Escolar Documentos
Profissional Documentos
Cultura Documentos
SEIS SIGMA
INDICE
Introduccin
?Antecedentes de la Calidad
?Qu es seis sigma?
?Justificacin
?Objetivos
?Alcance
?Planteamiento del problema
?Metodologa
Capitulo 1. Introduccin a la metodologa Seis Sigma
1.1
1.2
1.3
1.4
1.5
Introduccin
2.2
2.3
2.4
2.5
Modelo Kano
2.6
Diagrama matricial
2.7
Benchmarking
2.8
Costos de Calidad
2.9
Pgina 1
21
43
66
3.1
Introduccin
3.2
3.5
123
4.1
Introduccin
4.2
4.3
AMEF
4.4
4.5
Correlacin
4.6
Anlisis de Regresin
4.7
Pruebas de Hiptesis
4.8
4.9
167
5.1
Introduccin
5.2
5.3
Terminologa
5.4
5.5
5.6
204
6.1
Introduccin
6.2
6.3
6.4
6.5
Cartas de Control
6.6
6.7
6.8
Las 5Ss
6.9
El Kanban
234
7.1
Introduccin
7.2
Proyecto de mejora
7.3
Metodologa DMAIC
7.4
Paso 1
Fase de Definicin
Paso 2
Fase de Medicin
Paso 3
Fase de Anlisis
Paso 4
Fase de Mejora
Paso 5
Fase de Control
Conclusiones y Recomendaciones
255
Bibliografa
258
Pgina 3
INTRODUCCIN
ANTECEDENTES
La empresa de finales de los ochenta parece haber encontrado su nuevo
credo: el de la calidad total. Las empresas que se limitaban a hacer el control
a posteriori de su nica calidad presentaron la quiebra una tras otra. Las
empresas de hoy si quieren sobrevivir, deben trabajar para sus clientes ms
que para s misma.
Philip Crosby populariz el concepto de Cero Defecto como orientacin para el
control de calidad. Este enfoque establece la meta de resultados que carezcan
de errores al 100 por ciento. Crosby sostiene que si se establece un nivel
aceptable de defectos, ello tiende a provocar que dicho nivel (o uno ms
alto) se conviertan en una profeca que se cumple; Si los empleados saben
que est bien trabajar dentro de un nivel determinado de errores, llegarn a
considerar que ese nivel es la norma. Es evidente que dicha norma est
por debajo de lo ptimo. Crosby sostiene que a las personas se le establecan
estndares de desempeo mucho ms holgados en sus trabajos que lo que
regan sus vidas personales. Ellos esperaban hacer las cosas bien, cuando se
trataba de sostener a un beb, de pagar las facturas o de regresar temprano
a la casa correcta. En cambio, en los negocios se les fijaban niveles
aceptables de calidad, mrgenes de variacin y desviaciones.
La idea de un porcentaje de error aceptable (a veces denominado un nivel
de calidad aceptable) es un curioso remanente de la era del control de
calidad. En aquellos tiempos, se podan encontrar maneras de justificar
estadsticamente las naturales fallas humanas, sosteniendo que nadie poda
ser posiblemente perfecto. De modo que si el 100% es inalcanzable, por qu
no conformarse con el 99%, e incluso con el 95%? Entonces, si alcanzramos
el 96,642%, podramos dar una fiesta y celebrar el hecho de haber superado
los objetivos. La cuestin es que el 96,642% significa que de 100.000
Pgina 4
2.
3.
Pgina 6
Qu es Seis Sigma?
Seis Sigma es una forma ms inteligente de dirigir un negocio o un
departamento. Seis Sigma pone primero al cliente y usa hechos y datos para
impulsar mejores resultados. Los esfuerzos de Seis Sigma se dirigen a tres
reas principales1:
?
2.
3.
Pgina 7
Fase 0. Definicin D
Fase 1. Medicin
Define
Problema de Negocio
M Measure
Problema Estadstico
Fase 2. Anlisis
Analyze
Fase 3. Mejora
Improve
Solucin Estadstica
Solucin de Negocio
Fase 4. Control
Control
Pgina 8
Pgina 10
DMAIC
Definir
Definir
Medir
Analizar
Analizar
Mejorar
Mejorar
Controlar
Controlar
Herramientas
1.
1. Mapa
Mapade
de Proceso
Proceso
2.
2. Despliegue
Despliegue de
de la
la
Funcin
Funcin de
de
Calidad
Calidad(QFD)
(QFD)
3.
3. Modelo
Modelo Kano
Kano
4.
4. Diagrama
DiagramaMatricial
Matricial
5.
5. Benchmarking
Benchmarking
6.
6. Costos
Costosde
de Calidad
Calidad
1.
1. Mapa
Mapa de
de Procesos
Procesos
2.
2. Diagrama
Diagrama de:
de:
Pareto,Causa
Pareto,CausaEfecto,rbol,
Efecto,rbol,
Afinidad
Afinidad
3.
3. Mtodos
Mtodos de
de
Muestreo
Muestreo
Estadstico
Estadstico
4.
4. Capacidad
Capacidad del
del
Sistema
Sistema de
de
Medicin
Medicin
1.
1. AMEF
AMEF
2.
2. Cartas
Cartas Multi
Multi Vari
Vari
3.
3. Correlacin
Correlacin
4.
4. Regresin
Regresin lineal
lineal
Simple
Simple yy lineal
lineal
1.
1. Anlisis
Anlisis de
de
Experimentos
Experimentos
(DOE)
(DOE)
2.
2. Diseo
Diseo Factorial
Factorial
2K
2K
Mltiple
Mltiple
5.
5. Pruebas
Pruebasde
de
Hiptesis
Hiptesis
6.
6. Anlisis
Anlisisde
de
Varianza
Varianza (ANOVA)
(ANOVA)
3.
3. Diseo
Diseo Fraccin
Fraccin
Factorial
Factorial
4.
4. Diseo
Diseo Taguchi
Taguchi
5.
5. Distribucin
Distribucin
Normal
Normal
6.
6. Capacidad
Capacidad del
del
1.
1. Plan
Plan de
de Control
Control
2.
2. Cartas
Cartas de
deControl
Control
3.
3. Poka
PokaYoke
Yoke
4.
4. Mejora
Mejoracontinua
continua
(Kaizen)
(Kaizen)
5.
5. Las
Las 55 Ss
Ss
6.
6. Kanban
Kanban
5.
5. Diseo
Diseode
deMezclas
Mezclas
6.
6. Mtodos
Mtodos de
de
Superficie
Superficie de
de
Respuesta
Respuesta
Proceso
Proceso
se mejoran la comunicacin, y
Reyes Primitivo Tomado de los apuntes de la material Opcin Terminal UIA Otoo 2005
Neuman Robert, Pande Peter Las claves de Seis Sigma
Pgina 11
Otras recomendaciones
? Debe de estar alineado con las iniciativas del negocio.
? Mejorar un proceso existente.
? Asegurarse de que el alcance no sea demasiado extenso, y
tambin que el proyecto sea realizable. En este caso,
Pgina 12
se
puede
segmentar
para
ser
realizado
por
diferentes
Pgina 13
Justificacin
Pgina 14
Contribucin
Philip B. Crosby
W. Edwards Deming
Armand Feigenbaum
Kaoru Ishikawa
Joseph Juran
Walter A. Shewhart
Genichi Taguchi
CT vs. 6 s
Mayor
uso
de
tcnicas
estadsticas
en
la
Propone
el
calidad
usuarios.
la empresa.
las
desarrollo
cuales
de
deben
polticas
de
ser
de
son
Pgina 15
Propone
entrenamiento son
Aseguramiento
ms robustos ya que es
el
uso
de
de
un
sistema
Calidad,
el
de
cual
poseen el conocimiento, experiencia, disciplina del proceso productivo tendr los niveles
tcnica, liderazgo y conocimientos en el rea
de calidad deseados.
un
buen
Cp
indicador
de
que
se
est
trabajadores
para
discutir
temas
de
Diseo
de
experimentos
Superficie de respuesta.
Para
la
implementacin
control
de
las
de
los
sistemas
de
medicin
el
cumplimiento
mediante
muestreos aleatorios.
Los objetivos son medidos mediante el logro
de la mtrica 6
cada proyecto.
Tabla 1 Comparativos 6
s y Sistemas de Calidad
Pgina 16
Los auditores son los nicos que hacen llegar disconformidades a la alta
gerencia.
Objetivos
1.1
Objetivo general:
Se pretende que este documento sea una gua, tanto para la capacitacin
como
para
la
consulta,
de
todos
aquellos
que
lleven
cabo
la
1.1 Alcance
Mejorar la calidad y productividad del proceso.
1.2 Planteamiento del problema
El uso de la Estadstica para el mejoramiento de la calidad en la mayora de
los casos no ha sido difundido a todas las reas de las empresas,
principalmente por que no se conocen los beneficios que se pueden obtener,
en el manejo y anlisis de informacin y porque existe una cantidad de
deducciones y frmulas matemticas, que solo conocen aquellas personas que
son especialistas en el rea.
La mayora de los ingenieros se han enfocado en aspectos meramente
tcnicos, dejando a un lado las tcnicas de medicin y anlisis de informacin
proporcionados por la Estadstica., siendo que en la mayora de las veces los
problemas pueden ser resueltos mediante la ayuda de dichas tcnicas.
Dentro de una organizacin existen personas con diferentes perfiles y
diferentes niveles de conocimiento, lo que dificulta la transferencia de las
herramientas.
Para lograr la adecuada implementacin de Seis Sigma se propone que este
documento sea una gua que describa paso a paso la aplicacin de la
metodologa Seis Sigma en el mejoramiento de la calidad de los productos. Es
importante que la implementacin de Seis Sigma sea realizada por personas
que posean liderazgo y adecuado conocimiento del tema, adems de poder
conducir equipos de trabajo y administrar proyectos.
Pgina 18
De tal manera que haciendo uso de diferentes tcnicas estadsticas nos sirvan
de apoyo para realizar mejoras en el proceso y lograr el objetivo planteado.
1.3 Metodologa
La metodologa que se va a emplear es la aplicacin de seis sigma en
conjunto con kaizen, para lograr los resultados en un plazo no mayor a 3
meses.
Este documento consta de 7 captulos en los cuales se explican las diferentes
metodologas y herramientas que se pueden utilizar en la aplicacin de un
proyecto que se maneje bajo la metodologa de Seis Sigma.
1.
2.
3.
4.
5.
6.
Pgina 19
Pgina 20
de
cometer
un
error
es
muy
grande,
se
recomienda
Nivel actual
Cambio
Porcentaje de mejora
requerido
3?
4?
10x
4?
5?
30x
5?
6?
40x
Tabla 1.1
En esta otra tabla se aprecia la cantidad de defectos por cada nivel sigma
Pgina 22
Nivel en
Defectos por milln de oportunidades
sigma
Tabla 1.2
3.4
233.0
6,210.0
66,807.0
308,537.0
690,000.0
Pgina 23
LSL
USL
? 6? ? 5? ? 4? ? 3? ? 2? ? 1?
? 1? ? 2? ? 3? ? 4? ? 5? ? 6?
Pgina 24
LSL
USL
? 6 ? ? 5? ? 4?
? 3?
? 2? ? 1?
? 1?
? 2?
? 3?
? 4? ? 5? ? 6?
Una medida que describe el grado en el cual el proceso cumple con los
requerimientos es la capacidad del proceso. Los ndices utilizados son Cp y
Cpk, Un nivel Seis Sigma tiene la habilidad de lograr ndices de 2.0 y 1.5
respectivamente. Para lograr esta capacidad la meta a alcanzar de un
programa Seis Sigma es producir al menos 99.99966% de calidad, no ms de
3.4 defectos en un milln de piezas producidas en el largo plazo.
Nivel en
sigma
oportunidades
6
99.99966
3.4
99.9769
233.0
99.379
6,210.0
93.32
66,807.0
69.13
308,537.0
30.23
690,.000.0
Tabla 1.3 Porcentajes y cantidad de defectos a los que corresponden los diferentes
niveles Sigma
Pgina 25
D
U
D
U ?O
Pgina 26
Capacidad
del
proceso:
Capacidad
del
proceso
para
cumplir
producto sin defectos antes de realizar una revisin del trabajo efectuado.
?
Cantidad
Unidades
1100
Defectos
310
Oportunidades de defectos
315
D
310
?
? 0.01878
N ? O 1100*15
Pgina 27
Subproceso
N artculos
Actividades
Generacin
de D1 Defectos
YL P
Revisin de
Actividades
Subsistencia
de D2 Defectos
defectuosos
YFP
Rendimiento
Subproceso #1
96%
Subproceso #2
99%
Subproceso #3
97%
Subproceso #4
98%
Calcular YRT y Y N
YN ? YRT ?
0.9034 ? 97.49%
proceso oportunidad)
Rendimiento
antes
de
la
inspeccin
prueba
la prueba
Siempre <YFT
Siempre >Y RT
observa
terminado
Tabla 1.4 Rendimientos
Pgina 29
la
calidad
del
producto
Largo plazo (ZLT): Son los datos tomados durante un periodo de tiempo
suficientemente largo y en condiciones suficientemente diversas para que sea
probable que el proceso haya a experimentado todos los cambios
y otras
causas especiales.
Corto plazo (ZST): Son los datos tomados durante un periodo de tiempo
suficientemente corto para que sea improbable que haya cambios y otras
causas especiales.
Para el clculo de datos a largo plazo a partir de datos a corto plazo restamos
1.5, debido a los desplazamientos que sufre la media debido al cambio natural
en los procesos.
ZST = ZLT + 1.5
Donde:
ZST = Z a corto plazo.
ZLT = Z a largo plazo.
Y N = Rendimiento Normal
Ejemplo:
YN ? YRT ?
n
0.9034 ? 97.49%
Pgina 30
benchmark
= 0.9747+1.5= 2.474
Existen 2 mtodos para calcular el valor de Sigma (La sigma del proceso que
es la sigma a corto plazo ZST ), y 2 herramientas que ayudan a obtener el
valor, las cuales se exponen a continuacin:
METODO 1 (Utilizando en Excel) :
1. El rendimiento es igual a Yrt = 1 DPU
o Yrt = 1 D / DPO
2.
3.
Zlse)
4.
5.
6.
7.
Mean 0.0
standar deviation 1
A continuacin se presenta una ayuda grfica paso a paso para determinar los
valores de Z
Pgina 31
Pgina 32
Pgina 33
Pgina 34
Pgina 35
Tabla Z Mtodo 2
Pgina 36
utilizando
la
metodologa
Seis
Sigma,
como
se
muestra
continuacin:
Priorizar oportunidades
de mejora
Seleccionar equipo de
trabajo adecuado
Describir el proceso
en su totalidad
Anlisis del sistema
de medicin
Identificar y describir los
procesos y productos criticos
Aislar y verificar los
procesos crticos
Estudio del desempeo del
proceso y medicin de la capacidad
Si
Proceso
capaz?
