611 46.114 461.140 1,6 0,5
50,1 501 5013 50.135 501.350 1,5 0,5
54,2 542 5417 54.169 541.694 1,4 0,5
58,2 582 5818 58.181 581.815 1,3 0,4
62,1 621 6214 62.138 621.378 1,2 0,4
66,0 660 6601 66.008 660.083 1,1 0,4
69,8 698 6977 69.767 697.672 1 0,3
73,4 734 7339 73.394 733.944 0,9 0,3
76,9 769 7688 76.876 768.760 0,8 0,3
80,2 802 8020 80.205 802.048 0,7 0,2
83,4 834 8338 83.380 833.804 0,6 0,2
86,4 864 8641 86.409 864.095 0,5 0,2
89,3 893 8931 89.305 893.050 0,4 0,1
92,1 921 9209 92.086 920.861 0,3 0,1
94,8 948 9478 94.776 947.765 0,2 0,1
97,4 974 9740 97.404 974.043 0,1 0,0

31

Estudio Variabilidad

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Estudio Variabilidad

Caricato da

Copyright:

Formati disponibili

Estudio de la variabilidad

Estudio de la variabilidad ........................................................................... 2

2 La ley Normal ........................................................................................ 9

3 Estudios de capacidad de máquina...................................................... 17

4 Métricas para Seis Sigma .................................................................... 22

5 Medidas del rendimiento del proceso .................................................. 28

6 Tabla de correspondencias: DPMO – Sigmas del proceso .................... 30

© Copyright. UPCplus - Todos los derechos reservados

En este apartado se presentan las diferencias entre variables deterministas y

1.1 Variables deterministas y variables aleatorias

• Calcular la longitud de una hipotenusa

Llamamos variable al conjunto de valores que puede tomar una magnitud

1.2 La variación inevitable

La variabilidad es un fenómeno inevitable e inherente a todo proceso de

© Copyright. UPCplus - Todos los derechos reservados

ENTRADAS PROCESO SALIDA

Figura 1 La inevitable variabilidad en los factores de entrada provoca la variabilidad

1.3 Causas de la variabilidad

© Copyright. UPCplus - Todos los derechos reservados

• Suelen ser muchas, no identificables individualmente, y cada una de ellas

Las causas asignables se caracterizan por:

• Ser pocas pero de efectos importantes

• Aparecer esporádicamente, lo cual facilita su identificación y posterior

Pueden ser debidas a errores humanos, desgaste, roturas, desajustes en el

© Copyright. UPCplus - Todos los derechos reservados

Figura 2 Posibles acciones a tomar en función del origen de la variabilidad

La variabilidad total que presenta el proceso es la suma de la producida por las

© Copyright. UPCplus - Todos los derechos reservados

1.4 Comportamiento de la variabilidad debido a causas aleatorias

En la Figura 3 se presentan histogramas construidos con 50, 100, 500 y 1000

© Copyright. UPCplus - Todos los derechos reservados

La distribución Normal se caracteriza únicamente por 2 parámetros: la media (µ -

Figura 4 Situación de la media (µ) y la desviación tipo (σ) en una distribución

La distribución Normal presenta la importante propiedad de que la proporción de

© Copyright. UPCplus - Todos los derechos reservados

µ−3σ µ−2σ µ−σ µ µ+σ µ+2σ µ+3σ

Figura 5 Proporciones fijas en una distribución Normal

© Copyright. UPCplus - Todos los derechos reservados

2.1 La ley Normal: importancia y aspectos fundamentales

La distribución Normal tiene una forma de campana muy característica, que

• Los valores se distribuyen en torno a su valor medio, de forma que la mitad

• La mayoría de valores se encuentran agrupados en torno a la media, la

Una población normal queda perfectamente definida a partir de su media y su

2.2 Cálculo de probabilidades con la ley Normal

El perfil (función de densidad) de la distribución normal se ha definido de forma

• El área total bajo la campana es igual a 1.

© Copyright. UPCplus - Todos los derechos reservados

Dicho cálculo no se realiza por métodos analíticos, sino mediante un cambio de

se pasa a una variable z calculada de la forma:

La distribución de esta nueva variable tiene dos importantes propiedades:

• Z ~ N (0, 1) independientemente de cuáles sean los valores de µ y σ. Esta

Al ser la distribución normal estandarizada siempre la misma, se han podido tabular

1. Calcular los valores de z que corresponden a los valores de x que definen

© Copyright. UPCplus - Todos los derechos reservados

Figura 6. Cálculo de probabilidades usando la normal estandarizada

Un ejemplo: “Las longitudes de ciertas piezas a la salida de máquina se distribuyen

Si designamos como x a la longitud de las piezas tenemos que:

Transformamos en primer lugar el valor que toma la normal estandarizada:

El área de cola que corresponde al valor z = 0,74 es 0,2296. Por tanto, la

© Copyright. UPCplus - Todos los derechos reservados

Figura 7 Cálculo de probabilidades con tablas

Minitab nos permite calcular probabilidades fácilmente, las instrucciones son:

Calc > Probability Distributions > Normal > Cumulative probability

En Mean pondremos la media de nuestro proceso, 100, y en Standard deviation, 5.