TESIS - Diseño Robusto y DoE A Una Empresa DeEspaña

ESCUELA SUPERIOR DE INGENIEROS
DE SEVILLA
ESTUDIO DE LA SITUACIN ACTUAL EN ESPAA DEL

DISEO ROBUSTO, Y APLICACIN DE SU METODOLOGA A
UNA EMPRESA DEL SECTOR AERONUTICO A TRAVS DE
LAS HERRAMIENTAS VMEA Y DISEO DE EXPERIMENTOS
Autor: Mara Cristina Ramiro Gonzlez

Tutor: Juan Manuel Gonzlez Ramrez
NDICE
1. Marco del Proyecto
2. Antecedentes
3. Objetivos
4. El Mtodo del Diseo Robusto

4.1. La Variacin en la Industria
4.2. Definicin de Diseo Robusto
4.3. Marco Histrico del Diseo Robusto
4.4. Objetivo del Diseo Robusto
4.5. Situacin actual del RDM en Espaa
4.5.1. Encuesta del RDM
4.5.2. Mtodo
4.5.3. Estado del RDM en Espaa
4.5.3.1. Introduccin
4.5.3.2. Resultados de la encuesta
4.5.3.3. Conclusiones
4.5.4. Estado del RDM en Europa
4.5.4.1. Resultado de la encuesta
4.5.4.2. Conocimiento y uso del RDM
4.5.4.3. Factores que soporta el RDM
4.5.4.4. Uso de Mtodos de soporte
4.5.4.5. Variacin en las caractersticas del producto
4.5.4.6. Discusin de resultados
4.6. Variacin y caractersticas del producto
7
8
9
13
15
16
16
17
19
19
20
46
47
47
48
50
52
55
59
60
5. Six Sigma
5.1. Marco histrico
5.2. Objetivo
5.3. Definicin
5.4. Formacin y entrenamiento
5.5. Medicin de la calidad
5.6. Beneficios
62
62
65
67
73
78
85
6. El Anlisis Modal de Variaciones y Efecto

6.1. Introduccin
6.2. Objetivo
6.3. Anlisis Modal de Variaciones y Efectos
6.3.1. Paso 1
6.3.2. Paso 2
6.3.3. Paso 3
6.3.4. Paso 4
6.4. Justificacin formal del VMEA: Mtodo de los Momentos
6.5. Una aplicacin industrial
6.6. Discusin del Mtodo
86
86
89
90
93
97
98
99
101
106
112
7. El Diseo de Experimentos
7.1. Antecedentes
7.2. El Anlisis del Proceso
7.2.1. Hoja de Control: Construccin
7.3. El Control Estadstico del Proceso
7.3.1. La Distribucin Normal
7.3.2. Lmites de control y especificaciones. Exactitud y Precisin
7.4. La Capacidad del Proceso
7.5. Diseo de Experimentos: Taguchi
7.5.1. Introduccin
7.5.2. Objetivos
7.5.3. El Mtodo Taguchi
7.5.4. Beneficios
113
113
114
118
124
126
130
133
138
138
140
141
149
8. Caso Prctico
8.1. Introduccin
8.2. Antecedentes y Objetivo
8.3. Causas de la Variacin
8.4. Implantacin
8.4.1. Equipo de trabajo
8.4.2. Formacin
8.4.3. Implantacin VMEA
8.4.4. Implantacin DoE
8.5. Estudio de resultados y conclusiones
150
150
156
157
158
158
160
161
183
206
9. Beneficios
210
10. Bibliografa
212
11. Anexo: Formacin

11.1. VMEA
11.2. DoE
11.3. Tabla de la Normal
213
214
222
246
1.
MARCO DEL PROYECTO
Este proyecto forma parte de un proyecto europeo, que a su vez est dentro del marco
de un proyecto internacional en el que tienen una participacin muy fuerte Estados
Unidos y Japn. El europeo est integrado por 15 participantes de 6 pases, y suponen
una representacin diversificada de compaas,
universidades e institutos de
investigacin de la UE.
La Metodologa del Diseo Robusto para reducir la variacin es originaria de Japn y
ha sido aplicada ampliamente all y cada vez ms en Estados Unidos. En cambio en
Europa su uso es limitado, el mtodo tal y como se ha desarrollado en Japn y EEUU
no ha sido capaz de adaptase a las compaas europeas. Sera importante desarrollar una
metodologa mejorada que se adapte a las necesidades de los procesos de desarrollo del
producto europeo.
El objetivo entonces del proyecto es proveer a la industria europea con una
metodologa para reducir la sensibilidad a las variaciones en los productos y los
procesos. La meta es desarrollar nuevas herramientas innovadoras de la ingeniera de
diseo.
El esquema de trabajo de este proyecto, (ver Figura 1) se viene desarrollando desde
hace ao y medio y an le queda un ao para finalizar, de forma que mi participacin en
l est enfocada en una parte, concretamente en el estudio de la situacin actual en
Espaa del Diseo Robusto y la eleccin de una empresa para aplicar dichos
conocimientos y dos de sus herramientas ms comunes, VMEA y Diseo de
Experimentos.
Marco del Proyecto
Operadores
Material
Clientes
Modelo de desarrollo de Integracin

DOE
VMEA
Simulacin
y Tests
Equipos
Gestin de las
tolerancias
Nuevas herramientas
de anlisis
Entorno
Figura 1. Esquema de trabajo en el tiempo del proyecto europeo.
Marco del Proyecto
2.
ANTECEDENTES
En los ltimos aos la reduccin de la variabilidad de cualquier caracterstica de calidad

(longitud, peso, temperatura, concentracin, etc.), se ha convertido en la preocupacin
de los ingenieros de diseo, fabricacin y cualquier profesional de la calidad. Hay una
razn para ello: al cliente, tanto externo como interno, no le basta con que los valores de
un determinado parmetro del producto que recibe estn dentro de los lmites de
especificacin; el cliente exige uniformidad del producto, no unidades que varen de una
a otra aunque estn dentro de dichos lmites. Cuanto ms se aleja la caracterstica del
producto de los lmites inferior y superior de especificacin, mayor es la insatisfaccin
del cliente. Estamos refirindonos entonces a que al producto se le exige exactitud y
precisin.
Slo cuando la caracterstica de calidad alcanza su valor objetivo la insatisfaccin del
cliente es nula. Y slo entonces se puede hablar de Calidad Total.
Por otra parte, la indiferencia ante la variabilidad por parte de la empresa origina
desechos, reparaciones y reprocesados que son necesarios para mantener el producto
dentro de especificacin. Ambos factores: insatisfaccin del cliente y los costes
derivados de esos desechos y reprocesados, determinan un bajo valor de los productos
que es imprescindible mejorar.
Actualmente, los desafos que deben afrontar las compaas en un ambiente competitivo
son muchos:
El impulso para minimizar el tiempo de preparacin del producto hasta que sale
al mercado (TTM-Time to Market). Los ciclos de vida del producto se estn
acortando, llevando a la necesidad de lanzar productos ms rpidamente. Esto es
una verdad particular de los productos tecnolgicos.
La necesidad de robustez en los productos y los procesos, la habilidad de ser

capaz de hacer entrega de productos y procesos con un nivel de calidad Six
Sigma consistente.
El cliente no quiere ninguna variacin entre diferentes unidades del mismo

producto. As que es importante producir productos que siempre cumplan con
las caractersticas especificadas. Esto ser un problema siempre que al producto
Antecedentes
le afecten las fuentes de variacin, a las que nos referiremos como ruido o
factores de ruido (NFs, Noise Factors), y que pueden causar variaciones en las
caractersticas.
Estos desafos requieren algunas iniciativas tecnolgicas, sociales y de gestin para

dirigirlos.
Por el momento disponemos de la metodologa del Six Sigma y de la Metodologa del
Diseo Robusto (RDM, Robust Design Methodology), la diferencia entre ellas es que la
primera hasta ahora se ha centrado principalmente en minimizar la variacin en la
produccin, y la segunda est principalmente enfocada en minimizar la variacin
durante el diseo de los productos y los procesos. Sin embargo un
concepto
relativamente nuevo relacionado con la Six Sigma, llamado Diseo para la Six sigma
(DFSS), ha aparecido y guarda una gran semejanza con la Metodologa de Diseo
Robusto. La Six Sigma se usa para reaccionar ante eventos no deseados y solucionarlos,
mientras que el DFSS se usa para prevenir eventos no deseados. Lo que ocurre es que es
un concepto nuevo y an falta por desarrollarlo, sobre todo es conceptual. Es por eso
que el Diseo Robusto se debe realizar siempre desde un marco de trabajo como el de la
Six Sigma.
Por otro lado, hay dos estrategias bsicas para controlar el efecto de los factores de
ruido. El primero es controlar los factores de ruido, y el segundo es crear un diseo
robusto en el que los factores de ruido no tengan efecto sobre el funcionamiento. Un
fundamento para usar la segunda estrategia ms que la primera es que los factores de
ruido algunas veces son imposibles de controlar o resulta demasiado caro. Una
herramienta de la que disponemos para lograr esta insensibilidad ante las variaciones es
el Anlisis Modal de variaciones y Efectos (VMEA, Variation Mode and Effects
Analysis). Bsicamente consiste en que las Caractersticas Clave del Producto (KPCs,
Key Product Characteristics) y las Sub-Caractersticas Clave (Sub-KPCs) son elegidas
por los expertos en ingeniera, tambin son definidos los factores de ruido o fuentes de
variacin, adems del tamao de su variacin. Para cada Sub-KPC se calcula un Valor
de la Prioridad del Riesgo de la Variacin (VRPN) y de ah se deducir la Sub-KPC
ms importante o crtica del proceso en cuestin.
Antecedentes
Finalmente, en orden a descubrir la influencia de las variaciones de los parmetros de

entrada en la respuesta, es necesario combinar tcnicas de simulacin con mtodos
estadsticos. Un planteamiento es usar mtodos clsicos como el Diseo de
Experimentos (DoE, Design of Experiments) como diseo factorial en asociacin con
tcnicas de simulacin para evaluar la influencia de diferentes parmetros de entrada en
los resultados de la simulacin. Primero, los parmetros de entrada crticos y los
parmetros de salida ms relevantes son identificados con el VMEA, despus de esto,
el enfoque del DoE propondr un nmero de experimentos que necesitarn ser
evaluados. Por lo general se combinan valores altos y bajos para los parmetros de
entrada por razones prcticas: los parmetros de entrada normalmente no pueden ser
controlados con mucha precisin, pero s se pueden ajustar el valor ms alto y ms bajo.
Como los parmetros de salida estn relacionados con los parmetros de entrada,
despus de realizar las pruebas, estudiando los resultados se tratar de disear el
proceso a travs de la eleccin de las variables de entrada que den los mejores datos de
salida, o lo que es lo mismo, el producto ms robusto y uniforme y que se ajuste mejor a
las especificaciones de calidad.
Antecedentes
3.
OBJETIVO
La variacin es comn en todos los procesos de fabricacin y en todos los ambientes de

trabajo. Gestionar la variacin es el principio fundamental que respalda la filosofa Six
Sigma, y que a su vez es el marco de trabajo del que parte el Diseo Robusto.
El Diseo Robusto es un Metodologa (RDM, Robust Design Methodology)
encaminada a encontrar la mejor combinacin posible de los parmetros de diseo,
haciendo el funcionamiento del producto (entindase las caractersticas clave del
producto, KPCs) tan insensible como sea posible a la accin de los factores de ruido,
NFs. En este contexto, el VMEA permite a los ingenieros centrarse en los NFs, sus
magnitudes y traspasarlas a las KPCs por una secuencia de sensibilidades
interrelacionadas.
Esto facilitar una planificacin experimental para el diseo robusto, como es el caso
del uso del Diseo de Experimentos, que nos llevar a poder disear el proceso que d
el producto ptimo, exacto y preciso.
Resumiendo, el propsito de este proyecto es desarrollar una metodologa del diseo
robusto a travs del uso de herramientas como el VMEA y el DoE, con la idea de
disear un proceso que nos lleve hacia un producto robusto, insensible ante las
variaciones de los parmetros de entrada, y conseguir la uniformidad de ste dentro de
una misma partida. Como consecuencia tendremos:
La satisfaccin del cliente.
La reduccin de costes por reparaciones, desechos y reprocesados de los
productos defectuosos.
Para ello, antes de implantar ninguna metodologa, presento un estudio sobre la
situacin actual en Espaa del Diseo Robusto.
Objetivo
4.
LA METODOLOGA DEL DISEO ROBUSTO
4.1
La Variacin en la Industria
Desde siempre, la sensibilidad de los procesos y los productos a la variacin ha causado

grandes gastos en la industria y en la sociedad, un estudio muestra que los costes
debidos a la variacin y a las deficiencias en la calidad suponen una prdida en las
ventas totales de un 20-30 %.
En la industria una variacin no deseada es un problema serio. De esto ya se dio cuenta
Walter A. Shewhart en los aos treinta, pero todava hoy es una realidad como queda
reflejado en la cantidad de ahorros que hacen numerosos programas de reduccin de la
variacin. En estos programas, siempre llevados a cabo bajo la direccin de las Six
Sigma, se ahorran billones de dlares al ao, adems de una mejora de la fiabilidad y un
aumento de la satisfaccin del cliente. Aunque tradicionalmente el principal enfoque de
estos programas ha sido la reduccin de la variacin en la fabricacin, en los ltimos
aos se ha observado un creciente inters en gestionar la variacin en fases ms
tempranas del desarrollo del producto. Para lograr esto con xito, los factores de ruido
deberan ser identificados y examinados en trminos de sus impactos en las
caractersticas principales del producto.
Una identificacin sistemtica de los factores de ruido juega un papel crtico en el
diseo de productos robustos. Para facilitar los procesos e identificacin y valoracin,
se requiere un mtodo estructurado. A pesar del hecho de que hay un nmero de
mtodos sistemticos, incluyendo el Anlisis del Modo de Fallo y Efecto (FMEA),
Anlisis del rbol de Fallo (FTA), y el Desarrollo hacia abajo de las Caracterstica
Clave (KFC) usados en diferentes industrias, todos tienen sus limitaciones cuando se
trata de gestionar la variacin no deseada en el desarrollo de un producto robusto. Por
ejemplo, lo que ocurre con el Anlisis Modal de Fallos y Efecto (FMEA, Failure Mode
and Effects Analysis) tiene un efecto limitado, donde se estudia un tipo de variacin
especfico, el fallo de una parte o de un componente. El Diseo Robusto toma la
filosofa bsica del FMEA y la transforma radicalmente a travs del desarrollo del
Anlisis Modal de Variaciones y Efectos (VMEA, Variation Mode and Effects
Anlisis). Este investigar cmo las fuentes de variacin hacen impacto sobre la
robustez de los productos y los procesos. Se desarrolla una metodologa y se comprueba
y experimenta con ella, y como consecuencia se usar el VMEA como herramienta de
La Metodologa del Diseo Robusto
trabajo que puede ser aplicada ampliamente en la industria para mejorar su

productividad.
4.2
Definicin de Diseo Robusto
Taguchi llama ruido a cualquier cosa que causa que una caracterstica de la calidad se
desve de su objetivo, el cual a su vez causa una prdida de la calidad. Ruido es
variabilidad.
Factores de ruido son los factores que causan variaciones, son generalmente
incontrolables. Ej. La temperatura, altura, nivel de combustible, son considerados
factores externos de ruido porque ocurren fuera del producto; partes crticas de la
maquinaria que se deterioran, y la variabilidad pieza a pieza en los componentes
fabricados de un coche.
Un buen diseo es aquel que traslada completamente y con xito las
especificaciones y necesidades del cliente a las caractersticas de funcionamiento del
producto o proceso. En este sentido, un buen ingeniero de diseo debera ser capaz de
desarrollar el traslado de caractersticas comentado y de hacer cumplir con su funcin al
producto/ proceso segn las necesidades del cliente, a pesar del ruido esperado.
Un artculo con buena calidad es aquel que realiza sus funciones intencionales sin
variabilidad, y causa pequeas prdidas a travs de los defectos de tipo dainos, incluso
el costo de usarlo. Si el control de costo se preocupa por reducir las diferencias antes de
que el producto sea enviado, el control de calidad se preocupa por reducir los dos tipos
de prdidas que puede causar a la sociedad despus de que se enva.
El modo ms efectivo de evitar los efectos perjudiciales de la variacin y su
habilidad para afectar a las expectativas de los clientes, es disear productos y procesos
de forma que disminuya la sensibilidad de stos productos a la variacin y sin incurrir
en gastos extra. La Metodologa del Diseo Robusto (RDM, Robust Design
Methodology) es una forma de hacerlo.
El Diseo Robusto es la sostenibilidad de las salidas (Ys) a travs del control basado en
las variaciones (Xs).
Con objeto de utilizar el RDM de una manera ms efectiva para lograr esta meta,
es importante conocer las fuentes de variacin de importancia para la satisfaccin y la
insatisfaccin del cliente.
El Diseo Robusto tiene dos dimensiones:

1) Comprender las necesidades del cliente y lo que espera.
2) Conocimiento del riesgo que se corre cuando se toman ciertas decisiones
(elemento de compensacin entre la calidad y los costes). Brevemente, esto
consiste en lograr los objetivos de calidad fijados teniendo en cuenta los costes
admisibles.
La influencia de las fuentes de variacin en las caractersticas del producto puede

ser minimizada por dos estrategias principales. La primera es eliminar las fuentes de
variacin. Sin embargo, esto es a menudo caro y algunas veces imposible, porque puede
que se desconozcan las fuentes de variacin o sean incontrolables. La segunda estrategia
es disear productos insensibles a la variacin. La ltima estrategia es el principio
subyacente del RDM. Esta metodologa es un marco de trabajo para el diseo del
producto y el proceso ms que un mtodo especfico. El marco est basado en la
conciencia de la variacin y la importancia de disear productos y procesos que sean
insensibles a la variacin.
Un diagrama en bloque facilita la comprensin del diseo robusto como concepto, ver
Figura 2. El diagrama de bloque muestra factores que afectan a un producto y a menudo
se refieren al diagrama-P. El diagrama modela el producto como una caja afectada por
tres tipos de parmetros (o factores): factores de seal, factores de ruido y factores de
control. Estos factores afectan a la respuesta del producto, i.e. cmo el producto lleva a
cabo su funcin deseada. Dos tipos de factores en la Figura 2 son controlables: factores
de seal, fijados por el usuario a un nivel que corresponda con la respuesta deseada, y
factores de control que son fijados por el diseador. Los factores de ruido, por otro lado,
son incontrolables en condiciones naturales de uso.
10
Factores de ruido
Producto
O
Proceso
Factores de seal
Respuesta
Factores de control
Figura 2. Diagrama-P, de Phadke (1989)
La categorizacin de los factores de ruido es comn en la literatura del RDM. Las

categoras propuestas por varios autores son bastante similares; los factores de ruido se
dividen en tres grupos: variaciones en las condiciones de uso, variacin en la
produccin y deterioro. Ejemplos de variaciones en las condiciones de uso pueden ser
la temperatura, la presin del aire o la humedad del aire; la variacin de la produccin
puede ser ilustrada por el cambio de los operadores o variaciones en los materiales de
entrada; y el deterioro por el uso o envejecimiento del material.
Taguchi describe dos formas de controlar la variacin, llamadas on-line y off-line. Los
esfuerzos On-Line se refieren a una medida contra los factores de ruido aplicada en la
produccin y fabricacin de productos, Ej. Desechar productos que varan demasiado en
trminos de sus caractersticas. Por otro lado los esfuerzos Off-Line se aplican durante
el diseo de los productos y los procesos. En la tabla se refieren estos diferentes tipos de
esfuerzos a su utilidad como medidas contra las tres categoras de factores de ruido
antes mencionados. Aunque los esfuerzos on-line y off-line son complementarios, las
medidas off-line son preferibles porque permiten conseguir la robustez para todo tipo de
categoras de factores de ruido, como se muestra en la Tabla 1.
11
Categoras de Ruido
Off-Line
On-Line
Variaciones
Variaciones en las Deterioro
en la
condiciones de
Produccin
uso
Diseo de Producto
Diseo de Procesos
Produccin
Tabla 1. Categora de Factores de Ruido

En trminos de los factores discutidos, el propsito del diseo robusto es hacer las
respuestas insensibles a los factores de ruido seleccionando unos niveles apropiados de
los factores de control. De ah que la conciencia y el conocimiento de los factores de
ruido que afectan al producto sean tan importantes cuando se desarrollan productos
robustos.
12
4.3
Marco Histrico del Diseo Robusto
La Metodologa del Diseo Robusto (RDM) est logrando una atencin creciente.
Genichi Taguchi desarroll inicialmente el RDM en Japn en los aos cincuenta,
basndose en las ideas del Diseo de Experimento y en una nueva percepcin de que la
Variacin es una variable de respuesta al menos tan importante o incluso ms que la
Media. Las primeras aplicaciones aparecieron en la industria estadounidense a
principios de los ochenta, donde con el tiempo se integr en las principales corrientes
estadsticas usadas en la industria. Este proceso de integracin est en curso y
recientemente est siendo objeto de una amplia atencin debido a los programas de
mejora usados en la industria, como la Six Sigma y el Diseo para la Six Sigma. Ha
llegado a ser ms y ms claro para los lderes de la industria el hecho de que la robustez
tiene que ser introducida en una fase temprana del los procesos de desarrollo del
producto. Un marco de trabajo para el Diseo Robusto generalmente reconocido es el
que desarrollaron Clausing y Cohen (2000), llamado Ingeniera de Sistemas
Comerciales (Comercial Systems Engineering). Este identifica 3 fases en el desarrollo
del
sistema:
Requisito,
Concepto,
Mejora
(RCI-
Requirement,
Concept,
Improvement).
El enfoque de Taguchi est en el diseo del sistema, el diseo de parmetros y el diseo
de tolerancias, que se relacionan ante todo con el aspecto de la Mejora del RCI.
Han habido algunos trabajos tericos en la aplicacin del RDM a los aspectos del
Requisito y el Concepto del RCI, sin embargo los procesos de desarrollo de la
industria actual estn an muy verdes. Hay una necesidad de investigacin emprica y
de desarrollo para superar las aparentes dificultades para la industria a la hora de
asimilar estas ideas.
Adems de Taguchi, Phadke, Kackar , Box y Jones han contribuido de forma
significativa a establecer el RDM como una metodologa para mejorar la calidad del
producto y el proceso. Como argumentaron Nair, Fowlkes y Creveling, el RDM es un
marco de trabajo ms que un mtodo especfico. Este marco est basado en la
conciencia de la variacin y la importancia de disear productos y procesos insensibles
a la variacin.
13
En la tradicin europea, esta nueva percepcin ha tenido problemas a la hora de

penetrar en los procedimientos de operacin de las compaas europeas. Algunas
razones posibles son:
Nunca estuvieron en la agenda de trabajo de los ingenieros de desarrollo,

dejando sto como algo para el especialista.
Sndrome del no inventado aqu, algo para los japoneses.
Fue pensado para ser demasiado matemtico y enfocado en parmetros limitados

que pierden la visin total.
La naturaleza de los mtodos es probablemente una de las razones por la que son ms
aceptados en la cultura industrial japonesa, ms estructurada, y por qu son ms
desatendidos en Europa.
Otro ejemplo de la insuficiente cobertura de la Metodologa del Diseo Robusto para el
proceso de desarrollo es la ausencia de herramientas prcticas simples para analizar un
nuevo producto en sus fases tempranas de desarrollo. Se podr hacer un anlisis con
nuestro mtodo propuesto en este documento, el Anlisis Modal de variaciones y Efecto
(VMEA).
14
4.4
Objetivo del Diseo Robusto

La robustez se evala en las compaas de forma interna de acuerdo con el nivel de
calidad fijado como meta y con el objetivo fijado, la sostenibilidad de la calidad y la

estrategia de la compaa. Ms an, tambin es evaluada externamente segn la
reduccin de los costes.
Como venamos diciendo, supone un marco de trabajo para mejorar la calidad del
producto y el proceso ante la variacin. El propsito del Diseo Robusto es asegurar
que el producto cumple con su funcin requerida de forma consistente, a pesar de las
distintas formas de uso y de la variabilidad.
Como resultado de la aplicacin de esta metodologa se pretende conseguir una
disminucin de costes del desarrollo del producto, un aumento de la productividad,
fiabilidad y satisfaccin del cliente, y por lo tanto un aumento de la competitividad.
Para una compaa supondr: xito a largo plazo de la organizacin por una
satisfaccin continua y equilibrada de las necesidades y expectativas de todos los
grupos (clientes, sociedades y alianzas, y toda la cadena desde lo ms alto hasta los
operarios), todo ello gracias a una alta calidad y tecnologa basada en la innovacin.
VMEA
DoE
INSENSI
BILIDAD
15
4.5
Situacin actual del RDM
4.5.1
Encuesta del RDM
El RDM ha sido discutido ampliamente y han sido presentadas varias aplicaciones

industriales de la metodologa. Esto quiz se dirija a la idea de que el RDM se usa
frecuentemente en la industria. Sin embargo, los estudios del uso industrial o los
conocimientos del RDM revelan que las aplicaciones prcticas son relativamente raras.
Los resultados de un estudio de la aplicacin de las herramientas de desarrollo del
producto en Reino Unido mostraron que slo el 18% de las compaas usan el RDM.
Un estudio similar en Estados Unidos mostr que el nivel de uso del RDM es del 38%
en las compaas comerciales.
Este informe explora el estado actual del RDM considerando la extensin de su uso
en Espaa, y luego se engloba con otros cinco pases europeos: Alemania, Irlanda,
Holanda, Espaa y Suecia. El informe est basado en un estudio dirigido a tpicos
como: conciencia industrial de la variacin, uso y conocimiento del RDM y mtodos de
soporte, y finalmente, factores que afectan el uso del RDM.
El estudio comienza con una seccin que introduce el mtodo usado en recoger los
datos. En la seccin posterior se presentan los resultados de la encuesta. En un primer
bloque los resultados obtenidos en Espaa, y seguidamente los junto con los del resto de
Europa para tener una visin ms global. La parte principal de los resultados de la
investigacin se representa grficamente, centrndose en los datos empricos ms que en
anlisis tericos. El captulo concluye con un pequeo informe de los resultados.
16
4.5.2
Mtodo
Este informe est basado en una encuesta llevada a cabo como parte de un paquete de
trabajo del proyecto europeo en el que est enmarcado mi proyecto; ms concretamente
como parte de la tarea :Estado del diseo robusto. La encuesta ha sido llevada a cabo
en Alemania, Irlanda, Holanda, Espaa y por la Universidad Tecnolgica de Chalmers
en Suecia. Se us un esquema de entrevista idntico en todos los pases, en total el
informe contiene 226 compaas, principalmente compaas manufactureras, y la
persona encuestada el encargado de desarrollo del producto. Si una persona con este
cargo no era accesible, entonces nos dirigamos al jefe de calidad. El nmero de
respuestas de los cinco pases se muestra en la Tabla 2.
Pas
Respuestas
Holanda
30
Alemania
12
Irlanda
42
Espaa
55
Suecia
87
Total
226
.
Tabla 2. Sumario de las respuestas
Como se indic en el apartado anterior, el informe cubre las siguientes reas; conciencia
de la variacin, conocimiento y uso del RDM y mtodos de soporte, y finalmente,
factores que afectan al uso del RDM. El orden de aparicin de estas reas en el
cuestionario se ilustra en la Figura 3 de abajo.
17
Informacin base
Visin del papel de la variacin
Familiaridad con el RDM
Uso de mtodos
adecuados en el
marco del RDM
Uso de mtodos
adecuados en el marco
del RDM
Factores que afectan al
uso del RDM
Figura 3. Esquema del cuestionario