No
Rediseo de equipo/proceso
Rediseo de producto
Accin de la gerencia
Si
Cp ? 2
y
Cpk ? 1.5
No
MEJORA CONTINUA
Pgina 37
Conocer
especificar
los
y control ptimas:
Pgina 39
Defini
r
Controla
Controla
rr
Medi
r
Analiza
r
Mejorar
Pgina 40
cliente?, Cules son los requerimientos del cliente?, Cmo se lleva a cabo el
trabajo en la actualidad?, Cules son los beneficios de realizar una mejora?.
Pgina 41
CAPITULO 2.
FASE DE DEFINICION
2.1 Introduccin
Definir
Definir
Controlar
Controlar
Mejorar
Mejorar
Mejorar
Medir
Medir
Analizar
Analizar
Pgina 42
DMAIC
Definir
Medir
Medir
Analizar
Analizar
Mejorar
Mejorar
Controlar
Controlar
1.
1. Mapa
Mapa de
de Proceso
Proceso
2.
2. Despliegue
Despliegue de
de la
la
Funcin
Funcin de
de
Calidad
Calidad (QFD)
(QFD)
3.
3. Modelo
Modelo Kano
Kano
4.
4. Diagrama
Diagrama Matricial
Matricial
5.
5. Benchmarking
Benchmarking
6.
6. Costos
Costos de
de Calidad
Calidad
Para determinar los CTQS se pueden tomar como base lo siguientes puntos:
? Metas del negocio
? Entrevistas
? Encuestas
? Quejas
? Datos de Benchmarking
? Discusiones ejecutivas
? Discusiones de trabajo especfico
? Matriz de Causa Efecto
? QFD
? Tendencias del mercado futuras
Seleccin del problema:
El problema se puede dar debido a: devoluciones, bajo nivel de servicio,
entregas
tardas,
desperdicios,
producto
defectuoso,
documentos
inadecuados.
El problema se selecciona basndose en las polticas de la organizacin, al
grupo de trabajo, jefe inmediato y a los resultados de sus actividades diarias.
Criterios para seleccionar el problema
? Seguridad
? Calidad
? Costo
? Entrega
? Nivel de servicio
Pgina 45
Es mejor no usar la
10
Persona entrenada en la metodologa de Six Sigma y como facilitador , que trabaja de tiempo parcial en la
realizacin de proyectos de mejora junto con equipos de trabajo. Workout for Six Sigma Pocket Guide
Pgina 47
proceso as como un
Analizar los datos colectados y el mapa del proceso para determinar las
causas raz de defectos y oportunidades de mejora
Pgina 48
Entradas
Proveedor
Proceso
Salida
Cliente
Realizar un mapeo del proceso de alto nivel, identificando cuales son los
proveedores, entradas, proceso, salidas, clientes. Comnmente llamado
SIPOC.
Construccin de un Diagrama SIPOC COPIS:
1) El equipo crea el mapa de proceso apoyado con Post Its pegados a la pared
2) El proceso puede tener 4 o 7 pasos claves Cmo se transforma el
producto?
3) Listar las salidas del proceso Cul es el resultado final, producto o servicio
de este proceso?
4) Listar los clientes de la salida del proceso quin es el usuario final del
proceso?
5) Listar las entradas del proceso De dnde vienen los materiales?
6) Listar los proveedores del proceso quines son los proveedores clave?
Pgina 49
Cliente C
Salida O
Entrada
Entrada I
Proceso
Proceso P
Proveedor S
Confirmacin
1.
Confirmacin yy Nmero
Nmero
1. Recibir
Recibirla
lallamada
llamadayy
de
registrar
de Reporte
Reporte
registrar problema
problema
Nombre
del
Nombre del
del Ing.
Ing.Asignado
Asignado
del Cliente
Cliente
Llamada,
Llamada, Identificacin
Identificacin
Persona,
Persona, Contrato
Contrato
Vigente,
Vigente, Descripcin
Descripcin del
del
Problema
Problema
Ing.
Ing. de
de sistemas
sistemasdel
del
cliente
cliente
Posibles
Posibles Soluciones
Soluciones
Plan
Plan Implantacin
Implantacin de
de la
la
Solucin
Solucin
2.
2. Analizar
Analizar problema
problema y
proponer
proponer soluciones
soluciones
Problemas
Problemas Parecidos
Parecidos ya
Resueltos
Resueltos oo Registrados
Registrados
Info.
Tcnica
Info. Tcnica detallada
detallada de
la
instalacin
la instalacindel
delCliente
Cliente
Recomendaciones
Recomendacionesde
de
Expertos
Expertos
Ing.
Ing. de
de sistemas
sistemasdel
del
cliente
cliente
Posibles
Posibles Soluciones
Soluciones
Plan
Plan Implantacin
Implantacin de
de la
la
Solucin
Solucin
3.
3.Corregir
Corregirel
elProblema
Problema
Plan
Plan de
deImplantacin,
Implantacin,
Pruebas
Pruebas yy Contingencia
Contingencia
de
de la
la Solucin,
Solucin,
Otras
Otras recomendaciones
recomendaciones yy
instrucciones
instrucciones
Ing.
Ing. de
de Soporte
Soporte
Cliente,
Cliente,
Organizacin
Organizacin Interna
Interna
Reporte
Reporte de
de Solucin
Solucin
4.
4. Cerrar
Cerrar el
elreporte
reportedel
del
Documentacin
Documentacin del
del Caso
Caso
problema
problema
Registro
Registro BD
BD de
de problemas
problemas
Aprobacin
Aprobacin de
de la
la
Solucin,
Solucin,
Resumen
Resumen del
del Reporte
Reporte de
Falla
Falla
Cliente
Cliente
Ing.
Ing. de
de Soporte
Soporte
Cliente,
Cliente,
Ing.
Soporte
Ing. de
de Soporte
Cliente
Cliente
Base
Base de
de Problemas,
Problemas,
Cliente,
Cliente,
Expertos
Expertos Tcnicos
Tcnicos
Ejemplo 11:
11
Pgina 50
Interrelaciones de
Caractersticas de Diseo
Necesidades
del cliente
MATRIZ DE RELACIONES
Compracin de Prioridades
del cliente
Figura 2.3
QFD
Pgina 51
1. Cuando el tiempo apremia se puede usar una Matriz de causa efecto, sirve
para dar prioridad a las KPIVs
2. Lista en las columnas las variables de salida claves del proceso KPOVs
3. Asignar un nmero de importancia que tiene para el cliente entre 1-10
cada KPOV, en el rengln siguiente
4. Listar en los renglones las variables de entrada KPIVs que pueden causar
variabilidad o no conformidad en el proceso
Matriz de causa efecto, sirve para dar prioridad a las KPIVs
En la matriz y con apoyo del equipo de trabajo asignar un nmero de 1 a 10
indicando la importancia que tiene cada KPIV en cada KPOV en la celda
corresp.
Pgina 52
Ejemplo:
1. Anote los
Requerimientos
Clave del Cliente
Matriz de
Causa y Efecto
Requisito
Requisito
Resistencia
Requisito
Tierra
Salidas, Req.
o CTQs
Entradas
del Proceso
Corto
Rango de
Importancia
Del Cliente
7
10
11
12
13
14
15
Total
1
2
3
4
5
6
7
2. Clasificar
requerimientos
en orden de
importancia para
el cliente
Matriz de
Causa y Efecto
1 2 3
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
10 9 8
Resistencia
Rango de
Importancia
al Ciente
Corto
Entradas
del Proceso
Tierra
Salidas o CTQs
10
11
12
13
14
15
Total
1
2
3
4
5
6
7
8
Pgina 53
Matriz de
Causa y Efecto
3. Anotar
entradas
clave
1
2
3
4
5
6
7
10
11
12
13
Requisito
Requisito
Requisito
Requisito
Requisito
8
Requisito
Requisito
Requisito
Entradas
del Proceso
Requisito
Tierra
Salidas o CTQs
Requisito
Resistencia
Corto
Rango de
Importancia
al Ciente
14
Total
Ensamble A
Operacin B
Ensamble C
Ensamble D
Ensamble E
Prueba Final
9
10
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Ensamble de A
Operacin B
Ensamble de C
Ensambled de D
Ensamble de E
Prueba Final
10
11
12
13
14
Requisito
Requisito
Requisito
Requisito
Requisito
Entradas
del Proceso
Requisito
Requisito
Requisito
1
Salidas o CTQs
Requisito
Requisito
Requisito
10
Resistencia
Rango de
Importancia
al Ciente
Corto
4. Relacionar
las Entradas
con los
requerimientos
Tierra
Matriz de
Causa y Efecto
Total
10
9
10
6
4
4
10
10
6
7
8
0
9
9
8
6
7
8
Hacer una estimacin subjetiva de qu tanto influyen las variables de entrada en los
requerimientos o salidas CTQs
Pgina 54
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
10
11
12
13
14
Requisito
Requisito
Requisito
Requisito
Corto
Entradas
del Proceso
Requisito
Requisito
Requisito
Requisito
Requisito
1
Salidas o CTQs
Requisito
5. Multiplicar
e identificar
prioridad
Requisito
10 9
Tierra
Rango de
Importancia
al Ciente
Resistencia
Matriz de
Causa y Efecto
Total
10x10+9x10+8x9 = 262
10 10 9
9
Ensamble A
Operacin B
Ensamble C
Ensamble D
Ensamble E
Prueba Final
9
10
6
4
4
10
6
7
8
0
8
6
7
8
262
252
218
171
168
104
Requisito
Requisito
Requisito
Requisito
Corto
Entradas
del Proceso
Ensamble A
Operacin B
Ensamble C
1
2
3
5 Ensamble D
10 Ensamble E
9 Prueba Final
11
13
15
12
14
4
7
8
6
10
11
12
13
Ordenando los
nmeros
resultantes se
observa que:
14
Requisito
Requisito
Requisito
Requisito
1
Salidas o CTQs
Requisito
Requisito
Requisito
10
Tierra
Rango de
Importancia
al Ciente
Resistencia
Causa y Efecto
Matriz
Total
10
9
10
6
4
4
10
10
6
7
8
0
262
252
218
9
9
8
6
171
168
104
7
8
Pgina 55
El ensamble A,
Operacin B y
Ensamble de C
son importantes.
Ahora se evalan
los planes de
control para sus
variables clave
(KPIVs)
12
calidad
esperada
representa
aquellas
expectativas
explcitamente
Figura 2.4
12
Modelo Kano
Pgina 56
Atributos
cuestionables:
los
que
producen
valoraciones
contradictorias.
?
Sacia el apetito
Es nutritivo
Tiene buen gusto
Conjunto B
Sencillo de preparar
Sencillo de limpiar
Es barato
No produce excesiva
basura
Pgina 58
1.3.3.1.1.7
# de
ingredientes
Peso de la
porcin
1.3.3.1.1.2
%
nutricional
1.3.3.1.1.3requerido%
Relacin Fuerte:
Relacin Moderada:
Relacin Dbil:
Hidratos
de
Carbono
1.3.3.1.1.4
Tiemp
o de
preparacin
1.3.3.1.1.5
# de
platos
requeridos
1.3.3.1.1.6
$ de
ingredientes
Conjunto A
Pgina 59
? Desempeo organizacional
? Estrategias
5.
1.
Actuar/implementar
Determinar a qu se le va a hacer
benchmarking
2.
BMK
4.
Formar un equipo de
benchmarking
Recopilar y analizar la
informacin de
benchmarking
3.
ACTIVIDAD
PROPSITO
Qu se va a someter a
benchmarking?
Identificar socios
Seleccionar tipo de
benchmarking
Reportar al comit de
direccin
Seguimiento directivo
Recabar informacin y
analizar
Implantar
RESPONSABLE
Informacin, anlisis y
diferencias
Aplicar mejoras
identificadas
Pgina 60
TIEMPO
PERIODO
Plan de Accin:
prcticas
? Sirve de apoyo al proceso de planificacin estratgica
? Sirve como base para la fijacin de objetivos
?
14
Pgina 61
?
?
?
?
?
?
?
?
?
?
?
?
?
Seleccin y reclutamiento
Estudios de capacidad
Almacenamiento controlado
Revisiones de diseo
Capacitacin en calidad
Mantenimiento de equipo y rep.
Pruebas de campo
Diseo dispositivos de ensamble
Pronsticos
Orden y limpieza
Descripciones de puestos
Investigacin de mercados
Revisiones con el personal
?
?
?
?
?
?
?
?
?
?
?
Proyectos piloto
Planeacin
Revisin de procedimientos
Prueba de prototipos
Diseo de calidad
Incentivos de calidad
Revisiones de seguridad
Encuestas
Estudios de tiempos y movs.
Capacitacin
Seleccin y evaluacin de
prov.
Auditorias de proveedores
Costos de Evaluacin:
?
?
?
?
?
?
?
?
Auditorias
Verificacin de documentos
Verificacin de dibujos
Calibracin de equipo
Inspeccin final
Inspeccin en proceso
Inspeccin y prueba
Reportes de inspeccin y
prueba
Pruebas de laboratorio
Otros gastos de revisin
Pruebas al personal
Verificacin de procedimientos
?
?
?
?
Inspeccin de prototipos
Inspeccin de recibo
Inspeccin de embarques
Mantenimiento de equipos de
prueba
?
?
?
?
Accidentes
Correccin de errores en
contabilidad
Cambios de diseo
Rotacin de personal
Cambios de ingeniera
Tiempo muerto de equipo **
Exceso en Gasto de intereses**
Exceso en Inventarios **
Exceso en Manejo de matles. **
Exceso en Gastos de viaje
Revisin de fallas
?
?
?
?
?
?
?
?
?
?
?
?
?
?
?
?
?
?
?
?
?
Pgina 62
?
?
?
?
?
?
?
?
?
?
?
?
?
?
?
?
?
?
?
?
?
Tiempo extra **
Penalizaciones **
Exceso de pago en transporte
Concesiones de precio **
Errores en precio **
Reclamaciones
Rediseos
Reinspecciones y pruebas rep .
Reparaciones
Costos de reabastecimiento
Devoluciones
Retrabajo y desperdicio
Selecciones y gastos de garanta
Project Charter
o Desarrollar el enunciado del problema y de la meta
o Evaluar el alcance del proyecto
o Seleccionar a los integrantes del equipo y sus roles
o Desarrollar el contrato
Pgina 63
Plan de Trabajo
Pgina 64
Definir
Controlar
Controlar
Mejorar
Mejorar
Mejorar
Medir
Medir
Analizar
Analizar
Pgina 65
DMAIC
Definir
Definir
1.
