Programa de certificación de Green Belts

Six- Sigma Módulo III – MEDIR B

Dr. Eleazar Puente
Contenido
Medir B
I. Fase de MEDIR introducción
II. Identificación de las variables a medir
III. Plan de recolección de datos
IV. Índices de capacidad de desempeño
V. Análisis del sistema de medición para variables
a) Análisis de linealidad y sesgo
b) Análisis de reproducibilidad y repetibilidad
VI. Análisis del sistema de medición para atributos

2
I. Fase de Medir
PROPÓSITOS:
▪ Determinar requerimientos de datos e información
para el proyecto.
▪ Definir las Métricas de los indicadores del Proceso.
▪ Identificar las posibles causas de la variación en el
proceso, así como el tipo de variables.
▪ Desarrollar un Plan de Recolección de Datos.
▪ Realizar un Análisis del Sistema de Medición (MSA).
▪ Llevar a cabo la recolección de datos.

SALIDAS:
▪ Diagnóstico del sistema de medición.
▪ Diagnóstico de la situación actual del problema
basándose en las mediciones.

4
II. Identificación de las variables a
medir
Las variables que será necesario medir pueden provenir de:

• Variables de entrada
• Variables de salida
• Condiciones de operación
del proceso

6
Herramientas
• Para identificar las variables a medir son útiles
las siguientes herramientas:
▫ Mapas de proceso: SIPOC y mapa detallado
▫ Diagrama causa-efecto (Ishikawa)
▫ Matriz causa-efecto
▫ Árbol de CTQ.

7
Mapa de procesos: SIPOC
Mapa de proceso SIPOC (Proveedores, Entradas, Salidas, Clientes)
Procesos y sistemas Salidas
Entradas

Provee-
dores
Clientes

Retroalimentación Retroalimentación

Banco de información

8
9
Mapeo de Procesos

10
Otra estructura para el SIPOC:

Entradas Proceso Salidas

a → → d
b → Fase 1 → e
c →

d → → h
e → Fase 2 → i
g → → j

i → → l
j → Fase 3 → m
k →
11
Mapa de procesos: Mapa Detallado

12
Mapa de Proceso
• Un mapa de proceso detallado muestra quién
hace qué, con quién, cuándo y durante cuánto
tiempo. También muestra las decisiones que son
tomadas, la secuencia de eventos, los tiempos de
espera o retardos inherentes al proceso.

13
Beneficios del Mapeo del Proceso
• SIPOC
▫ Muestra el alcance del proyecto
▫ Ilustra dónde se ajusta el proceso crítico en la foto grande
• El diagrama de flujo de proceso
▫ Establece el principio de acción sobre el proceso, aceptado
por el equipo
▫ Localiza las fábricas ocultas (VA vs NVA)
▫ Resalta oportunidades de mejora
• El mapa de proceso detallado
▫ Identifica todas las entradas con el suficiente detalle para
tomar acciones
▫ Es la entrada para los diagramas de espina de pescado,
Matriz C&E, AMEF y Plan de Control.
14
Identificación de variables clave:
Diagrama de Ishikawa

15
Ejemplo 1: Diagrama de Ishikawa

16
Ejemplo 2: Diagrama de Ishikawa

17
Identificación de variables clave
Matriz de Causa-Efecto
Relación entre entradas y salidas de procesos:
• La matriz enlista las variables clave de salida del proceso en
forma horizontal y las variables de entrada en forma vertical.

• A cada variable de salida se le asigna una prioridad.

• Dentro de la matriz se asignan números que indican el efecto

que tiene cada variable de entrada en las variables de salida.

• Se obtiene la suma producto de estos números internos por la

prioridad de salida como resultados y se saca el porcentaje
relativo.

18
Antes de mejorar un
proceso, primero se debe:
• Identificar variables de
entrada
• Identificar variables de
salida
• Documentar la relación
en diagramas de causa
efecto, matrices de
relación, diagramas de
flujo, etc.
• Medir

19
 Variables de Ruido o
no controlables (N)

N1 N2 N3

C1
S1 , S2
Variables
Controlables C2 PROCESO Características de
calidad (Y)
Y = f ( X1,X2,....Xn)

E1 E2 E3 E4

Variables experimentales (E)

C ENTRADA CONTROLABLE Aquella que puede ser controlada

Es impredecible, altera el proceso.No es controlable por el
N ENTRADA RUIDOSA “X”
momento.
(KPIV)
Aquella que puede ser estudiada bajo diversos parámetros
E ENTRADA EXPERIMENTAL
para ver su comportamiento en el proceso.
Según donde impactan se suelen clasificar en :
CTQ: Criticas para la Calidad “Y”
S SALIDA
CTD: Criticas para la Entrega (KPOV)
CTC: Criticas para el Costo.