Como se ve en la Figura 3 hay dos rutas principales en el cuestionario, el factor decisivo
depender de si la persona que responde el cuestionario est familiarizada o no con el
RDM. Ms an, la razn para incluir una seccin sobre la conciencia de la variacin es
porque se trata de un importante prerrequisito para comprender y aplicar el RDM.
18
4.5.3
Estado del RDM en Espaa
4.5.3.1 Introduccin
El propsito de esta encuesta y, por consiguiente, del estudio que aqu presento es saber
ms sobre el uso actual del Diseo Robusto y los mtodos de calidad aplicados en los
procesos de desarrollo del producto por las industrias manufactureras en Espaa.
La encuesta fue enviada por e-mail en una primera fase a 121 empresas de diferentes
tipos y que operaban en distintos sectores como el del automvil, aeronutica, metal y
sector mecnico. En la segunda fase, 83 de las 121 compaas fueron contactadas por
telfono. Las entrevistas tuvieron un gran nivel de respuesta, 53 compaas (un 64% de
las compaas) aceptaron ser entrevistadas y recibir una copia de los resultados. El 26%
de las que no tomaron parte en el estudio fue debido a que el responsable de calidad no
estaba disponible en ese perodo de tiempo o porque no estaba interesado en participar.
Las 53 compaas que participaron son fabricantes de distintos tamaos y regiones de
Espaa: Madrid, Catalua, Pas Vasco, Cantabria, Galicia, Navarra, Comunidad
Valenciana, Castilla Len y Andaluca, de forma que todas ellas suponen una
representacin de todos los sectores.
Para la evaluacin de la encuesta he anotado los datos obtenidos en la encuesta
telefnica, y he analizado cada cuestin usando un grfico circular, aparte de algunos
comentarios sobre los mismos. Al final tambin se presentan las conclusiones
principales.
19
4.5.3.2 Resultados de la encuesta
0. Certificacin de la compaa en un sistema de gestin de la calidad como la ISO

9000 o similar.
El 92 % de las compaas entrevistadas estn certificadas en un sistema de gestin de la
calidad. Sin embargo, debo sealar que el 75 % de las que no estn an certificadas,
tiene intenciones de hacerlo. El 90% de las certificaciones son de la ISO 9000.
8%
S
92%
1. Diferencias entre muestras del mismo producto.
Grandes
diferncias
No
Nmero de
compaas: (53)
18
15
El 36% de las compaas no ve diferencias significativas entre muestras de un mismo

producto, el 64% s las ve. Sin embargo, el 13% de los encuestados considera que las
muestras de un mismo producto se diferencian bastante en ciertas caractersticas.
13%
36%
8%
15%
28%
20
2. La importancia de que todas las muestras del producto tengan caractersticas

idnticas.
No imp.
Nmero de
compaas: (53)
Muy imp.
35
El 91% de las compaas considera importante el hecho de que todos los productos
tengan caractersticas idnticas. El 73% lo considera muy importante y slo el 9%
afirma que no es muy importante debido a la naturaleza de sus trabajos.
9%
0%
9%
13%
69%
3. El conocimiento de las causas de las diferencias en las caractersticas..
Buen
Conocimiento
No
Nmero de
compaas: (53)
20
23
El 98% de las compaas afirma saber las causas de estas diferencias entre las muestras.
Slo el 2% no lo sabe. Adems, la mayora de las compaas que afirman saberlo,
consideran que tienen buen conocimiento o muy bien conocimiento del problema.
21
2%
2%
17%
41%
38%
4. Trabajar activamente para asegurar la conformidad entre muestras.
Nada
Nmero de
compaas: (53)
Bastante
11
16
20
El 98% de las compaas trabaja activamente para asegurar la conformidad entre las
muestras, solo el 2% no lo hace. El 68% asegura que adems lo hace con mucho
empeo.
38%
2% 9%
21%
30%
5. Cmo trabaja la compaa para lograr la conformidad.

a. Separa los productos que no cumplen las especificaciones y los rechaza.
b. b. Diseamos productos que hagan sus caractersticas insensibles a la lnea de
fabricacin o a las condiciones de los usuarios.
Afirmacin
Nmero de
compaas: (53)
32
25
22
El 66% de las compaas separa los productos para encontrar aquellos que no cumplen las
especificaciones y as rechazarlos, o disea los productos de forma que las caractersticas del
producto sean insensibles a la fabricacin o a las condiciones de los usuarios. El 21% usa una
combinacin de ambos y el 13% usa otra forma de trabajar para lograr la conformidad.
13%
40%
21%
26%
6. Metodologa del Diseo Robusto
No
Nmero de
compaas: (53)
Bastante
35
Segn el nmero de respuestas, el 64% de las compaas nunca ha odo hablar del
RDM. Slo un 17% lo ha hecho. El resto han odo hablar pero no saben muy bien lo que
es.
8% 9%
8%
11%
64%
7. La aplicacin del RDM en la compaa.
No
Nmero de
compaas: (18)
Bastante
23
De las 53 compaas, slo 18 conocan el RDM, un 34%, y a ellas se les pregunt sobre
su aplicacin. De stas, solo el 38% lo aplican con gran extensin. El 23% lo usa
ocasionalmente, y el 39% afirma que nunca lo ha aplicado.
0%
0%
9%
9%
18%
64%
8a. Mtodos que usan las compaas usuarias del RDM para conseguir que sus
productos sean insensibles ante la variacin.
Ocasionalmente
a. SPC (Proceso
estadastico)
de
Nmero de
Sin
compaas:
uso
11
control
Regularmente
Todas las compaas que han odo hablar del mtodo del Diseo Robusto han
hecho algn uso del SPC. El 64% de las empresas lo usan regularmente.
0% 9% 9%
64%
18%
24
Ocasionalmente
Nmero de
Sin
compaas:
uso
11
b. DoE (Diseo de Experimentos)
Regularmente
El 18% de las empresas usan el DOE regularmente, el 9% lo usa algunas veces y el 18%
nunca lo ha usado. Este parece ser el menos popular entre las compaas que usan SPC.
18%
18%
9%
9%
28%
18%
Ocasionalmente
c. Herramientas de
(Producto o proceso)
simulacin
Nmero de
Sin
compaas:
uso
11
Regularmente
El 27% de las empresas usan herramientas de simulacin (tanto para productos como
para procesos) regularmente, ninguna lo usa ocasionalmente y el 28% nunca usa este
mtodo.
27%
28%
0%
27%
0%
18%
25
Ocasionalmente
c. Herramientas de
simulacin
Nmero de
Sin
compaas:
uso
11
Regularmente
Casi todas las compaas conocen y usan este mtodo y la mayora lo aplica
regularmente. El 55% declara usar el DFMEA regularmente.
9%0%
9%
0%
55%
27%
Ocasionalmente
e. PFMEA (Proceso a prueba de

fallos y anlisis de efectos).
Nmero de
Sin
compaas:
uso
11
Regularmente
El 73% de las compaas usan el proceso de modo de fallos y anlisis de efecto

regularmente y ninguna de ellas lo usa regularmente.
0% 9% 0%
18%
73%
26
Ocasionalmente
Nmero de
Sin
compaas:
uso
11
f. Estudios de capacidad (Proceso

de capacidad)
Regularmente
La mayora de las empresas usan los estudios de capacidad (proceso de capacidad). Un

55% usan habitualmente este mtodo. Ninguna de ellas lo usa ocasionalmente y el 9%
nunca usa este mtodo.
9% 0%
9%
55%
27%
Ocasionalmente
g.
DFM/DFA
(Diseo
Manufacturacin/ensamblaje)
Nmero de
Sin
compaas:
uso
11
de
Regularmente
El 46% de las empresas regularmente usan el diseo para manufactura/ensamblaje,

ninguna de ellas lo utiliza ocasionalmente y el 36% nunca usa este mtodo.
36%
46%
0%
9%
0%
9%
27
Ocasionalmente
Nmero de
Sin
compaas:
uso
11
h. Mtodos Taguchi(Una versin

de DOE)
Regularmente
El 27% de las empresas regularmente usa los mtodos Taguchi (una versin del DOE),
ninguna de ellas lo usa ocasionalmente y el 28% nunca lo ha usado.
27%
28%
0%
9%
9%
27%
Ocasionalmente
Nmero de
Sin
compaas:
uso
11
j. FTA (Anlisis de rbol de fallos)
Regularmente
El 37% de las empresas usan regularmente el Anlisis del rbol de fallos (FTA),
ninguna de ellas lo usa ocasionalmente y el 18% nunca usa este mtodo.
18%
37%
0%
18%
18%
9%
28
Nota: Las compaas entrevistadas no usan otros mtodos para insensibilizar sus
productos ante la variacin, y slo aplican los anteriores.
8b. Mtodos usados por las compaas (que no utilizan el Diseo Robusto) para
hacer los productos menos sensibles a la variacin.
Ocasionalmente
a. SPC (Proceso
estadstico)
de
Nmero de
Sin
compaas:
uso
42
control
Regularmente
16
Un 37% de las compaas encuestadas usan el proceso de control estadstico

(SPC), el 10% lo usa ocasionalmente y el 5% nunca usa este mtodo.
5%
10%
37%
10%
21%
17%
Ocasionalmente
Nmero de
Sin
compaas:
uso
42
17
Regularmente
El 12% de las compaas regularmente usan el Diseo de Experimentos (DOE),

el 19% lo usan ocasionalmente y el 40% nunca usa este mtodo.
29
7% 12%
40%
10%
12%
19%
Ocasionalmente
c.
Herramientas
de
simulacin
Nmero de
Sin
compaas:
uso
42
16
Regularmente
10
El 24% de las empresas usan regularmente las herramientas de simulacin (para

productos o procesos), el 14% lo usa ocasionalmente y el 38% nunca usa este mtodo.
24%
38%
10%
7% 7%
14%
Ocasionalmente
Nmero de
Sin
Regularmente
15
compaas: uso
d. Herramientas de
simulacin
42
15
El 36% de las empresas regularmente usan el diseo a prueba de fallos y anlisis de

efectos, solo el 2% lo hace ocasionalmente y el 36% nunca usa este mtodo.
36%
36%
14%
2%
0%
12%
30
Ocasionalmente
Nmero de
Sin
Regularmente
19
compaas: uso
42
Un 45% de las compaas regularmente usa el proceso a modo de fallos y anlisis de

efectos, el 12% ocasionalmente y el 14% nunca lo usa.
14%
12%
45%
0%
17%
12%
Ocasionalmente
Nmero de
Sin
Regularmente
10
19
compaas: uso
de capacidad)
42
El 45% de las empresas usan regularmente los estudios de capacidad (capacidad del
proceso), el 7% lo hace ocasionalmente y el 10% nunca usa este mtodo.
10% 7%
7%
45%
7%
24%
31
Ocasionalmente
g.
DFM/DFA
(Diseo
Nmero de
Sin
compaas:
uso
42
16
de
Regularmente
El 21% de las empresas regularmente usan el diseo para manufacturacin/ensamblaje,

el 7% lo hacen ocasionalmente y el 39% nunca usa este mtodo.
21%
39%
19%
12%
7%
2%
Ocasionalmente
Nmero de
Sin
compaas:
uso
42
25
h. Mtodos Taguchi(Una versin

de DOE)
Regularmente
Un 5% de las compaas regularmente usan los mtodos Taguchi (una versin del
DOE), el 12% lo hacen ocasionalmente y el 59% nunca usa este mtodo. Parece ser el
ms impopular de todos.
5%
7%
5%
12%
12%
59%
32
Ocasionalmente
Nmero de
Sin
Regularmente
compaas: uso
j. FTA (Anlisis de rbol de fallos)
42
15
El 14% de las compaas regularmente usan el Anlisis del rbol de fallos

(FTA), el 10% lo hace ocasionalmente y el 35% nunca usa este mtodo.
14%
35%
19%
17%
10%
5%
8c. Por lo tanto, considerando a todas las compaas entrevistadas, los resultados
segn los mtodos son los siguientes:
Ocasionalmente
Nmero de
Sin
Regularmente
10
23
compaas: uso
a. SPC (Proceso
estadstico)
de
control
53
El 43% de las empresas regularmente usan el proceso de control estadstico

(SPC), un 8% lo usa ocasionalmente y el 4% nunca usa este mtodo.
4% 8%
43%
9%
19%
17%
33
Ocasionalmente
Nmero de
Sin
compaas:
uso
53
19
Regularmente
El 13% de las empresas usan normalmente el diseo de experimentos (DOE), un 17% lo

hace ocasionalmente y el 37% nunca usa este mtodo.
13%
37%
11%
11%
17%
11%
Ocasionalmente
c. Herramientas de
simulacin
Nmero de
Sin
compaas:
uso
53
19
Regularmente
13
El 25% de las compaas encuestadas usan habitualmente herramientas de simulacin

(para productos o procesos), el 11% lo hace ocasionalmente y el 36% nunca usa este
mtodo.
25%
36%
13%
9%
6%
11%
34
Ocasionalmente
Nmero de
Sin
Regularmente
24
compaas: uso
d. PFMEA (Proceso a prueba de
53
16
El 46% de las compaas regularmente usan en mtodo de prueba de fallos y anlisis de

efectos (DFMEA), slo un 2% lo usa ocasionalmente y el 30% nunca usa este mtodo.
30%
46%
2%
13%
0%
9%
Ocasionalmente

Nmero de
Sin
compaas:
uso
53
Regularmente
27
Un 52% de las compaas regularmente usan el mtodo a prueba de fallos y anlisis de

efectos (PFMEA), un 9% lo hace ocasionalmente y el 11% nunca usa este mtodo.
11%
9%
2%
52%
13%
13%
35
Ocasionalmente

de capacidad)
Nmero de
Sin
compaas:
uso
53
Regularmente
13
25
Un 46% de las compaas regularmente usan los estudios de capacidad (proceso de

capacidad), un 6% lo hace ocasionalmente y el 9% nunca usa este mtodo.
6%
9%
6%
46%
8%
25%
Ocasionalmente
g.
DFM/DFA
(Diseo
de
Nmero de
Sin
compaas:
uso
53
20
Regularmente
14
El 26% de las empresas usan regularmente el diseo de manufactura/ensamblaje, un 6%

lo hace ocasionalmente y el 3% nunca usa este mtodo.
26%
17%
38%
11%
6%
2%
36
Ocasionalmente
Nmero de
Sin
compaas:
uso
53
28
h. Mtodos Taguchi(Una version

de DOE)
Regularmente
El 9% de las empresas normalmente usan los mtodos Taguchi (una versin del DOE),
el 9% lo hace ocasionalmente y el 54% nunca usa este mtodo.
6%
9%
11%
11%
54%
9%
Ocasionalmente
Nmero de
Sin
compaas:
uso
53
17
j. FTA (Anlisis del rbol de fallos)
Regularmente
10
10
El 19% de las empresas regularmente usan el Anlisis del rbol de fallos (FTA),
el 8% lo hace ocasionalmente y el 31% nunca lo usa.
19%
31%
19%
15%
8%
8%
Nota: En trminos generales, las compaas no usan otros mtodos que les ayuden a
hacer sus productos menos sensibles a la variacin, y solo aplican los mtodos
anteriores.
37
9a. La opinin de las compaas sobre el uso del Diseo Robusto.
Totalmente
en desacuerdo
a. Usar
el Diseo Robusto
incrementa la competitividad de la
empresa.
Totalmente
de acuerdo
Nmero de
compaas
11
Un 73% de las empresas estn totalmente de acuerdo en que el uso del Diseo
Robusto mejora la competitividad de una compaa, el 9% no lo cree en absoluto.
9%
0%
9%
9%
73%
Totalmente
en desacuerdo
Nmero de
compaas
11
b. Usar el Diseo Robusto mejora la
satisfaccin del cliente.
Totalmente
de acuerdo
Un 64% de las empresas esta totalmente de acuerdo en que el uso del Diseo
Robusto acrecienta la satisfaccin del cliente. Ninguna esta en desacuerdo con esto.
0%
0%
18%
64%
18%
38
Totamente
en desacuerdo
Totalmente
de acuerdo
Nmero de
compaas
11
c. Usar el Diseo Robusto disminuye

el coste de desarrollo del producto.
El 46% de las empresas estn totalmente de acuerdo en que el uso del Diseo
Robusto minora el coste de desarrollo de productos. Ninguna est en desacuerdo
con esto.
0% 9%
46%
18%
27%
Totamente
en desacuerdo
Totalmente
de acuerdo
Nmero de
compaas
11
10
d. El apoyo administrativo es un
importante requisito para el uso del
Diseo Robusto.
El 91% de las empresas estn totalmente de acuerdo en que el apoyo

administrativo es un importante factor para el xito del Diseo Robusto. Ninguno est
en desacuerdo con esto.
0% 9%
91%
39
Totamente
en desacuerdo
Totalmente
de acuerdo
Nmero de
compaas
11
e. Para tener xito con el Diseo

Robusto es importante que la
metodologa sea incorporada en el
proceso de desarrollo del producto.
El 82 % de las compaas estn totalmente de acuerdo que para tener xito en el Diseo
Robusto, es importante que la metodologa sea incorporada en el proceso de desarrollo
del producto. Ninguna de las companas estn en desacuerdo.
0%
18%
82%
Totamente
en desacuerdo
Totalmente
de acuerdo
Nmero de
compaas
11
f. Las quejas de los clientes,

devoluciones y feedback son
importantes razones para aplicar el
Diseo Robusto.
El 64% de las compaas estn totalmente de acuerdo en que las quejas del cliente,
devoluciones y feedback son importantes razones para aplicar el Diseo Robusto, el 9%
de las compaas no estn de acuerdo.
9%
0%
9%
64%
18%
40
Totamente
en desacuerdo
Totalmente
de acuerdo
Nmero de
compaas
11
10
g. Es importante que alguien que

tenga conocimientos del Diseo
Robusto sea el responsable de la
implementacin y uso de este
mtodo.
El 91% de las compaas estn totalmente de acuerdo en que es importante que el

conocimiento de alguien en el diseo Robusto sea el responsable de llevar la
implementacin y el uso de esta metodologa. Como puede verse, ninguna esta en
desacuerdo con esto.
0% 9%
91%
Totamente
en desacuerdo
Totalmente
de acuerdo
Nmero de
compaas
11
h. La principal razn para usar el

Diseo Robusto es que nuestros
clientes nos lo requieren.
Un 27% de las empresas no estn de acuerdo que la principal razn para usar el Diseo
Robusto es que el consumidor quiera que la empresa lo haga. El 37% esta de acuerdo
con esta afirmacin.
18%
37%
9%
9%
27%
41
Totamente
en desacuerdo
Totalmente
de acuerdo
Nmero de
compaas
11
i. Los clientes insatisfechos son una

razn para aplicar el Diseo
Robusto.
Un 28% de las empresas estn totalmente de acuerdo con que el hecho de que los
clientes estn insatisfechos es una razn para aplicar el Diseo Robusto, el 18% no est
de acuerdo con esto.
18%
28%
18%
18%
18%
9b. Razones por las que las compaas que han odo hablar de Six sigma, no la
usan.
Nmero de
compaas
a. Usaramos Diseo Robusto si la
diferencia entre los ejemplos de los
mismos productos fuesen percibidas
como un problema.
Verdade
Falso
ro
Sin opinin
1
Un 40% de las compaas usaran el Diseo Robusto si las diferencias entre

ejemplos de los mismos productos fuesen percibidos como un problema. De todas
maneras esta no es la razn por la que el otro 40% no lo usa.
20%
40%
40%
42
Nmero de
compaas
b. Usaramos Diseo Robusto si fuese
parte de nuestro proceso de desarrollo de
producto.
Verda
Falso
dero
3
Sin opinin
1
El 60% de las compaas usaran el Diseo Robusto si fuese parte del proceso
del desarrollo de su producto. El 20% no considera esta razn.
Nmero de
compaas
c. Usaramos Diseo Robusto si fuese un
requisito de nuestros clientes.
Verd
Falso
adero
3
Sin opinin
0
El 60% de las companas usaran el Diseo Robusto si fuese un requisito de los clientos.
Esta no es ta razn por la que el 40% restante no lo usara.
0%
40%
60%
Nmero de
compaas
d. Una de las razones por la que no
usamos el Diseo Robusto es que no
vemos
ninguna
ventaja
en
su
metodologa.
Verd
Falso
adero
1
Sin opinin
0
Slo un 20% de las compaas no usan el Diseo Robusto porque no ve ninguna ventaja
en la metodologa. El 80% no esta de acuerdo con esta afirmacin.
0%
20%
80%
43
Nmero de
compaas
e. Una de las razones por las que no
usamos el Diseo Robusto es que
consume demasiado tiempo.
Verda
Falso
dero
1
Sin opinin
1
El 20% de las empresas que no usan el Diseo Robusto es porque les consume
demasiado tiempo, el 60% no esta de acuerdo con esto.
20%
20%
60%
Nmero de
compaas
f. Usaramos el Diseo Robusto si alguien
de nuestra compaa tuviera suficiente
conocimiento de la metodologa.
Verda
Falso
dero
4
Sin opinin
0
El 80% de las empresas usaran el Diseo Robusto si alguien en su empresa tuviese

suficiente conocimiento de la metodologa. De todas formas el 20% restante no lo usara
aunque contasen con un experto.
20%
0%
80%
10. Six Sigma

El 79% de las empresas han odo hablar de Six-Sigma, un 21% nunca ha odo hablar de
este programa.
44
11. Implementacin de un programa Six Sigma.

El 77% de las compaas no han implementado un programa Six-Sigma. Por otra parte,
un 10% ya lo han implementado y otro 10% tienen planes para implementar un
programa Six-Sigma.
10%
10%
3%
77%
45
4.5.3.3
Conclusiones
Podemos destacar algunos puntos de toda la informacin recogida tras las entrevistas,
para as tener la visin general sobre el estado actual en Espaa.
La utilizacin del mtodo del Diseo Robusto entre las empresas espaolas es
limitada, ya que un 64% de las empresas nunca han odo hablar de esta metodologa.
Por otra parte, solo el 39% de las compaas que han odo hablar de este lo aplican.
Es una sensacin comn entre las empresas que es importante que la administracin
apoye a que alguien con conocimientos del Diseo Robusto que lidere y gue la
implementacin y uso de esta metodologa para conseguir el xito del Diseo
Robusto.
Las empresas que conocen el Mtodo del Diseo Robusto estn de acuerdo en que
su uso aumenta la competitividad de la compaa, incrementa la satisfaccin del
cliente y disminuye el coste de desarrollo del producto.
La utilizacin del programa Six-Sigma es tambin limitado ya que a pesar de que un

79% ha odo hablar del programa, solo un 10% lo ha implementado en la compaa.
Comparando el uso de diferentes mtodos para reducir variaciones, es recalcable

que SPC, PFMEA y los estudios de Capacidad son los mtodos ms comunes
usados en empresas que jams han odo hablar de la metodologa del diseo robusto,
siendo los mtodos Taguchi los menos usados.
46
4.5.4
Estado del RDM en Europa
4.5.4.1 Resultados de la encuesta

Los resultados se presentan en cuatro subsecciones:
1. Conocimiento y Uso del RDM,
2. Factores que soportan el RDM,
3. Uso de Mtodos de Soporte, que incluye explicacin de la eleccin de las
herramientas de soporte y ejemplos de cmo pueden estar relacionadas con el
diseo robusto, y
4. Variacin en las Caractersticas del Producto.
La principal parte de los datos se representa en diagramas. En conexin con los
diagramas, se da la cuestin subyacente, la escala de respuestas y el nmero de
encuestados. Adems, en la mayora de los casos hay dos versiones del diagrama, una
para la muestra completa y otra dnde se muestra las respuestas para cada pas.
Centrndonos en el ltimo tipo de diagramas es importante destacar que la muestra
difiere entre los pases, as que los resultados entre diferentes pases no se pueden
comparar estrictamente. Sin embargo, la divisin basada en los pases se incluye todava
porque puede ser de valor para el lector.
47
4.5.4.2 Conocimiento y uso del RDM

Como el mayor propsito de este informe es dar una idea del estado del RDM en la
industria europea, un buen lugar para empezar es el nivel existente del RDM. En la
Figura 4 se muestran las respuestas a la pregunta Es el diseo robusto una metodologa
conocida para usted?, en una escala de 1 (nada) al 5 (muy conocida).
Suecia
Alemania
Holanda
Espaa
Irlanda
Figura 4. Conocimiento de la metodologa del diseo robusto en la industria

manufacturera europea; 1 = nada y 5= muy bien. Nmero de respuestas: 226
La Figura 4 revela que menos del 50% de los encuestados conocen el RDM, y un poco
menos del 10% asegura conocerlo muy bien. Sin embargo, una cuestin ms interesante
es qu extensin de las compaas que lo conocen, lo aplican. As que se expuso otra
pregunta concerniente al uso del RDM: Con qu extensin aplica su compaa el
RDM? La respuesta a esta pregunta se muestra en la Figura 5. Se indica que un 75% de
los encuestados que conocan el RDM aplican esta mitologa (de 2 a 5), y menos del
20% lo usan con un gran alcance (valoracin 5). Comparado con el total de encuestados,
el 34% usa el RDM.
Suecia
Alemania
Holanda
Espaa
Irlanda
Figura 5. Extensin del uso del RDM; 1= nada y 5= un uso amplio. Nmero de
respuestas: 103
48
Durante las ltimas dcadas, los programas de Six Sigma han aumentado su
popularidad. Una reciente tendencia entre las compaas es expandir los esfuerzos para
incluir el desarrollo de los productos; este esfuerzo es a menudo etiquetado como
Diseo para las Six Sigma (DFSS). La base del DFSS y del RDM es ms o menos la
misma, i.e., disear productos insensibles a la variacin. Es por lo tanto interesante ver
cuntos encuestados estn familiarizados con el Six Sigma, el nivel de familiaridad se
muestra en la Figura 6.
Suecia
Alemania
Holanda
Espaa
Irlanda
Si
No
Figura 6. Conocimiento de Six Sigma por pas; s o no. Numero de respuestas: 226
En total, el 77% de los encuestados afirmaron que han odo hablar del Six Sigma. El
resultado por pas se muestra en la Figura 6. Se investig tambin cuntas de las
compaas que conocan el Six Sigma estaban involucrados en un programa de Six
Sigma o haban planeado introducir un programa de este tipo en sus compaas. El 13%
de las compaas indicaron que haban implementado un programa Six Sigma, y adems
un 12% planeaba hacerlo. Considerando que el Six Sigma es una iniciativa ms reciente
que el RDM, es interesante saber que cerca de un 80% de las compaas conocen el Six
Sigma mientras que menos del 50% conocen el RDM.
49
4.5.4.3 Factores que soportan el RDM