1. Mapa
Mapade
deProceso
Proceso
2.
2. Despliegue
Desplieguede
delala
Funcin
Funcin de
de Calidad
Calidad
3.
3.
4.
4.
(QFD)
(QFD)
Modelo
Modelo Kano
Kano
Diagrama
DiagramaMatricial
Matricial
5.
5. Benchmarkin
Benchmarkin
6.
6. Costos
Costosde
deCalidad
Calidad
Medir
Analizar
Analizar
Mejorar
Mejorar
Controlar
Controlar
1.
1. Mapa
Mapa de
dedetallado
detalladode
de
Procesos
Procesos
2.
2. Diagrama
Diagrama de
de Pareto
Pareto
3.
3. Diagrama
Diagrama de
de CausaCausaEfecto
Efecto
4.
4. Diagrama
Diagrama de
de rbol
rbol
5.
5. Diagrama
Diagrama de
de Afinidad
Afinidad
6.
6. Mtodos
Mtodos de
deMuestreo
Muestreo
Estadstico
Estadstico
7.
7. Capacidad
Capacidaddel
del
Sistema
Sistema de
de Medicin
Medicin
8.
8. Distribucin
Distribucin Normal
Normal
9.
9. Capacidad
Capacidaddel
del
Proceso
Proceso
Figura 3.1
Pgina 66
lo importante
es
seleccionar cuidadosamente
X1, X2,..Xn
Zs
Variable
Variable
Variables de
dependiente
?
independiente
Salida
Entrada-Proceso
(respuesta)
Causa
Efecto
Problema
Sntoma
Controlable.
Monitoreable
Tabla 3.1
ruido
?
Incontrolables
En otras palabras:
Para
Para qu es utilizada?
5 Porqus?
5W/1H
Anlisis de Campo
de Fuerzas.
Benchmarking
Capacidad
de
sistemas
los
Sirve para determinar que tan grandes son las variaciones en base a
de
medicin (MSA)
Carta
gente.
de
tendencias
Diagrama
Causa-
Efecto (Ishikawa o
Fishbone)
Diagrama
Afinidad
de
Pgina 68
Pareto
Diagrama
de
Relaciones
Diagramas Matriz
Hoja de
Verificacin
Lluvia de ideas
Mapa de procesos
Matriz Causa y
efecto
QFD
Tcnica de grupos
Permite
al
equipo
rpidamente
realizar
nominales.
un
consenso
de
la
o soluciones posibles.
Pgina 69
datos
confiables,
que
reflejen
la
realidad
de
lo
que
est
sucediendo15:
? (What) Que vamos a hacer ?
? (Why) Por qu vamos a hacer eso ?
? (Where)
Pgina 70
16
Pgina 71
3.336
3.469
3.520
3.434
3.576
3.510
3.573
3.669
3.543
3.583
3.687
3.707
3.442
3.512
3.495
3.530
3.790
3.611
3.391
3.409
3.699
3.626
3.624
3.601
3.692
3.664
3.598
3.500
3.467
3.492
3.475
3.477
3.641
3.596
3.659
3.724
3.419
3.449
3.649
3.570
3.682
3.631
3.525
3.429
3.434
3.515
3.578
3.666
3.500
3.424
3.424
3.654
3.540
3.729
3.437
3.563
3.538
3.480
3.550
3.606
3.631
3.568
3.507
3.475
3.505
3.523
3.603
3.535
3.477
3.555
3.618
3.798
3.656
3.459
3.606
3.717
3.391
3.391
3.787
3.626
3.495
3.568
3.626
3.462
Resumen
Mean
3.55407
Standard Error
0.01172
Median
3.54650
Mode
3.39100
Standard Deviation
0.11605
Sample Variance
0.01347
Kurtosis
-0.00966
Skewness
0.09892
Range
0.58600
Minimum
3.24200
Maximum
3.82800
Sum
348.2990
Count
98
Confidence Level(95.0%) 0.023267191
Pgina 72
Columna
1
2
3
4
5
6
7
8
9
10
11
Intervalo
0.000 - 3.242
3.243 -3.300
3.007 - 3.359
3.360 - 3.417
3.418 - 3.476
3.477 - 3.535
3.536 - 3.593
3.594 - 3.652
3.653 - 3.652
3.653 - 3.710
3.711 - 3.769
Registro de frecuencias
I
1
II
2
IV
4
VI
6
XVII
17
XXVIII
28
XX
20
XIV
14
X
10
III
3
II
2
Pgina 73
escala, color,
ttulos etc. Haciendo clic en el elemento deseado.
Histograma
30
Frecuencia
25
20
15
10
5
Mo
re
3.6
52
2
3.7
10
8
3.7
69
4
3.5
93
6
3.5
35
3.4
17
8
3.4
76
4
3.3
00
6
3.3
59
2
3.2
42
Clase
Figura 3.2
Histograma de Frecuencias
Pgina 74
Tercer Cuartil
Data
3.6
Media
3.5
3.4
Primer
Cuartil
3.3
3.2
Figura 3.3
Diagrama de Caja
diagramas
de
flujo
pueden
minimizar
grandes
volmenes
de
Pgina 75
Descripcin de smbolos
17
Pgina 76
Pgina 77
Lluvia de ideas
18
Pgina 78
Ventajas:
El principio
19
Pgina 79
Ventajas:
Pgina 80
paso guiarn la seleccin de las causas de raz. Para asegurar que el equipo
est al nivel
Pgina 82
Llanta
ponchada
MATERIALES
Carretera
resbaladiza
MEDIO
AMBIENTE
Hielo
Clavo
Aceite
Piedra
Nieve
Lluvia
Cristal
Reventn
Prdida de
control del
coche,
ocasion
accidente
Temeridad
Fallo de
frenos
Acelerador
bloqueado
Reflejos
deficientes
Rotura
direccin
Fallo
mecnico
Error
conductor
Formacin
defectuosa
MENTE DE
OBRA
MQUINAS
Diagrama de rbol
El Diagrama de rbol, o sistemtico, es una tcnica que permite obtener una
visin de conjunto de los medios necesarios para alcanzar una meta o
resolver un problema.
Partiendo de una informacin general, como la meta a alcanzar, se
incrementa gradualmente el grado de detalle sobre los medios necesarios
para su consecucin. Este mayor detalle se representa mediante una
estructura en la que se comienza con una meta general (el "tronco") y se
contina con la identificacin de niveles de accin ms precisos (las sucesivas
"ramas"). Las ramas del primer nivel constituyen medios para alcanzar la
meta pero, a su vez, estos medios tambin son metas, objetivos intermedios,
que se alcanzarn gracias a los medios de las ramas de l nivel siguiente. As
repetidamente hasta llegar a un grado de concrecin suficiente sobre los
medios a emplear20.
20
Pgina 83
Figura 3.5
Ventajas:
?Exhorta a los integrantes del equipo a ampliar su modo de pensar al crear
soluciones .
?Mantiene a todo el equipo vinculado a las metas y submetas generales de
una tarea.
?Mueve al equipo de planificacin de la teora al mundo real.
Pgina 84
Diagrama de Afinidad
a
f
s
g
d
j
e
k
n
18
13
Pgina 85
q
o
h
r
m
c
Diagrama de Relaciones
Es una herramienta Que determina que idea tiene influencia sobre otra,
representando sta relacin mediante una flecha en la direccin de influencia.
En particular el Diagrama de Relaciones se utiliza cuando:
a) Un tema es lo suficientemente complejo como para que la Inter. relacin entre ideas (causas y efectos) sea difcil de determinar,
clasificar y priorizar
b) Es critico en la resolucin del problema la secuenciacin correcta de las
actividades por parte de la direccin
c) Existe un sentimiento de que el problema en cuestin en realidad es un
solo sntoma.
d) El nmero de causa y las relaciones entre estas es significativo y difcil
de analizar por separado
? Desarrollar aprox. 50 conceptos del problema (post its)
? Colocar en forma aleatoria los conceptos
? Relacionar los conceptos con flechas causa efecto
? Se requieren varias revisiones al diagrama por los miembros del equipo
? El equipo llega a un consenso sobre los conceptos sobre los que necesita
trabajar
? Causa raz = ms flechas de salida; Resultado = ms flechas de llegada
Pgina 86
Gran participacin de
mercado con
utilidades estables
Lograr los
objetivos de
utilidades
Mejor uso
de capital
Capital
suficiente
Personal con
entusiasmo
Buenas ventas de
productos de ms
rentabilidad
Pgina 87
Los
mtodos
de
muestreo
no
probabilisticos
no
garantizan
la
Ventajas
Desventajas
Aleatorio
simple
comprensin.
se posea de
antemano un listado
medias y varianzas.
completo de toda la
poblacin.
Sencillo y de fcil
Clculo rpido de
Se basa en la teora
Requiere que
existen paquetes
pequeas es posible
los datos
que no represente a
Cuando se
la poblacin
adecuadamente
Sistemtico
Fcil de aplicar.
No siempre es
de muestreo est
asociada con el
muestral n.
de toda la poblacin.
fenmeno de inters,
las estimaciones
Conseguir un listado de
Determinar tamao
Definir un intervalo
k=N/n.
Cuando la poblacin
Si la constante
obtenidas a partir de
la muestra pueden
aleatorio, r, entre 1 y k
contener sesgo de
(r=arranque aleatorio).
seleccin
tipos.
Elegir un nmero
de la lista.
Estratificado
21
conveniente estratificar la
conocer la distribucin
adecuadamente a la
en la poblacin de las
poblacin en funcin de
variables utilizadas
conocer la composicin
unas variables
para la estratificacin.
estratificada de la poblacin
seleccionadas.
Pgina 88
Tiende a asegurar
Se ha de
estimaciones ms precisa
poblacin en lo que a la o
regla de tres.
las variables
Su objetivo es
estratificadoras se refiere.
Conglomerados
Es muy eficiente
El error
de muestreo sucesivas
cuando la poblacin es
estndar es mayor
(polietpico)
que en el muestreo
aleatorio simple o
La necesidad de listados
No es preciso tener
un listado de toda la
estratificado.
muestreo seleccionadas en la
unidades primarias de
error estndar es
etapa anterior.
muestreo.
complejo
Tabla 3.3
El clculo del
Tipos de muestreos
Cada estudio tiene un tamao muestral idneo, que permite comprobar lo que
se pretende con la seguridad y precisin fijadas por el investigador.
De que depende el tamao muestral?
Pgina 89
N*Z * ?
2
2
2
Z * ? + d (N-1)
2
n=
poblacional:
donde:
N = tamao de la poblacin
Z = valor de la tabla normal estandarizada correspondiente al nivel de
confianza deseado
?
Z *?
2
n=
donde:
Z = valor de la tabla normal estandarizada correspondiente al nivel de
confianza deseado
?
Pgina 90
otro
lado
si
los
instrumentos
de
medicin
no
estn
calibrados
Pgina 91
Variacin
proceso,
real
Variacin
deldel
proceso,
real
Variacin dentro de la
muestra
Repetibilidad
Variacin de la medicin
Variacin
originada
Equipo
de
medicin
por el calibrador
Reproducibilidad
Estabilidad
Linealidad
Sesgo
Calibracin
Figura 3.8
Fuentes de Variacin
Definiciones:
?
REPETIBILIDAD
Pgina 92
Operador-C
Operador-A
Reproducibilidad
valor verdadero.
?
No Exacto
No Preciso
Si Exacto
No Preciso
No Exacto
Si Preciso
Pgina 93
Si Exacto
Si Preciso
Tiempo 2
Tiempo 1
?Linealidad: diferencia en los valores de la escala, a travs del rango de
operacin esperado del instrumento de medicin.
Valor
verdadero
Valor
verdadero
Sesgo
Menor
Sesgo
mayor
(rango inferior)
(rango superior)
22
Pgina 94
Importante:
para
que
el
equipo
de
medicin
tenga
una
Existen 2 mtodos mtodos para realizar los estudios de R&R, conocidos como
Mtodo corto y Mtodo largo, a continuacin se explica ste ltimo:
Pgina 95
1.
2.
Haga que el primer operador mida todas las muestras una sola vez,
Haga que el segundo operador mida todas las muestras una sola vez,
Contine hasta que todos los operadores hayan medido las muestras
7.
8.
Pgina 96
24
Permite
separar
en
el
sistema
de
medicin
lo
referente
la
medicin
lo
referente
la
Reproducibilidad y a la Repetibilidad.
?
Permite
separar
en
el
sistema
de
Reproducibilidad y a la Repetibilidad.
?
un
Ejemplo (MINITAB)
Mtodo X Barra - R
Se seleccionan 10 muestras de un proceso de manufactura, cada parte es
medida tres veces por tres operadores. Los datos son los siguientes, realice
un estudio R&R mediante el mtodo X-R.