20
Identificación de variables clave: Árbol de CTQ´s
• What is the customer actually telling you about your product or Watch out for negative wording – complaints
Voice of the service? are about what the customer does not want,
Customer • Sourced from complaints, direct feedback, focus groups, surveys... rather than what they do want.

• Can the VOC be converted into a specific need? Can we analyse a Identifying a specific need is often a good way
complaint and translate that into a requirement of what the customer to work around negative phrases – it helps
Specific Need expects? identify what it is that the customer really wants

• Analyse the VOC, often using the specific need, to identify the key The output characteristic is essential to
Output characteristic (or characteristics) which is / are important to fulfil the understand as without this we can not progress
Characteristic customers expectations

• Determine what we need to measure in order to monitor performance Identifying the correct KPI will give us a
against the output characteristic baseline on which to monitor performance and
KPI • Think about how we can collect the right data for this on an ongoing will ensure that our behaviours and actions are
basis focused on the customer

• Once the KPI is identified we can determine the target The target must reflect what the customer
wants, not what we can deliver
Target

• From the target, we can agree tolerances around this with the Tolerances must be agreed with the customer.
customer i.e. what is acceptable variation from the agreed target? If our process is not accurate or precise enough
Tolerances • We may look at our process capability (Voice of the Process) at this to meet this then we have an immediate need to
point to see how it compares to the VOC improve the process

• We may have identified several requirements from the VOC, in which At this point we would consider what the
case we need to assess them and decide which we need to focus on customer must have, needs to have and would
Prioritisation • Use the Matrix Diagram Tool for this be nice to have. We also have to consider the
© ABB Group 9AKK105151D0115 VOB

21
Example : CTC with Targets and Tolerances
Voice of Customer (VOC)
“Why am I always guessing when I will receive my order from your
company?”

Critical to Customer (CTC)

“Customer wants delivery on the agreed day”

Output KPI Specification/

Target
Characteristic Tolerance Limits
“Variation between
“Consistent customer requested
delivery against “0” “+ 1 / - 4 days”
date and actual date,
plan” in days”

22
23
III. Plan de recolección de datos
Cuando se recolecta información es importante tener en cuenta lo
siguiente:

• Clasificación de variables

• Escalas de medición de variables

• Métodos de recolección de datos

25
Clasificación de variables
Cualitativas o
Cuantitativas
categórica

Discretas o de
Nominales
atributos

Dicotómicas Continuas

Ordinales

26
Escalas de medición según la clasificación
Escala Descripción Ejemplo
Nominal Datos como nombres o Bolsa con dulces de colores:
categorías. No hay orden. amarillos, rojos y verdes
Ordinal Los datos están ordenados pero Defectos A más críticos que
(rango) sus diferencias no pueden los defectos B, B más que C,
determinarse ni tienen sentido etc. Ejemplo: Escala de Likert.
Intervalo Los datos se arreglan por orden y La temperatura en °C. Nótese
diferencia. No hay punto de que las diferencias y razones
inicio de referencia y la razón no no se mantienen si se cambia
tiene significado a °F.
Razón Similar al anterior con un punto En la medida de 2 diámetros,
cero inicial. Tanto las diferencias la relación (dA / dB) permanece
como las razones son sin importar si está en cm o
significativas pulgadas.
27
Métodos de recolección de datos

1. Lineamientos para la recolección

• Formular una clara descripción del problema.
• Definir de manera precisa lo que se va a
medir.
• Listar todas las características importantes a
medir.
• Cuidadosamente seleccionar la técnica de
medición.

28
2. Lineamientos para la recolección
• Construir un formato sencillo de registro.
• Decidir quién colectara los datos.
• Establecer un método de muestreo
apropiado.
• Decidir quién analizará e interpretará los
resultados.
• Decidir quién reportará los resultados.

29
Muestreo
• Para realizar un análisis del sistema de
medición es necesario tomar mediciones a partir
de una muestra.
• Para hacer conclusiones estadísticamente
válidas es importante que la muestra sea
probabilística.
• El muestreo probabilístico puede ser simple,
sistemático o estratificado (los tipos más
comunes).

30
Muestreo Probabilístico
• Simple: Se seleccionan los elementos
tomándolos de acuerdo a un número aleatorio
que se asigna.
• Sistemático: Solamente la primera unidad se
selecciona al azar, las demás se toman de
manera regular a partir de la primera.
• Estratificado: Cuando la población se puede
dividir en sub-poblaciones, se toman muestras
de cada estrato.

31
Ejemplos:

32
IV. Índices de capacidad y
desempeño de procesos
Capacidad de procesos
La capacidad del proceso (sinónimo de habilidad de proceso) es una
medida de qué tan hábil es el proceso para cumplir con las
especificaciones del producto.

La capacidad del proceso sólo tiene validez si el proceso se encuentra

bajo control estadístico.
34
Capacidad vs. Control

35
Capacidad vs. Control

• El control de proceso se refiere a la “voz del proceso”, el cual se

mide a través de una medida de desempeño acordada para evaluar
la estabilidad de dicha medida a través del tiempo. Lo anterior se
le conoce como Control Estadístico del Proceso.