Se hizo una serie de preguntas al 75% de los usuarios del RDM concernientes a los
factores cuyo uso podan afectar a la metodologa. Estas preguntas fueron formuladas
como afirmaciones relacionadas con el alcance del uso del RDM. Se pidi a los
encuestados que puntuaran en una escala de 1 (en desacuerdo) al 5 (completamente de
acuerdo), cunto estaban de acuerdo con las afirmaciones. Antes de comentar los
resultados, en la Figura 7, se da una lista de las afirmaciones y su correspondiente letra
en el diagrama. Las declaraciones son las siguientes:
a) El uso del RDM aumenta la competitividad de una compaa
b) El uso del RDM aumenta la satisfaccin del cliente
c) El uso del RDM disminuye el coste del desarrollo del producto
d) La ayuda a la gestin es un requisito muy importante para el xito del uso del RDM
e) De acuerdo para tener xito con el RDM, es importante que la metodologa se
incorpore en el proceso de desarrollo del producto
f) Las quejas del cliente, devoluciones y realimentaciones son razones importantes para
aplicar el RDM
g) Es importante que nuestros ingenieros de diseo tengan un buen conocimiento del
RDM
h) La razn principal para usar el RDM es que nuestros clientes nos dicen que lo
hagamos, y,
i) Unos clientes insatisfechos son una razn para aplicar el RDM.
Figura 7. Opiniones sobre afirmaciones del RDM; 1= desacuerdo y 5= totalmente

de acuerdo. Nmero de respuestas: 77
50
La figura 7 muestra que aproximadamente un 80% de los que usan el RDM estn de
acuerdo con que el uso del RDM incrementa la competitividad de la compaa y la
satisfaccin del cliente. As que quiz deba concluirse que los esfuerzos dentro del
RDM son considerados exitosos por un gran nmero de usuarios. Otra opinin
igualmente comn era que es importante que los ingenieros de diseo tengan un buen
conocimiento del RDM. Finalmente, cerca de un 90% de las compaas pensaron que el
RDM deba ser incorporado al proceso de desarrollo del producto y que la devocin de
de la direccin es un prerrequisito para un amplio uso del RDM. Si la direccin no se
interesa, existe el riesgo de que las cuestiones relacionadas con la reduccin de la
variacin tengan una prioridad muy baja en la organizacin.
51
4.5.4.4 Uso de Mtodos de Soporte

Como se discuti anteriormente, vimos el RDM como un marco de trabajo ms que un
mtodo especfico. Sin embargo, hay ciertos mtodos que forman una asociacin con el
RDM. Esta seccin discute el nivel industrial de uso de una seleccin de estos mtodos,
unos ms y otros menos asociados con el RDM. Hay que indicar que los mtodos
incluidos no forman la lista completa de todos los mtodos apropiados con el RDM. La
razn para la limitacin es que era esencial reducir el nmero de preguntas para evitar
que el entrevistado se cansara.
Mtodos incluidos en la investigacin

El nmero de mtodos investigados se limit a nueve. Los mtodos eran:
Control de Proceso Estadstico (SPC), Diseo de Experimentos (DoE), Tcnicas de
Simulacin (Sim), Diseo del Anlisis del Modo de Fallo y Efectos (DFMEA), Proceso
del Anlisis del Modo de Fallo y Efectos (PFMEA), Medidas de Capacidad (Cap),
Diseo para Fabricacin/ Ensamblado (DFM/ DFA), Mtodos de Taguchi (Tag), y
Anlisis de l rbol de Fallos (FTA).
Si los factores de ruido son incluidos en un experimento diseado, las interacciones
entre los factores de ruido y los factores de control pueden ser exploradas. Esto hace
posible encontrar niveles de factores de control que hacen el producto robusto a los
factores de ruido. Reducir la variacin en las caractersticas de los productos es tambin
el objetivo del Mtodo de Taguchi, quiz el mtodo ms fuertemente relacionado con el
RDM. Otro mtodo muy til en el desarrollo de los productos robustos es la simulacin,
llevada a cabo para incrementar el hecho de comprender cmo los factores de ruido
afectan a las caractersticas del producto. Ms an, DFMEA y FTA pueden ser
empleados para identificar componentes donde la variacin tiene efectos severos en el
producto final. De ah que los resultados puedan ser usados como una base para dar
prioridad dnde los esfuerzos del RDM deberan enfatizarse.
En relacin con la variacin de la produccin, PFMEA puede ser usado para identificar
operaciones en el proceso de produccin dnde las variaciones tengan un impacto
severo en la calidad de los productos producidos. Adems, las medidas de capacidad
pueden ser tiles en identificar procesos de produccin dnde sea importante reducir la
variacin. El SPC da una posibilidad de descubrir variaciones de la produccin
52
inusuales antes de que un gran nmero de productos de calidad inaceptable sean

fabricados. Las fuentes de estas variaciones inusuales quiz sean identificadas y
eliminadas, creando de este modo un proceso ms estable. Finalmente, usando el DFA/
DFM, la robustez tambin puede ser lograda. Como el ensamblado y la produccin
estn simplificados, esto debera disminuir la variacin de la produccin.
Nivel de uso de los Mtodos

Esta seccin va dirigida a qu extensin de los encuestados usan mtodos que puedan
dar soporte al desarrollo de productos robustos. Para cada mtodo, la pregunta era
formulada como Usa su compaa el mtodo X? La extensin del uso fue medida en
una escala de 1 (ocasionalmente) a 5 (frecuentemente). Si era necesario, el que
responda tena la posibilidad de no responder a la pregunta. En la figura 8, est
explicado el porcentaje de no- usuarios, y de usuarios de bajo y alto nivel. Los usuarios
de bajo nivel son aquellos que marcaron su nivel de uso entre 1 y 3, los de alto nivel
son los correspondientes de 4 a 5.
Figura 8. Utilizacin de los mtodos. Azul= Alto nivel; Granate= Bajo nive;
Blanco= No lo usan. Nmero de respuestas: 226
Como se ve en la figura 8, el nivel de uso de los nueve mtodos de investigacin es en
general bastante alto. Todos los mtodos excepto el de Taguchi lo usan ms de un 60%
de las compaas. Sin embargo, los datos no revelan el propsito del uso de esos
mtodos. Por ejemplo, el DoE puede ser usado tanto para encontrar soluciones de
diseo que mejoren el nivel de funcionamiento del producto como para reducir la
53
variacin del funcionamiento. Una investigacin del propsito del uso de los mtodos
habra requerido unas preguntas abiertas y sin fin, las cuales no son adecuadas para
encuestas telefnicas, debido a las restricciones de tiempo. Una manera posible de de
obtener una indicacin de si los mtodos son o no usados para lograr la robustez es
comparar el nivel de uso entre las compaas que usan el RDM y las compaas que no
lo hacen.
54
4.5.4.5 Variacin en las caractersticas del producto

El propsito de un diseo robusto en trminos del Diagrama-P, ver Figura 9, es hacer la
respuesta de un producto insensible a la influencia de los factores de ruido. De ah que
sea importante ser consciente y comprender el efecto de los factores de ruido en un
producto, en orden a lograr esta robustez. Esta conciencia de la variacin y su efecto en
las caractersticas del producto es tratada en esta seccin.
Factores de ruido
Producto
O
Proceso
Factores de seal
Respuesta
Factores de control
Figura 9. Diagrama-P del diseo robusto
Conciencia de la Variacin
La conciencia de la variacin comienza a un nivel ms bsico que el hecho de tener
conocimiento de los factores de ruido que afectan a un producto especfico. Este nivel
bsico de conciencia se diriga a una de las primeras cuestiones planteadas a cada
compaa. La cuestin era: Ve usted diferencias entre muestras de un mismo
producto? La escala de respuesta estaba entre 1 (no) y 5 (amplio contraste). Los
resultados de la pregunta se indican en la Figura 10 de abajo.
55
Suecia
Alemania
Holanda
Espaa
Irlanda
Figura 10. Diferencias entre muestras; 1= ninguna y 5= muy grande. Nmero de

respuestas: 225.
La Figura 10 muestra que slo el 25% no han experimentado ninguna diferencia entre
las muestras de sus productos, es decir, dieron la respuesta 1. Una pregunta que
entonces cabra preguntarse sera saber qu conocimiento sobre las causas de estas
diferencias entre las muestras tienen las compaas usuarias del RDM (eran un 75% de
compaas usuarias). El nivel de conocimiento de estas posibles fuentes de variacin se
muestra en la Figura 11.
Suecia
Alemania
Holanda
Espaa
Irlanda
Figura 11. Conocimiento de las causas de las diferencias entre las caractersticas de
las muestras; 1= no y 5= muy bueno. Nmero de respuestas: 225.
Como se vio en la Figura 11, un 70% de las compaas tienen buen o muy buen
conocimiento de las causas de las variaciones en las caractersticas del producto. Una
pregunta adicional relacionada con el conocimiento de la variacin y sus efectos
concerna a la importancia de lograr ajuste, amoldarse. La pregunta era: Cmo es de
importante el hecho de que todos los productos tengan caractersticas idnticas? y la
respuesta fue dada en una escala de uno a cinco. Los resultados mostrados en la Figura
56
12, muestran que el 60% de los encuestados piensa que es muy importante lograr el
ajuste o amoldamiento entre muestras del mismo producto.
Suecia
Alemania
Holanda
Espaa
Irlanda
Figura 12. Importancia de caractersticas idnticas; 1= no importante y 5= muy

importante. Nmero de respuestas: 225.
Resumiendo, esta sub-seccin ha revelado que la conformidad entre distintas muestras
est clasificada como importante por las compaas, y que hay bastante buen
conocimiento de las fuentes de variacin en las caractersticas del producto.
Trabajo dirigido a controlar la Variacin

Como los resultados presentados arriba indican que una pequea variacin en las
caractersticas de funcionamiento entre distintas muestras es vista como importante, una
pregunta interesante sera: Con que extensin y de que manera las compaas trabajan
para lograr la conformidad entre las muestras? En la Figura 13 se representan las
respuestas a la pregunta: Trabaja usted de una forma activa para asegurar la
conformidad entre las muestras?
Suecia
Alemania
Holanda
Espaa
Irlanda
Figura 13. Trabajo para asegurar la conformidad entre muestras; 1= ninguno y 5=

muy amplio. Nmero de respuestas: 225.
57
Los resultados de la Figura 13 indican que aproximadamente un 75% de los encuestados

trabajan activamente para producir muestras con una variacin tan pequea como sea
posible en las caractersticas del producto. Estos encuestados definieron el alcance de su
trabajo encaminado a lograr la conformidad entre productos del mismo tipo con un 4 o
un 5, donde 5 corresponde a un gran alcance. En el cuestionario, se pidi a las
empresas que dieran su opinin sobre las dos declaraciones que mejor describen cmo
lograr muestras lo ms similares posibles del mismo producto. Las dos declaraciones
eran:
A: Nosotros separamos los productos que no cumplen las especificaciones y los
rechazamos
B: Nosotros diseamos productos de tal forma que
haga las caractersticas del
producto insensible a la lnea de fabricacin o las condiciones de los usuarios

La respuesta poda ser una de las afirmaciones, ambas o ninguna. Los resultados se
muestran en la Figura 14.
Suecia
Alemania
Holanda
Espaa
Irlanda
Figura 14. Diferentes formas de lograr la conformidad entre muestras; A =

separar y rechazar y B = diseo para insensibilizar, C = ninguno de ellos. Nmero
de respuestas: 225.
La literatura del Diseo Robusto, y en general el trabajo de la calidad, enfatiza la

importancia de aplicar esfuerzos de calidad durante el diseo y no slo en la
produccin. En el rea del diseo robusto se discute que la robustez frente a la variacin
en condiciones de uso y deterioro slo puede ser lograda durante el diseo. A pesar de
este nfasis, la Figura 14 revela que un 20% de los encuestados declararon que su
compaa logra la conformidad rechazando los productos que no cumplen las
especificaciones. Adems, otro 20% arregla los productos e intenta disear productos
robustos.
58
4.5.4.6 Discusin de resultados

Para lograr la robustez frente a las fuentes de variacin o los factores de ruido, es
importante estar alerta de la variacin y sus efectos en las caractersticas del producto.
Los resultados de la encuesta revelan que las compaas dedican una gran pare de su
trabajo a minimizar la variacin en las caractersticas del producto. Ms an, esta
minimizacin se considera importante, y las compaas afirman que tienen un buen
conocimiento de las fuentes de variacin. Esto indicara que hay una conciencia
industrial de la variacin en las caractersticas del producto y la necesidad de
minimizarla, por lo que, en otras palabras, debera haber una necesidad de un marco de
trabajo como el RDM. Sin embargo, los resultados de la encuesta muestran que el
RDM no se conoce mucho entre las compaas. Ms concretamente, el 55% no
reconoce el RDM como un concepto y slo el 8% declara tener un buen conocimiento
del RDM. El porcentaje de compaas que lo usa es el 34%.
Como el RDM tiene pocos usuarios, a pesar de que parezca haber una necesidad de
un marco de trabajo similar, un asunto para estudiar ms profundamente, es el uso de
mtodos que podran dar soporte al diseo de productos robustos. El uso de mtodos
investigados es bastante alto, Ej., un 70% usan el DoE y ms del 80% usa el SPC.
Incluso aunque no podamos decir que los mtodos se usan para lograr robustez, no
debera ser irrealizable para un usuario de un determinado mtodo, el hecho de poder
empezar a utilizarlo con un propsito adicional. Un propsito podra ser lograr la
robustez.
Resumiendo, parece haber una necesidad de un marco de trabajo como el RDM, y
se usan mtodos adecuados en una gran extensin. As que parece importante hacer
hincapi en todo el marco del RDM, construido con una conciencia de variacin, y no
slo enfocarlo en el desarrollo de mtodos aplicables a ese marco de trabajo.
59
4.6
Variacin y Caractersticas del Producto
En las fases tempranas al desarrollo del producto se requiere una adquisicin de

informacin sobre lo que el cliente necesita y quiere. Estoas necesidades se expresan
normalmente en trminos subjetivos y por lo tanto no son directamente tiles para los
ingenieros. Por consiguiente, estas demandas deberan primero ser transformadas para
que se correspondieran con caractersticas del producto.
La calidad del cliente es la calidad expresada por el cliente, en su propio lenguaje. El
trmino voz del cliente se usa frecuentemente para describir este nivel de calidad. Para
satisfacer las necesidades de nuestros clientes, los ingenieros intentan a menudo
convertir a voz del cliente en caractersticas especficas de calidad, es decir, la calidad
especificada. La calidad especificada se refiere a las especificaciones de los diseos de
ingeniera. Son caractersticas de calidad, que constituyen objetivos para los ingenieros,
y a partir de las cuales se desarrollan los productos. Las siguientes caractersticas de
calidad se usan frecuentemente para el anlisis de las muestras:
-
Pasa/ No Pasa
Fraccin defectuosa
Nmero de Defectos
Produccin
Exactitud de una Funcin
Apariencia
La calidad en ppm
La calidad funcional ser la calidad de conseguir la funcin pretendida de un producto.

La funcin del producto existe antes que la voz del cliente. Y es imprescindible que la
funcin del producto sea optimizada antes de emitir los planos de ingeniera.
Con este propsito de traducir las necesidades del cliente en caractersticas funcionales
se usa siempre el Despliegue de la Funcin de la Calidad (QFD, Quality Function
deployment). Una vez se hayan convertido los requerimientos subjetivos del cliente en
Caractersticas del Producto (PC) objetivas, obtenemos un nmero de PCs. En general
algunas caractersticas del producto son ms sensibles a la variacin que otras y por lo
60
tanto requieren ms atencin. El sistema de Designacin de Caractersticas Clave de

General Motors distingue entre dos tipos de caractersticas del producto:
SPC o Caractersticas Estndar del Producto
KPC o Caractersticas Clave del Producto, que son las que se utilizan para
desarrollar el VMEA. Adems una KPC puede ser dividida en Sub-KPC y stas
a su vez en Factores de Ruido NFs.
Esta ltima asignacin ser la que tendremos en cuenta para el desarrollo del Anlisis
Modal de Variaciones y Efectos y que explicar con detalle ms adelante.
61
5.
SIX SIGMA
5.1
Marco histrico
En la dcada de los ochenta Philip Crosby populariz el concepto de Cero Defecto

como orientacin para el control de calidad. Este enfoque establece la meta de unos
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, en los negocios se les
fijaban niveles aceptables de calidad, mrgenes de variacin y desviaciones.
En aquellos tiempos, se podan encontrar maneras de justificar estadsticamente los
fallos humanos, 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%? La
cuestin es que el 96,642% significa que de 100.000 transacciones efectuadas por un
servicio, 3.358 resultaran desfavorables. Los clientes insatisfechos, aquellos que
habran estado fuera del porcentaje de transacciones perfectas, no regresaran jams.
Qu pasara si nos apartramos de esa norma de calidad y estableciramos una
ambiciosa meta del 99,9%? Sera aceptable? En un informe especial sobre calidad,
publicado en 1991 en la revista Training, se aplic esa norma a una serie de actividades.
Las cifras que obtuvieron fueron sorprendentes. Si el 99,9% fuera la verdadera norma
de rendimiento alcanzada en algunas actividades corrientes: (datos correspondientes a
USA)
-
Las guarderas de hospitales entregaran 12 bebs por da a padres que no

corresponden.
Las instituciones financieras descontaran 22.000 cheques de cuentas bancarias

equivocadas....cada 60 minutos.
Los
servicios
de
telecomunicaciones
transmitiran
1.314
llamadas
errneas.....cada 60 minutos.
Six Sigma
62
Los productores cinematogrficos utilizaran 811.000 rollos de pelculas

defectuosos para filmar escenas.
Por suerte las cosas funcionan mejor de lo previsto, as los informes reales muestran que
de los 67.000 pacientes quirrgicos diarios, solamente 25 no lograran salir del trance en
la actualidad. Esto significa un 0,037%, lo que equivale a un promedio de xito del
99,963% (15 veces mejor que la norma del 99,9%). En el caso de las aerolneas, si se
consideran los accidentes como defectos, su nivel actual sera de 6,5 Sigma. Pero en el
manejo del equipaje, el nivel es apenas del 3,5 Sigma.
Al igual que en la industria de los semiconductores, otras como la textil, la
siderrgica, las mquinas herramientas, la electrnica, y la automotriz entre otras tantas
han visto perder competitividad, mercado y utilidades da a da por haber estado
ancladas a paradigmas que ya no eran vlidos dentro del nuevo esquema mundial.
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.
Algunos de los motivos que justifican la adopcin de la calidad total como proyecto de
gestin son:
-
El hecho de la llegada de una economa globalizada;
La
competencia
desenfrenada
en
un
mundo
ms
interconectado
interdependiente, i.e., la relacin de fuerzas entre una demanda menos creciente

y una oferta mltiple, de aqu que los consumidores se vuelvan ms exigentes y
reclamen mejor calidad a precios siempre ms bajos;
-
Que en occidente se haya ido observando un menor compromiso de los

trabajadores para con la empresa;
La velocidad tecnolgica y, en particular, la aceleracin de la renovacin

informtica, la difusin de la informacin en todas las organizaciones y la
creciente capacidad de acceso a la misma de un nmero cada vez ms importante
de personas; y
Six Sigma
63
Que existe un proceso de calidad total y que ciertas economas lo han adoptado,
por lo que todas aquellas que no lo han hecho han visto abrirse a toda velocidad
un abismo en su competitividad.
En los aos ochenta la TQM (Gestin de Calidad Total) fue muy popular, pero sufri un
proceso de desgaste. Era menester generar un mtodo que motivar un liderazgo por la
calidad. Esto se dio con la Six Sigma en funcin de tres caractersticas:
1. Six Sigma est enfocada en el cliente.
2. Los proyectos Six Sigma producen grandes retornos sobre la inversin. En un
artculo de la Harbara Budines Rebin, Passer y Reichheld sealan que las
compaas pueden ampliar sus ganancias en casi un 100% si retienen slo un 5%
ms de sus clientes gracias al logro de un alto grado de calidad.
3. Six Sigma cambia el modo que opera la direccin. Six Sigma es mucho ms que
proyectos de mejora. La direccin y los supervisores aprenden nuevos enfoques
en la forma de resolver problemas y adoptar decisiones.
As como en Japn empresas como Toyota, Honda, Mazda, Fujitsu, Cannon y NEC
entre otras fueron base del desarrollo del Just in Time y del Kaizen, en el caso de Six
Sigma empresas como Motorola, General Electric, Honeywell, Sears Roebuck,
American Express, Johnson & Johnson, Federal Express y Ford Motor le han servido
como plataforma de investigacin y desarrollo.
Bases del xito:
La nueva piedra filosofal de la calidad total permite a la empresa satisfacer siempre
mejor al cliente y siempre ms barato. Se demuestra que la calidad no cuesta ms caro;
al contrario, rinde porque permite vender. Lo que cuesta caro es la no-calidad, es decir,
el fracaso, los costes intiles, los retrasos; todo esto es producto de una mala
organizacin que se le factura como multa al cliente y que le sorprende, le disgusta y
finalmente le desva hacia otros proveedores, porque tienen de ahora en adelante el
dilema de elegir.
Six Sigma
64
5.2
Objetivo
Llegar a los Seis Ceros: cero defectos, cero stocks, cero averas, cero plazos, cero
papeles y cero accidentes.
El objetivo global es a largo plazo, pero en las organizaciones nos vemos obligados a
presentar resultados a corto plazo tambin, mientras trabajamos en el largo plazo; Six
Sigma permite cumplir simultneamente con ambos objetivos a la vez.
Los objetivos se pueden englobar en 3.
1. Mejora de procesos: Medir es necesario pero no suficiente a la larga, para
estimular a las personas a que realicen cambios. El anlisis de los defectos por
milln y de sus correspondientes valores sigma dar una orientacin acerca de
cuales son los procesos que tienen mayores potenciales de mejora; una vez hemos
detectado donde estn los potenciales de mejora hemos de poner en prctica los
instrumentos y capacidades para mejorar estos procesos.
2. Mejora de productos: Six Sigma permite establecer una sistemtica de mejora
continua de productos; pero con Six Sigma podemos ir mucho ms all, pues es un
apoyo excelente para el diseo robusto de productos y para una dinmica de
simplificacin de productos.
Los ingenieros de diseo para desarrollar sus productos robustos y simplificados
necesitan conocer la capacidad de los procesos, con ello pueden reducir los costes de
fabricacin al tiempo que disean productos con menor variabilidad en su proceso
de fabricacin.
3. Una sistemtica para la resolucin de problemas: Cuando se presenta un
problema en un proceso, lo normal es que en primer lugar acudamos a nuestra
experiencia pasada para encontrar soluciones o buscar causas, luego acudimos a
procedimientos de anlisis tipo Ishikawa, Pareto, etc. Estos mtodos no siempre nos
llevan a soluciones ptimas.
Six Sigma nos aporta una sistemtica ms precisa y concluyente con la aplicacin
del diseo de experimentos, la utilizacin adecuada del anlisis de regresin, SPC y
otros muchos mtodos estadsticos. La sistemtica de medida y resolucin de
problemas utilizando probadas tcnicas estadsticas junto con una adecuada
Six Sigma
65
organizacin y entrenamiento de las personas es lo que en conjunto garantizan los

xitos de Six Sigma.
Six Sigma
66
5.3
Definicin
Six Sigma implica tanto un sistema estadstico como una filosofa de gestin.
Podemos definir Six Sigma como:
Una medida estadstica del nivel de desempeo de un proceso o producto.
Un objetivo de lograr casi la perfeccin mediante la mejora del desempeo.
Un sistema de direccin para lograr un liderazgo duradero en el negocio y un

desempeo de primer nivel en un mbito global.
La letra griega minscula sigma () se usa como smbolo de la desviacin estndar,
siendo sta una forma estadstica de describir cunta variacin existe en un conjunto de
datos.
Tcnicamente, calidad Six Sigma equivale a un nivel de calidad con menos de
0,000003 defectos por oportunidad (3 defectos por milln de oportunidades).
Desafortunadamente, no hay una regla, inmediata, sencilla y fcil para alcanzar tal nivel
de calidad. Six Sigma es una metodologa que ayudara a alcanzar tal objetivo.
En la terminologa de Six Sigma, los requerimientos y expectativas de los clientes
se llaman CTQs (Crticos para la Calidad).
A corto plazo aporta soluciones rpidas a problemas sencillos o repetitivos; a largo
plazo aporta una metodologa de diagnstico, diseo robusto, establecimientos de
tolerancias, al tiempo que aporta un medio sencillo de comunicacin y establecimiento
de metas.
Aporta herramientas de mejora: diseo de experimentos, anlisis de regresin,
tolerancias, diseo robusto y otros mtodos sistemticos para reducir la varianza.
No menos importante es la estructura organizativa que utiliza Six Sigma con los
Black Belt, empleados especialmente entrenados para mover a la organizacin a la
consecucin de los objetivos marcados.
Six Sigma
67
El proceso iterativo de estos agentes de cambio y su mtodo de resolucin de

problemas se representa mediante el mtodo DMAMC (Definir-Medir-AnalizarMejorar-Controlar), ver Figura 15:
DEFINIR
Figura 15. Esquema mtodo DMAMC
Definir el problema
Debe definirse claramente en qu problema se ha de trabajar, por qu se trabaja en ese
problema en particular?, cules son los requerimientos del cliente?, cmo se lleva a
cabo el trabajo en la actualidad?, cules son los beneficios de realizar una mejora?
Enfocarse en el cliente. Las necesidades y requerimientos del cliente son fundamentales.
Siempre debe tenerse en cuenta que definir correctamente un problema implica tener un
50% de su solucin.
Medir
El medir persigue dos objetivos fundamentales:
1. Tomar datos para validar y cuantificar el problema o la oportunidad de mejora.
Siempre es menester tener una clara nocin de los defectos que se estn produciendo
en cantidades y expresarlos tambin en valores monetarios.
Six Sigma
68
2. Nos permiten y facilitan identificar las causas reales del problema.