24
Pgina 97
Muestra
1
2
3
4
5
6
7
8
9
10
1
2
3
4
5
6
7
8
9
10
1
2
3
4
5
6
7
8
9
10
Analista Resultado
Csar
3.523
Csar
3.569
Csar
3.527
Csar
3.558
Csar
3.559
Csar
3.543
Csar
3.553
Csar
3.536
Csar
3.564
Csar
3.571
Csar
3.534
Csar
3.571
Csar
3.536
Csar
3.563
Csar
3.558
Csar
3.547
Csar
3.558
Csar
3.536
Csar
3.567
Csar
3.574
Csar
3.534
Csar
3.577
Csar
3.535
Csar
3.566
Csar
3.562
Csar
3.544
Csar
3.552
Csar
3.540
Csar
3.569
Csar
3.575
Capture los datos en la hoja de trabajo de Minitab en tres columnas C1, C2,
C3
Seleccione en el men de la barra de herramientas STAT>QUALITY
TOOLS>GAGE STUDY > Gage R&R (Crossed)
>Seleccione C1 (parte), C2 (operador), C3 (Medicin)
>Mtodo de Anlisis X Bar and R
>En Options Seleccionar: Staudy variation 6.0
Los resultados se muestran a continuacin:
Pgina 98
Source
Total Gage R&R
Repeatability
Reproducibility
VarComp
(of VarComp)
0.0004785
83.92
0.0000710
12.46
0.0004075
71.47
Part-To-Part
0.0000917
16.08
Total Variation
0.0005701
100.00
Study Var
Source
%Study Var
%Tolerance
StdDev (SD)
(6 * SD)
(%SV)
(SV/Toler)
0.0218741
0.131245
91.61
26.20
Repeatability
0.0084269
0.050561
35.29
10.09
Reproducibility
0.0201858
0.121115
84.54
24.18
Part-To-Part
0.0095737
0.057442
40.10
11.47
Total Variation
0.0238775
0.143265
100.00
28.60
Pgina 99
Resultado by Muestr a
100
3.60
% Contribution
Percent
% Study Var
% T olerance
3.55
50
3.50
Gage R&R
Repeat
Reprod
Part-to-Part
R C har t by A nalista
Sample Range
Carlos
Csar
10
Resultado by A nalista
Kari
3.60
0.04
UCL=0.03673
3.55
0.02
_
R=0.01427
0.00
LCL=0
3.50
Carlos
Csar
Analista
Csar
Kari
Kari
3.55
LCL=3.5349
Average
3.60
Sample Mean
5
6
Muestra
3.55
3.50
3.50
Analista
Carlos
Csar
K ari
5 6
Muestra
10
Source
DF
SS
MS
Muestra
0.0091805
0.0010201
1.2199
0.342
Analista
0.0230918
0.0115459
13.8076
0.000
Muestra * Analista
18
0.0150516
0.0008362
6.2212
0.000
Repeatability
60
0.0080647
0.0001344
Total
89
0.0553885
Pgina 100
Gage R&R
%Contribution
Source
Total Gage R&R
Repeatability
Reproducibility
VarComp
(of VarComp)
0.0007253
97.26
0.0001344
18.02
0.0005909
79.24
Analista
0.0003570
47.87
Analista*Muestra
0.0002339
31.37
Part-To-Part
0.0000204
2.74
Total Variation
0.0007458
100.00
Source
Total Gage R&R
Repeatability
Reproducibility
Study Var
%Study Var
%Tolerance
StdDev (SD)
(6 * SD)
(%SV)
(SV/Toler)
0.0269319
0.161592
98.62
32.26
0.0115936
0.069561
42.45
13.89
0.0243088
0.145853
89.02
29.11
Analista
0.0188942
0.113365
69.19
22.63
Analista*Muestra
0.0152947
0.091768
56.01
18.32
Part-To-Part
0.0045197
0.027118
16.55
5.41
Total Variation
0.0273086
0.163851
100.00
32.71
en
nuestro
sistema
de
Medicin,
sobre
todo
la
parte
de
La Distribucin Normal
La distribucin normal es una de las distribuciones ms usadas e importantes.
Su propio nombre indica su extendida utilizacin, justificada por la frecuencia
o normalidad con la que ciertos fenmenos tienden a parecerse en su
comportamiento a esta distribucin. Muchos eventos reales y naturales tienen
una distribucin de frecuencias cuya forma es muy parecida a la distribucin
normal.
La distribucin normal es llamada tambin campana de Gauss por su forma
acampanada.
Figura 3.10
Distribucin Normal
Pgina 102
distribuciones normales.
AMPLITUD
FORMA
Pgina 103
Figura 3.11
x-3?
x-2?
x-?
x+?
x+2?
x+? 3
-3
-2
-1
Figura 3.12
Pgina 104
frmula.
Z?
X??
?
? 1
Z
0
Pgina 105
estndar s = 3.77 horas. Que porcentaje de las bateras se espera que duren
80 horas o menos?
X??
?
Z?
80 - 85.36
3.77
= -1.42
-2.85
procedemos de la
siguiente manera:
En la barra de herramientas seleccione el icono de funciones
Pgina 106
fx>Estadsticas>Distr.Norm.Estand (-Z) OK
25
Pgina 108
LIE
Figura 3.13
LSE
LIE
LSE
LIE
Pgina 109
LSE
LIE
LSE
26
Pgina 110
tiempo suficientemente corto para que sea improbable que haya cambios y
otras causas especiales.
Las familias de variacin han sido restringidas de tal manera que los datos
considerados, slo son los que se obtuvieron del subgrupo racional. Ayuda a
Pgina 111
exhiben su
Z st ?
Z LT ?
?lmiteespecif . ? nom.?
desv.stdST
lmite especif . ? media
desv.stdLT
donde:
Zst = variacin a corto plazo.
nom = Valor nominal u objetivo
Zlt = variacin a largo plazo.
Cp =
27
LSE LIE
6?
Pgina 112
donde:
Cp
= capacidad potencial
?1
Cpk =
[Zl , Zs ]
3
Pgina 113
30
Frecuencia
25
20
15
Calculando
10
5
la
media
la
0
Clase
X= 3.65 ? ? = 0.051
La variabilidad del proceso se
encuentra en 6? = 0.306
Zl =
3.58 3.65
= -1.37
0.051
< 1, el proceso no es hbil.
Pgina 114
?
?
?
?
?
Prediccin
Tiempo
Pgina 115
? ?
R
S
? ?
(Para cartas de control X-R y X-S respectivamente)
d2
C4
donde:
S = Desviacin estndar de la poblacin
d2 = Factor que depende del tamao del subgrupo en la carta de control X R
C4 = dem al anterior para una carta X - S
En una carta por individuales, d2 se toma para n = 2 y Rango Medio = Suma
rangos / (n -1)
Ejemplo (carta X - R):
= 3.60 ,
= 0.015
? ? x ?media de medias?
? ?
R 0.015
?
? 0.0064
d 2 2.326
El C pk ?
?3.58 ? 3.60 ?
3 ? 0.0064
especificaciones.
Pgina 116
15.50
15.50
17.00
15.50
17.00
14.75
15.25
15.00
16.50
17.00
16.00
15.75
15.50
17.00
19.00
14.50
14.50
16.00
15.75
18.50
18.00
15.00
16.50
18.00
15.00
16.50
15.50
15.00
14.50
15.00
14.00
15.00
16.50
17.50
15.50
18.00
17.50
16.00
16.50
14.00
16.00
15.00
19.00
18.00
16.00
18.00
17.00
16.50
15.00
16.50
14.50
16.75
15.25
14.00
15.00
15.50
15.50
El P-value debe ser mayor a 0.05 para que los datos se distribuyan
normalmente nos da como resultado:
Probability Plot of C1
Normal
99
Mean
S tDev
N
AD
P -V alue
95
90
16.02
1.162
56
0.737
0.052
Per cent
80
70
60
50
40
30
20
10
5
13
14
15
16
C1
17
18
19
Los puntos deben quedar dentro del intervalo de confianza para indicar que es
normal la distribucin
Probability Plot of C1
Normal - 95% CI
99
95
90
Mean
S tDev
N
16.02
1. 162
56
AD
P -Value
0. 737
0. 052
Percent
80
70
60
50
40
30
20
10
5
12
13
14
15
16
C1
17
18
19
20
USL
W ithin
Ov erall
P rocess Data
LS L
T arget
U SL
S ample Mean
S ample N
S tD ev(Within)
S tD ev(O v erall)
14. 5
*
18. 5
16. 0223
56
0.787395
1.16718
14
O bserved Perform anc e
Interpretacin:
P P M < LS L 53571.43
P P M < LS L
P P M > U SL
P P M T otal
0.00
53571.43
15
26595. 70
825. 69
27421. 38
16
17
18
96071.19
16886.08
112957.27
Pgina 118
Pp
0.57
PPL
PPU
P pk
C pm
0.43
0.71
0.43
*
Pgina 119
11
I C har t
C apability Histogr am
LSL
UCL=18.385
18
USL
S pecifications
LS L 14.5
U SL 17.5
_
X=16.022
16
14
LCL=13.660
1
13
19
25
31
37
43
49
55
14
15
3.0
18
__
MR=0.888
0.0
LCL=0
1
13
19
25
31
37
43
49
55
14
16
Within
S tDev 0.787395
Cp
0.64
C pk
0.63
16
14
35
40
45
Observation
18
20
C apability P lot
18
Values
17
UCL=2.902
1.5
16
50
55
Within
O v erall
O verall
S tD ev 1.16718
Pp
0.43
P pk
0.42
C pm *
S pecs
Pgina 120
Pgina 121
Definir
Controlar
Controlar
Mejorar
Medir
Analizar
Analizar
Pgina 122
DMAIC
DMAIC
Definir
Definir
1.
1. Mapa
Mapa de
de Proceso
Proceso
2.
2. Despliegue
Despliegue de
dela
la
Funcin
Funcin de
de Calidad
Calidad
(QFD)
(QFD)
3.
3. Modelo
Modelo Kano
Kano
4.
4. Diagrama
Diagrama Matricial
Matricial
5.
5. Benchmarkin
Benchmarkin
6.
6. Costos
Costos de
deCalidad
Calidad
Analizar
Medir
Medir
1.
1. Mapa
Mapade
de detallado
detallado
de
de Procesos
Procesos
2.
Diagrama
2. Diagrama de
de Pareto
Pareto
3.
3. Diagrama
Diagramade
deCausa
Causa-Efecto
Efecto
4.
4. Diagrama
Diagramade
derbol
rbol
5.
5. Diagrama
Diagrama de
de
Afinidad
Afinidad
6.
6. Mtodos
Mtodos de
de
Muestreo
Muestreo
Estadstico
Estadstico
7.
7. Capacidad
Capacidad del
del
Sistema
Sistema de
de Medicin
Medicin
8.
Distribucin
8. DistribucinNormal
Normal
9.
9. Capacidad
Capacidad del
Proceso
Proceso
Mejorar
Mejorar
Controlar
1.
1. AMEF
AMEF
2.
2. Cartas
Cartas Multi
Multi Vari
Vari
3.
3. Correlacin
Correlacin
4.
4. Regresin
Regresin lineal
lineal
Simple
Simple yy lineal
lineal
Mltiple
Mltiple
5.
5. Pruebas
Pruebas de
de Hiptesis
Hiptesis
6.
6. Anlisis
Anlisis de
deVarianza
Varianza
(ANOVA)
(ANOVA)
Una vez identificadas las causas potenciales por medio de una lluvia de
ideas y un diagrama de causa efecto, se realiza un proceso de validacin
estadstica de las mismas apoyndose en Anlisis de regresin, Pruebas de
Hiptesis y Anlisis de varianza.
Pgina 123
Variacin a
Largo Plazo
Variacin a
Corto Plazo
Otras fuentes de
Variacin
Variacin debida al
operador
Exactitud
(Sesgo)
Variacin debida al
Equipo de Medicin
Precisin
(Error de Medicin)
Pgina 124
Discriminacin
(Resolucin)
de
prevencin, utilizada para detectar por anticipado los posibles modos de falla,
con el fin de establecer los controles adecuados que eviten la ocurrencia de
defectos.
Objetivos
Pgina 125
Tipos de AMEFS
AMEF de Proceso:
Pgina 126
28
Pgina 127
Pgina 128
Ejemplo:
A
1 2 3 4 5
27 28 29 30 31
55 56 57 58 59
B
1 2 3 4 5
27 28 29 30 31
55 56 57 58 59
1 2 3 4 5
27 28 29 30 31
55 56 57 58 59
Pgina 129
Ejemplo:
8 AM
9 AM
10 AM
11 AM
12 AM
0.2510
0.2500
0.2490
Izquierda
Mximo
Derecha
Mnimo
Pgina 130
arrancar.
Se
adicion,
reduciendo
la
variacin
en
50%
aproximadamente..
Tambin se encontr que el acabado cnico era causado por que la
herramienta de corte estaba mal alineada. Se ajust, contribuyendo a otra
reduccin del 10% de la variabilidad.
La excentricidad de las flechas se corrigi al cambiar un rodamiento
excntrico por desgaste en el torno. Se instal un nuevo rodamiento
eliminndose otro 30% de la variabilidad.
4.5 Correlacin
Establece si existe una relacin entre las variables y responde a la pregunta,
Qu tan evidente es esta relacin?"
Los Diagramas de Correlacin se utilizan para estudiar las relaciones y
posibles dependencias entre dos variables.
Pgina 131
Tipos de Correlaciones:
1
Sin Correlacin
Correlacin Positiva
Correlacin Negativa
Otros patrones
La Correlacin:
? Mide la fuerza de la asociacin lineal entre dos variables
? No mide las relaciones fuertes no lineales
? No mide causa y efecto
? Puede ser utilizada como un primer paso para la regresin
? Debe ser utilizada en conjunto con tcnicas grficas
La medicin de la fuerza de la asociacin lineal en un anlisis de correlacin
es R (el coeficiente de correlacin.) que dependiendo del valor nos dice
que tan bien se ajuntan los datos a la ecuacin.
Propiedades de R
? -1<R<1
? R > 0 indica una relacin positiva lineal
? R < 0 indica una relacin negativa lineal
Pgina 132
llamado modelo de
Pgina 133
y ? ? 0 ? ? 1x ? ?
Donde:
y
= variable dependiente
?0
= ordenada al origen
?1
= pendiente
x = variable independiente
e = Error aleatorio
La expresin
? 0 + ? 1 X se
?0 y ? 1
es 0; esto es,
E ?? ? ? ? ? ? 0 .
29
Pgina 134
Ejemplo 30:
Se tiene que predecir las ventas mensuales en funcin del costo de publicidad
de los siguientes datos:
Mes
1
Publicidad
1.20
Ventas
101
2
3
0.80
1.00
92
100
4
5
1.30
0.70
110
90
6
7
8
0.80
0.90
0.60
82
95
80
9
10
0.90
1.10
91
105
11
12
13
0.90
0.70
0.70
93
91
83
Utilizando el Minitab:
> Stat > Regression > Regression
Seleccionar Response = Columna de las Y's
Seleccionar Predictors = Columnas de las Xs
OK
Fit ted Li ne Pl ot
Ventas = 58.86 + 38.60 Publicidad
S
R- Sq
R- Sq( a dj)
110
3.90857
82.4%
80.8%
105
Ventas
100
95
90
85
80
0.6
30
0.7
0.8
0.9
1.0
Pub licida d
1.1
1.2
1.3
Pgina 135
Y =
? 0 + ? 1 x1 + ? 2 x2
+.... +
?n
Donde:
y
= variable dependiente
? 0 = ordenada al origen
? 1, ? 2
y
8.0
8.3
8.5
8.8
9.0
9.3
9.3
9.5
9.8
10.0
10.3
10.5
10.8
11.0
11.3
11.5
11.8
12.3
12.5
x1
5.2
5.2
5.8
6.4
5.8
5.2
5.6
6.0
5.2
5.8
6.4
6.0
6.2
6.2
6.2
5.6
6.0
5.8
5.6
x2
19.6
19.8
19.6
19.4
18.6
18.8
20.4
19.0
20.8
19.9
18.0
20.6
20.2
20.2
19.2
17.0
19.8
18.8
18.6
x3
29.6
32.4
31.0
32.4
28.6
30.6
32.4
32.6
32.2
31.8
32.6
33.4
31.8
32.4
31.4
33.2
35.4
34.0
34.2
x4
94.9
89.7
96.2
95.6
86.5
84.5
88.8
85.7
93.6
86.0
87.1
93.1
83.4
94.5
83.4
85.1
84.1
86.9
83.0
Pgina 137
x5
2.1
2.1
2.0
2.2
2.0
2.4
2.2
2.1
2.3
2.1
2.0
2.1
2.2
2.1
1.9
2.1
2.0
2.1
1.9
Intercepcin
Variable X 1
Variable X 2
Variable X 3
Variable X 4
Variable X 5
Error tpico
8.4501126
0.5791396
0.2580863
0.1417064
0.0525337
1.9205352
F
5.7503300
Valor crtico de F
0.0051466
Estadstico t
0.7369477
0.6822796
-0.1891830
3.3681736
-2.1373204
-0.7127054
Probabilidad
0.4742451
0.5070376
0.8528711
0.0050414
0.0521490
0.4886239
Inferior 95%
-12.0280640
-0.8560196
-0.6063870
0.1711538
-0.2257735
-5.5178389
Pgina 138
Superior 95%
24.4826458
1.6462899
0.5087359
0.7834300
0.0012108
2.7802875
? de Cuadrados
ANOVA
SS
Fuente de Regresin
22.871
SSE
10.400
SS T
33.271
Error
Total
Grados de libertad
p-1
5
n-p
13
n-1
18
? de cuadrados
MSR
Fo
Fo = MSR/MSE
4.574
MSE
0.800
5.7178
Ho : ? i = 0 Vi
H1 : ? i = 0 al menos para una i = 0
El modelo se rechaza si:
Fo > F??? ,p-1,n-p
Fo > F0.025,5,13
5.717 > 3.77
Douglas Montgomery
Por lo tanto se rechaza la Ho y se acepa la Hi que acepta que el modelo de regresin Si es significativo.