• La capacidad del proceso mide “qué tan bueno es un proceso” y

compara la voz del proceso con la “voz del cliente”. Aquí, la voz del
cliente es el rango de la especificación (tolerancia) o el límite más
cercano de la especificación del cliente.

36
 Límites de tolerancia
• Sea X una variable aleatoria continua que corresponde a
una característica de calidad y además sigue una
distribución normal con parámetros conocidos μ, σ. Los
límites de tolerancia superior e inferior (LTS, LTI) se definen
como: 𝐿𝑇𝐼 = 𝜇 − 3 𝜎 ; 𝐿𝑇𝑆 = 𝜇 + 3 𝜎

NORMAL UNIFORME
• A estos límites también se les llama límites naturales del proceso y entre ellos se
encuentra el 99.73% de los valores de X si los datos se comportan como una
variable aleatoria Normal. Estas probabilidades son diferentes si la distribución
no es Normal.
37
Límites de especificación

• Los límites de tolerancia se comparan contra los límites de

especificación y entonces se evalúa que tan “bien” el proceso
puede cumplir con dichas especificaciones.

• Los límites de especificación inferior y superior (LEI, LES) son los

valores mínimo y máximo que debe tener la característica de
calidad para que se considere aceptable.

• Los límites de especificación son determinados por el cliente o

por el equipo de diseño del producto.

38
 LIE LSE
LIE LSE

a)
h)

b)
i)

Ejemplos:
Límites de c)
j)

especificación d) k)

e) l)

f) m)

n)
g)

39
Capacidad de procesos

Existen diversos índices para medir la capacidad del proceso, como

son:

1. Índices de Capacidad de procesos

2. Índices de Desempeño de procesos

3. Capacidad de proceso para datos por atributos.

40
Capacidad de Proceso (Process Capability)
El índice de Capacidad del proceso (Habilidad de proceso) es un
estimador de la capacidad del proceso para cumplir las especificaciones
cuando la desviación estándar se calcula dentro de un sub-grupo
racional (sigma de corto plazo, “sigma within”).
El calculo es:
𝑈𝑆𝐿 − 𝐿𝑆𝐿
𝐶መ𝑝 =
6𝜎ො𝑤𝑖𝑡ℎ𝑖𝑛

donde LSL y USL son los límites de especificación inferior y superior

respectivamente.

Al índice 𝐶𝑝 también se le denomina Capacidad Potencial del Proceso y

no toma en cuenta la ubicación central de la distribución, sólo toma en
cuenta la dispersión de ella.
41
En la práctica, SIEMPRE la desviación estándar del proceso es
desconocida, por lo que es posible estimar 𝜎ො𝑤𝑖𝑡ℎ𝑖𝑛 mediante el rango
promedio,
𝑅ത
𝜎ො𝑤𝑖𝑡ℎ𝑖𝑛 =
𝑑2

Entonces el estimador es:

𝑈𝑆𝐿 − 𝐿𝑆𝐿
𝐶መ𝑝 =
𝑅ത
6∗
𝑑2

42
 Dispersión aceptable y centrada Dispersión aceptable pero no centrada

Dispersión aceptable pero no centrada Dispersión aceptable pero no centrada

43
Especificaciones no simétricas (o de un solo lado):

Si el proceso presenta sesgo, entonces

𝑈𝑆𝐿 − 𝜇ො
𝐶መ𝑝𝑢 =
3𝜎ො
𝜇ො − 𝐿𝑆𝐿
𝐶መ𝑝𝑙 =
3𝜎ො

Éstos índices se usan para límites de especificación superior o inferior

respectivamente.

44
Desempeño del Proceso (Process Performance)
El índice de desempeño del proceso (capacidad de largo plazo) es
un estimador de la capacidad del proceso para cumplir las
especificaciones cuando la desviación estándar se calcula como un
estimador de la desviación total de la población en el largo plazo
(“sigma overall”), no dentro de un subgrupo.

Nota:
Para ambos casos (sigma de corto y de largo plazo) se tienen
diferentes estimadores que se utilizan en la industria.

45
Estimación de 𝜎 en un proceso a largo plazo
La desviación estándar a largo plazo se calcula de la siguiente manera
para obtener un estimador insesgado.

σ𝑛𝑖=1(𝑥𝑖 − 𝑥)ҧ 2
𝑛−1 𝑠
𝐷𝑒𝑠𝑣. 𝐸𝑠𝑡á𝑛𝑑𝑎𝑟 𝑂𝑣𝑒𝑟𝑎𝑙𝑙 = 𝜎𝑙𝑡 = =
4(𝑛 − 1) 𝐶4
4𝑛 − 3

46
Interpretación del índice de capacidad

47
Requisitos para el calculo:
Los valores de 𝐶𝑝 , 𝐶𝑝𝑢 , 𝐶𝑝𝑙 tienen requisitos básicos:

1. El proceso está bajo control estadístico.

2. La característica de calidad sigue una distribución Normal.

3. En el caso de especificación inferior y superior, la media del

proceso debe estar centrada entre los límites de especificación.