El conocimiento de estadstica se hace fundamental. La calidad no se mejora, a no ser
que se la mida.
Analizar
Verificar la causa raz. Es menester llegar hasta la razn fundamental, evitando quedarse
solo en los sntomas. Para ello se har uso de las distintas herramientas de gestin de la
calidad y estadsticas clsicas.
Mejorar
En esta etapa tiene mucha importancia la participacin de todos los integrantes del
proceso, as como tambin la capacidad creativa.
La fase de mejora implica tanto el diseo como la implementacin. En esta fase de
diseo es muy importante la actividad de benchmarking a efecto de detectar en otras
unidades de la misma empresa o en otras empresas (competidoras o no) formas ms
efectivas de llevar a cabo un proceso.
Hay que romper los malos hbitos. Un cambio de verdad requiere soluciones creativas.
Controlar
Es necesario confirmar los resultados de las mejoras realizadas. Debe por tanto definirse
claramente unos indicadores que permitan visualizar la evolucin del proyecto. Los
indicadores son necesarios pues no podemos basar nuestras decisiones en la simple
intuicin. Los indicadores nos mostrarn los puntos problemticos de nuestro negocio y
nos ayudarn a caracterizar, comprender y confirmar nuestros procesos, ver su impacto
real.
Mediante el control de resultados lograremos saber si estamos cubriendo las
necesidades y expectativas de nuestros clientes.
Sostener el cambio. La clave final es lograr que el cambio perdure.
Six Sigma
69
Las dos piedras angulares de Six Sigma:

1. Metodologa sistemtica
Six Sigma es una metodologa sistemtica para reducir costes de forma preactiva,
concentrndose en la mejora de los procesos ms que reaccionando corrigiendo
fallos una vez ocurridos. Six Sigma se basa en mediciones ms que en experiencias
pasadas, por ello es una metodologa aplicable a un amplio campo de actividades
empresariales. Conceptualmente Six Sigma exige que cada problema se resuelva a
partir de una relacin de la forma:
Y=f(x,y,...z);
donde Y es la variable dependiente ;

x,y,..z: variables independientes.
Six Sigma aporta las enseanzas para encontrar dicha ecuacin, y requerir ayuda
estadstica.
2. Black Belts
Son los agentes de cambio, entrenados en el uso de mtodos estadsticos. Hay quien
los llama "comandos infiltrados, estn bien entrenados y se les asignan objetivos
ambiciosos.
Estos agentes de cambio conocen bien la propia organizacin, los productos y las
personas y se les ensea la metodologa Six Sigma.
Los dos dinamizadores de la Six Sigma:

1. El primero es la reduccin de los costes ocasionados por la deficiente calidad. Six
Sigma se orienta hacia resultados concretos, beneficios en la cuenta de resultados,
que son beneficios a largo plazo; pero con la metodologa Six Sigma se enfatizan
resultados a corto plazo mientras trabajamos para obtener resultados a largo plazo.
Se trata de reducir los costes mejorando la calidad, especficamente luchamos contra
las equivocaciones, los fallos, no solo los que se detectan en el banco de pruebas,
sino incluyendo, por ejemplo el de aceptar mrgenes demasiado amplios con el
consiguiente aumento de coste, defectos que provocan repeticin de trabajos,
Six Sigma
70
defectos administrativos, trabajos innecesarios, etc. Todos los defectos, son por
supuesto, trabajos sin valor aadido. Actualmente el nivel de defectos oscila entre el
15 y 20 % de la facturacin, esto es una buena indicacin del potencial de ahorro
que tenemos en nuestras manos.
2. El segundo dinamizador es la ruptura de la complacencia. Six Sigma impulsa hacia
una sensacin de urgencia y necesidad de situarse en los niveles de estndar
mundial. Six Sigma es un instrumento esencial para crear tal concienciacin, con el
propsito ltimo de mejorar la rentabilidad y competitividad.
Los seis principios de Six Sigma:

Principio 1: Enfoque al cliente
El enfoque principal es dar prioridad al cliente. Las mejoras Six Sigma se evalan por el
incremento en los niveles de satisfaccin y creacin de valor para el cliente.
Principio 2: Direccin basada en datos y hechos
El proceso Six Sigma se inicia estableciendo cuales son las medidas claves a medir,
pasando luego a la recoleccin de los datos para su posterior anlisis. De tal forma los
problemas pueden ser definidos, analizados y resueltos de una forma ms efectiva y
permanente, atacando las causas races o fundamentales que los originan, y no sus
sntomas.
Principio 3: Los procesos estn donde est la accin
Six Sigma se concentra en los procesos.
Principio 4: Direccin preactiva
Ello significa adoptar hbitos como por Ej. definir metas ambiciosas y revisarlas
frecuentemente, fijar prioridades claras, enfocarse en la prevencin de problemas y
cuestionarse por qu se hacen las cosas de la manera en que se hacen.
Six Sigma
71
Principio 5: Colaboracin sin barreras

Debe ponerse especial atencin en derribar las barreras que impiden el trabajo en equipo
entre los miembros de la organizacin, logrando de tal forma mejor comunicacin y un
mejor flujo en las labores.
Principio 6: Bsqueda de la perfeccin
Las compaas que aplican Six Sigma tienen como meta lograr una calidad cada da ms
perfecta, estando dispuestas a aceptar y manejar reveses ocasionales.
Six Sigma
72
5.4
Formacin y Entrenamiento
No cabe duda de que un aspecto imprescindible de una iniciativa como Six Sigma se
sustenta en una formacin adecuada de todas las personas que intervienen en el proceso.
Una empresa que ha decidido incorporar en sus procesos de desarrollo la Six Sigma
debe de tener adecuadamente informados a todos sus empleados y aportarles la
formacin necesaria en funcin de su nivel de participacin.
Mucho se ha dicho acerca de la importancia del papel de la direccin en
cualquier actividad de una empresa, esto es tan evidente que no hara falta decirlo; pero
muchas iniciativas de mejoras, lentas o rpidas, a largo plazo o a corto, con muchos
recursos o pocos, han fracasado por falta de actuacin
de la direccin. Cuando
acudimos a reuniones de calidad siempre se cita la importancia de la participacin de la

direccin. Six Sigma facilita esta comunicacin con la direccin ya que ensea a
cuantificar los costes y beneficios de las iniciativas de mejora.
Tambin es importante informar al cliente de nuestras iniciativas o al menos de
explotar las ventajas adquiridas, obteniendo la evaluacin de los resultados por parte del
cliente.
Los esfuerzos de Six Sigma se dirigen a tres reas principales:
-
Mejorar la satisfaccin del cliente
Reducir el tiempo del ciclo
Reducir los defectos
Las mejoras en estas reas representan importantes ahorros de costes, oportunidades

para retener a los clientes, capturar nuevos mercados y construirse una reputacin de
empresa de excelencia.
En la Tabla 3 se resume el tipo de formacin que se imparte en una empresa grande y a
quien.
Six Sigma
73
Six Sigma para

Blancos
directivos
Amarillos
Verdes
Black Belt
Ingeniera
Contenido
principal
Requisitos del
BB
Muy bsico
Bsico
Normal
Completo
Avanzado
Duracin
2 das
1 da
2 das
4 das
13 das
15 das
Directores
generales, de
planta, divisin..
Directores de
ingeniera,
produccin,
calidad
X
X
Otros directores
Ingenieros de
diseo, de
produccin
Ingenieros de
calidad
Gestin de
aprovisionamiento
Contabilidad,
personal,
planificacin
Pruebas,
marketing
O
O
Tabla 3. Formacin Six Sigma en una empresa.
Fases de implantacin
Un plan exitoso de Six Sigma comprende cuatro etapas fundamentales, cada una de las
cuales esta constituidas por sub-etapas (las cuales pueden desarrollarse en forma
paralela)
1 Decisin del Cambio
2 Despliegue de Objetivos y Capacitacin
Estrategia de implantacin
3 Desarrollo del Proyecto
4 Evaluacin de Beneficios
Six Sigma
74
Desarrollando las fases:

1. Identificacin y seleccin de proyectos. La direccin considera los diversos
proyectos de mejora presentados, seleccionando los ms prometedores en funcin de
posibilidades de implementacin y de los resultados obtenibles. El proyecto tiene
que tener un beneficio tanto para el negocio, como para los clientes. El uso del
Diagrama de Pareto es una herramienta beneficiosa para dicha seleccin.
2. Se procede a la formacin de los equipos, entre los cuales se encuentra el Lder del
grupo (Cinturn Negro), para lo cual se involucrarn a aquellos individuos que
posean las cualidades necesarias para integrarse al proyecto en cuestin.
3. Desarrollo del documento marco del proyecto. El documento marco es clave como
elemento en torno al cual se suman las voluntades del grupo, sirviendo de gua para
evitar desvos y contradicciones. El mismo debe ser claro, fijar claramente los
lmites para los recursos y plazos, y el objetivo a lograr.
4. Capacitacin de los miembros del equipo. Los mismos son capacitados, de no
contar ya con conocimientos y/o experiencia en Six Sigma, en estadsticas y
probabilidades, herramientas de gestin, sistema de resolucin de problemas y toma
de
decisiones,
creatividad,
pensamiento
lateral,
mtodos
de
creatividad,
planificacin y anlisis de procesos.

5. Ejecucin del DMAMC e implementacin de soluciones. Los equipos deben
desarrollar los planes de proyectos, la capacitacin a otros miembros del personal,
los procedimientos para las soluciones y son responsables tanto de ponerlos en
prctica como de asegurarse de que funcionan (midiendo y controlando los
resultados) durante un tiempo significativo.
6. Traspaso de la solucin. Despus de cumplidos los objetivos para los cuales fueron
creados, los equipos se disuelven y sus miembros vuelven a sus trabajos regulares o
pasan a integrar equipos correspondientes a otros proyectos.
Antes de que esto ocurra habr que evaluar los beneficios generados a nivel de
rendimiento, sigma, ahorros y Dpmo.
Six Sigma
75
Cinturones y Lderes
Como una forma de identificar a determinados miembros del personal que cumplen
funciones especficas en el proceso de Six Sigma, e inspirados en las artes marciales
como filosofa de mejora continua y elevada disciplina, se han conferido diversos
niveles de cinturones para aquellos miembros de la organizacin que lideran y ayudan a
liderar los proyectos de mejoras.
As con el Cinturn Negro (Black Belt) tenemos a aquellas personas que se dedican a
tiempo completo a detectar oportunidades de cambios crticas y a conseguir que logren
resultados.
El Cinturn negro es responsable de liderar, inspirar, dirigir, delegar,
entrenar y cuidar de los miembros de su equipo. Debe poseer firmes conocimientos

tanto en materia de calidad, como en temas relativos a estadstica, resolucin de
problemas y toma de decisiones.
El Cinturn Verde (Green Belt) est formado en la metodologa Six Sigma, sirviendo
como miembro de equipo, sirviendo de apoyo a las tareas del Cinturn Negro. Sus
funciones fundamentales consisten en aplicar los nuevos conceptos y herramientas de
Six Sigma a las actividades del da a da de la organizacin.
El Primer Dan (Mster Black Belt o Maestro Cinturn Negro) sirve de entrenador,
mentor y consultor para los Cinturones Negros que trabajan en los diversos proyectos.
Debe poseer mucha experiencia en el campo de accin tanto en Six Sigma como en las
operatorias de fbrica, administrativas y de servicios.
Espnsor (Champion), es un ejecutivo o directivo que inicia y patrocina a un Black Belt
o a un equipo de proyecto. Una especie de mecenas. El mismo forma parte del Comit
de Liderazgo, siendo sus responsabilidades: garantizar que los proyectos estn alineados
con los objetivos generales del negocio y proveer direccin cuando eso no ocurra,
mantener informados a los otros miembros del Comit de Liderazgo sobre el progreso
del proyecto, proveer o persuadir a terceros para aportar al equipo los recursos
necesarios, tales como tiempo, dinero, y la ayuda de otros. Conducir reuniones de
revisin peridicas y negociar conflictos y efectuar enlaces con otros proyectos Six
Sigma.
Six Sigma
76
Lder de Implementacin, a cargo de la figura mxima y cercana a ese nivel mximo, es

responsable de la puesta en prctica del sistema Six Sigma y de los resultados que este
arroje para la organizacin, siendo el estratega fundamental del sistema.
Six Sigma
77
5.5
Medicin de la Calidad
La calidad es cuantificable y debe de cuantificarse. Para cuantificar la calidad hay que

expresar la calidad en nmeros y actuar en funcin de los valores medidos. Cuantificar
la calidad en nmeros y llevar a cabo acciones concretas para su mejora nos asegura una
metodologa de mejora continua de la calidad.
Esto es vlido tanto para la calidad de productos fabricados como para la prestacin
de servicios y para el diseo de nuevos productos. Para la mejora continua de los
diseos es imprescindible que los ingenieros de diseo conozcan cmo evoluciona la
calidad del producto diseado.
Empresas que adoptan la sistemtica Six Sigma obligan que en sus procesos de
fabricacin se midan un mnimo de parmetros para determinar con ellos el valor sigma
de la planta. Cuando en una planta se tiene establecida un sistema de medida Six Sigma,
se obtienen el Valor Sigma de toda la planta, de cada uno de los procesos principales, de
los productos individuales, de los proveedores ms representativos, de las distintas
secciones de la planta, etc. Y todos estos valores se pueden determinar para cada uno de
los intervalos de tiempo que se desee. Es de gran utilidad expresar estos valores en una
grfica en funcin del tiempo.
Qu debemos medir: ?
La respuesta nos lo dar la experiencia y el conocimiento del proceso especfico que
estamos estudiando.
Algunas reglas generales para seleccionar las variables de medida que se deben de
medir:
Variables importantes para el negocio (caractersticas del producto, contenido de

mano de obra y materiales incluyendo chatarra y tiempo de ciclo...).
Aquello que es rentable mejorar y aquellas variables que deseas modificar con los
programas de mejora.
Aquellas variables que tienen que garantizar que los programas en marcha den
resultados.
Las necesarias para garantizar que las mejoras son duraderas.
Six Sigma
78
Debemos tener en cuenta que un cliente insatisfecho contar su desafortunada

experiencia a entre nueve y diez personas, o incluso ms si el problema es serio. Y por
otro lado el mismo cliente slo se lo dir a tres personas si el producto o servicio lo ha
satisfecho. Ello implica que un alto nivel de fallos y errores son una fcil ruta hacia la
prdida de clientes actuales y potenciales.
NIVELES DE DESEMPEO EN SIGMA

Nivel de
sigma
6
5
4
3
2
1
Defectos por milln de

oportunidades
3,40
233,00
6.210,00
66.807,00
308.537,00
690.000,00
Tabla 4. Distintos niveles de sigma

La meta de Six Sigma es especialmente ambiciosa cuando se tiene en cuenta que
antes de empezar con una iniciativa de Six Sigma, muchos procesos operan en niveles
de 1, 2 y 3 sigma, especialmente en reas de servicio y administrativas.
A continuacin se detallar cmo se calculan los valores sigma a partir de las medidas
de defectos por milln. Antes de iniciar la sistemtica de medida debe de informarse a
todos los empleados de la sistemtica, los planes y metas.
Sigma () es un parmetro estadstico de dispersin que expresa la variabilidad de un
conjunto de valores respecto a su valor medio, de modo que cuanto menor sea sigma,
menor ser el nmero de defectos. Sigma cuantifica la dispersin de esos valores
respecto al valor medio.
As pues cuando ms cercanos estn los valores de las mediciones al Valor Central
Optimo, ms pequeo ser es valor de sigma, (y habr menos defectos) y de tal forma
mayor nmeros de sigmas entrarn dentro de los lmites de especificacin.
Six Sigma
79
En un nivel 6 sigma entran en el espacio existente entre la Tolerancia Superior (USL,

Upper Specific Limit) y la Tolerancia Inferior (LSL, Lower Specific Limit) un total de
12 sigmas.
Lmites especificacin cliente
Figura 16. Nivel 3 sigma: controlado y apenas capaz de satisfacer los

requerimientos del cliente. Producir 66 807 defectos por milln de oportunidades.
Lmites especificacin cliente
Figura 17. Nivel 6 sigma: controlado y muy capacitado para cumplir las
especificaciones del cliente. Producir 3.4 defectos por milln de oportunidades.
Siempre que la medicin est dentro del intervalo USL-LSL diremos que el
producto o servicio es conforme o de calidad. En este caso se siguen las ideas de
Crosby, quien considera la calidad como sinnimo de cumplimiento de las
especificaciones.
Cmo cuantificamos la calidad en cifras:

Calcular el nivel de sigmas para la mayora de los procesos es bastante fcil. Dado un
determinado producto o servicio, se determina los factores crticos de calidad (FCC o
CTQs), luego se multiplican estos por la cantidad de artculos producidos obtenindose
el total de defectos factibles (oportunidades de fallos). Si dividimos los fallos detectados
Six Sigma
80
(con los distintos sistemas de medicin en funcin del tipo de bien o servicio) por el
total de defectos factibles (CTQ) y luego lo multiplicamos por un milln obtenemos los
defectos por milln de oportunidades (DPMO). Luego revisando la tabla de sigma se
tienen los niveles de sigma.
Cada uno de los parmetros que vayamos a medir puede implicar una o varias
oportunidades.
CTQ N artculos producidos = Total defectos factibles = Oportunidades de fallo
Dpmo= (
Fallos dectados
) 1.000.000
Total defectos factibles
Cuando se contabilizan varios dpmo de puede calcular un dpmo global y este dpmo se
puede convertir en valor sigma
DPMO
1.000.000
900.000
800.000
700.000
600.000
500.000
400.000
300.000
200.000
100.000
0
0,00
1,00
2,00
3,00
4,00
5,00
6,00
7,00
Figura 18. Nivel de Sigma.
Six Sigma
81
Estadstica bsica:
La mayora de los procesos productivos siguen una distribucin normal, con una
distribucin de frecuencias siguiendo la campana de Gauss y con una probabilidad de
que algunos valores queden fuera de los lmites superior e inferior; esta probabilidad es
lo que entendemos por "probabilidad de defecto"
Nuestro proceso ser tanto ms fiable cuanto mas centrada respecto a los lmites y
cuanto mas estrecha y alta sea la campana. Una campana achatada y descentrada es
consecuencia de grandes probabilidades de defectos. De forma grfica, el rea de la
campana de Gauss que queda fuera de la zona marcada por los lmites superior e
inferior es precisamente la probabilidad de defecto. Por ejemplo, en la Figura 19, las
zonas sealadas por las flechas naranjas son las que no cumplen con los requerimientos.
p1
p2
Figura 19. Probabilidad de no cumplir las especificaciones.
Para calcular el porcentaje de productos que cae fuera de las especificaciones, p1 y p2, se
usa el valor Z y la tabla de la distribucin normal estndar.
El porcentaje que no llega al lmite de especificacin inferior: p1
Zlower = X LSE /
Six Sigma
82
El resultado, con dos decimales, indica que el LSE est situado a una distancia
Zlower de la media total. Introduciendo este valor de Z en la tabla de la normal
obtendremos la probabilidad de que ocurra esto.
El porcentaje que sobrepasa el lmite de especificacin superior: p2
Zupper = USL X /
Indica cuntas desviaciones estndar estimadas existen entre la media total y el
lmite de especificacin superior. Introduciendo este dato en la tabla de la
normal obtendremos la probabilidad p2 de fabricar productos que estn por
encima de la especificacin superior.
p1 + p2 nos da el porcentaje de productos fabricados que no cumplen las

especificaciones o requerimientos del cliente.
Figura 20. Suma de p1 + p2

Es frecuente que se den dos lmites en las especificaciones LSL y USL, por tanto hemos
de considerar ambas reas que quedan fuera de la curva. Ver Figura 20. La probabilidad
total de defecto ser la suma de la probabilidad de exceder el lmite superior ms la de
exceder el limite inferior. En este caso, para el clculo del valor Z se suman ambas
probabilidades.
El nmero Z es lo que en Six Sigma denominamos valor sigma cuando
nicamente tenemos un lmite superior, como es el caso de la Figura 21.
Six Sigma
83
Figura 21. Un solo lmite.
A corto plazo nicamente influyen fenmenos aleatorios. Cuando hablamos a largo

plazo intervienen fenmenos aleatorios y perturbaciones, o ms conocido como ruido.
En Six Sigma lo que en primer lugar nos interesa eliminar es el ruido, al igual que en el
Diseo Robusto, de ah que para conseguir productos y procesos robustos se deba
trabajar con un marco de trabajo como el Six Sigma.
Six Sigma
84
5.6
Beneficios
Podemos considerar a la Six Sigma como la nueva piedra filosofal de la calidad total
que permite a la empresa satisfacer mejor al cliente y siempre ms barato. Esto ha sido
la clave de su xito. Se demuestra que la calidad no cuesta ms caro; al contrario, rinde
porque permite vender. Lo que cuesta caro es la no-calidad, es decir, el fracaso, los
costes intiles, los retrasos; todo esto es producto de una mala organizacin que se le
factura como multa al cliente y que le sorprende, le disgusta y finalmente le desva hacia
otros proveedores, porque tienen de ahora en adelante el dilema de elegir.
Las mejoras producidas se evalan despus de la implementacin de los cambios
resultantes del desarrollo de los diversos proyectos. Ello se manifiesta tanto en niveles
de rendimientos, como en niveles de sigma, DPMO y ahorros obtenidos. Adems, ser
conveniente hacer un seguimiento constante de los niveles de satisfaccin tanto de los
clientes internos como externos.
Objetivos difciles pero alcanzables son los que mejores resultados dan. No se debe
esperar que en un ao podamos pasar de un nivel de calidad de 3 a 4 Valor Sigma, el
valor global tardar probablemente ms tiempo en alcanzarse.
Six Sigma
85
6.
ANLISIS MODAL DE VARIACIONES Y EFECTOS
6.1
Introduccin
Es esencial para las grandes compaas gestionar las variaciones no deseadas para poder
mejorar la calidad y la fiabilidad de sus productos y procesos (de ahora en adelante
usaremos el trmino producto tanto para producto como para un proceso). Con ese
propsito, numerosos proyectos de mejora de la calidad son llevados a cabo. Estos
proyectos, siempre conducidos bajo el marco de trabajo de la Six Sigma, han
proporcionado ahorros significativos en los costes, han mejorado la fiabilidad y han
aumentado la satisfaccin del cliente. De hecho, es bien sabido que la variacin causa
prdidas econmicas.
La variacin en el funcionamiento o desarrollo del producto puede ser atribuida a
diferentes fuentes, generalmente conocidas como factores de ruido (NFs). Los factores
de ruido son las fuentes de variacin que afectan al funcionamiento del producto y no
pueden ser controladas generalmente por los diseadores. Una forma de controlar la
variacin indeseada es dirigirse a la fase del diseo del producto y hacer las
caractersticas del producto insensibles a los factores de ruido. Esta metodologa hace
referencia a un diseo robusto.
El uso del Diseo de experimentos (DoE) es aconsejable para lograr un diseo
robusto de una forma cientfica y eficiente. Sin embargo, sin un buen conocimiento del
producto bajo estudio, el uso directo del DoE quiz requiera un gran nmero de pruebas
experimentales. Los altos costes de los experimentos siempre desaniman a los
ingenieros y directores a hacer experimentos encaminados a lograr un diseo robusto.
As que se necesita un trabajo preparatorio antes de comenzar las pruebas.
Un procedimiento sugerido para planificar y dirigir el diseo de experimentos es
mantener una sesin de brainstorming para as identificar los factores controlables y
las fuentes de variacin antes de que se lleve a cabo el experimento. Algunos de los
siguientes pasos a realizar seran definir el problema, elegir los factores y niveles y
elegir la respuesta. Tambin sera recomendable usar una gua de pre-diseo para
facilitar la planificacin y el diseo, y documentar el experimento industrial de forma
sistemtica. Sin embargo ningn autor comenta como valorar y priorizar los factores de
VMEA
86
ruido y estimar su impacto en las variables de respuesta importantes, especialmente

antes de desarrollar el experimento.
Aunque abordar los riesgos relacionados con la variacin a travs de un desarrollo
del producto es de gran importancia para entregar productos de gran calidad y
confianza, slo un nmero limitado de publicaciones han sido dedicados a este asunto
durante los pasados aos. Thornton presenta la Gestin del Riesgo de la Variacin como
una nueva disciplina, en particular da un interesante marco de trabajo para gestionar la
variacin en sistemas complejos. Pero tiene dos limitaciones:
1) Conlleva factores de coste y especialmente coeficientes relacionados con los costes
que son difciles de calcular
2) Se refiere a las herramientas y tcnicas esencialmente tiles en la fabricacin como el
principal medio par reducir la variacin.
Presentamos aqu un mtodo prctico disponible para gestionar la variacin, el