SS E
^2
Ra = 1
(n-p)
SST
n-1
10.400
^2
Ra = 1
13
33.271
18
^2
Ra = 0.567
R = 0.753
Pgina 139
10
15
20
-1.0
-1.5
-2.0
En la grfica
alguna.
resultado muestral es tan diferente del valor hipottico que una diferencia de
esa magnitud o mayor, pudiera ocurrir aleatoria mente con una probabilidad
de 1.05 o menos.
Etapa 3.- Elegir la estadstica de prueba. La estadstica de prueba puede ser la
estadstica muestral (el estimador no segado del parmetro que se prueba) o
una versin transformada de esa estadstica muestral. Por ejemplo, para
probar el valor hipottico de una media poblacional, se toma la media de una
muestra aleatoria de esa distribucin normal, entonces es comn que se
transforme la media en un valor z el cual, a su vez, sirve como estadstica de
prueba.
Etapa 4.- Establecer el valor o valores crticos de la estadstica de prueba.
Habiendo especificado la hiptesis nula, el nivel de significancia y la
estadstica de prueba que se van a utilizar, se produce a establecer el o los
valores crticos de estadstica de prueba. Puede haber uno o ms de esos
valores, dependiendo de si se va a realizar una prueba de uno o dos
extremos.
Etapa 5.- Determinar el va lor real de la estadstica de prueba. Por ejemplo, al
probar un valor hipottico de la media poblacional, se toma una muestra
aleatoria y se determina el valor de la media muestral. Si el valor crtico que
se establece es un valor de z, entonces se transforma la media muestral en
un valor de z.
Etapa 6.- Tomar la decisin. Se compara el valor observado de la estadstica
muestral con el valor (o valores) crticos de la estadstica de prueba. Despus
se acepta o se rechaza la hiptesis nula. Si se rechaza s ta, se acepta la
alternativa; a su vez, esta decisin tendr efecto sobre otras decisiones de los
administradores operativos, como por ejemplo, mantener o no un estndar de
desempeo o cul de dos estrategias de mercadotecnia utilizar.
Pgina 141
prueba (Z, t, X2 o F)
11.
12.
Pgina 142
14.
solucin prctica.
Prueba
Estadstica: Procedimiento
para
decidir
aceptar
rechazar
hiptesis.
?
Pgina 143
Las pruebas de hiptesis pueden ser de dos colas, de cola derecha o de cola
izquierda, a continuacin se esquematizan cada una de ellas.
Pgina 144
Ho: a = b
Ha: a ? b
Regin de
Rechazo
Regin de
Rechazo
-Z???
Z???
Ho: a ? b
Ha: a > b
Regin de
Rechazo
0
Ho: a ? b
Ha: a < b
Z???
Regin de
Rechazo
- Z???
Z???
Ho:
Ha:
? ? ?o
? ? ?0
Z calc ?
? ? ?0
s
n
Pgina 145
? Z?
manera
no
Regin de
Regin de
Rechazo
Rechazo
0
podemos
-Z???
rechazar Ho.
Z???
Ejemplo:
de
Reactor a Reactor .
Reactor A
Reactor B
89.7
81.4
84.5
84.8
87.3
79.7
85.1
81.7
83.7
84.5
84.7
86.1
83.2
91.9
86.3
79.3
82.6
89.1
83.7
88.5
Estadsticas Descriptivas
Variable
Rendimiento
B
10
Reactor
A
85.54
Media
Desv.Std
10
84.24
2.90
3.65
Ha : ? a ? ? b
Pgina 146
o, su diferencia se da por
Reactor B
B
A
B B B B BB
AA
AAAA
A
BB
A
Pgina 147
A) Varianzas conocidas
Supngase que hay dos poblaciones de inters X1 y X2, Suponemos que X1
tiene media desconocida ? 1 y varianza conocida ? 1 y que X2 tiene media
2
H1 : ? 1 ? ? 2
H0 : ? 1 ? ? 2
donde:
H0 = Hiptesis nula
H1 = Hiptesis alternativa.
? 1 = media de la poblacin 1
? 2 = media de la poblacin 2
El procedimiento para probar H 0 : ? 1 ? ? 2 consiste en calcular la estadstica de
prueba Z0 mediante la siguiente frmula:
Z0 ?
X1 ? X 2
? 21 ? 2 2
?
n1
n2
donde:
X 1 = media de la muestra 1
X 2 = media de la muestra 2
? 21
? 22
n1
n2
= varianza de la poblacin 1
= varianza de la poblacin 2
= tamao de la muestra 1
= tamao de la muestra 2
Pgina 148
o Z 0 ? ? Z?
donde:
Z0 = Valor calculado del estadstico de prueba
Z ? 2 = Valor obtenido de las tablas.
H1 : ? 1 ? ? 2
H0 : ? 1 ? ? 2
H1 : ? 1 ? ? 2
Ejemplo:
que ambas mquinas llenan hasta el mismo volumen neto, sin importar que
este volumen sea o no de 16 onzas. Se toma una muestra aleatoria de la
salida de cada mquina. Piensa usted que ingeniera de calidad est en lo
correcto? Utilizando ? ? .05 .
Pgina 149
mquina 1
16.03
16.04
16.05
16.05
16.02
16.01
15.96
15.98
16.02
15.99
mquina 2
16.02
15.97
15.96
16.01
15.99
16.03
16.04
16.02
16.01
16
H0 : ? 1 ? ? 2
H1 : ? 1 ? ? 2
Calculando las medias de cada mquina obtenemos: X1 ? 16.015, X 2 ? 16.005 .
Z0 ?
X1 ? X 2
?
? 2
?
n1
n2
2
1
16.015 ? 16 .005
.015 2 .018 2
?
10
10
? 1.34
Pgina 150
No existe suficiente evidencia estadstica para pensar que las medias son
diferentes.
H 0 : ? 12 ? ?
H 1 : ? 12 ? ?
2
2
2
2
F0 ?
S12
S22
Pgina 151
F0 ? F?
2, n1 ? 1, n2 ? 1
o si
F0 ? F1? ?
Donde F?
2 , n1 ?1, n 2 ?1
2 , n1 ?1, n2 ?1
y F1??
2 ,n1 ? 1,n 2 ? 1
F1??
2 ,n1 ? 1,n 2 ? 1
1
F?
2 , n1 ? 1,n 2 ?1
Si
H 0 : ? 12 ? ?
2
2
H 1 : ? 12 ? ?
2
2
Pgina 152
2 ,n1 ? 1,n 2 ? 1
Ejemplo:
H 0 : ? 12 ? ?
H1 : ? 12 ? ?
2
2
Tipo 1
63
81
57
66
82
82
68
59
75
73
2
2
X 1 ? 70.6
X 2 ? 70
S12 ? 88.71
S 22 ? 100.44
Tipo 2
64
72
83
59
65
56
63
74
82
82
S12
88 .71
F0 ? 2 =
? 0.877
S2 100 .44
F?
2 ,n1 ?1, n 2 ?1
= F.025,9,9 = 4.03
F1??
2 ,n1 ? 1,n 2 ? 1
= 0.248
X1 y
X2 dos
desconocidas
poblaciones
normales
independientes
con
medias
Deseamos probar:
H0 : ?1 ? ? 2
H1 : ? 1 ? ? 2
Pgina 153
2
2
?? 2.
Sean
X1,
X2,
S12 , S 22 ,
las
medias
las
varianzas
de
las
muestras,
Sp ?
n1 ? n2 ? 2
t0 ?
Si t 0 ? t?
X1 ? X 2
1 1
Sp
?
n1 n2
2, n1 ? n2 ? 2
o si t 0 ? ? t?
2 ,n1 ? n 2 ? 2
, rechazamos H 0 : ? 1 ? ? 2
Pgina 154
Ejemplo:
Resistencia
(ohms)
0.140
0.141
0.139
0.140
0.138
0.144
0.135
0.138
0.140
0.139
H1 : ? 1 ? ? 2
Sp ?
t0 ?
= .0021
X1 ? X2
= 1.72
1 1
Sp
?
n1 n2
2 ,n1 ? n 2 , ? 2
t.025,8 =2.306 o se
2, n1 ? n2 ? 2
un mtodo
ANOVA
de
un
factor
tres
variables
de
bloqueo
CUADRADO
GRECOLATINO
Pgina 157
ANOVA
de
un
factor
tres
variables
de
bloqueo
CUADRADO
GRECOLATINO:
difieren las medias de vida til antes de requerir una reparacin. En la tabla
Pgina 158
aparecen los tiempos de vida til, en decenas de miles de millas para cada
tipo de motor.
Mediante Minitab determinamos si las muestras provienen de una poblacin Normal para cada
tipo de motor.
Pgina 159
Probability Plot of A
Normal
99
95
90
Mean
S tDev
N
RJ
P -Valu e
4
2.550
5
0.982
>0.100
Mean
S tDev
N
RJ
P -Valu e
6
2.345
5
0.909
>0.100
Mean
S tDev
N
RJ
P -Valu e
3
1.581
5
0.998
>0.100
Hay normalidad si
P value es >=0.05
Percent
80
70
60
50
40
30
20
10
5
1
-2
4
A
10
Probability Plot of B
Normal
99
95
90
Percent
80
70
60
50
40
30
20
10
5
1
6
B
10
12
Probability Plot of C
Normal
99
95
90
Percent
80
70
60
50
40
30
20
10
5
-1
3
C
? Analizando las grficas nos damos cuenta de que las 3 muestras provienen de poblaciones
normales.
Si denotamos por
? 1, ? 2 y? 3 las medias poblacionales de los tiempos de vida til para los tipos
H0 : ?1 ? ? 2 ? ? 3
Pgina 160
Procedimiento en Excel:
ANLISIS DE VARIANZA
Origen de las variaciones
Entre grupos
Dentro de los grupos
Total
Cuenta
Suma
5
5
5
Promedio
20
30
15
4
6
3
Varianza
6.5
5.5
2.5
14
En la tabla observamos que el estadstico de prueba Fc es menor al valor crtico para F, por lo
que
No tenemos evidencia estadstica para afirmar que los tiempos de vida til de los motores,
antes de requerir una reparacin son diferentes.
Pgina 161
Graphs
Seleccionar Normal plot of residuals
Comparisons
Seleccionar Tukeys Family error rate
OK
Resultados:
La grfica normal de residuos debe mostrar los residuos aproximados por una recta para
validar el modelo:
99
95
90
Percent
80
70
60
50
40
30
20
10
5
-5.0
-2.5
0.0
Residual
2.5
One-way ANOVA: A, B, C
Pgina 162
5.0
DF
SS
MS
Factor
23.33
11.67
Error
12
58.00
4.83
Total
14
81.33
F
2.41
P
0.132
R-Sq = 28.69%
R-Sq(adj) = 16.80%
Mean
StDev
4.000
2.550
6.000
2.345
3.000
1.581
------+---------+---------+---------+--(----------*----------)
(----------*---------- )
(----------*----------)
------+---------+---------+---------+--2.0
4.0
6.0
8.0
A subtracted from:
Pgina 163
Center
Upper
-1.707
2.000
5.707
-4.707
-1.000
2.707
0.0
3.5
7.0
B subtracted from:
Lower
Center
Upper
---------+---------+---------+--------- +
-6.707
-3.000
0.707
(---------*----------)
---------+---------+---------+--------- +
-3.5
0.0
3.5
7.0
Pgina 164
Pgina 165
Definir
Controlar
Controlar
Mejorar
Mejorar
Medir
Analizar
Analizar
Pgina 166
DMAIC
Definir
Definir
Medir
Medir
Analizar
1.
1. Mapa
Mapade
deProceso
Proceso
2.
2. Despliegue
Desplieguede
dela
la
Funcin
Funcinde
deCalidad
Calidad
(QFD)
(QFD)
3.
3. Modelo
Modelo Kano
Kano
1.
1. Mapa
Mapa de
de detallado
detallado
de
de Procesos
Procesos
2.
2. Diagrama
Diagramade
dePareto
Pareto
1.
1.
2.
2.
3.
3.
3.
3. Diagrama
Diagramade
deCausaCausaEfecto
Efecto
4.
4. Diagrama
DiagramaMatricial
Matricial
5.
5. Benchmarkin
Benchmarkin
6.
6. Costos
Costosde
deCalidad
Calidad
4.
4. Diagrama
Diagramade
derbol
rbol
5.
5. Diagrama
Diagrama de
de
Afinidad
Afinidad
4.
4. Regresin
Regresin lineal
lineal
Simple
Simple yy lineal
lineal
Mltiple
Mltiple
6.
6. Mtodos
Mtodos de
de
Muestreo
Muestreo
AMEF
AMEF
Cartas
Cartas Multi
MultiVari
Vari
Correlacin
Correlacin
5.
5. Pruebas
Pruebas de
de
Hiptesis
Hiptesis
6.
6. Anlisis
Anlisis de
de Varianza
Varianza
(ANOVA)
(ANOVA)
Estadstico
Estadstico
7.
7. Capacidad
Capacidad del
del
Sistema
Sistemade
deMedicin
Medicin
Mejorar
Controlar
Controlar
1.