Si NO se cumpliera cualquiera de estos requisitos, las conclusiones

pueden ser erróneas.

48
Recomendaciones con respecto a los requisitos:
1.- Control Estadístico:
Sólo es válido calcular 𝐶𝑝 , 𝐶𝑝𝑢 , 𝐶𝑝𝑙 si el proceso se encuentra bajo
control. Si no se cumple se debe trabajar primero en ello.

2.- Normalidad:
Cuando no se cumple el supuesto se tienen las siguientes alternativas:
• Utilizar un índice especial para datos no normales
• Transformar para poder aplicar los índices conocidos (los más
utilizados son Box-Cox y Johnson)

3.- Distribución Centrada:

Cuando la distribución no está centrada, es usual calcular el índice de
capacidad real del proceso 𝐶𝑝𝑘 .

49
Índice de 𝐶𝑝 : Proceso Descentrado.

• El índice 𝐶𝑝 no toma en cuenta la localización de la media del

proceso con respecto a las especificaciones.

• Mide la dispersión de la especificación en relación a la dispersión 6𝑠

del proceso.

• Por estas razones se le denomina Índice de Capacidad Potencial del

proceso, ya que solo indica la relación que hay entre la tolerancia de
las especificaciones y la dispersión del proceso.

50
Índice de 𝐶𝑝𝑘 : Proceso Descentrado.

Un índice de capacidad que

sí toma en cuenta la
ubicación/posición de la
media del proceso es 𝐶𝑝𝑘 ,
el cual esta definido como:

𝐶𝑝𝑘 = 𝑚í𝑛(𝐶𝑝𝑙, 𝐶𝑝𝑢 )

A este métrico se le
denomina Índice de
Capacidad Real del
Proceso.

51
Cálculo de los índices
Capacidad de Proceso: Desempeño del Proceso:

52
Índice de 𝐶𝑝 : Proceso Descentrado

53
Índice de 𝐶𝑝 y Nivel Sigma

54
Constantes para la estimación de 𝜎

55
Procesos descentrados
• Un índice de capacidad mejorado, para medir el
centrado del proceso es: Cpm.
USL − LSL
C pm =
6
donde  es la raíz cuadrada del valor esperado del
cuadrado de la desviación del objetivo, T
=½(USL+LSL),

 
 = E (x − T) = 2 + ( − T) 2
2 2

56
Procesos descentrados
• Para simplificar los cálculos, Cpm puede
reescribirse de otra manera:
USL − LSL
C pm =
6  2 + ( − T ) 2
Cp
=
1+ 2

donde

T−
=


57
Procesos descentrados
• Cuando no se conocen ni la media ni la desviación
estándar de la población, un estimador de Cpm is:

Si solamente hay un límite de especificación, superior o

inferior:

58
Índice de 𝐶𝑝 para datos por atributos
• En este caso la capacidad del proceso es la proporción media de
producto no conforme.
• Para gráficos p y np, la capacidad del proceso es la p media de fracción
no conforme.
•

• Para gráficos c, la capacidad del proceso es el promedio de las no

conformidades, c media, para una muestra fija de tamaño n.
• Para gráficos u, la capacidad del proceso es el promedio de las no
conformidades por unidad, u media.
• Aunque no sea estadísticamente correcto, siempre es posible obtener
un 𝐶𝑝𝑘 o un nivel sigma “equivalente”, usando la herramienta que se
muestra en la página 54, buscando el valor de PPMs y leyendo los
demás métricos.
59
V. Análisis del sistema de medición
por variables.
Errores en la medición: Exactitud y Precisión

61
Errores en la medición

El manual MSA de la AIAG clasifica los errores del sistema de medición

en cinco categorías:
• Sesgo o exactitud
• Linealidad
• Repetibilidad
• Reproducibilidad
• Estabilidad.

62
Los conceptos clave para caracterizar el sistema de medición de acuerdo a
The Certified Six Sigma Blackbelt Handbook son:

• Exactitud
▫ Sesgo (medición – valor real)
▫ Linealidad
▫ Estabilidad
• Precisión
▫ Reproducibilidad y Repetibilidad
• Discriminación o resolución
• Razón Precisión/Tolerancia (PTR)
• Gage R&R
• Percent Agreement

63
Definiciones
Exactitud Desviación respecto del valor verdadero del
(sesgo promedio) promedio de las mediciones
Valor verdadero Valor correcto teórico / estándares NIST
Distancia entre el valor promedio de todas las
Sesgo mediciones y el valor verdadero, es decir, Error
sistemático o desviación.
La variación total en las mediciones obtenidas
Estabilidad
durante un período de tiempo prolongado
Variación de los valores medidos a lo largo del
Linealidad
rango de medición.
Medición de la variación natural en mediciones
Precisión
repetidas.
64
Análisis de Sistemas de Medición

Sensibilidad
La calibración (gage) debe ser
suficientemente sensible para
detectar diferencias en las
mediciones en al menos un décimo
de la tolerancia especificada o de
la dispersión del proceso.