Anlisis Modal de Variaciones y Efectos o VMEA, encaminado a abordar la variacin
en todo el desarrollo del producto, un mtodo de ingeniera basado en la estadstica y
cuyo propsito es hacer una valoracin sistemtica de los factores que afectan a las
caractersticas clave del producto (KPCs), a travs de un estudio de las fuentes de
variacin y una valoracin de sus efectos en las KPCs. El procedimiento del VMEA fue
inicialmente inspirado por el Anlisis Modal de Efectos y Fallos (FMEA) y el Anlisis
del rbol de Fallos (FTA), mtodos que estn bien expandidos actualmente en la
industria gracias a su simplicidad y su utilidad.
El Anlisis Modal de Variaciones y Efecto puede ser usado en situaciones donde la
funcin de transferencia, i.e. la relacin entre la KPC y los factores que las afectan, es
desconocida. Inversamente, cuando la expresin analtica de la funcin de transferencia
es conocida, el VMEA se corresponde con el bien conocido Mtodo de los Momentos.
El VMEA es particularmente til para apoderarse de informacin de la funcin de
transferencia normalmente dominada por los expertos en el producto bajo estudio. Los
resultados del VMEA entonces sirven como base para lograr un diseo robusto usando
el DoE tradicional en las fases de diseo de los parmetros y la tolerancia.
VMEA
87
Este estudio tiene la siguiente estructura:
Mtodo VMEA
El VMEA para establecer una teora estadstica, i.e. el Mtodo de los Momentos
Discusin del mtodo
Conclusin
Este captulo describe un mtodo de ingeniera basado en la estadstica, el VMEA, que

facilita una comprensin de la variacin y seala las reas del producto/proceso a las
que se debe dirigir los esfuerzos de mejora. Una aplicacin industrial tambin es
descrita para ilustrar cmo el VMEA puede ser usado para propsitos de mejora de la
calidad.
VMEA
88
6.2
Objetivo
El Anlisis Modal de Variaciones y Efecto (VMEA) es un mtodo de ingeniera

desarrollado para buscar de forma sistemtica los factores de ruido que afectan a las
caractersticas clave del producto (KPCs). Dirigido por unas bases regulares, el
propsito del VMEA es identificar y priorizar los factores de ruido que contribuyen de
una forma ms significativa a la variabilidad de las KPCs y que podran ocasionar
consecuencias indeseadas respecto a la seguridad, la conformidad con regulaciones
gubernamentales, y requerimientos funcionales. Como resultado del anlisis, se calcula
un Nmero de la Prioridad del Riesgo de la Variacin (VRPN), dirigiendo la atencin a
reas donde una variacin podra ser perjudicial. Basndose en los resultados obtenidos
con el VMEA, se puede formular una estrategia del ruido mejorada, facilitando los
consecuentes esfuerzos para obtener productos robustos y fiables.
Prioridad
Areas
Crticas
Sensibilidad
VRPN
KPCs
Sub-KPC
NFs
VMEA
89
6.3
Anlisis Modal de Variaciones y Efectos
El VMEA es un mtodo de ingeniera basado en la estadstica y encaminado a guiar a

los ingenieros a encontrar reas crticas en trminos de los efectos de una variacin no
deseada. Antes de hacer un VMEA, es necesario definir un conjunto de Caractersticas
del Producto (PCs) y seleccionar aquella o aquellas que sean de particular inters desde
el punto de vista de la variacin. Se definen las Caractersticas del Producto Clave
(KPCs) como las caractersticas donde una variacin indeseada puede tener un impacto
sustancial en la seguridad, coste final, conformidad con las leyes gubernamentales o los
requerimientos funcionales. Algunas tcnicas sistemticas, como el despliegue de la
funcin de la calidad, son adecuadas para generar Caractersticas del producto. Aparte
de esto, un equipo de ingenieros puede hacer una lista de PCs en una sesin de
brainstorming, y seleccionar una o ms KPCs. La Figura 22 es una ilustracin grfica
del proceso de seleccin de KPC seguido en una sesin de VMEA.
Necesidades y
requerimientos del
cliente
VMEA
PCs
KPCs
1. Desglose de KPCs
2. Valoracin de la
sensibilidad
3. Valoracin del
tamao de la
variacin
4. Calculo del riesgo
de la variacin
Brainstorming
Figura 22. Proceso de seleccin de las KPCs y VMEA
VMEA
90
El procedimiento del VMEA consiste en cuatro pasos:

Paso 1: Desglose detallado y causal de las Caractersticas Clave del Producto
Paso 2: Valoracin de la sensibilidad
Paso 3: Valoracin del tamao de la variacin
Paso 4: Valoracin del Riesgo de la Variacin y Prioritizacin
Los prximos cuatro apartados describen cada paso en detalle.
Glosario de Trminos
VMEA-Variation Mode and Effects Analysis-Anlisis Modal de Variaciones y
Efectos
Mtodo para analizar los efectos causados en un producto por las variaciones
producidas por diferentes causas. Mtodo de fcil uso para obtener una vista general
estratgica de los riesgos que diferentes parmetros pueden implicar en el desarrollo
total del proyecto. El FMEA (Anlisis Modal de Fallos y Efectos) ha sido la base de
este nuevo mtodo.
KPC-Caracterstica
clave
del
producto/proceso
Key
Product/Process
Characteristic)
Una KPC es una caracterstica clave del producto/proceso para la que las variaciones no
deseadas podran tener un efecto importante en la seguridad del producto/proceso, en la
satisfaccin de regulaciones gubernamentales o sobre requisitos de funcionamiento.
Sub-KPC
Un Sub-KPC es un elemento del producto/proceso mediante el cual se transmiten las
variaciones a las KPCs. Un Sub-KPC normalmente puede ser controlado por el
diseador.
NF-Factor de Ruido-Noise Factor
Los factores de ruido son fuentes de variacin que afectan al producto/proceso. Un
factor de ruido no puede ser controlado normalmente por el diseador. Ejemplos tpicos
son aquellos ruidos originados por el uso del producto y variaciones en la produccin.
VMEA
91
VRPN-Valor de la Prioridad de Riesgo de la Variacin- Varition Risk Priority

Number
El Valor de la Prioridad de Riesgo de la Variacin indica el orden en el cual las
actividades destinadas a la reduccin de la variacin deberan llevarse a cabo.
VMEA
92
6.3.1
Paso 1: Desglose Causal de las Caractersticas Clave del Producto
Una vez se ha seleccionado una KPC, normalmente se puede descomponer en un

nmero de sub-elementos llamados Sub-KPCs. Las Sub-KPCs son caractersticas de
cada producto o componentes del producto o del proceso de fabricacin cuyos valores
afectan a la KPC. Por lo general son conocidas y controlables. Adems, cada Sub-KPC
puede estar afectada a su vez por un nmero de Factores de Ruido (NFs).
Una clasificacin muy comn distingue los NFs que se manifiestan y actan durante
la produccin de aquellas que actan durante el uso del producto. El primer tipo
determina las diferencias entre productos fabricados para cumplir con las mismas
especificaciones (variacin uno-a-uno). El segundo tipo resulta de los diferentes
comportamientos de una misma muestra de un producto cuando se usa repetidamente
(variacin en-uso). Los NFs que se presentan durante el uso pueden a su vez dividirse
en: causados por fuentes internas o externas. Las fuentes externas pueden ser
condiciones del entorno/ de operacin que cambian con el tiempo y con le lugar cuando
se usa el producto. Las fuentes internas pueden ser las condiciones del producto en si
mismas, que cambian con el tiempo cuando es usado, debido a la accin de procesos
fsicos que causan desgaste o degradacin.
Otra clasificacin de los NFs tambin es posible, basada en el grado de conocimiento
sobre ellos y su manejabilidad. En la Figura 23 se muestra un plan resumido de las dos
clasificaciones de NFs.
VMEA
93
Produccin
NF
Variacin uno a uno
Externo (entorno/ condiciones operacin)

en uso
Interno (desgaste/ degradacin)
Desconocidas
NFs
Inobservables
Conocidas
Incontrolabl
Observables
Controlables
Figura 23. Dos posibles clasificaciones de los Factores de Ruido
El desglose causal de la KPC es el primer paso en facilitar un entendimiento de la

variacin. Se representa grficamente en la Figura 24 en un diagrama causa-efecto.
VMEA
94
Figura 24. Desglose de la KPC en Sub-KPCs y Factores de Ruido
De hecho, puede haber diferentes niveles de Sub-KPCs (Ej. Sub-Sub-KPCs). Sin

embargo, por propsitos de ilustracin, nos referimos slo a las Sub-KPCs en esta
seccin, i.e. al primer nivel. Adems se asume que los NFs slo pueden afectar a las
KPCs a travs de las Sub-KPCs. Una formulacin ms general del problema se discutir
en la Seccin 3.
Los pasos a seguir para la construccin de un Diagrama Causa-Efecto o de la Espina de
Pescado son:
1. Definir el resultado o efecto a analizar. KPC. Esta funcin debe estar hecha en
trminos operativos, lo suficientemente concretos para que no exista duda sobre
qu se pretende, de manera que el efecto estudiado sea comprendido
satisfactoriamente por los miembros del equipo.
2. Situar el efecto o caracterstica a examinar en el lado derecho de lo que ser el
diagrama, enmarcado en un recuadro. En ste debe aparecer, al menos, una
breve descripcin del efecto.
3. Trazar una lnea hacia la izquierda, partiendo del recuadro.
4. Identificar las causas principales que inciden sobre el efecto .Sub-KPC. stas
sern las ramas principales del diagrama y constituirn las categoras bajo las
cuales se especificarn otras posibles causas.
VMEA
95
Para cada problema u objetivo, se definirn las que se consideren ms relevantes

en cada caso. S es conveniente que sean ms de dos y menos de seis.
5. Situar cada una de las categoras principales de causa en sendos recuadros
conectados con la lnea central. Mediante un conjunto de lneas inclinadas.
6. Identificar, para cada rama principal, otros factores especficos que puedan ser
causa del efecto. NF. Estos factores conformarn las ramas de segundo nivel. A
su vez, stas podrn expandirse en otras de tercer nivel, y as sucesivamente.
Para esta expresin recurrente ser til emplear series de preguntas iniciadas
con: por qu. As mismo, para desplegar las ramas y sus distintos niveles, puede
usarse el mtodo de Tormenta de Ideas o Brainstorming.
El nmero de niveles no est limitado de forma que puede darse la circunstancia
de que sea necesario seccionar el diagrama en otros pequeos diagramas si
aparece un elevado nmero de niveles e una o ms ramas.
7. Verificar la inclusin de factores. Ser preciso repasar el diagrama para asegurar
que se han incluido en l todos los factores causales posibles.
8. Analizar el diagrama. El anlisis debe ayudar a identificar las causas reales. Un
Diagrama Causa-Efecto identifica nicamente causas potenciales. Por tanto, ser
preciso llevar a cabo una recordatorio de datos posterior, y su pertinente anlisis,
para llega a conclusiones slidas sobre las causas principales del efecto. En esta
fase, el Diagrama de Pareto puede ser utilizado como valiosa herramienta.
VMEA
96
6.3.2
Paso 2: Valoracin de la Sensibilidad
En el segundo paso del procedimiento, los ingenieros valoran la sensibilidad de la KPC

a la accin de cada Sub-KPC y la sensibilidad de cada Sub-KPC a la accin de los NFs.
Para valorar la sensibilidad, los ingenieros pueden usar medidas objetivas o
valoraciones subjetivas basadas en su experiencia y conocimientos tericos. Como no
siempre es posible obtener medidas objetivas, especialmente en las fases ms tempranas
del desarrollo, nosotros proponemos utilizar criterios de valoracin subjetivos para
tomar el conocimiento de los ingenieros sobre las sensibilidades. La valoracin est en
una escala de 1 a 10, donde el 1 corresponde con una sensibilidad muy baja y 10 se
corresponde con una sensibilidad muy alta. El criterio se explica en la Tabla 5.
Criterio 1: Criterio de evaluacin de la sensibilidad

Muy baja sensibilidad. Un cambio en un parmetro es
muy poco probable que cause cambios sustanciales en el
otro.
Baja sensibilidad. Un cambio en un parmetro es poco
probable que cause cambios sustanciales en el otro.
Puntuacin
1-2
3-4
Sensibilidad moderada. Un cambio en un parmetro es

5-6
Sensibilidad alta. Un cambio en un parmetro es bastante

7-8
Sensibilidad muy alta. Un cambio en un parmetro es

muy probable que cause cambios sustanciales en el otro.
9-10
Tabla 5. Criterio de valoracin de la sensibilidad.
VMEA
97
6.3.3
Paso 3: Valoracin del Tamao de la Variacin
En el tercer paso, los ingenieros examinan los NFs y estiman la magnitud de su

variacin en las condiciones de operacin. En la Tabla 6, proponemos un criterio de
valoracin subjetivo para medir el conocimiento de los ingenieros sobre la magnitud de
una variacin del factor de ruido. La valoracin est basada en una escala del 1 al 10,
donde el 1 corresponde a una variacin muy baja y el 10 corresponde a una variacin
muy alta.
Criterio 2: Criterio del evaluacin de la variacin del

factor de ruido
Puntuacin
Muy poca variabilidad del factor de ruido en condiciones de

operacin, es decir , a pesar de las condiciones de operacin la
dispersin del factor de ruido continua siendo muy pequea.
1-2
Poca variabilidad del factor de ruido en condiciones de

operacin, es decir, a pesar de las condiciones de operacin la
dispersin del factor de ruido continua siendo bastante pequea.
3-4
Moderada variabilidad del factor de ruido en condiciones de

operacin, es decir, a pesar de las condiciones de operacin, la
dispersin del factor de ruido continua siendo pequea.
5-6
Alta variabilidad del factor de ruido en condiciones de

operacin, es decir, la dispersin del factor de ruido es grande.
7-8
Gran variabilidad del factor de ruido en las condiciones de

operacin, es decir, la dispersin del factor de ruido es muy
grande.
9-10
Tabla 6. Clculo de variacin del factor de ruido.
VMEA
98
6.3.4
Paso 4: Valoracin del Riesgo de la Variacin y Prioritizacin
Basndose en la valoracin hecha en los tres pasos previos, se calcula el Nmero de la

Prioridad del Riesgo de Variacin (VRPN) para los factores de ruido y teniendo en
cuenta cada Sub-KPC.
VRPN NF/ Sub-KPC =S12 S22 V2
(1)
Aqu:
S1, es la sensibilidad de la KPC a la accin de la Sub-KPC que est influenciada a su vez
por el NF (valorado en el paso 2);
S2, es la sensibilidad de la Sub-KPC a la accin del NF (valorado en el paso 2);
V, es el tamao de la variacin del NF (valorado en el paso 3).
Si uno y el mismo Sub-KPC est influenciado por varios NFs, es posible calcular el
Nmero de Prioridad del Riesgo de la Variacin (VRPN) para Sub-KPC sumando los
VRPN NF/Sub-KPC calculados respecto a esa Sub-KPC.
VRPN Sub-KPC = VRPN NF/ Sub-KPC
(2)
Los fundamentos de las frmulas (1) y (2) vienen de una teora estadstica establecida,
que se explicar en la siguiente seccin. Adems, si uno y el mismo NF afecta a varias
Sub-KPCs, es posible calcular el VRPN
NF/Total
total para ese NF sumando sus
respectivos VRPNNF/Sub-KPCs para los diferentes Sub-KPCs.
VMEA
99
Ver criterio 2
Ver criterio 1
VMEA
100
6.4
Justificacin formal del VMEA: Mtodo de los Momentos
Por el bien de una buena ilustracin, consideremos una funcin

z= f (x,y)
(3)
Uniendo una salida o variable dependiente z a dos variables de entrada x e y (evitamos

el trmino independiente que puede confundirse con la propiedad de independencia
estocstica usada ms abajo). Ahora, consideremos el desarrollo de Taylor de segundo
orden de la funcin f alrededor de un punto dado (x 0 , y 0 ).
( x x0 ) 2
f
2 f
f
x 0 y 0
z (x 0 , y 0 ) +
x 0 y 0 (x- x 0 ) +
x 0 y 0 (y- y0) +
+
2
x
x
2
y
2 f
y 2
x0, y0
( y y0 )2
2
(x x0 )( y y0 )
2 f
+
x0 y 0 .
xy
2
Si x e y son variables aleatorias, la relacin (3) se transforma en:

Z = f (X, Y)
(4)
Y se refiere a una transformacin de variables aleatorias. Indiquemos ahora:

E {X}= x , E{Y}=y ,
Var {X}=x2,
Var{Y}= y2
Ms an nosotros asumimos que X e Y son independientes. El desarrollo de Taylor de

orden dos de la transformacin (4) alrededor del valor esperado de X e Y da:
VMEA
101
Z f ( z . , y )
(Y X )
f
f
2 f
+
z y . (X X ) +
Z X . (Y y )+
Z y .
2
Y
Y
X
2
(Y y ) + 2 f . ( X Z )(Y y )
2 f
.
z y
z y
2
Y 2
2
XY
2
(5)
Que en lo sucesivo escribiremos como
1 =
1 2 f
f
f
1 2 f
zx , 2 =
Z Y , 1 =
=
z y
z
y
2
X
Y
2 Y 2
2 Y 2
(6)
Usando la frmula (5), ahora ya es posible calcular los dos primeros momentos de la
variable aleatoria Z. Para el valor esperado, se usar la aproximacin de segundo orden
completa. Para el clculo de la varianza, slo se considerarn los trminos de primer
orden para conseguir as una formulacin simple. Obtenemos:
E {z} f ( z , y ) + 1 x2 + 2 y2
(7)
Var {Z } 12 x2 + 22 y2
(8)
La extensin de los resultados (7) y (8) a una relacin con cualquier nmero de
variables independientes aleatorias es sencilla.
Las frmulas (7) y (8) constituyen la mayor parte del mtodo de los momentos.
Tambin se les llama frmulas de propagacin del error y se usan sobre todo en el
campo de las tolerancias.
Procediendo con este ejemplo ilustrativo, ahora asumimos que la aleatoriedad de
las variables X e Y est causada por varias fuentes de variacin. Concretamente,
llamamos N1, N2, N3,...Nm a las fuentes de variacin que afectan a X y M1, M2,...Mn
aquellas que afectan a Y.
VMEA
102
Por las mismas razones que con (8), justificamos lo siguiente:
x2 = 112 N2 + ... + 12m N2

1
y2 = 212 M2 + ... + 22n M2

1
(9)
(10)
Donde:
1i =
X
Para
N i
i=1,,m
2i =
Y
para j=1,,n.
M j
Evaluadas en Ni, y Mj son valores.

Por lo tanto, sustituyendo (9) y (10) en (8) obtenemos:
2
Var {} = 12 112 n21 + ... + 12m m2 + 22 21
M2 1 + ... + 22n M2 n
(11)
La frmula (11) expresa la varianza de Z como la suma de dos trminos, el primero

debido a la accin de X y el segundo a la accin de Y. Adems, simplificando (11)
obtenemos:
2
Var {} = 12 112 N2 1 + ... + 12 12m N2 m + 22 21
M2 1 + ... + 22 22m M2 n
(12)
Cada trmino de la varianza de Z es el producto de tres elementos, dos derivadas

parciales cuadradas y una varianza.
Ahora unimos los conceptos generales ilustrados anteriormente al mtodo
VMEA. Haremos esto presentando primero la situacin matemticamente, descrita con
un diagrama de Ishikawa, ver Figura 25.
VMEA
103
Figura 25. Diagrama de Ishikawa para el modelo matemtico descrito.
La conexin entre el VMEA y el Mtodo de los Momentos es evidente: la variable de

salida Z es la KPC, y las variables X e Y son dos Sub-KPcs, cada una afectada por
factores de ruido. Lo que es tambin evidente para nuestra descripcin es que
consideramos los factores de ruido como las nicas fuentes de variacin, mientras que
las Sub-KPC tienen slo la funcin de encauzar la variacin (inducida por NFs) hacia la
KPC. La sensibilidad de la KPC, Z, a la variacin de la Sub-KPC, X es medida por la
derivada parcial 1, mientras que la sensibilidad a la variacin de Y es medida por 2.
Los coeficientes 1i (i= 1,, m) miden la sensibilidad de la Sub-KPC X a la accin de
los factores de ruido Ni, mientras que los coeficientes 2j (j= 1,, n) miden la
sensibilidad de Y a la accin de los factores de ruido Mj. En el primer miembro de (11),
si identificamos la primera parte con VRPNx, y la segunda parte con VRPNy,
demostramos que los VRPNs son efectivamente sumables y que su suma da la variacin
total de la KPC como resultado. Cada trmino de (12) es el VRPN para una
combinacin especfica factor de ruido-Sub-KPC. Es posible que el mismo factor de
ruido afecte a ms de una Sub-KPC. Entonces, si todos los trminos relacionados con
un mismo factor de ruido se suman, se obtienen los VRPNs relacionados con cada
VMEA
104
factor de ruido. Como resultado, se puede hacer una clasificacin de los factores de
ruido para valorar su importancia relativa, i.e. su efecto relativo en la KPC seleccionada.
Los resultados previos pueden generalizarse fcilmente al caso de cualquier nmero de
KPCs y a cualquier nivel de Sub-KPCs. Por ejemplo, si el factor de ruido Mijkl afecta a
la SubSub-KPCijk de la Sub-KPCij de la KPCi , entonces su VRPN ser evaluado como:
VRPNMijkl = 2ij 2ijk 2 ijkl 2Mijkl
VMEA
105
6.5
Una Aplicacin Industrial
El VMEA es una herramienta desarrollada recientemente, pero ya ha provocado el

inters de la industria debido a su simplicidad y a la sencillez de uso. Se hizo
recientemente una aplicacin en una pequea compaa de Inglaterra especializada en la
estampacin en metal y en productos forjados (especialmente en aluminio, latn y
cobre).
Un grupo de representantes de cuatro compaas (ingenieros de diseo y produccin),
dos de los autores y una consultora se reunieron para discutir un proyecto de mejora de
la calidad relacionado con la gestin de la variacin no deseada. El proyecto trataba de
una vlvula de latn forjado en un sistema de refrigeracin industrial. Desde que este
componente tiene un papel crtico en el sistema de refrigeracin, el cliente hace una
gran demanda en trminos de calidad y confianza. En particular, el cliente indic
algunas dimensiones crticas en las que se fijaban unas tolerancias rigurosas. Para una
de ellas, el dimetro del agujero interno, la compaa quiere asegurar que el proceso de
fabricacin es robusto. La Figura 26 muestra un dibujo esquemtico del componente.
Figura 26. Dibujo esquemtico del componente fabricado.

El dimetro del agujero interno es la dimensin ms crtica. Si ste se desva de su valor
nominal, el funcionamiento del sistema de refrigeracin se degradar. Por lo tanto, esta
dimensin ha sido elegida como una KPC para la aplicacin del VMEA.
El agujero interno es mecanizado a lo largo de un proceso de perforacin de dos fases,
el cual consiste en la fase del desbaste y un ciclo de acabado. Se identificaron seis
sub-KPCs ya que tienen un efecto potencial y transfieren variacin a la KPC elegida.
Sus descripciones se dan en la Tabla 7.
VMEA
106
Adems de sealar las sub-KPCs, se pidi a los ingenieros que identificaran un nmero
de factores de ruido (NFs) que afectan a cada sub-KPC. Estos incluan dilucin, flujo
refrigerante, ajuste de la mquina, desgaste de la mquina, variabilidad del proveedor,
dao de la herramienta, desgaste de la herramienta y electricidad. El diagrama final de
Ishikawa de este case study se muestra en la Figura 27. Como puede entenderse de la
Tabla 7 y de la Figura 27, esta ilustracin slo aborda el problema de la gestin de la
variacin no deseada en la fabricacin, cuando las variaciones causadas por el desgaste
y el envejecimiento no estn presentes.
Tabla 7. Sub-KPCs para la KPC
Sub-KPC
Descripcin
Profundidad de la Mquina Herramienta
La mquina herramienta se usa en la primera
fase
de
perforacin
(desbaste).
Su
profundidad es un factor importante.
Dimetro de la Maquina Herramienta
La mquina herramienta se usa en la primera

fase de perforacin (desbaste). Su dimetro es
un factor importante.
Dimetro de la Herramienta de acabado
La herramienta de acabado se usa en la

segunda fase de perforacin (acabado). Su
dimetro es un factor importante.
Alimentacin de la Herramienta de acabado
La alimentacin de la herramienta de acabado

es la velocidad vertical de la herramienta en
su movimiento de traslacin durante la fase de
acabado. Se considera un factor importante.
Velocidad de la Herramienta de acabado
La velocidad de la herramienta de acabado es

la velocidad de rotacin de la herramienta en
la fase de acabado. Se considera un factor
importante.
Sistema refrigerante
Este sistema se activa durante ambas fases

del proceso. Es un factor muy importante para
un buen resultado de la operacin.
VMEA
107
Velocidad Hta.
Acabado
Electricidad
Desgaste
Mquina
Dilucin
Refrigerante
Ajuste
Mq.
Flujo
Desgaste
Mquina
Ajuste
Mq.
Profundidad Mq.
Hta.
Dao Hta.
Desgaste Hta.
Variabilidad
proveedor
Desgaste
Mquina
Alimentacin Hta.
Acabado
Ajuste
Mq.
Electricidad
Dimetro
Mq. Hta.
Dao Hta.
Desgaste Hta.
Variabilidad
proveedor
Desgaste
Mquina
Ajuste
Mq.
Ajuste
Mq.
Desgaste
Mquina
Desgaste Hta.
Dao Hta.
Variabilidad
proveedor
Dimetro Mq.
Hta.
Dimetro
Interno
Los ingenieros tambin calcularon la sensibilidad de la KPC respecto a las sub-KPC, y

de las sub-KPCs respecto de los NFs. Adems del tamao de la variacin de cada ruido,
como se describi en la Seccin 2. Los datos generados se introdujeron en
una
herramienta de software, facilitando el clculo y la presentacin de los resultados. El

resultado final de la aplicacin de un VMEA se resume en la Tabla 8.
KPC
Interno
Sub-KPC
Sensibil
idad
KPC a
SubKPC
Refrigerante
Hta. Acabado
10
Alimentacin
Hta. acabado
Velocidad Hta.
acabado
Profundidad
corte
Hta. corte
VMEA
Tabla 8. Resumen aplicacin VMEA

NF
Sensibilidad
Tamao
Sub-KPC a
Variacin
NF
NF
Dilucin
Flujo
Ajuste Mq.
Desgaste Mq.
Variabilidad
proveedor
Dao Hta.
Desgaste Hta.
Electricidad
Ajuste Mq.
Desgaste Mq.
Electricidad
Ajuste Mq.
Desgaste Mq.
Ajuste Mq.
Desgaste Mq.
Variabilidad
proveedor
Dao Hta.
Desgaste Hta.
Ajuste Mq.
Desgaste Mq.
Variabilidad
Proveedor
Dao Hta.
Desgaste Hta.
VRPN
(NF)
2
9
2
8
2
3
2
2
64
2916
1600
25600
25600
10
10
3
6
6
3
2
2
4
1
2
6
1
2
2
1
2
2
2
2
40000
360000
225
3600
3600
225
400
400
3136
196
196
10
1
2
8
2
6
2
2
19600
1764
1024
16384
1024
10
2
2
6
25600
9216
VRPN
(Sub-KPC)
2980
452800
7425
1025
24892
53248
109
Como resultado final de la sesin de VMEA, mostramos la contribucin relativa de

cada sub-KPC y de cada NF por medio de un diagrama de barras (Figuras 28a y 28b).
Esta representacin grfica demuestra que el Dimetro de la Herramienta de acabado
(sub-KPC) y el desgaste de la Herramienta (NF) son los que contribuyen ms a la
variacin del dimetro del agujero interno; por eso los esfuerzos de mejora de la calidad
deberan dirigirse a estas reas. Ms an, podemos ver la contribucin a la variabilidad
y el grado relativo de importancia de otras sub-KPCs y NFs.
Los ingenieros de la compaa consideraron como til e interesante la aplicacin del
VMEA en este case study. De hecho, terminado este case study,
tuvieron la
oportunidad de discutir actividades que podran mejorar la calidad. En algunas

ocasiones, no era inmediato un acuerdo en los pasos de valoracin y requera ms
discusiones tcnicas e intercambios de experiencia.
Mquina Mquina Profund.