1. Anlisis
Anlisis de
de
Experimentos
Experimentos (DOE)
(DOE)
2.
2. Diseo
Diseo Factorial
Factorial 2KK
3.
3. Diseo
Diseo Factorial
Factorial
Fraccional
Fraccional
4.
4. Diseo
Diseo Taguchi
Taguchi
5.
5. Diseo
Diseo de
de Mezclas
Mezclas
6.
6. Mtodos
Mtodos de
de Superficie
Superficie
de
de Respuesta
8.
8. Distribucin
Distribucin Normal
9.
9. Capacidad
Capacidad del
del
Proceso
Proceso
Pgina 167
En la fase de anlisis encontramos los pocos vitales Xs, en esta fase vamos a
determinar aquellos que especficamente afectan nuestro proceso. Esto se
lleva a cabo a travs de datos histricos, conocimiento y discusiones. Con
base a lo anterior tambin desechamos las variables que no son utilizadas.
Una opcin para realizar esta actividad es mediante el uso del diagrama de
Ishikawa.
Los cambios en los parmetros de operacin referentes a las Xs pueden ser
puestos en niveles mltiples, para estudiar como afectan la respuesta en el
proceso Y
El Diseo de Experimentos es un mtodo para probar la significancia, o sea
que tanto afectan cada uno de los factores a la variable de respuesta. Y para
determinar la interaccin entre dichos factores.
Consideraciones:
? El Diseo de Experimentos sirve para identificar los pocos vitales de los
CTQs
? En la optimizacin es utilizada para determinar los niveles ms apropiados
de los pocos vitales.
? Sirve para comparar el resultado experimental contra el proceso actual
5.3 Terminologa
Bloques: Unidades experimentales homogneas.
Bloqueo: Considerar las variables que el experimentador desea reducir su
efecto o variabilidad.
31
Pgina 168
Colinealidad:
Ocurre
cuando
variables
estn
completamente
correlacionadas.
Covarianza: Cosas que cambian durante los experimentos pero no fueron
planeadas a cambiar
Diseo robusto: De acuerdo a Taguchi, un experimento en el cual la variable
de respuesta es
inmune a los factores de ruido .
Diseo simples: Un
por un modelo.
Fraccional: Un arreglo con menos experimentos que el arreglo completo (1/2,
, etc.).
Factorial
completo:
Arreglo
experimental
que
considera
todas
las
Pgina 169
minimicen la respuesta.
Ortogonal o balanceado: Es el arreglo que permite estimar los efectos de los
experimental.
Variable de respuesta: Variable que muestra los resultados observados de un
Determinar
o Cules variables son de mayor influencia a la salida.
o Dnde fijar las entradas para producir la salida al nivel deseado.
32
Pgina 170
Tipos comunes de
Experimentos
Objetivos
Nmero tpico
de factores
controlables
Factorial Completo
proporcionan
de factores y niveles)
4 o menos
proporcionan
de combinaciones)
5 o ms
Optimizar
Compuesto
Pgina 171
3 o menos
(Superficie de
Optimizar
Optimizar
7 o ms
Dinmico de Taguchi
Tabla 5.1
Tipos de Experimentos
Pgina 172
Pgina 173
Variables de control Xs
o Temperatura de la soldadura
o Temperatura de precalentamiento
o Velocidad de la banda
o Tipo de fundente
o Densidad relativa del fundente
o Altura de la ola de soldadura
o Angulo de la banda transportadora
3. La Variacin y el Promedio
Temp
Alta
Tiempo de
Ciclo Largo
Temp
Baja
Tiempo de
Ciclo Corto
Dimensin de la Parte
Dimensin de la Parte
2. El Resultado Promedio
Presin de
Sujecin Baja
4. Ni la Variacin ni el Promedio
Presin de
Sujecin Alta
Dimensin de la Parte
Ambos materiales
producen el
mismo resultado
Dimensin de la Parte
Pgina 175
Objetivo
Ejemplos de Salidas
Dimensin de la Parte
Voltaje
ILD de Uretano
Meta
Tiempo de Ciclo
Contraccin de la Parte
Desviacin
Fuerza
Durabilidad
0
3. El Valor Mximo es el Mejor
Tendencia de salida
hacia arriba
Pgina 176
Meta
?
Tendencia de
salida baja
Pgina 177
Esquematizando tendramos:
Respuesta de Salida
La salida que se mide como resultado del experimento y se usa
para juzgar los efectos de los factores.
Factores
Las variables de entrada de proceso que se establecen a
diferentes niveles para observar su efecto en la salida.
Niveles
Los valores en los que se establecen los factores.
Dimensin de la Parte
A.
B.
C.
D.
E.
Tiempo de Ciclo
Temp. de Moldeo
Presin de Sujecin
Tiempo de Sujecin
Tipo de Material
Factor
B. Temp. de Moldeo
E. Tipo de Material
Niveles
600 700
Nylon Acetal
Interacciones
Tiempo x Temp:
El mejor nivel de tiempo
El grado en que los factores dependen unos de otros.
Algunos experimentos evalan el efecto de las interacciones; depende de la
temperatura establecida.
otros no.
Corridas
-1
-1
-1
-1
-1
-1
+1
+1
+1
-1
+1
-1
+1
+1
-1
2
3
Datos
El diseo33 factorial 2K :
Un diseo muy comn es el que considera varios factores (K) en dos niveles
(alto y bajo), el diseo ms simple es el diseo 2k
Las cinco razones principales para usar Diseos 2k :
1. La razn nmero uno para usar factorial es: Y = f(x)
2. Son fciles de entender y analizar
3. Forman la base de los diseos factoriales fraccionados, material de las
tcnicas avanzadas
4. Pueden ser aumentados para formar diseos compuestos, en caso que se
requiera informacin ms detallada.
5. Requieren de relativamente pocas corridas por cada factor estudiado.
El diseo 22
33
Pgina 178
Este el diseo ms simple, usa dos factores A y B, cada uno en dos niveles.
Requiere la realizacin de 4 experimentos que pueden replicarse n veces,
tomando las sumas de los resultados de las rplicas se tiene:
(1)
A = -, B = -
(a)
A = +, B = -
(b)
A = -, B = +
(ab) A = +, B = +
ab
(1)
Figura 5.2
Diseo 2
A?
a ? ab b ? (1) 1
?
?
( a ? ab ? b ? (1))
2n
2n
2n
B?
b ? ab a ? (1) 1
?
?
(b ? ab ? a ? (1))
2n
2n
2n
AB ?
ab ? (1) a ? b 1
?
?
( ab ? (1) ? ? a ? b)
2n
2n
2n
Las
cantidades
entre
parntesis
se
denominan
contrastes,
aqu
los
Pgina 179
Efectos factoriales
Corrida
AB
(1)
ANOVA
glSST = 4n - 1
ab
gl.SSE = 4(n-1)
Fo = SST / SSE
n?
( contraste) 2
( coeficientes.de.contrastes) 2
SSA ?
1
( a ? ab ? b ? (1)) 2
4n
SSB ?
1
(b ? ab ? a ? (1)) 2
4n
SSAB ?
1
( ab ? (1) ? ? a ? b) 2
4n
Ejemplo 34:
Se trata de considerar la concentracin del reactivo y de la cantidad de
catalizador sobre la conversin (rendimiento) de un proceso qumico. Por tal
motivo sea A la concentracin del reactivo con 2 niveles de inters que son
15% y 25%; Y el catalizador del proceso es B, con un nivel alto denotando el
uso de 2 libras de catalizador y un nivel bajo denotando el uso de 1 libra.
34
Pgina 180
Factor
Rplica
Total
28
25
27
80
36
32
32
100
18
19
23
60
31
30
29
90
b=60
ab = 90
(1) = 80
a = 100
15%
25%
1
?ab ? a ? b ? (1)? ? y A? ? y A? ? ab ? a ? b ? (1)
2n
2n
2n
1
ab ? b a ? (1)
B?
?ab ? b ? a ? (1)? ? y B? ? y B? ?
?
2n
2n
2n
1
ab ? (1) a ? b
AB ?
?ab ? (1) ? a ? b ?? y AB? ? y AB? ?
?
2n
2n
2n
A?
Pgina 181
SST ?
???
yijk
y...2
?
4n
1
?ab ? a ? b ? (1)?2
4n
1
SSB ?
?ab ? b ? a ? (1)?2
4n
1
SS AB ?
?ab ? (1) ? a ? b?
4n
SSE ? SST ? SS A ? SSB ? SS AB
SS A ?
Suma de
Cuadrados
208.33
75.00
8.33
31.34
323.00
Grados de
libertad
1
1
1
8
11
Cuadrado
medio
208.33
75.00
8.33
3.92
Fo
53.15
19.13
2.13
P
0.0001
0.0024
0.1826
Pgina 182
y ? ? 0 ? ? 1x1 ? ? 2 x 2 ? ? 12 x1 x2 ? ?
? 0estimado ? b 0 ? promedio de las respuestas ? (80 ? 100 ? 60 ? 90 ) / 4 ? 27 .4
Efecto principal del factor A ? (190 ? 140 ) / 2 * 3 ? 8 .33
Efecto principal del factor B ? (150 ? 180 ) / 2 * 3 ? ? 5
Efecto principal de la interaccin AB ? (170 ? 160 ) / 2 * 3 ? 1. 67
b1 ? A / 2 ? 4 .165 ? ? ? ? b 2 ? B / 2 ? ? 2 .5 ? ? ? ? ? b 3 ? AB / 2 ? .835
El modelo de regresin ajustado es :
Pgina 183
Con este modelo se pueden encontrar los valores estimados en los cuatro
puntos del diseo:
Considerando todava los valores codificados en (-1,+1) se tiene:
Para el punto (X1 = -1 y X2 = -1) se tiene:
Yest = 27.5 + 4.16 (-1) - 2.5 (-1) = 25.835
Como hay tres observaciones en esta combinacin de tratamientos los
residuales son:
e 1 = 28 - 25.835 = 2.165
e 2 = 25 - 25.835 = -0.835
e 3 = 27 - 25.835 = 1.165
De la misma forma se calculan todos los dems residuales
Pgina 184
2lbs.
Cantidad de
catalizador
23
33
1lb.
15% Concentracin
Direccin de ascenso
ms rpido para optimizacin
25%
Nueva zona
alrededor de la cual
se experimentar
Ejemplo en Minitab:
Se toman los datos del ejemplo anterior y se siguen los siguientes pasos:
Crear el diseo en Minitab con:
Stat > DOE > Factorial > Create factorial design
Seleccionar 2 level factorial (default generators) Number of central points 0
En Designs No. of replicates 3
En Factors A = Cata A
Number of blocks 1
Factor B = Cata B
OK
Pgina 185
Respuesta
28
36
18
31
25
32
19
30
27
32
23
29
Percent
90
50
10
1
-5.0
-2.5
0.0
Residual
2.5
5.0
Pgina 186
Term
Effect
Constant
Coef
SE Coef
27.500
0.5713
48.14
0.000
Cata A
8.333
4.167
0.5713
7.29
0.000
Cata B
-5.000
-2.500
0.5713
-4.38
0.002
1.667
0.833
0.5713
1.46
0.183
Cata A*Cata B
S = 1.97906
R-Sq = 90.30%
R-Sq(adj) = 86.66%
2.306
Factor
A
B
99
Nam e
Cata A
Cata B
Effect T yp e
No t S ign ifi can t
Sign ifican t
95
90
Percent
Term
80
70
60
50
40
30
20
AB
F ac tor
A
B
10
5
3
4
5
Standardized Effect
-5. 0
-2.5
0.0
2.5
Standardized Effect
5.0
7.5
Term
Coef
Constant
27.5
Catalizador A
4.16
Pgina 187
N am e
C ata A
C ata B
Catalizador B
Temp*Mtodo
-2.50
-12.5333
Cata A
32
Cata B
31
Mean of Respuesta
30
Mean
28
26
24
22
30
29
28
27
26
25
24
20
-1
23
Cata B
-1
-1
OK
Los niveles en que deben fijarse los factores para maximizar la resistencia son
de la grfica de interaccin, Catalizador A =1 y Catalizador B = -1
f) Obtener las grficas de contornos y de superficie de respuesta con:
Stat > DOE > Factorial >Contour Plot
En Setup de Contour y Response Surfase Plot solo entrar y salir
OK
Pgina 188
Resp uesta
< 21
21 - 24
24 - 27
27 - 30
30 - 33
> 33
Cata B
0.5
0.0
-0.5
-1.0
-1.0
-0. 5
0. 0
Cata A
0.5
1.0
Una vez establecidos los mejores niveles de operacin del proceso por medio
del Diseo de Experimentos, ahora se trata de mantener la solucin por medio
de la fase de Control.
El diseo Factorial Fraccional:
Cuando crece el nmero de factores, aparecen tantas combinaciones en los
ensayos factoriales, que es prudente reducir la labor experimental. En lugar
de ejecutar el ensayo completo con un nmero muy alto de tentativas, se
recurre a los diseos factoriales fraccionales o incomplet os, donde, en lugar
de analizar la totalidad de las posibilidades, se considera una fraccin bien
elegida. Con cinco factores a tres niveles se llegan a 243 combinaciones
posibles y si la tarea se redujese a una fraccin de un tercio, bastaran 81
ensayos. Si fuese 1/9, tendramos 27. La ventaja de este enfoque es que
reduciendo mucho el esfuerzo, no se pierde un panorama muy amplio y
ambicioso de las relaciones entre causas y efectos en sistemas multivariables.
El estudio de una fraccin no le quita validez al anlisis final.
Pgina 189
Ventajas
Pgina 190
Taguchi ha propuesto una alternativa no del todo diferente que se que conoce
como Arreglos Ortogonales
denomin:
La (b)C
Es
el
nmero
de
efectos
No. (a)
1
2
3
4
1 ,
A
1
1
2
2
=
F A C T O R E S (c)
B
C
1
1
2
2
1
1
2
1
Resultado
Y1
Y2
Y3
Y4
Pgina 191
columnas de los factores ; (1) significa que el factor esta a su nivel bajo (-) y
(2) a su nivel alto o de signo (+).
Diseo
L4
L8
L12
L16
L32
L64
Ejemplo:
Factor
A
B
C
D
E
Descripcin
Tipo de resina
Concentracin
Tiempo de ciclo de prensado
Humedad
Presin
Nivel I
Tipo I
5%
10 seg
3%
800 psi.
Nivel 2
Tipo II
10%
15 seg
5%
900 psi.
Pgina 192
A
1
1
1
1
2
2
2
2
B
1
1
2
2
1
1
2
2
C
1
1
2
2
2
2
1
1
D
1
2
1
2
1
2
1
2
E
1
2
1
2
2
1
2
1
e
1
2
2
1
1
2
2
1
e
1
2
2
1
2
1
1
2
Resina
Tipo I
Tipo I
Tipo I
Tipo I
Tipo II
Tipo II
Tipo II
Tipo II
Concen.