65
V.a Estudio de linealidad y sesgo
(exactitud)
66
Sistema de medición ideal

67
Sistema de medición con precisión moderada

68
Sistema de medición con sesgo sistemático

69
Sistema de medición con problemas de sesgo
sistemático y linealidad en precisión

70
Sistema de medición con problemas de linealidad
en exactitud y linealidad en precisión.

71
Definición de la Linealidad
Un sistema de medición por variables presenta problemas de
linealidad en la exactitud cuando el sesgo promedio no es el
mismo a lo largo del rango de los valores medidos.

Se determina a partir de un análisis de regresión lineal, siendo

el sesgo la variable dependiente y los valores conocidos o
estándar la independiente.

Si la pendiente es estadísticamente significativa, existe el

problema de linealidad.

72
Ejemplo:
El supervisor de una línea eligió cinco piezas que representaban el rango
esperado de las mediciones. Se midió cada pieza en la inspección total
para determinar su valor de referencia (principal). Luego, un operador
midió aleatoriamente cada pieza doce veces. Usted obtuvo la variación
del proceso (16.5368) de un estudio R&R del sistema de medición
utilizando el método ANOVA.

Minitab muestra la variación del proceso en la ventana Sesión (fila

Variación total de la columna Var. del estudio (6 * DE)).
(Ejemplo Archivo: LINMEDIDOR.MTW)
Minitab > Estadísticas > Herramientas de calidad > Estudio de medición > Estudio de linealidad y
sesgo del sistema de medición > En Números de parte, ingrese Pieza > En Valores de referencia,
ingrese Maestro > En Datos de medición, ingrese Respuesta > En Variación del proceso, ingrese
16.5368 >Aceptar.

73
Estudio de linealidad

74
V.b Repetibilidad y reproducibilidad
(precisión)
75
Errores en la medición
Todo proceso presenta variabilidad y los procesos de medición no
son la excepción;
Los valores observados son el resultado del comportamiento
verdadero más el “ruido” de la medición, por lo que es necesario
evaluar el sistema de medición de la variable de respuesta para
determinar si este es aceptable para la necesidad.

2 2 2
𝜎𝑡𝑜𝑡𝑎𝑙 = 𝜎𝑝𝑎𝑟𝑡𝑒𝑠 + 𝜎𝑠𝑚

2 2 2
𝜎𝑠𝑚 = 𝜎𝑟𝑒𝑝𝑒𝑡 + 𝜎𝑟𝑒𝑝𝑟𝑜𝑑

2 2 2 2
𝜎𝑡𝑜𝑡𝑎𝑙 = 𝜎𝑝𝑎𝑟𝑡𝑒𝑠 + 𝜎𝑟𝑒𝑝𝑒𝑡 + 𝜎𝑟𝑒𝑝𝑟𝑜𝑑

76
Definiciones

Proceso de Proceso de Datos,

Transformación Medición información,
observaciones

+ =

Variabilidad Variabilidad Variabilidad

del producto del Sist. De total
Medición (Observada)

 2
producto + 2
Sistema de medición = 2
total

 producto+ eSistema de medición =  total

77
78
Definición de la Repetibilidad
Repetibilidad: Es la variación de las mediciones cuando
• Se miden las mismas características en una misma parte
• Se utiliza un mismo instrumento de medición
• Se observa varias veces por un mismo operador en un período
corto de tiempo.

REPETIBILIDAD

79
Definición de la Reproducibilidad

Reproducibilidad:

Es la variación que existe entre los

promedios de las mediciones hechas
Operador-B
por diferentes operadores que
utilizan un mismo instrumento de
medición cuando miden las mismas
características en una misma parte
Operador-C en diferentes tiempos

Operador-A

Reproducibilidad
80
Estudios de 𝑅&𝑅
Los métodos para estudios de Repetibilidad y Reproducibilidad pueden
clasificarse por la naturaleza de las mediciones en :

Métodos para mediciones de datos continuos

➢ Para pruebas no destructivas ⇒ Método ANOVA
(Exacto, pero recomendable mediante software)
➢ Para pruebas destructivas ⇒Método ANOVA
modificado (Diseños anidados)
Métodos para mediciones de atributos o datos discretos.
➢ Índice Kappa (Pruebas binarias)
➢ Índice Kendall (Múltiples características)