Alimentac. Refriger.
Acabado
Herramta. Mq. Hta. Mq. Acab.
Velocidad
Mq. Acab.
SUB-KPC
Figura 28a. Contribucin relativa de las Sub-KPCs
VMEA
110
Desgaste
Hta.
Dao
Hta.
Desgaste
Mquina
Variab.
Ajuste
Proveedor. Mq.
Flujo
Electric
Dilucin
Factores de ruido
Figura 28b. Contribucin relativa de los NFs
VMEA
111
6.6
Discusin del Mtodo

El Diseo Robusto es un Metodologa encaminada a encontrar la mejor
combinacin posible de los parmetros de diseo, haciendo el funcionamiento del

producto (entindase KPC) tan insensible como sea posible a la accin de los NFs. En
este contexto, el VMEA permite a los ingenieros centrarse en los NFs, sus magnitudes y
traspasarlas a las KPCs por una secuencia de sensibilidades interrelacionadas. De ah
que esto facilite una planificacin experimental para el diseo robusto.
Hemos hablado de la existencia de algunos mtodos sistemticos a la hora de
gestionar la variacin, uno de ellos es el FMEA. La estructura del VMEA es similar a la
del FMEA, pero el concepto que conlleva es diferente. El FMEA se centra
principalmente en los fallos, mientras que el VMEA lo hace en la variacin. Desviar la
atencin desde los fallos hasta la variacin es probablemente una forma de deducir el
nmero de fallos, la mayora de ellos causados por variaciones no deseadas. Adems, el
VMEA est enfocado desde arriba hacia abajo, que significa que primero se selecciona
la KPC y despus se descompone en Sub-KPCs y NFs que los influencian.
Hasta ahora lo que hemos conseguido es que las compaas establezcan un modo
formalizado de asignar un orden de prioridad a las caractersticas Claves del Producto
en trminos de importancia a la hora de reducir la variacin.
Los resultados del VMEA entonces sirven como base para lograr un diseo robusto
desarrollando posteriormente el DoE en las fases de Diseo de los Parmetros y de la
Tolerancia.
VMEA
FMEA
VMEA
Fallo
s
Variacin
112
EL DISEO DE EXPERIMENTOS
7.1
Antecedentes
El Diseo de Experimentos (DoE) ha llegado a ser una de las tcnicas estadsticas ms

populares de los 90's. En 1920, el cientfico britnico Ris R.A. Fisher, lo cre como un
mtodo para maximizar el conocimiento obtenido de datos experimentales y ha ido
evolucionando durante los ltimos 70 aos. Desafortunadamente, la mayor parte del
desarrollo del DoE fue matemticamente complejo y es por eso que su uso se ha
restringido a aquellos bien versados en matemticas. La reciente popularidad alcanzada
por el DoE est asociada con los trabajos de Taguchi, un ingeniero japons que se
enfoc en el uso prctico, en lugar de perfeccionar la tcnica matemtica. En corto
tiempo, el trabajo de Taguchi comenz a revolucionar la presentacin del material del
DoE y la teora matemtica fue casi ignorada, para alcanzar la claridad y practicabilidad
de ste. Es as como cientficos, ingenieros, tcnicos y administradores que no son
expertos en matemticas son ahora los mayores practicantes del diseo experimental.
Para ello haremos primero un breve repaso sobre distintas tcnicas estadsticas de
control y que se diferencian del Diseo de Experimentos en que todas ellas detectan
cuando hay un fallo en el proceso, cuando se sale de los lmites, pero ninguna
recomienda cmo actuar y cul es la solucin ptima para mejorar dicho proceso o
diseo del producto.
Caso Prctico
113
7.2
El Anlisis del Proceso
Todo proceso vara. Esta tendencia inherente de los productos a no ser idnticos se
conoce como Variabilidad el Proceso, mientras que la habilidad de fabricar un producto
de forma que estn dentro de unos lmites predecibles de similitud es la Capacidad del
Proceso.
Usar una y otra vez el mismo proceso dar lugar a muchas tandas de productos que
parezcan similares, pero alguna vez en algn momento se obtendr una tanda que sea
bastante diferente. Cuando esto ocurre, el producto est fuera de la variabilidad normal
del resto, por eso se le llama fuera de lmite.
Algo especial fuera de su proceso definido ocurri y dio lugar a esos fuera de lmite,
por ejemplo, el operario subi la temperatura del horno sin darse cuenta o emple ms
tiempo del necesario, se dice que su proceso se ha ido fuera de control debido a causas
asignables o especiales. Las causas especiales son impredecibles y deberan ser

evitadas. En procesos complejos el hecho de que ocurran incidentes fuera de control
puede ser muy costoso. En la fabricacin de semiconductores, por ejemplo, un accidente
originado por una causa asignable puede significar prdidas en cientos de miles de
euros. Esto es por lo que en la industria, es responsabilidad de todo el mundo mantener
el proceso controlado.
Esto slo puede ser hecho si hay un determinado promedio de observaciones del
proyecto para detectar las anormalidades y se corrige la situacin antes de que el
proceso vaya fuera de control. Observar cmo el proceso tiene lugar y cmo se
comporta es conocido como Anlisis del Proceso, mientras que responder a los cambios
para mantener el proceso dentro de su variabilidad normal es conocido como Control
del Proceso.
El Anlisis del Proceso consiste en observar y medir los parmetros crticos que afectan
a un proceso en los intervalos regulares y predefinidos, y registrar las observaciones y
resultados. Los parmetros crticos para monitorizar son escogidos de forma que
representen colectivamente el estado del proceso completo, pero como la
Caso Prctico
114
monitorizacin cuesta dinero, es necesario limitar el nmero de parmetros

monitorizados hasta el mnimo requerido para asegurar que el proceso est
consiguiendo los estndares de calidad de la compaa. Una forma de reducir los
parmetros que necesitan ser vigilados es ver las correlaciones entre los parmetros. Si
el comportamiento de un parmetro puede ser adecuadamente
estimado por el
comportamiento de otro, entonces slo hay que monitorizar uno de ellos. El propietario
del proceso debera eliminar todas las redundancias en la monitorizacin del proceso.
Los resultados del monitor quiz slo se anoten en los libros de registro, pero la
simplicidad de este mtodo tiene un gran inconveniente. Los nmeros escritos en papel
son difciles de analizar de forma visual y no llaman la atencin del propietario del
proceso
cuando se plantea una anomala. Esto es por lo que muchas compaas
emplean las Hojas u Grficos de Control en lugar de grabar las medidas de sus
monitores.
Las Hojas de Recogida de Datos, los Histogramas y los Diagramas de Pareto, son
instrumentos que, partiendo de un conjunto de datos recogidos durante un perodo de
tiempo, revelan valiosas informaciones de sntesis que permanecan ocultas en le
conjunto bruto de los datos. Pero se trata de informacin esttica que no pone de
manifiesto los detalles de la evolucin de los datos en le tiempo.
Para una empresa tambin es fundamental conocer cmo evoluciona cualquier
caracterstica de calidad de los productos que fabrica a lo largo del tiempo. Slo de ese
modo es posible llevar a cabo las acciones necesarias para corregir los defectos que
puedan originarse durante el proceso productivo. Por ello es necesario disponer de
herramientas de informacin dinmica. Las Hojas de Control son instrumentos grficos
de informacin dinmica que pueden utilizarse tanto en el anlisis como en el control
estadstico del proceso.
En condiciones normales de funcionamiento, cualquier variable de cualquier proceso, o
caracterstica de calidad (peso, temperatura, longitud, concentracin, etc.), presenta a lo
largo del tiempo una variabilidad natural. Esta se pone de manifiesto cuando los valores
medios de los datos de cada perodo de tiempo ( X ) y los recorridos del mismo perodo
de tiempo (R, diferencia entre los valores mximo y mnimo de dichos datos), se
Caso Prctico
115
mantienen comprendidos entre dos valores, uno mximo y otro mnimo que se
denominan lmite superior e inferior de control.
Por ejemplo, supongamos que recogemos durante 25 das consecutivos 5 datos cada da
relativos a los valores de una caracterstica de calidad del proceso en anlisis y se
construye con los 125 datos un grfico en el que se registra la media de los 5 datos
diarios, tambin haremos otro con los recorridos.
El grfico completo, denominado X -R, revela la evolucin da a da de ambos valores.
En el Anlisis del Proceso todos los puntos ( X , R), estadsticos de las muestras, deben
estar comprendidos entre ambas lneas para poder asegurar que el proceso est
normalizado y estandarizado, no habiendo existido durante todo el perodo causas
estadsticas asignables que, de existir, originaran puntos fuera de los lmites,
invalidando estos para el posterior control del proceso en perodos sucesivos. En
resumen, los lmites calculados slo son vlidos si todos los puntos ( X , R) obtenidos,
quedan dentro de ellos durante el perodo (hora, turno, das, mes) de anlisis del
proceso.
El objetivo del Anlisis del Proceso es averiguar mediante los datos recogidos, si el
proceso est bajo control estadstico.
Tipos de hojas de control

1. Hojas de control de medidas variables: Son las denominadas hojas X -R,
aplicables a caractersticas de calidad tales como dimensiones, peso, dureza, etc.,
y parmetros de funcionamiento tales como temperatura, velocidad, tiempo, etc.
2. Hojas de control de atributos: Se emplean cuando el proceso de fabricacin da
lugar a artculos que comparados con las especificaciones pueden clasificarse en
conformes y no conformes, aceptados o rechazados, defectuosos y no
defectuosos. No me centrar en stas porque a la hora de hacer el diseo de
experimentos ocupan ms tiempo, como se ver ms tarde en el caso prctico.
Adems los atributos pueden ser convertidos en variables.
Caso Prctico
116
Figura 29. Ejemplo de Hoja de Control X -R
Caso Prctico
117
7.2.1
Hoja de control: Construccin
En este apartado se expondr el despliegue del grfico por variables de media y

recorrido ( X - R), al aportar bastante informacin y ser, tal vez, el ms utilizado.
El modo de trazar este tipo de hoja de control es el que sigue:
1. Determinar los datos a reunir. Que habrn de referirse a una variable del proceso
considerada relevante.
En el ejemplo que ilustrar esta exposicin, los datos correspondern a: tiempo en
responder a una solicitud de servicios sociales comunitarios.
2. Recoger los datos. La muestra ha de estar constituida por un nmero suficiente de

datos. Como mnimo 100 datos.
Los datos coleccionados se agrupan en subgrupos cuyo tamao suele oscilar entre 4 y
10 observaciones. Cuanto mayor sea el tamao de los subgrupos, ms sensible ser el
grfico de control. En cuanto a su nmero, en procesos industriales es habitual contar
con 20 25, si bien es admisible un nmero menor en funcin de las caractersticas del
proceso estudiado.
Lo que s es fundamental es que los datos de los subgrupos se tomen secuencialmente,
en los momentos del proceso elegidos para ello. En el ejemplo de referencia se han
tomado 12 subgrupos, correspondientes a las respuestas emitidas a las solicitudes
efectuadas por los ciudadanos, en periodos de 15 das. Pues bien, cada periodo puede
considerarse como un lote y las 6 observaciones de cada uno de ellos corresponden a
solicitudes efectuadas consecutivamente. Tenemos 12 subgrupos (k=12) con 6
componentes cada uno(n=6).
Caso Prctico
118
3. Calcular la media para cada subgrupo de datos

.
X=
X1 + X 2 + X 3 + ... + X n
Siendo n el nmero de componentes de cada subgrupo.
4. Calcular los recorridos para cada subgrupo.

R = (Valor mximo de x Valor mnimo de x)
5. Calcular la gran media (media de medias) de los subgrupos.
X=
X1 + X 2 + X 3 + ...X n
k
Siendo k el nmero de subgrupos.
6. Calcular la media de los rangos de los subgrupo

.
R=
R1 + R 2 + R 3 + ... + R n
k
7. Calcular los lmites de control para las medias y los rangos. Tanto los superiores
(UCL, Upper Control Limit) como los inferiores (LCL, Lower Control Limit)
Para el grfico de control de las medias:
UCL = X + A 2 R
LCL = X A 2 R
Caso Prctico
119
Para el grfico de control de los recorridos:
UCL = D4 R
LCL= D3 R
Los valores de A2 , D3 y D4 son constantes basadas en el tamao de subgrupo (n) y

aparecen para distinto n en la tabla 9.
Tabla 9. Valores predeterminados para hallar los lmites de control.

Obsrvese que para n < 7 no hay lmite de control inferior.
La tabla 10 refleja las operaciones anteriores realizadas para el ejemplo.
Caso Prctico
120
8. Representar los grficos de control.
Tabla 10. Hoja de control del ejemplo.
Caso Prctico
121
9. Anlisis y evaluacin. Para la interpretacin de los grficos de control, de medias y

recorrido, pueden seguirse las recomendaciones siguientes:
En condiciones normales de funcionamiento, con una variabilidad natural del

proceso, se observar :
Que todos los puntos X R se mantienen dentro de los lmites.

Que no hay grupo de puntos que, an dentro de los lmites, presenten
configuraciones particulares tales como series, tendencias, periodicidad, y
proximidad a los lmites de control.
Evidentemente, cuando todos los puntos estuvieran distribuidos a ambos

lados de la lnea media, y cercanos a la misma.
En el anlisis del proceso todos los puntos ( X R) deben cumplir estas
condiciones para poder asegurar que la variable del proceso est bajo control
estadstico, que se trata de in proceso estable referido a esta caracterstica. Con
otras palabras, podemos confiar en la constancia de la distribucin de la
poblacin, o lo que es igual, en la de su media, cuya estimacin viene dada por
X y en la de su recorrido cuya estimacin se denota por R.
Por el contrario, cuando un slo punto est fuera de los lmites de control, puede
estar sealando la ausencia de control del proceso. No obstante, esta
probabilidad sera pequea por lo que tal vez no sea oportuno efectuar cambios.
Si al menos 2 3 puntos sucesivos estn en el mismo lado de la lnea media y

ms de dos unidades sigma alejadas de esta lnea, estar indicada una falta de
control del proceso. Si el tercer punto consecutivo est alejado de la lnea media
en la medida indicada, pero en el otro lado, la misma conclusin sera vlida.
En el caso de que 4 5 valores sucesivos se situaran en el mismo lado, alejados

de la lnea central ms de 1 sigma, se apuntara un dficit en la estabilidad o
control del proceso.
Igualmente, estara indicada esta falta de control cuando al menos 7 valores
sucesivos estuvieran situados en el mismo lado de la lnea media. Esto mostrara

una inadecuada distribucin de esos puntos.
En nuestro ejemplo, el proceso parece ser inestable. Aparecen dos puntos fuera de los
lmites de control y, adems, 2 puntos (15/4 y 30/4) estn, en orden sucesivo, alejados
Caso Prctico
122
dos desviaciones tipo de la lnea central. Esta situacin hace sospechar la presencia de
causas asignables, o especficas, de variacin en el proceso.
Caso Prctico
123
7.3
El Control Estadstico del Proceso
A la hora de realizar el Control del proceso, el coste y la fiabilidad juegan un papel

importante en determinar qu controles del proceso implementar en su lnea de
fabricacin. Los sistemas informticos necesitan un mantenimiento caro. Muchas
compaas hoy da prefieren usar el Control Estadstico del Proceso (SPC- Stadistic
Control Process), recordaremos en primer lugar algunos conceptos relativos al SPC que
sern muy tiles para comprender el significado y el alcance del Diseo de
Experimentos.
La informacin recogida en la hoja de control en condiciones normales de
funcionamiento del proceso, que muestra su variabilidad natural, nos permite llevar a
cabo el control del proceso. Para ello, una vez diseada la hoja X -R, basta con calcular
para los das, o perodos sucesivos, y en las mismas condiciones horarias que se hizo
para el anlisis del proceso, los valores correspondientes de X y R. La comparacin
entre estos valores y los lmites anteriores de estabilidad del proceso nos informar si
contina o no bajo control. Si algunos puntos aparecen fuera de los lmites, es muy
probable que se haya producido algn cambio en los factores que influyen en el proceso
y que son debidos a causas no estadsticas: defecto de mquinas, error de operarios,
diferentes materias primas, cambio en las condiciones ambientales, variacin de la
destreza del trabajador, etc.
Hay que hacer notar lo siguiente:
-
Una variacin en la media del proceso sin cambio en el recorrido, se pone de

manifiesto slo en el grfico X .
Una variacin del recorrido del proceso sin cambio en la media se pone de
manifiesto en la hoja de control R y tambin se ve afectada la hoja de control X
aproximndose sus puntos a su lnea central cuando el recorrido del proceso
disminuye, y alejndose de ella cuando el recorrido del proceso aumenta.
Pero es necesario hacer notar que para que la utilizacin de las hojas de control sea
eficaz, es fundamental el conocimiento detallado del proceso que se trata de controlar.
Los grficos de control slo informan de la existencia de un problema, pero no nos
dicen cules son las causas ni cmo evitarlas.
Caso Prctico
124
El Control de Proceso Estadstico (SPC) es un sistema para vigilar, controlar y mejorar

un proceso a travs de un anlisis estadstico. Tiene muchos aspectos, desde los grficos
de control hasta los estudios de capabilidad del proceso y para mejora. No obstante, el
sistema SPC total de una compaa se podr desglosar en cuatro pasos bsicos:
-
Medir el proceso.
Eliminar las discrepancias dentro del proceso para hacerlo consistente.
Vigilar el proceso.
Mejorar el proceso.
Este ciclo de cuatro pasos quiz sea empleado una y otra vez para una mejora continua.
Gran cantidad de conceptos del SPC usados hoy en da fueron desarrollados basndose
en la premisa de que el parmetro del proceso que est siendo controlado sigue una
distribucin normal. Cualquier profesional del SPC debe estar enterado de que el
parmetro primero debe confirmar seguir la normal antes de ser sujeto a anlisis
basados en conceptos del comportamiento normal. As que, cualquier discusin sobre el
SPC debe estar precedida por una discusin sobre qu tipo de normal es.
Caso Prctico
125
7.3.1
La Distribucin Normal
La Distribucin Normal (ver Figura 30), la curva de la normal o la curva de la campana

de Gauss, es probablemente la
distribucin estadstica ms reconocida y ms
ampliamente usada. La razn es que muchos parmetros sociales, biolgicos y fsicos

obedecen a una distribucin normal. A estos parmetros se les dice entones que siguen
un comportamiento normal. Es importante para cada proceso de ingeniera tener un
conocimiento firme de lo que es un una distribucin normal.
Aparte del hecho de que la distribucin normal se encuentra frecuentemente en la vida
diaria, las matemticas que rigen el comportamiento de la normal son bastante simples.
De hecho, solo se necesitan dos parmetros para describir una distribucin normal,
llamados la media o su centro, y la desviacin estndar o su variabilidad. Conocer
ambos parmetros es equivalente a saber qu aspecto tiene la distribucin.
Media
Figura 30. La distribucin Normal.
La distribucin normal tiene forma de campana, tiene su mximo en el centro y va

disminuyendo mientras permanece simtrica con el centro.
Lo que es notable de la distribucin normal es que a pesar de los valores de su
desviacin estndar, el % de datos que
cae por debajo de
un nmero dado de
desviaciones estndar es constante. Por ejemplo, decir que la desviacin estndar del
proceso 1 es 100, y la desviacin estndar del proceso 2 es 200. El proceso 1 y el 2
tendrn una forma de distribucin de datos diferente (el proceso 1 es ms estable), pero
Caso Prctico
126
para ambos procesos, el 66% de datos bajo la curva de la normal caer dentro de +/- una
desviacin estndar de la media de la distribucin (i.e. entre {MEDIA 1 } y
{MEDIA + 1 }) y el 37% de los datos estar fuera de esto. La Tabla 11 muestra los
porcentajes de datos que caen bajo diferentes nmeros de sigma.
# de Sigmas
% de datos cubiertos
% de datos fuera
+/- 1 Sigma
66%
37%
+/- 2 Sigmas
95%
5%
+/- 3 Sigmas
99.73%
0.27%
+/- 4 Sigmas
99.9936%
0.0063%
+/- 5 Sigmas
99.99995%
0.00005%
Tabla 11. % de datos que caen bajo diferentes nmeros de +/-
-3
68.26%
95.46%
99.73%
Figura 31. Distribucin de datos.
Caso Prctico
127
Distribuciones asimtricas
Las curvas perfectamente normales son difciles de conseguir con datos o muestras
finitas. As que, algunas distribuciones de datos que son tericamente normales quiz
no lo sean al dibujarlas, es decir, la media quiz no est en el centro de la distribucin o
haya una ligera falta de simetra. Si una distribucin normal parece inclinarse hacia el
lado derecho de la distribucin, se dice que es asimtrica a la izquierda. A una
distribucin normal que se inclina hacia la izquierda se le llama asimtrica a la derecha.
El objetivo del SPC es producir distribuciones de datos que sean estables, predecibles y
buenas dentro de los lmites especificados para el parmetro que se est controlando.
En relacin con las discusiones precedentes, esto es equivalente a lograr distribuciones
de datos que estn centradas entre los lmites de especificacin, y tan estrechas como
sea posible. Un buen centrado entre los lmites y una variacin insignificante se traduce
en parmetros que estn siempre entre las especificaciones, que es la verdadera esencia
del control del proceso.
Figura 32. Distribuciones asimtricas.
Para calcular el porcentaje de productos que cae fuera de las especificaciones, p1 y p2, es
necesario encontrar cuntas desviaciones estndar existen entre la media total y cada
lmite de especificacin. El nmero de desviaciones estndar se conoce como el valor Z.
Los valores Z se usan con la Tabla de la distribucin normal estndar:
Encontrar el porcentaje que no llega al lmite de especificacin inferior: p1

Zlower = X LSL /
El resultado, con dos decimales, indica que el LSE est situado a una distancia
Zlower de la media total. Introduciendo este valor de Z en la tabla de la normal
Caso Prctico
128
obtendremos la probabilidad de que ocurra esto, i.e., el porcentaje de productos

que se producen sin llegar a la especificacin inferior.
Para encontrar el porcentaje que sobrepasa el lmite de especificacin superior:

p2
Zupper = USL X /
Indica cuntas desviaciones estndar estimadas existen entre la media total y el
lmite de especificacin superior. Introduciendo este valor Z en la Tabla de la
normal, obtendremos la probabilidad p2 de fabricar productos que estn por
encima de la especificacin superior.
0.4
CDF
0.3
0.2
0.1
0.0
-3
-2
-1
Normal
Figura 33. Valores que estn por encima de la especificacin.
p1 + p2 nos da el porcentaje de productos fabricados que no cumplen las

especificaciones o requerimientos del cliente en total.
Caso Prctico
129
7.3.2
Lmites de Control y Especificaciones. Exactitud y Precisin.
El que un proceso
est bajo control estadstico no quiere decir que estemos
produciendo completamente de acuerdo con las necesidades del cliente. Estas

necesidades se expresan mediante especificaciones o tolerancias que, en el caso de una
caracterstica de calidad con medidas variables, generalmente toman la forma de un
valor objetivo o centrado de diseo, y dos lmites, uno mximo o Lmite Superior de
Especificacin (UCL-Upper Control Limit), y otro mnimo, Lmite Inferior de
Especificacin (LCL-Low Control Limit).
Los lmites de control definen la frontera de un comportamiento normal del proceso.
Sus valores dependen slo de los datos de salida generados por el proceso en un pasado
inmediato, son por lo tanto independientes de los lmites de especificacin. Sin
embargo, ambos lmites se usan en la prctica del SPC, aunque de diferente forma.
El lmite de control inferior LCL y el lmite superior de control UCL pueden calcularse
de la media y la desviacin estndar (o sigma) de los datos representados como sigue
una vez obtenidos X , R y n o tamao de cada subgrupo:
LCL = Media - (3 )
UCL = Media + (3 )
As que la distancia entre el LCL de un proceso y su UCL es 6 sigma, ver Figura 34. La
probabilidad de conseguir puntos fuera del rango de +/- 3 sigma es muy baja (ver la
Tabla 11). Encontrar una medida fuera de este margen debera por lo tanto advertir a un
ingeniero de que algo anormal est ocurriendo, i.e., el proceso quiz se est yendo fuera
de control. Esta es la razn por la que estos lmites se conozcan como lmites de control.
Caso Prctico
130
USL
LSL
UCL
LCL
6
tolerancia
Figura 34. Distancia entre LCL-UCL.
Una vez los lmites de control hayan sido incluidos en los grficos de control (tambin
en forma de lneas horizontales como los lmites de especificacin), el operario puede
comenzar a usar el grfico de forma visual para detectar tendencias anmalas en el
proceso y que deberan notificarse al ingeniero.
Figura 35. Ejemplo de un grfico de control con puntos ligeramente separados del
centro.
Por ejemplo, alguna medida fuera de los lmites de control es causa automtica de
alarma, porque la probabilidad de que ocurra es baja. Cuatro (4) o ms puntos
consecutivos alineados de forma creciente o decreciente forman una tendencia que no es
normal, y por lo tanto tambin merecen atencin. Seis (6) puntos consecutivos a un
mismo lado de la media tambin necesitan una investigacin. Cuando estas
Caso Prctico
131
anormalidades
son observadas, el propietario del proceso debe tomar una
determinacin para devolver el proceso a su comportamiento normal.