5%
5%
10%
10%
5%
5%
10%
10%
Tiempo
10 seg.
10 seg.
15 seg.
15 seg.
15 seg.
15 seg.
10 seg.
10 seg.
Humedad Presin
3%
800 psi.
5%
900 psi.
3%
800 psi.
5%
900 psi.
3%
900 psi.
5%
800 psi.
3%
900 psi.
5%
800 psi.
Yi
0.49
0.42
0.38
0.30
0.21
0.24
0.32
0.28
Pgina 193
error y se obtiene:
Sse = SSF + SSG = 0.00080 + 0.00045 = 0.00125 con 2g.l.
SS
0.03645
0.0008
0.01805
0.0032
0.00245
0.00125
0.0622
G.L.
1
1
1
1
1
2
7
V
0.03645
0.00080
0.01805
0.00320
0.00245
0.00063
Fexp.
58.32*
1.28
28.88**
5.12
3.92
% Contrib.
57.59
0.28
28.01
4.14
2.93
7.03
100
Pgina 194
entre
parntesis.
Fc para el factor (A) = 23.66 y Fc para el factor (C) = 11.72, comparando
ambos contra Fcrtico = 6.6, continan siendo significativos los factores A y C.
Los promedios de la emisin de Formaldehdo para cada nivel son:
Efecto
A
B
C
D
E
Nivel 1
A1avg. = A1/4 =0.3975
B1avg =0.3400
C1avg =0.3775
D1avg =0.3500
E1avg =0.3475
Nivel 2
A2avg. = A2/4 =0.2625
B2avg =0.3200
C2avg =0.2825
D2avg =0.3100
E2avg =0.3125
-0.0475
experimentacin, aparte del efecto de los factores en si. Es decir lo que hace
diferentes a las lecturas bajo diferentes condiciones de experimentacin.
Error Secundario (e 2): Aquel que hace diferentes las lecturas tomadas bajo
una misma condicin experimental. Cuando se toma una lectura no es posible
evaluar el error secundario.
Pgina 196
El diseo de Mezclas
35
35
Pgina 197
Ejemplo:
Rendimiento
X1
0
0
0
0
0.333
0.333
0.333
0.667
0.667
1
X2
0
0.333
0.667
1
0
0.333
0.667
0
0.333
0
X3
1
0.667
0.333
0
0.667
0.333
0
0.333
0
0
(q ? m ? 1)!
m !( q ? 1 ) !
Puntos ?
X
? X
E (Y ) ?
? X
? 1
? iX
i? 1
Ejemplo:
Pgina 198
X1
X2
X3
Rendimiento
1 16.8, 16
0.5
0.5
1
0.5
0
Coef
SE Coef
VIF
11.70
0.4941
1.500
9.40
0.4941
1.500
16.40
0.4941
1.500
A*B
17.40
2.4207
7.19
0.000
1.500
A*C
12.00
2.4207
4.96
0.003
1.500
B*C
-12.20
2.4207
-5.04
0.002
1.500
S = 0.69881
R-Sq = 97.44%
PRESS = 11.720
R-Sq(pred) = 89.78%
R-Sq(adj) = 95.31%
Pgina 199
un
modelo
matemtico
que
mejor
ajuste
los
datos
Pgina 200
?
(a)
(b)
?0
x1
? ? ? 0 ? ? 1X1
y (b) parbola
? ? ? 0 ? ? 1X1
Y ? b0 ? b1 X 1 ? b2 X 2
Pgina 201
Pgina 202
Definir
Controlar
Mejorar
Medir
Analizar
Pgina 203
DMAIC
Definir
Definir
1.
1. Mapa
Mapade
deProceso
Proceso
2.
2. Despliegue
Desplieguede
dela
la
Funcin
Funcinde
deCalidad
Calidad
(QFD)
(QFD)
3.
3.
4.
4.
5.
5.
Modelo
Modelo Kano
Kano
Diagrama
DiagramaMatricial
Matricial
Benchmarkin
Benchmarkin
6.
6. Costos
Costosde
deCalidad
Calidad
Medir
Medir
Analizar
Analizar
Controlar
Controlar
Mejorar
Mejorar
1.
1. Mapa
Mapa de
de detallado
detallado
de
de Procesos
Procesos
2.
Diagrama
2. Diagramade
dePareto
Pareto
3.
3. Diagrama
Diagramade
deCausaCausaEfecto
Efecto
1.
1. AMEF
AMEF
2.
2. Cartas
CartasMulti
MultiVari
Vari
3.
3. Correlacin
Correlacin
4.
4. Regresin
Regresinlineal
lineal
Simple
Simpleyylineal
lineal
1.
1. Anlisis
Anlisis de
de
Experimentos
Experimentos (DOE)
(DOE)
2.
2. Diseo
Diseo Factorial
Factorial 2K
2K
4.
4. Diagrama
Diagramade
de rbol
rbol
5.
5. Diagrama
Diagramade
de
Afinidad
Afinidad
6.
6. Mtodos
Mtodosde
de
Muestreo
Muestreo
Mltiple
Mltiple
5.
5. Pruebas
Pruebas de
de
Hiptesis
Hiptesis
4.
4.
5.
5.
6.
6.
3.
3. Diseo
Diseo Fraccin
Fraccin
Factorial
Factorial
6.
6. Anlisis
Anlisisde
deVarianza
Varianza
(ANOVA)
(ANOVA)
Diseo
Diseo Taguchi
Taguchi
Diseo
Diseo de
de Mezclas
Mezclas
Mtodos
Mtodos de
de
Superficie
Superficie de
de
Respuesta
Respuesta
1.
1. Plan
Plan de
de Control
Control
2.
2. Cartas
Cartas de
de Control
Control
3.
3. Poka
Poka Yoke
Yoke
4.
4. Mejora
Mejora continua
continua
(Kaizen)
(Kaizen)
5.
5. Las
Las 55 Ss
Ss
6.
6. Kanban
Kanban
Estadstico
Estadstico
7.
7. Capacidad
Capacidad del
del
Sistema
Sistemade
de Medicin
Medicin
8.
8. Distribucin
Distribucin Normal
9.
9. Capacidad
Capacidad del
del
Proceso
Proceso
Mantener las mejoras por medio de control estadstico de procesos, Poka Yokes y
trabajo estandarizado
Identificar las actividades o procesos que estn fuera de control para corregirlos
inmediatamente.
Pgina 204
Definir
Controlar
Mejorar
Medir
Analizar
Pgina 205
36
Pgina 206
Una vez implementadas las mejoras se vuelve a calcular los niveles sigma del proceso,
para saber en que nivel nos encontra mos actualmente. (ver Fase de Medicin)
Un plan de control es:
? Mtodo de Medicin
? Qu proceso o mquina hace la medicin?
? Mtodo de Control
? Qu mtodo se utiliza para el control? SPC? SPM?
?
Tamao de muestra
? Seleccionar el tamao de muestra sobre la base del sistema de medicin y
capacidad del proceso
Frecuencia de la muestra
? Seleccionar la frecuencia basada en el sistema de medicin, capacidad del
Quin es responsable de asegurar que los datos se tomen y que sean correctos?
Accin y Documentacin
Dnde se registra?
? Dnde residen los datos? Bases de datos, grficas, ambas?
Pgina 209
Un proceso est bajo Control Estadstico cuando presenta causas comunes nicamente,
con un proceso estable y predecible.
Cuando existen causas especiales el proceso est fuera de Control Estadstico; las
cartas de control detectan la existencia de estas causas en el momento en que se dan, lo
cual permite que podamos tomar acciones al momento.
En resumen podemos decir que una Carta de Control es:
37
Pgina 210
Ventajas:
Pgina 211
VARIABLES
ATRIBUTOS
Son
potencialmente
aplicables
cualquier proceso
de control.
Ventajas
significativas
Desventajas
significativas
del
individuales.
No
control
reconoce
de
caractersticas
distintos
grados
de
Carta
Descripcin
Campo de aplicacin.
X?R
Medias y Rangos
X?S
Medias y desviacin
Variables
estndar.
I-M R
Individuales
Atributos
Proporciones o fraccin
defectiva
proceso.
NP
Nmero de defectuosos
unidad
Pgina 212
X ? R (variables)
Los datos son el resultado de la medicin de las caractersticas del producto, los cuales
deben de ser registrados y agrupados de la siguiente manera:
?
X 1 ? X 2 ....X N
N
R ? X mayor ? X menor
R?
R1 ? R2 ? ......RK
K
X?
X1 ? X 2 ? .......X K
K
Los lmites de control son calculados para determinar la variacin de cada subgrupo,
estn basados en el tamao de los subgrupos y se calculan de la siguiente forma:
LSCR ? D4 R
LSC X ? X ? A2 R
Pgina 213
LIC R ? D3 R
LIC X ? X ? A2 R
Donde D4, D 3, A2 son constantes que varan segn el tamao de muestra. A continuacin
se presentan los valores de dichas constantes para tamaos de muestra de 2 a 10.
n
10
D4
3.27
2.57
2.28
2.11
2.00
1.92
1.86
1.82
1.78
D3
0.08
0.14
0.18
0.22
A2
1.88
1.02
0.73
0.58
0.48
0.42
0.37
0.34
0.31
Para la grfica
Pgina 214
Pgina 215
Esta Carta monitorea la tendencia de un pro ceso con datos variables que no pueden
ser muestreados en lotes o grupos.
Este tipo de grfica es utilizada cuando las mediciones son muy costosas (Por
ejemplo Pruebas destructivas), o cuando la caracterstica a medir en cualquier punto
en el tiempo es relativamente homognea (por ejemplo el PH de una solucin
qumica)
La lnea central se basa en el promedio de los datos, y los lmites de control se basan
en la desviacin estndar (+/- 3 sigmas)
Terminologa
k = nmero de piezas
n = 2 para calcular los rangos
LIC X ? X ? E 2 R
LSCR ? D 4 R
LIC R ? D3 R
Donde D4, D 3, E 2 son constantes que varan segn el tamao de muestra usado para
agrupar los rangos m viles como se muestra en la tabla siguiente:
10
D4
3.27
2.57
2.28
2.11
2.00
1.92
1.86
1.82
1.78
D3
0.08
0.14
0.18
0.22
E2
2.66
1.77
1.46
1.29
1.18
1.11
1.05
1.01
0.98
* Generalmente se utiliza n = 2
Pgina 216
5.2
Cualquier caracterstica de calidad que pueda ser clasificada de forma binaria: cumple o
no cumple, funciona o no funciona, pasa o no pasa, etc., a los efectos de control del
proceso, ser considerado como un atributo y para su control se utilizar una Carta de
Control por Atributos.
Los criterios de aceptacin al utilizar grficas de control por atributos deben estar
claramente definidos y el procedimiento para decidir si esos criterios se estn
alcanzando es producir resultados consistentes a travs del tiempo. Este procedimiento
consiste en definir operacionalmente lo que se desea medir. Una definicin operacional
consiste en:
Pgina 217
Establezca la frecuencia con la cual los datos sern tomados (horaria, diaria, semanal).
Los intervalos cortos entre tomas de muestras permitirn una rpida retroalimentacin al
proceso ante la presencia de problemas. Los tamaos de muestra grandes permiten
evaluaciones ms estables del desarrollo del proceso y son ms sensibles a pequeos
cambios en el promedio del mismo. Se aconseja tomar tamaos de muestra iguales
aunque no necesariamente se tiene que dar esta situacin, el tamao de muestra
debera de ser mayor a 30. El tamao de los subgrupos ser de 25 o ms.
Paso 2- Calculo de la fraccin defectuosa (p) del subgrupo:
np
n
p?
LSC p ? p ? 3
p(1 ? p )
n
LIC p ? p ? 3
p(1 ? p )
n
Pgina 218
Un dispositivo Poka-yoke es cualquier mecanismo que ayuda a prevenir los errores antes
de que sucedan, o los hace que sean muy obvios para que el trabajador se de cuenta y
lo corrija a tiempo.
El concepto es simple: si los errores no se permite que se presenten en la lnea de
produccin, entonces la calidad ser alta y el retrabajo poco. Esto aumenta la
satisfaccin del cliente y disminuye los costos al mismo tiempo. El resultado, es de alto
valor para el cliente. No solamente es el simple concepto, pero normalmente las
herramientas y/o dispositivos son tambin simples.
Pgina 219
Mtodos de Control
Existen mtodos que cuando ocurren anormalidades apagan las mquinas o bloquean
los sistemas de operacin previniendo que siga ocurriendo el mismo defecto. Estos tipos
de mtodos tienen una funcin reguladora mucho ms fuerte, que los de tipo preventivo,
y por lo tanto este tipo de sistemas de contro l ayudan a maximizar la eficiencia para
alcanzar cero defectos.
No en todos los casos que se utilizan mtodos de control es necesario apagar la
mquina completamente, por ejemplo cuando son defectos aislados (no en serie) que se
pueden corregir despus, no es necesario apagar la maquinaria completamente, se
puede disear un mecanismo que permita "marcar" la pieza defectuosa, para su fcil
localizacin; y despus corregirla, evitando as tener que detener por completo la
mquina y continuar con el proceso.
2. Mtodos de Advertencia
Pgina 220
Qu significado tiene la palabra Kaizen? Es una palabra japonesa compuesta por otras
dos palabras, una KAI que significa cambio y la otra ZEN que significa bueno, lo que
implica que KAIZEN signifique cambio para mejorar y, como dicho cambio para mejorar
es algo que continuamente debe buscarse y realizarse el significado termina siendo
mejora continua.
Caractersticas del Kaizen:
?
Por otra parte, KAIZEN significa un esfuerzo constante no slo para mantener los
estndares sino para mejorarlos.
KAIZEN est orientado a las personas, en tanto que la Innovacin est orientada
a la tecnologa y al dinero.
39
Pgina 222
Pgina 223
rpidos
de
preparacin
de
mquinas-herramientas;
logrando
sorprendentes
importantes resultados.
Pgina 224
Pgina 225
6.8 Las 5 Ss 41
Seiton: orden
Seiso:
Shitsuke: disciplina
Seiri : eliminar:
limpieza
Consiste en retirar del rea de trabajo todos aquellos elementos que no son necesarios
para realizar la labor. No hay que pensar en que este o aquel elemento podra ser til en
otro trabajo o si se presenta una situacin muy especial, los exp ertos recomiendan que
ante estas dudas hay que desechar dichos elementos.
Seiton: Ordenar:
sencillas como: lo que ms se usa debe estar ms cerca, lo ms pesado abajo lo liviano
arriba, etc.