81
Precisión a Tolerancia (𝑃/𝑇)
La razón (P/T) es el error estimado de la medición (precisión) entre la
tolerancia de la característica medida,
5.15ෝ
𝑚𝑠 𝜎 6ෝ
𝜎
𝑚𝑠
𝑃𝑇𝑅 = 𝑈𝑆𝐿−𝐿𝑆𝐿 𝑃𝑇𝑅 = 𝑈𝑆𝐿−𝐿𝑆𝐿

Talque
< 0.10 𝑒𝑥𝑐𝑒𝑙𝑒𝑛𝑡𝑒
𝑃ൗ = ቐ0.10 − 0.30 𝑟𝑎𝑧𝑜𝑛𝑎𝑏𝑙𝑒
𝑇
0.30 − 0.50 𝑖𝑛𝑎𝑑𝑒𝑐𝑢𝑎𝑑𝑜
Los supuestos son:
• Las mediciones son independientes
• Los errores de medición se distribuyen normalmente
• Los errores de medición son independientes de la magnitud de las
mediciones.

82
R&R Método de ANOVA
Método ANOVA
• Permite separar en el sistema de medición lo referente a la
reproducibilidad y a la Repetibilidad.
• Proporciona información acerca de las interacciones de un operador y
otro en cuanto a la parte.
• Calcula las varianzas en forma precisa.
• Los cálculos numéricos requieren de una computadora.

83
Procedimiento para realizar un estudio de R&R
1. Ajustar o asegurar que el instrumento de medición se encuentre
calibrado.
2. Marcar cada pieza con un número de identificación que no pueda ver la
persona que realiza la medición.
3. Hacer que el primer operador mida todas las muestras una sola vez,
siguiendo un orden al azar.

84
Procedimiento para realizar un estudio de R&R
4. Hacer que el segundo operador mida todas las muestras una sola
vez, siguiendo un orden al azar.
5. Continuar hasta que todos los operadores hayan medido las muestras
una sola vez (Este es el ensayo 1).
6. Repetir los pasos 3 - 4 hasta completar el número requerido de
ensayos .

85
Procedimiento para realizar un estudio de R&R
7. Utilice una herramienta estadística para determinar los resultados
del estudio R&R
 Repetibilidad
 Reproducibilidad
 %R&R
 Desviaciones estándar de cada uno de los conceptos
mencionados
 Análisis del % de tolerancia
8. Analice los resultados y determine los pasos a seguir, si los hay.

Medidor AIAG
Medidor 2
Excel (datos para lin rr...).
Medidores t

86
Ejemplo:
Para un estudio de R&R se eligieron a 2 operadores. Ellos midieron con
el mismo equipo de medición a 10 partes en 3 intentos cada uno. Los
resultados obtenidos son:

Número de Parte Mediciones Operador A Mediciones Operador B

1 50 49 50 50 48 51
2 52 52 51 51 51 51
3 53 50 50 54 52 51
4 49 51 50 48 50 51
5 48 49 48 48 49 48
6 52 50 50 52 50 50
7 51 51 51 51 50 50
8 52 50 49 53 48 50
9 50 51 50 51 48 49
10 47 46 49 46 47 48

87
Ejemplo (medidorAIAG.mtw)

• Abrir el archivo de datos en Minitab.

88
Continúa R&R cruzado

89
Este gráfico debe
mostrar fuera de
control.

90
Two-Way ANOVA Table With Interaction
Como la interacción
Source
Pieza
DF
9
SS
88.3619
MS
9.81799
F
492.291
P
0.000
no es significativa, se
Operador 2 3.1673 1.58363 79.406 0.000 hace otro ANOVA.
Pieza * Operador 18 0.3590 0.01994 0.434 0.974
Repeatability 60 2.7589 0.04598
Total 89 94.6471

α to remove interaction term = 0.05

Two-Way ANOVA Table Without Interaction

Source DF SS MS F P
Pieza 9 88.3619 9.81799 245.614 0.000
Operador 2 3.1673 1.58363 39.617 0.000
Repeatability 78 3.1179 0.03997
Total 89 94.6471

Gage R&R Debe ser < 1%,

%Contribution
puede ser aceptable
Source VarComp (of VarComp) < 9%
Total Gage R&R
Repeatability
0.09143
0.03997
7.76
3.39
Debe ser < 10%,
Reproducibility 0.05146 4.37 puede ser aceptable
Operador 0.05146 4.37
Part-To-Part 1.08645 92.24 < 30%
Total Variation 1.17788 100.00

Study Var %Study Var

Source StdDev (SD) (6 × SD) (%SV)
Total Gage R&R 0.30237 1.81423 27.86
Repeatability 0.19993 1.19960 18.42
Debe ser 5 o más. Reproducibility
Operador
0.22684
0.22684
1.36103
1.36103
20.90
20.90
Part-To-Part 1.04233 6.25396 96.04
Total Variation 1.08530 6.51180 100.00

Number of Distinct Categories = 4 91

Criterios de la AIAG
Los estándares correspondientes para el %Contribución son:

< 1% El sistema de medición es aceptable

El sistema de medición es aceptable

%Contribución 1% - 9% dependiendo de la aplicación, el costo
del dispositivo de medición, el costo de
las reparaciones u otros factores.