Los lmites de control deben ser recalculados regularmente para asegurar que los
lmites de control que est usando el operario son un reflejo del comportamiento actual
del proceso.
Dos aspectos que hay que considerar en el proceso son:

1. Su exactitud: es decir, la proximidad del valor medio del proceso de fabricacin
al valor objetivo o centrado de diseo. En otras palabras, que el mayor
porcentaje de unidades producidas corresponda a aquellas cuya caracterstica de
calidad tenga un valor igual al valor objetivo.
Ello se consigue con el centrado de la media, y manteniendo el proceso bajo
control estadstico. El centrado de la media a veces se consigue con un simple
ajuste de la mquina.
2. Su precisin: o variabilidad medida por el recorrido del proceso, R, que debe
ser menor que la amplitud de la especificacin, pues de ese modo todas las
unidades recibidas tendrn la caracterstica de calidad no slo dentro de los
lmites de control sino tambin dentro de los lmites de especificacin.
La reduccin de la variabilidad del proceso, aumento de la precisin, reduccin de

causas no asignables o aleatorias, exige el empleo de tcnicas ms complicadas que se
conocen con la denominacin general de Diseo de Experimentos (DoE-Degign of
Experiments).
Caso Prctico
132
7.4
La Capacidad del Proceso
Antes de emplear ninguna tcnica para reducir la variabilidad del proceso, es necesario
tener una medida de su capacidad para hacer frente a esa variabilidad.
Supongamos que mediante el empleo de alguno de los instrumentos ya mencionados
(hojas de control, anlisis cusa-efecto, diagrama de Pareto, brainstorming, etc.) hemos
eliminado las causas asignables de variacin del proceso en estudio; es decir, est bajo
control estadstico, y hemos conseguido identificar al proceso por su valor medio, X , y
por su recorrido, R . De otro modo: slo hay una distribucin normal de los valores de
la caracterstica de calidad del proceso representativa de este.
El proceso as definido, es capaz de dar lugar a un producto de acuerdo con las
especificaciones del cliente?
Ser capaz de seguir un proceso en situaciones que estn fuera de control es una cosa;
conocer cmo funciona realmente un proceso es otra. La forma en que se distribuyen los
datos nos puede dar una informacin rpida y til de cmo el proceso correspondiente
se comporta, pero no es de gran ayuda cuantificando el funcionamiento real y
potencial del proceso. Es por esta razn por la que los estadsticos han aportado
mtodos para expresar el comportamiento y la capacidad de las distribuciones de un
proceso en trminos de unos nmeros llamados ndices de capacidad de un proceso.
La capacidad de un proceso se refiere a la habilidad de un proceso para cumplir los
requerimientos del cliente o los lmites de especificacin, i.e., cmo de consistente es su
salida para lograr estar dentro de los lmites especficos superior e inferior. Un ndice de
capacidad del proceso debera por lo tanto ser capaz de indicar cmo de bien puede el
proceso satisfacer sus especificaciones.
Las Especificaciones o requerimientos son los objetivos o metas numricas dentro de
los cuales se espera que opere el sistema, es decir, los valores mnimos y mximos
aceptables. A veces slo hay uno. Los clientes, ingenieros, o jefes del proceso son los
que normalmente fijan las especificaciones. Es importante recordar que las
especificaciones no son lo mismo que los lmites de control. Los Lmites de control
vienen de los grficos u hojas de control y estn basados en los datos.
Caso Prctico
133
Indice Cp
El ndice de capacidad del proceso ms bsico es conocido como el ndice de
capacidad del proceso simple, con la notacin Cp. Cp cuantifica la estabilidad de un
proceso, i.e., la consistencia de su salida. Como se mencion antes, supondremos
siempre que el proceso es normal. Como tal, la inconsistencia del proceso puede ser
medida en trminos de desviacin estndar o sigma de los datos de salida del proceso.
Esto es lo que hace el Cp, usa la sigma para cuantificar la variacin de un proceso, y la
compara con la distancia entre el lmite superior especfico (USL) y el lmite especfico
inferior (LSL) del proceso.
Matemticamente:
Cp = (USL - LSL) / (6 )
La cantidad (USL - LSL) es bsicamente la gama de salidas o resultados que debe
satisfacer el proceso, mientras que 6 sigma se corresponde con +/- 3 sigma de la media,
o un 99.73% de todos los datos de salida del proceso. Luego el Cp indica cuntas veces
cabe o se ajusta el proceso dentro de las especificaciones. Cuanto ms pequeo sea el
valor de 6 sigma, ms estrecha ser la distribucin de la salida del proceso, indicando
una gran estabilidad. As que el Cp aumenta cuando la estabilidad del proceso aumenta.
-
Cp = 1 indica que la amplitud del proceso y de las especificaciones son las

mismas, y que hay 6 entre los lmites.
Cp < 1 indica que la amplitud del proceso es mayor que la especificacin.
Cp > 1 indica que la amplitud del proceso es menor que la de la especificacin.
Cp =2 indica que hay 12 entre los lmites, esto es muy bueno, pero an no
sabemos si estara centrada la distribucin.
6 = USL-LCL
6 > USL-LCL
6 < USL - LSL
Figura 36. Distintos valores de Cp.
Caso Prctico
134
De ah que un proceso necesite un Cp>1 para asegurar que es lo suficientemente

estrecha su distribucin para satisfacer el rango especfico de 99.73% del tiempo.
Inconveniente: Aunque Cp indica la estabilidad el proceso, tiene un inconveniente

mayor que lo hace menos til, no considera el centro de la distribucin del proceso
respecto a los lmites de especificacin. Un proceso con un Cp de 100 puede ser muy
estable, con todos sus datos de salida muy prximos unos a otros, pero puede estar fuera
de los lmites de especificacin en todo momento, i.e., si est centrado fuera de los
lmites de especificacin.
En el caso de que no estuviera centrada la distribucin se puede calcular el tanto por
ciento de los productos que no cumplan estas especificaciones, con el fin de que el
equipo de ingenieros decida si merece la pena tomar una accin correctiva o si por el
contrario es un porcentaje muy pequeo el que no cumple los requisitos, Z,. (Ver
apartado 7.5.1 de la Normal)
Indice Cpk
Este punto dbil del Cp es controlado por otro ndice de capabilidad del proceso, Cpk, el
Cpk mide cmo est de centrada la salida del proceso entre los lmites superior e inferior,
adems de cmo de variable es la salida. El Cpk se expresa como el ratio de la distancia
de la media de los datos desde el lmite de especificacin ms cercano (el centro del
proceso) hasta tres veces su desviacin estndar (la variabilidad del proceso).
CPL = ( X - LSL) / (3): ndice de capacidad del proceso para el lado del lmite
de especificacin inferior.
CPU = (USL - X ) / (3): ndice de capacidad del proceso para el lado del
lmite de especificacin superior.
Cpk = min. {CPL, CPL}: ndice de capacidad del proceso para ambos lmites de
especificacin.
Caso Prctico
135
Lo que estas formulas significan es: el Cpk toma el valor del C PL o del CPU, segn al
que se aproxime ms. Si la media de los datos del proceso est ms cerca del LSL,
entonces Cpk = CPL, luego si la media de los datos del proceso est ms prxima al USL,
entonces Cpk = CPU.
Un proceso ideal es aquel cuya salida est siempre justo entre los lmites de
especificacin, de forma que la media de los datos de salida se corresponde justo con el
centro y la desviacin estndar es cero. El Cpk de este proceso ideal es infinito (entonces
es la Cpk de otros procesos cuya sigma = 0, con tal de que LSL< media < USL).
-
Cpk = 1 indica que los lmites de control y de especificacin estn a la misma

distancia de la media.
Cpk > 1 indica que el sistema est produciendo dentro de las especificaciones.
Cpk < 1 indica que el sistema est produciendo algunos productos fuera de las
especificaciones.
Las empresas que se propongan como objetivo de calidad la ausencia de defectos y

rechazos de sus productos deben disponer de procesos con capacidades Cpk = 2, como es
el caso de las que trabajan desde el marco de las Six Sigma. La medida de capacidad Cpk
si tiene valores prximos a 2, har que se produzcan miles de unidades sin un solo
rechazo.
La Cpk disminuye si ocurre uno o ambos de los siguientes casos:
1. Los datos estn menos centrados.
2. Los datos son ms variables (la sigma aumenta).
As que, el hecho de mejorar la capacidad de un proceso supone:
1. Centrar la salida entre los lmites ; y
2. Disminuir la variacin de los datos de salida para que quede alrededor del centro
de las especificaciones.
Advertencia: Si un proceso es inestable, es decir, se manifiestan en la hoja de control

causas especiales, entonces no se podr realizar el anlisis de capabilidad. Mientras
haya causas especiales el proceso ser impredecible, haciendo que vaya dentro y fuera
de los requerimientos.
Caso Prctico
136
La esencia del SPC, por lo tanto, es ser capaz de reconocer si un Cpk bajo es debida a la
media del proceso o su sigma, y llevar a cabo las acciones necesarias para corregir el
problema, siendo esto centrar los datos o hacerlos menos variables. En cualquier
proceso, las acciones necesarias para centrar los datos de salida pueden ser diferentes
de las que se necesitan para hacer los datos menos variables. El conocimiento de los
principios bsicos del SPC es por lo tanto necesario en todos los procesos de ingeniera.
Todo depender siempre de los lmites de especificacin que imponga el cliente en el
proceso de fabricacin. Y es ms, al final del da debera ser siempre un propsito del
fabricante centrar sus resultados entre estos lmites de especificacin de la manera ms
consecuente que fuera posible.
Se ha visto que no basta con que el proceso est bajo control estadstico, sino que es
necesario satisfacer las necesidades de los clientes, quienes requieren dos condiciones a
la caracterstica de calidad del producto que reciben: exactitud y precisin, y, desde el
punto de vista de la empresa, reducir el coste del producto fabricado, lo que tambin se
consigue con un proceso exacto y preciso; en consecuencia, ambas condiciones
originarn un producto de alto valor.
Esquemticamente, para mejorar el proceso habr que:
Centrar la campana
Estrechar la campana
Relajar especificaciones y restricciones internas que no son realmente necesarias
para que haya menos problemas de defecto
Caso Prctico
137
7.5
El Diseo de Experimentos: Taguchi
7.5.1
Introduccin
En el apartado anterior se midi la capacidad del proceso mediante los coeficientes Cp y

Cpk, pero no basta con medir la variabilidad, es necesario actuar para reducirla.
Una de las tcnicas para conseguirlo se conoce con la denominacin de Diseo de
Experimentos (DoE-Design of Experiments).
Cabe destacar el uso del diseo de experimentos para conocer y desarrollar procesos
que se centran en la mejora de la eficacia, el rendimiento y la productividad de sistemas
industriales. Este inters se remonta ya desde los aos 30 en la industria textil y de la
lana britnicas, y posteriormente a la segunda guerra mundial, en la dcada de los 50,
los mtodos del diseo experimental se introdujeron en las industrias qumica y de
transformacin de Estados Unidos y de Europa.
En el caso donde el proceso implica un producto, el diseo experimental se puede
utilizar para proporcionar el mejoramiento del producto o de la calidad. Un aspecto
importante de este esfuerzo de mejora de la calidad en los 80 y los 90, fue el diseo de
la calidad en procesos y productos en la etapa de investigacin o en la etapa de diseo
del proceso. Gran parte de este fuerte impulso que tuvieron los mtodos de mejora de la
calidad lo motiv el xito que ingenieros y cientficos japoneses tuvieron con el uso del
diseo experimental.
Las tcnicas DoE son fundamentales especialmente durante los nuevos diseos puesto
que permiten prevenir problemas de calidad antes de que se presenten.
Hay varios tipos de diseo de experimentos, que se apoyan a su vez en otros tantos
mtodos estadsticos:
El clsico, el de Taguchi y el de Shainin. El modo clsico est basado en los trabajos de
sir Ronald Fisher que aplic las tcnicas del DoE en el campo de la agricultura hacia
1930. El Dr. Taguchi de Japn adapt el modo clsico para desarrollar la tcnica de las
tablas ortogonales. El tercer tipo es una coleccin de tcnicas concebidas por Dorian
Shainin consultor de muchas empresas lderes en EEUU. Cualquiera de estos enfoques
es mejor que los experimentos tradicionales en los cuales se hace variar un factor en el
Caso Prctico
138
tiempo, mientras todos los dems se mantienen constantes, lo que imposibilita separar
los efectos principales de los efectos de interaccin.
Los mtodos estadsticos son:
1. Diseos Factoriales Clsicos;
2. Arreglos Ortogonales o Fracciones Factoriales;
3. Superficies de Respuesta;
4. Diseos Mixtos; y
5. Diseo Robusto de Taguchi.
Se destaca este ltimo, dentro de la Ingeniera de Calidad de Taguchi, ya que su impacto
ha sido sobresaliente en el plano internacional, sobre todo en Japn y los pases del
primer mundo.
La exposicin tan slo medianamente detallada de cualquiera de los mtodos se sale de
los lmites de este proyecto, por eso slo cabe detenerme en el de Taguchi, adelantando
que aparte de la teora que aqu incluyo, para la aplicacin del caso prctico en la
empresa considero de ms valor y claridad la formacin recibida sobre el diseo de
experimentos y cuyas diapositivas estn adjuntas en el Anexo.
Caso Prctico
139
7.5.2
Objetivos
El objetivo del Diseo de Experimentos en su primera fase, es dotar de los

conocimientos suficientes a los ingenieros y otras personas involucradas en el desarrollo
del producto y del proceso para que puedan mejorar la calidad de los mismos,
reduciendo su variabilidad desde el punto de vista del diseo robusto.
El mtodo del Dr. Taguchi para el diseo de experimentos utiliza tcnicas que implican
bajos costos y que son aplicables a los problemas y requerimientos de la industria
moderna. El propsito que se tiene en el diseo del producto es encontrar aquella
combinacin de factores que nos proporcione el desempeo ms estable y confiable al
precio de manufactura ms bajo.
Dicha tcnica permitir:
-
Una vez identificadas las variables influyentes a travs del Anlisis Modal de
Variaciones y Efectos, ya sean parmetros de produccin o proceso, materiales o
factores medioambientale, o equipos de medida, aislar las variables ms
importantes, generalmente no ms de cuatro.
Reducir su variabilidad, incluyendo el control de interaccin, estableciendo

tolerancias estrechas, rediseos, mejora de los procesos de los proveedores, etc.
Ampliar las tolerancias de las variables poco importantes para reducir

sustancialmente los costes y aumentar el valor.
Caso Prctico
140
7.5.3
El Mtodo de Taguchi
En el principio de la dcada de los 80s el Dr. Genichi Taguchi, Ingeniero Japons,

introdujo un mtodo en su pas para utilizar el diseo experimental en el desarrollo de
productos y procesos, el cual empez a producir importantes resultados.
Conceptos y Principios.
Este mtodo define que la calidad de un producto debe ser medida en trminos de
reducir al mnimo las prdidas que ese producto trae a la empresa desde que se inicia su
fabricacin hasta concluir su ciclo de vida, estas prdidas sociales equivalen a las
prdidas de la empresa en el mediano y largo plazo. Enfoque al cliente en vez de
enfoque al fabricante. Taguchi plantea que:
-
Inspeccin y control de proceso no son suficientes para alcanzar una calidad

competitiva; y
Niveles elevados de calidad solo pueden lograrse econmicamente en las fases

de diseo (producto y proceso).
El objetivo del mtodo de Taguchi es lograr productos y procesos "robustos" frente a las
causas de la variabilidad (ruidos) que hacen que las caractersticas funcionales de los
productos se desven de sus valores ptimos provocando costos de calidad.
La propuesta de Taguchi es una filosofa y un conjunto de mtodos y
procedimientos que se ha dado en llamar Diseo Robusto de Parmetros cuyas
principales propiedades de producto o proceso son:
-
Insensible a las condiciones del medio;
Insensible a los factores que dificultan el control; y
Proporciona variacin mnima en su funcionamiento.
El trmino diseo en el nombre del mtodo de Taguchi se refiere al diseo del proceso o
sistema, y el trmino parmetro se refiere a los parmetros del sistema, conocidos
comnmente como factores o variables
Caso Prctico
141
Diseo de Parmetros.
Taguchi establece que pueden emplearse mtodos de diseo experimental para hallar un
mejor diseo del producto y/o del proceso. Aunque la bsqueda de diseos robustos no
es algo nuevo, Taguchi merece el crdito por observar que el diseo experimental puede
utilizarse como una parte formal del proceso de diseo tcnico, siendo la estrategia
clave de Taguchi la reduccin de la variabilidad.
Los factores de entrada se han determinar mediante tcnicas como la del Anlisis Modal
de Variaciones y Efecto, que dan prioridad a las ms crticas. Las de salida sern las
caractersticas clave del proceso o decisivas para el cumplimiento del producto con su
requerimiento. El resultado del experimento ser dar los valores de los parmetros de
entrada que dan un producto o salida de mejor calidad que el anteriormente utilizado.
En relacin con las estrategias de modelado, debera hacerse hincapi en que, en
general, la optimizacin de los procesos puede estar bastante sobreestimada. Un
ingeniero o cientfico puede encontrar siempre razones por las que las condiciones
ptimas dadas por el mtodo no deben ser adoptadas, o deben analizarse primero, y
posteriormente guiarse entonces por la experiencia.
Funcin de Prdida.
La funcin de prdida o de costo social establece una medida financiera del
descontento del usuario con la actuacin de un producto cuando se desva de un valor
designado como meta (t=target). Esta se expresa algebraicamente segn una
aproximacin de una expansin de la serie de Taylor alrededor de dicho t:
L (y) = k (y-t)2
L (y) = k y
Cuando lo mejor es el valor nominal t.

Cuando lo mejor es el valor ms pequeo.
L (y) = k (1/ y )
Cuando lo mejor es conseguir el valor ms alto.
Donde "y" es variable aleatoria de la caracterstica de funcionamiento (caracterstica de

calidad) en estudio de un proceso o producto. El pensamiento tradicional occidental
penaliza solo si est fuera de los lmites inferior o superior de especificaciones, en
Caso Prctico
142
cambio el pensamiento Taguchi mediante la funcin de prdida, penaliza todo "y"

diferente de la meta
Tabla ANOVA.
La tabla ANOVA o de Anlisis de la Varianza (Anlisis of Variance), utiliza la
descomposicin de la varibilidad total en parte explicada (variabilidad entre las medias
y la media general) y variabilidad no explicada o residual (variabilidad dentro de los
grupos). La columna MS o de varianza se obtiene dividiendo la suma de cuadrados SS
por sus grados de libertad correspondientes.
De la tabla podemos obtener varios valores que nos ayudarn a sacar conclusiones:
Squared Multiple R o R2: Determina con su valor *100 el % de variacin que

est explicada, el resto es el % de variacin que no tiene explicacin debido a un
mal experimento donde no se han incluido a todos los factores debidos, o a
errores de medida, etc. Mximo 1. Si es > 0.8 indicar que nuestro experimento
es bueno, n hubo mucho ruido. R2 = 1 (SS residual/ SS total)
P(2 Tail): A partir de las funciones de prdida y segn el caso, se determina un

ratio Seal/Ruido que se obtiene de multiplicar (-10) por el logaritmo decimal de
(1/n) por la funcin de prdida, siendo n el nmero de rplicas o nmero de
datos que se toman en una misma prueba. En nuestro caso prctico haremos 9
pruebas con una rplica de 4.
Este ratio seal/ ruido indica la importancia que tiene un factor en concreto
sobre la respuesta, lo que le afecta. Si es > 0.5 el factor no es significativo sobre
la respuesta. Este valor se corrobora con los diagramas de Pareto que dan los
factores que ms influyen. (El desarrollo ded como se obtiene est en las
diapositivas de formacin).
F Ratio: Que debe ser >5 para que el experimento sea vlido.
Tambin nos dar los coeficientes de la funcin de prediccin del experimento,

donde cada coeficiente viene determinado por el valor /2 del diagrama de
Pareto, y que define el peso de cada factor en el experimento, con su signo
correspondiente.
Caso Prctico
143
Reglas para seleccionar un Diseo Experimental.
Comienzo
Reglas para
seleccionar un
Diseo Experimental
Aclarar:
el Problema
el Contexto
los Objetivos
Considerar siempre el aadir puntos

centrales para:
- Mejorar las estimaciones del error
- Detectar variaciones durante el
experimento
- Detectar desviaciones de la
linealidad
Determinar
qu medir
(Respuestas)
Cuntos
3
niveles para
cada
factor? No todos
Tipos de
factores
cuantitativos, al
menos uno
cualitativoone
K<4
Cuntos
factores?
(k)
6< k < 11
k=3
Slo cuantitativos
Experimenta
-cin
Cuntos
fctores?
(k)
4<k<7
6<k<7
MODELO O
EXPERIMENTACIN?
Modelo
K= 5
FACTORIAL
COMPLETO
FACTORIAL
FRACCIONAL
k=2..n reps > 9

k=3 ..n reps >5
k=4 ..n reps >3
2 5-1
k<5
PLACKETTBURMAN o
TAGUCHI
Experimentos
n reps>3
n reps >4
FACTORIAL
COMPLETO
k=2..n reps> 7
k=3 ..n reps >3
TAGUCHI
L18 Experim.
D-Optimal
n reps>4
Central Composite
o BOX-BEHNKEN
k=2..n reps. > 9 (CCD)
k=3 ..n reps. >5 (CCD/BB)
k=4 ..n reps.>3 (CCD/BB)
En nuestro caso, siguiendo adems los consejos sobre el mtodo aplicar dependiendo de
la meta, como estamos en el caso de un diseo robusto, podemos usar el mtodo de
Taguchi, adems del Plackett-Burman y el Factorial Fraccional.
Factorial completo.
Tiene en cuenta todas las combinaciones posibles de los factores. Se usa cuando hay
pocos factores y slo tienen dos niveles. Es el ms bsico.
Factoriales fraccionales.
A veces el nmero de puntos para el diseo puede ser demasiado elevado si hay ms de
dos o tres factores de inters, para eso usamos el factorial fraccional.
Caso Prctico
144
Se tata de disear un experimento con un nmero reducido de pruebas de tal forma que
usemos todos los niveles de cada factor al menos una vez y en las mismas proporciones
que los dems, y que no se repita lgicamente ninguna de las combinaciones de
factores.
Hay que tener en cuenta que si disminuye el nmero de experimentos, disminuye el
tiempo empleado y el costo.
Plackett-Burnam.
Permite realizar un nmero intermedio de experimentos. Sirve para identificar los
factores ms importantes de un grupo de factores numeroso, una vez que conocemos los
importantes podemos llevar a cabo otros tipos de experimentos. No da informacin
sobre interacciones entre factores.
Diseo factorial de tres niveles

A menudo en un caso real los factores tendrn ms de dos niveles, como es el caso que
atae a nuestro caso prctico.
Sin embargo hay que diferenciarlos de los puntos centrales (0) que son opcionales en el
caso de un diseo factorial de 2 niveles, que se entremezclan entra las pruebas
originarias, y que proporcionan:
-
informacin mejorada sobre el ruido del experimento
informacin sobre desviaciones del modelo lineal
Y que se caracterizan en que con ellos, la combinacin de los factores est

predeterminada, Ej. En el caso de 4 factores sera (0 0 0 0).
Cuando estamos en el caso de 3 niveles, si se va a usar un factorial completo, el nmero
de factores est limitado por la prctica, ya que el nmero de pruebas aumenta
rpidamente conforme crece el nmero de factores. Por eso nos plantearemos utilizar
algn mtodo alternativo al completo y donde las pruebas sean ms selectivas y no por
ello de peor calidad, este es el caso del Taguchi, ideal para factores de tres niveles.
Caso Prctico
145
Cuando un factor tiene tres niveles, cada factor tendr dos grados de libertad, y la
suma de cuadrados asociada se puede descomponer en dos componentes: una que
representa el efecto lineal del factor y el otro que representa el efecto cuadrtico.
Interacciones.
Aunque en raras ocasiones la interaccin entre dos factores puede ser de ms inters
para el experimento que la accin del propio factor, por lo general elegiremos estudiar
los efectos principales antes que hacerlo sobre las interacciones, esto ltimo estar ms
relacionado con la experiencia del ingeniero de diseo. Cuando se estudian las
interacciones se recurre a los alias, es decir, las interacciones de factores se pueden
representar o estudiar por las acciones de factores individuales, como ocurre con el
Taguchi, y donde las interacciones entre tres factores son ya despreciables.
Arreglo Ortogonal.
Son un conjunto especial de cuadros en latn, construidos por Taguchi para planear los
experimentos del diseo del producto.
El arreglo ortogonal es una herramienta ingenieril que simplifica, y en algunos casos
elimina gran pare de los esfuerzos de diseo estadstico. Es una forma de examinar
simultneamente muchos factores a bajo costo. El Dr. Taguchi recomienda el uso de
arreglos ortogonales para hacer matrices que contengan los controles y los factores de
ruido en el diseo de experimentos. Nosotros no estudiaremos estos ltimos en el
experimento.
Mientras las interacciones sean relativamente suaves, el anlisis de los efectos
principales nos proporcionar las condiciones ptimas y una buena reproducibilidad del
experimento.
Los arreglos ortogonales son herramientas que permiten al ingeniero evaluar cmo
de robusto es el diseo del proceso y del producto con respecto a los factores de ruido.
La serie L9 (3,4) permite estudiar en 9 pruebas, 4 factores con 3 niveles cada uno. Tiene
8 grados de libertad, a 2 por cada factor.
Caso Prctico
146
Segn la disposicin de la tabla ortogonal del Taguchi L9, que es el modelo que
usaremos en nuestro caso prctico y en el que nos centraremos para el desarrollo de
nuestra teora, (debido a la extensin del Diseo de experimentos, como antes
mencion) la combinacin de los factores viene predeterminada por la Tabla 12.
Prueba
Tabla 12. Combinacin de factores en L9. Denotacin (- 0 +) o (1 2 3).
Ventajas.
Pueden ser aplicados al diseo experimental involucrando un gran nmero de factores.
Crtica a arreglos ortogonales.

Puede ser nicamente aplicado en la etapa inicial del diseo del sistema. Un arreglo
ortogonal permite asegurar que el efecto de B en A1 es el mismo que el efecto de B en
A2.as se asegura de que se est haciendo comparaciones entre efectos de niveles de un
factor.
Los diseos tienen estructuras de alias muy complejas particularmente el L12 y
todos aquellos que utilizan factores de 3 niveles implican relaciones de alias entre
efectos principales e interacciones bifactoriales, si estas ltimas son grandes implica
situaciones donde el experimentador no obtiene la respuesta correcta, por eso es mejor
no tener en cuenta las interacciones entre factores para diseos de un gran nmero de
ellos, ya que el peso de ellos en la ecuacin de prediccin no ser muy relevante, salvo
Caso Prctico
147
en casos especiales en que tras estudiar la tabla anova se vea que el alias ejerce un gran
peso sobre la respuesta.
Pasos a seguir en un DoE.