Seiso: Limpiar:
Incluye, adems de la actividad de limpiar las reas de trabajo y los equipos, el diseo de
aplicaciones que permitan evitar o disminuir la suciedad y hacer ms seguros los
ambientes de trabajo. A travs de la limpieza se pueden identificar fallas, por ejemplo, si
41
Pgina 226
todo est limpio y sin olores extraos es ms probable que se detecte un principio de
incendio o un malfuncionamiento de un equipo por una fuga de fluidos, etc.
Seiketsu: Estandarizar:
En esta etapa se busca evitar que se rompan los procedimientos ya establecidos. Solo
si se implanta la disciplina y el cumplimiento de las normas y procedimientos ya
adoptados se podr disfrutar de los beneficios que ellos brindan.
Pgina 227
6.9 El Kanban42
Son dos las funciones principales de Kanban: Control de la produccin y mejora de los
procesos.
42
Pgina 228
Eliminacin de la sobreproduccin.
Implementando Kanban:
Se debe establecer una ruta de kanban que refleje el flujo de materiales, esto
implica designar lugares para que no haya confusin en el manejo de materiales,
se debe hacer obvio cuando el material esta fuera de su lugar.
Se debe tomar en cuenta que aquellos artculos de valor especial debern ser
tratados diferentes.
El
sistema
kanban
deber
ser
actualizado
continuamente.
Pgina 230
constantemente
mejorado
Fase 3. Implementar kanban en el resto de los componentes, esto no debe ser problema
ya que para esto los operadores ya han visto las ventajas de kanban, se deben tomar en
cuanta todas las opiniones de los operadores ya que ellos son los que mejor conocen el
sistema. Es importante informarles cuando se va estar trabajando en su rea.
Fase 4. Esta fase consiste de la revisin del sistema kanban, los puntos de reorden y los
niveles de reorden, es importante tomar en cuenta las siguientes recomendaciones para
el funcionamiento correcto de kanban:
o
Reglas de Kanban
Pgina 231
6.10
Entregables:
Pgina 232
Definir
D
efinir
Controlar
Contro
l
Medir
M
edir
activo
con
el
que
se
logren
resultados
M ejora
Mejora
rr
Analizar
A
nalizar
estn
enfocados
mejorar
la
Motorola acu el termino Seis Sigma en los aos ochentas, pero el termino
fue un objetivo de desempeo y no el enfoque para alcanzar ese nivel de
desempeo, as Seis Sigma significa alcanzar 3.4 defectos por cada milln de
43
Pgina 233
unidades procesadas. Fue al inicio de los noventa que el termino Seis Sigma
comenz a ser empleado como un mtodo para implementar un modelo de
Mejora. Cuando esto ocurri el termino ya no se refera al objetivo (3.4 partes
por milln) y si a la serie de actividades para alcanzar la excelencia.
Kaizen
mtodos
que
se
han
etiquetado
como
Kaizen
son
variados,
Pgina 234
7.2 Proyecto
Reducir el desperdicio.
Mtricas
Ahorros
Sponsor
?
Gerente
Process Owner
?
Jefe de departamento
Pgina 235
Team Leader
?
Jefe
Metodologa DMAIC
Variable
Especificacin
Estndares
Proveedor
Operacin
Tabla 7.1
Datos
Dato Real
Histricos
Identificacin de Variables
Pgina 236
Defini
Definir
r
Medir
Medir
Mejora
Mejorar
Mejorar
Analizar
Analizar
Pasos
reas de Oportunidad
Introduccin de Agua
Tabla 7.2
reas de Oportunidad
Pgina 237
Target
USL
Process Data
LS L
321
T arget
327
USL
336
S ample M ean
327.388
S ample N
417
S tD ev (Within) 1.24412
S tD ev (Ov erall) 2.11992
W ithin
O v erall
P otential (Within) C apability
Cp
2.01
C P L 1.71
C P U 2.31
C pk 1.71
Ov erall Capability
Pp
PPL
PPU
P pk
C pm
322
O bserv ed P erformance
P P M < LS L 0.00
P P M > U S L 0.00
P P M T otal
0.00
324
326
328
330
332
334
1.18
1.00
1.35
1.00
0.93
336
Figura 7.4 Capacidad del Proceso situacin actual (antes del proyecto)
Conclusiones: El proceso se encuentra cargado hacia la parte inferior de
especificaciones, adems se aprecia la variabilidad en el proceso.
Una vez que se analiz los datos recolectados, se hizo el anlisis del sistema
de medicin, debido a la gran variabilidad que se encontr en el proceso, que
pudiera ser por un sistema de medicin inadecuado.
Pgina 238
Sistema de Medicin
Una de las herramientas utilizadas en esta etapa fue la del MSA, la cual
consisti en analizar
VarComp
0.46447
0.20659
0.25788
0.21837
0.03951
2.09386
2.55832
%Contribution
(of VarComp)
18.16
8.08
10.08
8.54
1.54
81.84
100.00
Valor total de estudio R&R, el cual debe de
ser menor al 15%
Process tolerance = 15
Source
Total Gage R&R
Repeatability
Reproducibility
Analista
Analista*Prueba
Part-To-Part
Total Variation
StdDev (SD)
0.68152
0.45452
0.50782
0.46730
0.19877
1.44702
1.59948
Study Var
(6 * SD)
4.08912
2.72715
3.04689
2.80378
1.19262
8.68210
9.59686
%Study Var
(%SV)
42.61
28.42
31.75
29.22
12.43
90.47
100.00
%Tolerance
(SV/Toler)
27.26
18.18
20.31
18.69
7.95
57.88
63.98
Pgina 239
Pe rcent
100
R es u lt a do b y P r u e b a
% C ontribution
332
% Study V ar
% T oleranc e
328
50
324
Gage R &R
R epeat
R eprod
Part -to-Part
R C ha r t b y A n a list a
Sample Ra nge
HEC T OR
R A FA EL
7 8
9
Prue ba
332
328
1.5
UC L= 1.299
_
R= 0.504
LC L= 0
0.0
324
HECT O R
RA FA EL
Ana lista
X b a r C h a r t by A n alis t a
HEC T OR
R A FA EL
R ENE
R ENE
A na lis t a * P r u e ba I n t er a c t ion
333
_
_ L= 330.566
UC
X= 330.050
LC L= 329.534
330
327
Average
Samp le Mea n
14 15
R es u lt a d o b y A na lis t a
R ENE
3.0
333
10 11 12 13
Analis ta
HEC T OR
RA FA EL
REN E
330
327
1
10 11 12 13 14
15
Prue ba
menor de cada muestra, en la grfica se presenta que el operador Rafael es el que tiene ms
variabilidad en sus mediciones que los otros 2.
La grfica X representa el promedio de las mediciones de cada operador, en la cual hay 28
puntos fuera de control lo representa ms del 50%, esto se puede interpretar como que el
sistema de medicin es capaz de identificar las diferencias entre piezas.
La grfica de resultado por pieza se observa que nicamente en la pieza 2 hay una fuerte
variacin con respecto a las dems.
Conclusiones: El resultado total del estudio nos dice que se necesita mejorar
el sistema de Medicin, sobre todo la parte de metodologa en el proceso de
medicin.
Pgina 240
Defini
Definir
r
nos
proporcionar
evidencias
de
Controlar
Controlar
Medir
Medir
las
Analizar
Analizar
Analizar
Pgina 241
contenido del lquido, para tal efecto se procedi a analizar lotes de diferente
aos de produccin arrojndonos lo siguiente:
AO
93
99
2000
2001
2002
2003
Frequency
Mean StDev
53.53 1.619
52.30 1.715
54.32 1.464
54.60 2.997
55.78 2.056
56.17 1.451
3
2
N
2
20
18
20
19
20
1
0
48
50
52
54
56
ALTURA (a 327 ml)
58
60
Prueba
de
hiptesis
de
igualdad
de
medias
para
determinar
estadsticamente si la media del del proceso normal (? nor) era igual que la
media del nuevo proceso (? ctl), se estableci lo siguiente:
Ho: ?
nor
=?
Ha: ?
ctl
Pgina 242
nor
? ?
ctl
V ol tu bos
332
330
328
327
326
324
322
321
320
Bot con
Norm
grupo
Vol tubos
332
330
328
327
326
324
322
321
320
Bot con
Norm
grupo
DF
1
135
136
S = 1.475
SS
185.25
293.76
479.00
MS
185.25
2.18
R-Sq = 38.67%
Level
N
Mean
Bot con 99 328.74
Norm
38 331.34
Pooled StDev = 1.48
StDev
1.26
1.93
F
85.13
P
0.000
R-Sq(adj) = 38.22%
Pgina 243
Por lo tanto, se rechaza la Hiptesis nula y se concluye que las medias son
diferentes; De acuerdo a esto, la diferencia encontrada se debe a la
variabilidad del sistema de medicin.
Anlisis de Regresin
Pgina 244
Defini
Definir
r
Introduccin
Controlar
Controlar
Medir
Medir
Mejora
Mejorar
Mejorar
r
Analizar
Analizar
Analizar
Sistema de Medicin
Durante la etapa de medicin se realiz un estudio de R&R, el cual dio como
resultado que tanto el mtodo y el equipo de medicin tienen reas de
oportunidad.
Se agregaron ayudas visuales para la correcta toma de lecturas.
Una vez recapacitado al personal operario en la toma de lecturas, se volvieron
a realizarlos estudios R&R para verificar que las mejoras realizadas al sistema
de medicin fueron las correctas, dando como resultado lo siguiente:
Pgina 245
Gage R&R
Source
Total Gage R&R
0.122222
13.24
Repeatability 0.122222
13.24
Reproducibility0.000000
0.00
Part-To-Part
0.800823
86.76
100.00
StdDev
(SD) (6* SD)
0.349603
2.09762
36.39 8.74
Repeatability
0.349603
2.09762
36.39 8.74
Reproducibility
(%SV) (SV/Toler)
0.000000
0.00000
Part-To-Part
0.894887
5.36932
93.14
Total Variation
0.960752
5.76451
100.00
0.00 0.00
Grficamente tenemos:
Pgina 246
Percent
100
Resultado by P ar te
% Contribution
% Study Var
333
% T olerance
50
330
327
Gage R&R
Repeat
Reprod
Part-to-Part
R Char t by A nalista
Sample Range
1.0
MIGUEL
RAFAEL
10
Resultado by A nalista
RENE
333
UCL=0.652
0.5
_
R=0.253
0.0
LCL=0
330
327
MIGUEL
RAFAEL
Analista
RAFAEL
RENE
RENE
333
Analista
MIGUEL
333
_
_
UCL=330.914
X=330.654
LCL=330.395
330
Average
Sample Mean
5
6
Parte
RAFAEL
RENE
330
327
327
5
6
Parte
10
Pgina 247
Diseo de Experimentos
PRUEBA DE VARIANZAS
La realizacin del anlisis de varianza consisti primeramente en establecer
nuestra prueba de hiptesis para verificar si las modificaciones realizadas
tuvieron un impacto significativo estadsticamente hablando.
Pgina 248
Ho: s1 = s 2
Ha: s1 2 ? s 2 2
T ubo de Venteo
F-Test
Test Statistic
P-Value
116
120
1.50
T ubo de Venteo
1.60
0.000
1.65
1.80
1.95
2.10
2.25
95% Bonferroni Confidence Intervals for StDevs
26.10
0.000
2.40
116
120
320
322
324
326
328
Volumen
330
332
334
Pgina 249
Target
USL
P rocess D ata
LS L
321
Target
327
US L
336
S ample M ean
327 .388
S ample N
417
S tD ev (Within)
1. 24412
S tD ev (O v erall) 2. 11992
Within
Ov er all
P otential (Within) C apability
Cp
2.01
C P L 1.71
C P U 2.31
C pk
1.71
O v erall C apability
Pp
PPL
PPU
P pk
C pm
322
O bserv ed Performan ce
P P M < LS L 0.00
P P M > U SL 0.00
P P M Total
0.00
324
326
328
330
332
334
1.18
1.00
1.35
1.00
0.93
336
Target
USL
P rocess D ata
LS L
3 21
Targ et
3 27
U SL
3 36
S ample M ean
3 27.47 7
S ample N
3 41
S tD ev (With in) 1 .1352 7
S tD ev (Ov erall) 1 .6749
Within
Ov er all
P ote ntial (Within) C apability
Cp
2.2 0
C P L 1.9 0
C P U 2.5 0
C pk
1.9 0
O v erall C apa bility
Pp
PPL
PPU
P pk
C pm
322
O bserv ed P erformance
P P M < LS L 0.00
P P M > US L 0.00
P P M Total
0.00
324
326
328
330
332
334
1.4 9
1.2 9
1.7 0
1.2 9
1.1 5
336
Pgina 250
Definir
Introduccin
Controla
Controlar
Es esta ltima fase nos detenemos a preguntar: r
Medi
Medir
r
Qu hicimos?
?
Medimos
o Claramente definimos el problema
Mejorar
Mejorar
Mejorar
Analizar
Analizar
Analizar
la
capacidad
de
los
Analizamos
o Examinamos los datos
o Identificamos la causa raz del problema
Mejoramos
o y = f(x)
o Optimizamos el proceso
Pgina 251
Evento Kaizen
Solucin
Cmo se
controla?
Responsable
Pgina 252
Recapitulando:
Pgina 253
CONCLUSIONES Y RECOMENDACIONES
Definir
D
efinir
Controlar
Control
Medir
M
edir
Mejorar
M
ejorar
Analizar
A
nalizar
Conclusiones
Si una empresa se interesa en implantar la herramienta 6 s, se recomienda
que para que tenga xito y no desperdicie recursos tanto materiales como
humanos, tome como referencia la propuesta proporcionada aqu, realizando
las adecuaciones que sean necesarias dependiendo de sus necesidades
especficas. Donde lo ms importante es que la alta administracin de la
empresa est comprometida primero con la implantacin de un sistema de
administracin por calidad o de control total de calidad con enfoque al cliente,
con base en la creacin de calidad humana y direccin participativa, con un
sistema de reconocimientos adecuado de tal forma que se aliente al personal
tanto a hacer sugerencias, como
Pgina 254
muy
poderosa
que
ayuda
estadsticamente hablando.
Pgina 256
al
manejo
de
los
datos
Bibliografa
Brassard M Finn Lynda The Six Sigma Memory Jogger II Goal/Qpc 2002
J.M. Juran, Gryna, Frank M., Manual de Control de Calidad, McGraw Hill
1993
Pgina 257
Confemetal 1998
?
Pere Grima, Luis Almagro Estadstica practica con Minitab Prentice Hall
2004
Rath&strongs Workout for Six Sigma pocket guide MacGraw Hill 2005
Pgina 259