> 9% El sistema de medición no es aceptable y

debe ser mejorado.

92
 Criterios de la AIAG
Los estándares correspondientes para el %Var Estudio (%Tolerancia, %Proceso)
son:

< 10% El sistema de medición es aceptable

El sistema de medición es aceptable

%Var Estudio 10% - 30% dependiendo de la aplicación, el costo
del dispositivo de medición , el costo de
las reparaciones u otros factores.

> 30% El sistema de medición no es aceptable y

debe ser mejorado.

93
Otros métricos usuales
• Relación Señal/Ruido (Signal-to-noise ratio, SNR)
El manual de AIAG define la Relación señal/ruido como el número de
niveles o categorías distintas que se pueden obtener de forma
confiable a partir de las mediciones

2𝜌𝑝 𝜎𝑝2
𝑆𝑁𝑅 = 1−𝜌𝑝
donde 𝜌𝑝 = 𝜎2
𝑇𝑜𝑡𝑎𝑙

donde
≥5 Capacidad de discernir adecuada
SNR
<2 Capacidad de discernir inadecuada

94
Otros métricos usuales
• Razón Discriminante (Discrimination Ratio, DR)

Es el número de niveles o categorías distintas discernibles por el

indicador. Un valor de dos, por ejemplo, indica que el medidor es
útil solo para el análisis de atributos, ya que solo puede clasificar
efectivamente las partes como si estuvieran en un grupo u otro
(por ejemplo, bueno o malo).

1 + 𝜌𝑝
𝐷𝑅 =
1 − 𝜌𝑝

95
VI. Análisis de reproducibilidad y
repetibilidad por atributos
96
Análisis de Concordancia de Atributos:
“Pasa o No pasa”
Muestra Atributo Persona 1A Persona 1B Persona 2A Persona 2B
1 G G G G G
2 G G G G G
3 G G G G G
4 G G G G G
5 G G G G G
6 G NG G G G
7 G G G G G
8 G G G G G
9 NG G G NG NG
10 NG NG NG G G
11 G G G G G
12 G G G G G
13 NG NG NG NG NG
14 G G G G G
15 G G G G G
16 G G G G G
17 NG NG NG NG NG
18 G G G G G
19 G G G G G
20 G G G G G

97
Estadístico Kappa
Kappa mide el grado de concordancia de las evaluaciones nominales u
ordinales realizadas por múltiples evaluadores cuando se evalúan las
mismas muestras. Así,
• 𝐾𝑎𝑝𝑝𝑎 = 1, existe concordancia perfecta.
• 𝐾𝑎𝑝𝑝𝑎 = 0, la concordancia es la misma que se esperaría en
virtud de las probabilidades.
• 𝐾𝑎𝑝𝑝𝑎 < 0, la concordancia es más débil que lo esperado en
virtud de las probabilidades; esto casi nunca
sucede.
El manual AIAG sugiere que un valor de kappa de al menos 0.75 indica
una concordancia adecuada. Sin embargo, se prefieren valores de
kappa más grandes, como 0.90.

98
Attribute Agreement Analysis Persona 1A, Persona 1B, Persona 2A,
Persona 2B
Within Appraisers
Appraiser # Inspected # Matched Percent 95 % CI
1 20 19 95.00 (75.13, 99.87)
2 20 20 100.00 (86.09, 100.00)
# Matched: Appraiser agrees with him/herself across trials.
Fleiss' Kappa Statistics
Appraiser Response Kappa SE Kappa Z P(vs > 0)
1 G 0.82684 0.223607 3.69774 0.0001
NG 0.82684 0.223607 3.69774 0.0001
2 G 1.00000 0.223607 4.47214 0.0000
NG 1.00000 0.223607 4.47214 0.0000
Each Appraiser vs Standard
Appraiser # Inspected # Matched Percent 95 % CI
1 20 18 90.00 (68.30, 98.77)
2 20 19 95.00 (75.13, 99.87)
Between Appraisers
# Inspected # Matched Percent 95 % CI
20 17 85.00 (62.11, 96.79)
Fleiss' Kappa Statistics
Response Kappa SE Kappa Z P(vs > 0)
G 0.663222 0.0912871 7.26524 0.0000
NG 0.663222 0.0912871 7.26524 0.0000
All Appraisers vs Standard
# Inspected # Matched Percent 95 % CI
20 17 85.00 (62.11, 96.79)
# Matched: All appraisers' assessments agree with the known standard.
Fleiss' Kappa Statistics
Response Kappa SE Kappa Z P(vs > 0)
G 0.792005 0.111803 7.08391 0.0000
NG 0.792005 0.111803 7.08391 0.0000
99
 Date of study:
Assessment Agreement
Reported by:
Name of product:
Misc:

Within Appraisers Appraiser vs Standard

100 95.0% C I 100 95.0% C I
P ercent P ercent

95 95

90 90
Percent

Percent
85 85

80 80

75 75

70 70

1 2 1 2
Appraiser Appraiser

100
Otro ejemplo concordancia de atributos

101
102
Attribute Agreement Analysis for Jesus1, Edgar1, Jesus2,
Edgar2
Between Appraisers
Within Appraisers
Assessment Agreement
Assessment Agreement
# Inspected # Matched Percent 95% CI
10 6 60.00 (26.24, 87.84)
Appraiser # Inspected # Matched Percent 95% CI
1 10 8 80.00 (44.39, 97.48)
# Matched: All appraisers’ assessments agree with each
2 10 7 70.00 (34.75, 93.33)
other.
# Matched: Appraiser agrees with him/herself across trials.
Fleiss’ Kappa Statistics
Fleiss’ Kappa Statistics
Response Kappa SE Kappa Z P(vs > 0)
go 0.556692 0.129099 4.31212 0.0000
Appraiser Response Kappa SE Kappa Z P(vs > 0)
ngo 0.556692 0.129099 4.31212 0.0000
1 go 0.583333 0.316228 1.84466 0.0325
ngo 0.583333 0.316228 1.84466 0.0325
2 go 0.393939 0.316228 1.24575 0.1064
ngo 0.393939 0.316228 1.24575 0.1064

All Appraisers vs Standard

Each Appraiser vs Standard
Assessment Agreement
Assessment Agreement
# Inspected # Matched Percent 95% CI
Appraiser # Inspected # Matched Percent 95% CI 10 6 60.00 (26.24, 87.84)
1 10 8 80.00 (44.39, 97.48)
2 10 7 70.00 (34.75, 93.33) # Matched: All appraisers’ assessments agree with the known
standard.
# Matched: Appraiser’s assessment across trials agrees with
the known standard.
Fleiss’ Kappa Statistics

Fleiss’ Kappa Statistics Response Kappa SE Kappa Z P(vs > 0)

go 0.748485 0.158114 4.73383 0.0000
Appraiser Response Kappa SE Kappa Z P(vs > 0) ngo 0.748485 0.158114 4.73383 0.0000
1 go 0.797980 0.223607 3.56867 0.0002
ngo 0.797980 0.223607 3.56867 0.0002
2 go 0.698990 0.223607 3.12598 0.0009
ngo 0.698990 0.223607 3.12598 0.0009
103
Assessment Agreement Date of study:
Reported by:
Name of product:
Misc:

Within Appraisers Appraiser vs Standard

100 100
95.0% CI 95.0% CI
Percent Percent
90 90

80 80
Percent

Percent
70 70

60 60

50 50

40 40

1 2 1 2
Appraiser Appraiser

104
Coeficiente de Concordancia de Kendall

El coeficiente de concordancia de Kendall expresa el grado de

asociación entre las calificaciones múltiples realizadas por un
evaluador.

El coeficiente de concordancia de Kendall varía de -1 a 1. Cuanto

mayor sea el valor absoluto de Kendall, más fuerte será la
asociación.

El coeficiente de concordancia ayuda a determinar si un evaluador

es consistente pero inexacto.

105
Comparación entre Kappa vs. Kendall
• Cuando las clasificaciones sean nominales (verdadero/falso,
bueno/malo, crujiente/crocante/blando), utilice los estadísticos
kappa.
• Cuando sus clasificaciones sean ordinales (calificaciones realizadas
con base en una escala), además de los estadísticos kappa, utilice el
coeficiente de concordancia de Kendall.
• Cuando sus clasificaciones sean ordinales y usted tenga un valor
estándar conocido para cada ensayo, además de los estadísticos
kappa, utilice el coeficiente de correlación de Kendall.

Los estadísticos kappa representan concordancia absoluta entre las

clasificaciones, mientras que los coeficientes de Kendall miden las
asociaciones entre las clasificaciones.

106
Interpretación de Resultados

1. % del Evaluador es la consistencia de una persona.

2. % Evaluador vs Atributo es la medida de el acuerdo que hay
entre la evaluación del operador y la del “experto”.
3. % de Efectividad de Selección es la medida de el acuerdo que
existe entre los operadores.
4. % de Efectividad de Selección vs. el Atributo es una medida
general de la consistencia entre los operadores y el acuerdo con
el “experto”.

107
Estudio de Repetibilidad y Reproducibilidad de
Atributos - Guías de Aceptabilidad
Aunque el 100% es el resultado que deseamos obtener, en la práctica
en un estudio de repetibilidad y reproducibilidad de atributos, la
siguiente guía se usa frecuentemente:

Porcentaje Guía
De 90% a 100% Aceptable
De 80% a 90% Marginal
Menos de 80% Inaceptable

108
FIN

Dr. Eleazar Puente Rivera

[email protected]
(477) 7 109050