1. Definir el diseo: Factores, Respuestas, Rplicas, nmero de pruebas.
2. Introduccin de datos.
3. anlisis de grfico de Pareto por efecto en la media y en la variabilidad:
seleccionar valores de los factores.
4. Encontrar el valor R2 del experimento.
5. Encontrar el valor p.
6. Encontrar los valores de los coeficientes de la ecuacin de prediccin.
Caso Prctico
148
7.3
Beneficios
Lo que conseguiremos tras la aplicacin de un experimento:

-
Eliminacin de muchos rechazos y reprocesados, y con ello cero defectos y

rendimientos del 100%.
La reduccin drstica de las inspecciones y pruebas que no aaden valor.
La eliminacin de tiempos de paradas no programadas de equipos y procesos.
La disminucin apreciable de la duracin del ciclo de fabricacin, porque la

mejora de la calidad es un requisito previo para la reduccin del ciclo.
La mejora de la moral de los empleados porque el xito crea xitos y satisfaccin.
El aumento de los beneficios gracias a ala reduccin sistemtica de los costes de

no-calidad.
Caso Prctico
149
8.
CASO PRCTICO
8.1
Introduccin
MEUPE S.L. (Mecanizados Eulogio Pea) es una empresa fundada en 1957, por D.
Eulogio Pea Garca, cuya actividad principal es el mecanizado de piezas de precisin.
Hoy en da trabaja para sectores tan exigentes como el aeronutico y el de la
automocin.
Dispone de instalaciones de tratamientos trmico, como el revenido y maduracin
de aceros, y montajes de conjuntos. Sus instalaciones estn ubicadas el Polgono
industrial La Era Empedrada, Umbrete.
Cuenta con una superficie total de 5 400 m2 entre talleres de mecanizado y de
montajes, y con 700 m2 de oficinas.
La plantilla la forman 46 empleados, 18 son indirectos y 25 directos con
una
produccin anual de 90 000 horas.
La empresa consta de cuatro departamentos:
Ingeniera
Produccin
Calidad
Econmico financiero
Caso Prctico
150
Departamento de ingeniera
El Departamento de Ingeniera se encarga principalmente de la elaboracin, control de
evoluciones y custodia de toda la documentacin necesaria para el mecanizado de las
elementales, los procesos finales, y montajes de cada elemento, generando para ello
rutas de procesos, planos, instrucciones de verificacin y asignando tiempos de
ejecucin de cada operacin hasta definir el proceso completo de cada producto.
Para ello cuentan con un eficaz software en constante evolucin, diseado y realizado
hasta adaptarse totalmente a sus necesidades, que proporciona un control de la
configuracin del producto y sus evoluciones, con MRP II para la gestin del stock.
Para la parte del diseo y programacin cuentan con sistemas de CAD-CAM

tales como UNIGRAPHIC y CATIA que les hacen totalmente compatibles y que
cubren las necesidades del mercado actual. Mediante el estudio de ofertas y
especificaciones
tcnicas
de
sus
clientes
potenciales
clientes,
el
Departamento de Ingeniera ofrece una importante fuente de informacin para

la valoracin del coste de los productos.
Departamento de Produccin
Se encarga de llevar un estricto seguimiento de las partidas, tanto dentro de la empresa
como en nuestros subcontratistas.
Para conseguir los hitos de entrega de sus clientes se apoyan en un potente software de
control con MRP II y un sistema de seguimiento durante el proceso de fabricacin
informatizado y en tiempo real.
Instalaciones de mecanizado: Cuentan con una gran variedad de Tecnologa de

Mecanizado y con una zona perfectamente acondicionada y controlada en temperatura y
humedad para las mquinas de rectificado y lapeado.
Instalaciones de tratamiento trmico: Horno de vaco de revenido y maduracin de

aceros.
Caso Prctico
151
Instalaciones de montaje: Nave destinada al montaje de conjuntos medianos y

pequeos con personal y medios certificados.
Estn especializados en trabajos de torneado, fresado, lapeado, brochado, rectificado y
roscado por laminacin, contando para ello con los ms modernos equipos productivos
y tecnologa avanzada de fabricacin, como es la fabricacin asistida por ordenador
CAM, tornos convencionales, tornos CNC, fresadoras convencionales y centros de
mecanizado de 5 ejes, talladoras, brochadotas, rectificadoras, roscadoras por
laminacin, vertical y lapeadoras.
Caso Prctico
152
Caso Prctico
153
Departamento de Calidad
El Departamento de Calidad de MEUPE S.L. est constituido por un equipo profesional
formado por personal tcnico altamente especializado debido a la gran exigencia tcnica
que requiere el sector aeronutico que es con el que principalmente trabajan.
Est certificada con la ISO 9002 desde 1999.
Cuenta con las instalaciones necesarias y equipos de medicin dimensional de ltima
generacin precisos para garantizar la correcta verificacin de los elementos fabricados.
Para ello se dispone, entre otros aparatos de medida, de una mquina de medicin de
coordenadas de puente.
Todo el proceso es controlado mediante un moderno sistema informtico con el que es
posible, adems, obtener informacin en tiempo real de la evolucin de la Calidad
cuando se desee.
Actualmente est en proceso de adaptacin a la nueva y exigente norma aeronutica EN
9100 lo que va a hacer mejorar an ms el Sistema de Calidad de MEUPE S.L., y por lo
tanto, la Calidad que reciben los clientes.
Departamento Econmico Financiero: Es el departamento responsable de la gestin

econmica y administrativa de la empresa, donde atienden ante cualquier duda de tipo
administrativo.
Caso Prctico
154
Caso Prctico
155
8.2
Antecedentes y Objetivo
Como mencion anteriormente, Meupe est mejorando an ms su sistema de Calidad

para adaptarse a la normativa aeronutica, y una de las acciones que tom fue participar
en nuestra encuesta telefnica sobre sus conocimientos de diseo robusto y , tras sta,
aceptar nuestra colaboracin para que le proporcionramos un mtodo con el que
trabajar para lograr la conformidad del producto, es decir, que existan las mnimas
diferencias entre distintas muestras de un mismo producto.
Hasta nuestra llegada lograban la conformidad rechazando los productos que no
cumplan las especificaciones, o devolvindolos a la cadena de montaje para reparar
aquellas piezas que podan reutilizarse. Pero todo esto supone un encarecimiento del
sistema de produccin, no seguan un mtodo sistemtico que estudiara a travs de la
experimentacin cmo conseguir una produccin ptima.
En otras palabras, buscan la implantacin de una metodologa del diseo robusto que le
ayude en la mejora de su Sistema de Calidad, para conseguir un producto:
Que cumpla las especificaciones del cliente,

Que adems sea uniforme, es decir, que estando dentro de los lmites de
especificacin, haya muy poca variabilidad entre ellos,
Que satisfaga al cliente, y

Que todo ello no suponga grandes gastos.
Caso Prctico
156
8.3
Causas de la Variacin
Diariamente se haca un anlisis visual de supervisin de las piezas. Las causas de la

desviacin se podan dividir en tres categoras:
1. Defecto de la maquinaria (de fabricacin).
2. Accin humana (del operario).
3. Variaciones en las caractersticas de la materia prima (Ej. Variaciones en la
composicin del metal, en nuestro caso, del acero).
Meupe destaca las variaciones causadas por la falta de fiabilidad mecnica como las
causas ms fciles de controlar. Asimismo, ellos sealan que las causas de variacin
debida a acciones humanas son las ms difciles de dirigir por el componente de
variabilidad que es inherente al ser humano (una solucin/ accin correctiva que tiene
xito en un ambiente especfico y/o situacin quiz no sea exitosa cuando tratemos con
el mismo problema pero en diferente ambiente o con otras personas).
Adems, el nivel de interaccin entre los diferentes procesos es considerado como uno
de los factores que tiene un efecto directo en las variaciones del desarrollo del proceso,
por ejemplo, el hecho de que una pieza al entrar en un proceso venga ya defectuosa del
paso anterior.
Caso Prctico
157
8.4
Implementacin
8.4.1
Equipo de trabajo
En el caso de Meupe, la decisin de implementar una Metodologa del diseo Robusto,

fue tomada por el director de la empresa en vistas a la variabilidad encontrada en las
piezas producidas y tambin como una metodologa de gestin de la calidad, de forma
que se coordinaran todas las medidas de mejora en un nico marco, el de la Six Sigma.
La robustez tiene mucha importancia para Meupe, y parte de su poltica estratgica. Se
evala de forma interna de acuerdo con el nivel de calidad fijado como meta y exigido
por el cliente de la industria aeronutica. Con el objetivo fijado, se aseguran la
sostenibilidad de la calidad y la estrategia de la compaa. Ms an, tambin es
evaluada externamente segn la reduccin de costes.
La implementacin comenz a nivel de direccin, con nuestra formacin, y se ha
desplegado desde lo alto hasta los niveles operativos, que son los que aplicarn todas las
propuestas de mejora sugeridas por los ingenieros para el proceso (proceso de
despliegue de arriba- abajo). La retroalimentacin o feed-back desde los operarios
tambin fue de gran importancia, puesto que ellos tendrn que aportar sus
conocimientos y experiencia a la hora de tomar decisiones en el estudio previo al
despliegue del VMEA.
Segn la experiencia de la propia empresa, la involucracin y el apoyo de la direccin
son considerados como los principales factores de soporte para la implementacin de la
metodologa. Adems, un entrenamiento apropiado, un equipo de trabajo, as como la
participacin de los tcnicos y otros empleados, son tambin importantes para la
implementacin de la RDM y sus dos herramientas: VMEA y DoE.
Por otro lado, nuestra labor sera la de formar a los directivos, estudiar el proceso crtico
y proponer una mejora a travs de las herramientas del Diseo Robusto, siempre con la
ayuda de la experiencia de la propia empresa, en este caso Meupe.
Caso Prctico
158
Respecto a los obstculos para la implementacin, algunos aspectos a destacar:

1) La enorme carga de trabajo de la gente responsable de los procesos durante la fase
de implementacin. Esto supondra horas extras de formacin, entrevistas,
desarrollo de los experimentos, a la vez que cumplan con los objetivos diarios de
produccin.
2) La actitud de los directivos medios, el jefe de zona, que quiz percibi las nuevas
medidas y entrenamientos como una amenaza ante la rutina o para su propio puesto,
temeroso quiz de posibles remodelaciones en la plantilla por el hecho de estar
implantando un nueva metodologa en la empresa.
Esto es normal siempre que se van a hacer remodelaciones y cambios en la empresa,
encontrarse con personal ms reacio al cambio, ya sea por el propio carcter de la
persona o por temor a la prdida de peso en su labor; o a ser dejado a un lado; o a
que el cambio suponga un aumento de la carga de trabajo que no est preparado a
sobrellevar. Son el modelo de persona que se oponen al avance de la empresa y por
lo mismo son los primeros a los que se debe dar la formacin suficiente como para
que puedan apreciar los buenos resultados que supondr la remodelacin y los
nuevos cambios.
Caso Prctico
159
8.4.2
Formacin
El conocimiento de las tcnicas y herramientas tiles para el RDM se obtuvieron

principalmente del exterior, en este caso el personal cualificado era nuestra empresa, el
IAT.
Previamente a la implantacin de la metodologa tuvimos una entrevista con ellos en
la que les informamos en lneas generales sobre el proyecto europeo en el que
tombamos parte y en el que les invitbamos participar en el caso de que necesitaran
mejorar la calidad de su producto y no estuvieran contentos con la metodologa que
llevaban aplicada hasta el momento. Tambin fueron incluidos en la encuesta sobra la
situacin actual del RDM en Espaa. Pensamos en ellos por el hecho de trabajar para la
industria aeronutica, que exige grandes niveles de calidad, e impone unas tolerancias
muy estrictas, aparte de porque la empresa haba trabajado anteriormente con el IAT.
Posterior a esto fue la formacin dada al director, personal colaborador con el
departamento de calidad y al ingeniero jefe; sta vers principalmente en diapositivas
del Diseo Robusto, Six Sigma, VMEA, y en folletos sobre los mismos, donde
explicaban las distintas herramientas a utilizar y los pasos generales para su aplicacin,
as como algunos ejemplos.
Sobre el Diseo de Experimentos, que abarca un gran campo y se introduce en el campo
estadstico, preferimos darle un ejemplo aplicado a una empresa similar a Meupe para
que vieran los resultados que se podan obtener tras la realizacin de un experimento
simple de toma de datos. De forma que fuimos nosotros los que recibimos la formacin
sobre cmo aplicar el Diseo de Experimentos a Meupe a travs de diapositivas que se
muestran tambin en el anexo, aparte de la documentacin buscada en otras fuentes.
De todas formas, antes de dar un paso en la implantacin de la metodologa contamos
con el consejo y la sabidura de los directivos e ingeniero jefe sobre la factibilidad o no
del siguiente paso.
Caso Prctico
160
8.4.3
Implantacin VMEA
A la hora de ver a qu proceso aplicar el VMEA, fueron el director y el ingeniero jefe

de Meupe los que, segn la formacin recibida, nos propusieron 2 procesos sobre los
que les interesaba ms aplicar la metodologa del diseo robusto con vistas a obtener
una pieza final con ms uniformidad en las especificaciones y menos fallo en su
fabricacin, las propuestas fueron:
1. Talladora
2. Roscadora por laminacin
La informacin dada por la empresa sobre sendos procesos fue:
TALLADORA
Descripcin del proceso: segn el operario Paco Lugo.
El proceso consiste en hacer un dentado sobre ejes.
Partimos de un redondo de distintos dimetros segn el tipo de pieza que se quiera
fabricar.
Piezas que se fabrican:

-
rbol acanalado
Flauta de titanio
Flauta de acero
Caso Prctico
161
Uso de las piezas:

Seguimos especificaciones tcnicas dadas por nuestros clientes mediante planos; las
operaciones a realizar sobre una misma pieza vendrn detalladas desde ingeniera segn
la orden de fabricacin S.I.C.O.P
Preparacin de la mquina:
1) Segn el nmero de dientes que posea la pieza habr que utilizar unas ruedas u
otras; ruedas que se encuentran en el interior de la mquina.
2) Se instala el redondo o la pieza semiterminada sobre el plato giratorio, y se realiza el
centrado correspondiente de la pieza.
Mediante Nonios (rueda milimetrada decimalmente situada a la derecha de la
mquina) se va graduando con el fin de conseguir la medida exacta de la pieza.
El flanco o profundidad de la pieza se mide con varilla o micro.
Con la primera pieza se experimentan las medidas ajustando el nonio.
Principal caracterstica del producto:

-
Profundidad del flanco, la longitud del diente tiene menos importancia porque es
ms fcil de conseguir y tiene unas tolerancias menos estrictas.
Medidas. El cliente pide una exactitud centesimal. Y los nonios vienen en dcimas.
Caso Prctico
162
Errores o fallos ms frecuentes:

-
Dificultad a la hora de programar las medidas, dado que el nonio viene en dcimas y
el cliente solicita tolerancias en centsimas.
Desgaste y duracin de la herramienta. Jugar afila la herramienta. La herramienta no

tiene una vida determinada, el desgaste de la herramienta es una medida subjetiva
segn considere el operario, las fresas se componen de dientes y el operario tiene
que comprobar que los dientes con los que trabaja estn a filo vivo. Se trabaja con
dos dientes en cada fresado, con cinco posturas por fresa, cada arista de la fresa
tiene diez dientes, que tomados de dos en dos dan lugar a cinco posturas, y se
utilizan dos de ellos en cada operacin.
Dureza del material. El tipo de material utilizado es muy importante, el titanio por
ejemplo consigue un gran nmero de piezas sin fallos, porque no es un material duro
y no ofrece resistencia.
El acero PH 13 y PH 14 son mucho ms duros.
ROSCADORA POR LAMINACIN

Descripcin del proceso: Segn la valoracin del operario Manuel Aguilar.
Consiste en realizar una rosca por laminacin, mediante dos rodillos por presin que
logran que se hundan unas partes y sobresalgan otras conformando as la rosca, a
diferencia del roscado a cuchilla o por arranque de viruta, ya que este no est permitido
en el sector aeronutico.
Partimos de las especificaciones de nuestro cliente en cuanto a las medidas de la rosca
Ej. 10 1, que nos indica el dimetro exterior y el paso de la rosca. Igualmente nuestro
cliente nos suele proporcionar el bruto o el esprrago al cual se le realzar la rosca.
Piezas que se fabrican:

Rosca por laminacin de Dimetro exterior 5. 88/ 5. 91
Flanco que se mide por el Dimetro medio 5. 27/ 5. 31
Caso Prctico
163
Detalles:
El dimetro de este esprrago suministrado por el cliente suele ser de 6, 7 y 8 y
mediante el proceso de prelaminado que se realiza en un proceso anterior al roscado por
laminacin, usando una mquina rectificadora, se consigue una medida exacta del
dimetro Ej. 5.32 (porque mediante la presin el dimetro aumenta), este esprrago se
introduce en la mquina de roscado por laminacin hasta conseguir medidas las
establecidas en tablas y las especificaciones del plano. Cada rosca de un mtrico
determinado requiere unos rodillos.
Lo ideal es que cada mtrico de rosca lleve sus rodillos, pero si las series a roscar no son
muy grandes y no hay disponibilidad del rodillo adecuado, un mismo rodillo puede
servir para roscas 2mm por encima o por debajo, dado que el trabajador que manipula la
mquina tiene una amplia experiencia en la realizacin de este proceso. El proveedor de
rodillos es RODIN.
Caso Prctico
164
Preparacin de la mquina:
1) Cambio del rodillo

2) Buscar la presin adecuada del material
3) Buscar el paso del rodillo, como enfilar la pieza (alinear los rodillos uno con el otro)
4) Establecer el tiempo de laminado
Caracterstica principal del producto:

Tolerancias del Dimetro exterior y del flanco. Acabado.
Errores o fallos ms frecuentes:

Se dan en general si alguno de los parmetros anteriores no estn bien definidos, por
ejemplo, si se trata de un material duro y no se pone la presin adecuada; o si el
operario se excede en el tiempo de laminacin.
Caso Prctico
165
Entrevista a los operarios.

El siguiente paso a realizar fue hacer una entrevista a los operarios para que me
explicaran detalladamente el proceso y as poder identificar las KPCs, Sub-KPCs y
factores de ruido integrantes del VMEA y adems conocer la importancia de cada paso
y de los componentes, necesarios para asignar valoraciones, sensibilidades y tamaos de
variacin.
Respecto al obstculo encontrado en la fase previa al VMEA:
A la hora de entrevistar a los operarios sobre todo el proceso de produccin de las
piezas, nos encontramos con el hecho de que se basan ms en su propia experiencia, que
en algunos casos es de hasta 30 aos, y no solan acudir a las tablas donde estn todos
los valores, tampoco se haban preguntado nunca qu pasara si se cambiaran las
variables de entrada y se combinaran de otra forma, puesto que pensaban que su mtodo
era el ptimo; y por ltimo, lo que supuso una mayor barrera a la hora de preguntarles
para identificar las KPCs, Sub-KPCs y NFs, fue el sentimiento de ser imprescindibles
para la empresa, como si ellos fueran al nico factor de ruido porque todo lo dems lo
controlan. Como por lo general un operario se ha dedicado durante muchos aos a la
misma mquina, slo ellos conocen bien su manejo y pequeos trucos para evitar
defectos y que el producto sea ptimo.
Fue una ardua tarea el hecho de entrevistarlos y saber sacar los elementos para poder
desplegar el VMEA.
Los resultados de las entrevistas a los dos operarios:
A. TALLADORA
Operario Paco Lugo.
Dentado sobre ejes.
Los ejes de acero dan problemas porque la herramienta se gasta rpido (el director
elige la fresa).
Las operaciones siguen un orden de fabricacin y de especificacin, estn marcadas

por un cdigo de barras.
Segn el nmero de dientes se utilizan unas ruedas y un engranaje concreto.
Caso Prctico
166
Hay que conseguir que el dimetro exterior de la pieza una vez acabada tenga unas
medidas de 32+164 mm y 32-244 mm, (1.5 centsimas de tolerancia). De esta forma
se est controlando la profundidad del flanco.
El eje sin acanalar lo dan ya normalizado y viene de un proceso anterior.

La longitud de dentado no da problemas, la tolerancia es poco estricta, adems la
parada es en vaco, nunca sobre la pieza y la controla el operario.
Es necesario un buen centrado de la pieza para que encaje en la hembra.

El acero y el titanio tienen la misma velocidad de avance hacia abajo y de giro.
La velocidad de bajada la controla tambin el engranaje.
En realidad el avance siempre es el mismo, 1 mm, lo que ocurre es que el dentado se
obtiene variando a la vez la velocidad de giro y de bajada.
El nonio controla la aproximacin de la fresadora, tiene precisin de dcimas, y las

especificaciones viene en milsimas, el operario arregla esta precisin con
golpecitos en la mquina.
Se usa un comparador para centrar, pero el centrado se va corrigiendo visualmente y

con pequeos golpecitos. Se puede corregir desde 2 centsimas hasta 0, estn
permitidas hasta 3 centsimas de variacin en el centrado de distintos puntos del
mismo esprrago.
A veces los agujeros ya viene mal hechos y centrados y hay que devolverlo al
proceso anterior para arreglarlo, no da problema.
B. ROSCADORA POR LAMINACIN

Operario Manuel Aguilar.
Dos rodillos para hacer presin.
El cliente entrega el esprrago y hay que conseguir que cumpla las especificaciones
de dimetro, flanco, paso y de rugosidad.
Antes hay un proceso de prelaminado o rectificacin.

Cada rosca necesita unas medidas normalizadas.
Los aceros se comportan ms o menos igual pero hay de muchos tipos.
La regleta para apoyar el esprrago est a una altura fija dada segn la mtrica, igual
que los rodillos, que tambin los da el fabricante.
Caso Prctico
167
Segn el material hay que tener en cuenta el enfilamiento del rodillo, la presin y el
tiempo de laminado, aunque si se excede este ltimo tampoco ocurre nada porque la
maquina est ajustada con unos valores al inicio de la operacin y no seguira
avanzando, por mucho que pasara el tiempo.
Hay que ver el desgaste del rodillo, si tiene mellas.

Hay que tener en cuenta la velocidad de giro de los rodillos y el avance de stos
hasta la profundidad buscada del flanco. Cuando los rodillos estn ms desgastados
habr que aumentar un poco ms el avance correspondiente.
Se enfila a ojo, esto afecta principalmente al paso.

La presin se hace a ojo, afecta al flanco.
Cada rosca que hace debe pasar las tolerancias, y la acepta o no, no es por muestreo
porque es para la industria aeronutica.
Segn la dureza del material a cada uno hay que aplicarle una presin pero no hay
medidas, sino a ojo segn la experiencia. Ms presin menos pasadas.
Hay un tope de control del flanco, lo miden el nonio y un micro interruptor.

S hay un tiempo mnimo para conseguir el flanco y el paso buscado.
Primer borrador VMEA.

A partir de estos datos hice un primer borrador con las conclusiones y valoraciones del
VMEA. Ver Tabla 13.
Caso Prctico
168
Velocidad de avance por diente
Centrado pieza
Velocidad de giro
10
Ajuste nonio
10
SUB-KPC
Angulo de corte
KPC
sensible
a la SubKPC
Tabla 13. Primer desarrollo del VMEA.
Profundidad de
ranura,
flanco
KPC
TALLADORA
3
8
Dureza del tipo de acero

Dureza del tipo de acero
Desgaste
Ajuste de valores en mquina
Holgura de engranaje
Ajuste de valores en mquina
Engrasado de engranaje
Estado pieza que llega al operario

Calidad mq. Afiladora
Inclinacin de la mquina centradora
Afilado de la herramienta
Precisin hta. Comparadora
Precisin nonio
Pericia operario
8
8
10
10
10
Tamao Sensibilidad
de la
de Sub-KPC a
NF
variacin
Pericia operario
NF
VMEA :
Analisis modal del fallo y efecto
20736
147456
5184
2025
3600
14400
1225
625
400
250000
4900
40000
129600
10000
25600
VRPN
(NF)
173376
21250
1025
424500
35600
VRPN
(SubKPC)
Destreza operario
Pericia operario
Dureza del material
1
10
5
4
6
10
6
5
5
9
Altura regleta
Refrigerante muelas
Enfilamiento rodillos
Tiempo laminado mnimo
Velocidad giro rodillos
Ajuste separacin entre rodillos
Presin laminado
Dimetro del rodillo
Avance rodillos
Flanco
Paso de la rosca
Caudal
Dilucin taladrina
Dimetro de la muela
Dimetro del
esprrago
(milsimas)
2
4
Dureza del material

Ajuste nonio
Desgaste rodillos
2
3
1
1
Calibracin de mquina
Desgaste rodillo
Dureza del material
Pericia operario
Desgaste muela
10
SUB-KPC
KPC
9
6
10
4
7
10
6
2

KPC
sensible
Tamao Sensibilidad
a la Subde la
de Sub-KPC a
KPC
NF
variacin
NF
VMEA :
Analisis modal del fallo y
efecto
26244
46656
8100
1600
30625
1296
160000
5184
1024
7056
900
160000
36
4
5184
291600
VRPN
(NF)
72900
9700
30625
1296
160000
5184
8080
900
160000
40
5184
291600
VRPN
(Sub-KPC)
Versin definitiva VMEA.

Tras enviarlas a ellos y valorarlas, nos reunimos para comentarlas y adems, teniendo
en cuenta que posteriormente habra que realizar un diseo de experimentos, estudiamos
cul de los dos procesos ofreca ms posibilidades a la hora de cambiar los valores de
los parmetros de entrada para estudiar las salidas y ver cmo mejorar el proceso para
obtener un producto con ms calidad y menos variabilidad. En base a esto decidieron
que nos centraramos en la Roscadora por Laminacin. Nos centramos en cules seran
las caractersticas principales del diseo y de qu dependan (ver Tabla 14), y llegamos
a una tabla final (Tabla 15) gracias a la experiencia y conocimientos ms objetivos del
proceso y de los requerimientos del cliente que tienen el ingeniero jefe y el directivo, y
que el operario no nos haba podido comentar simplemente por desconocimiento. De ah
la importancia de obtener las dos versiones del proceso, una del operario ms detallada
y enfocada en el da a da, y la otra del directivo, que maneja el proceso completo y que
es el encargado de estar en contacto con el cliente y adaptar su producto a la voz de ste.
Tabla 14. Sub-KPCs para la KPC

Sub-KPC
Descripcin
Altura regleta
Debe estar a una altura fija segn la mtrica
de la rosca, esta altura la suministra el
fabricante.
Enfilamiento de los rodillos
Es la base para hacer la rosca y slo depende
de la destreza visual y manual del operario.
Tiempo laminado mnimo.
El mnimo tiempo que debe estar la pieza en la
roscadora para que se haga, depender del
material, segn este se calibra la mquina con
unas coordenadas.
Velocidad de giro de rodillos.
Velocidad de rotacin de la herramienta, no es
demasiado importante y depender del
conocimiento del operario. Afectar ms a la
calidad superficial.
Ajuste de separacin entre rodillos
Distancia entre rodillos para dar la rosca
adecuada, depender de la calibracin del
nonius.
Presin de laminado.
La que se aplica al material para producir la
rosca, muy importante. Depende del material.
Estado del rodillo
Es el que hace la rosca, por lo tanto factor
clave. Habr que vigilar su desgaste y
repararlo o reponerlo.
Velocidad penetracin de los rodillos
Influye en el avance de stos hasta la
profundidad buscada del flanco. si los rodillos
estn ms gastados habr que aumentar un
poco el avance.
Caso Prctico
171
paso
diametro
exterior
KPC
Altura regleta
2
2
2
Presin laminado
Estado rodillo
Velocidad penetracion
rodillos
rodillos
Ajuste separacin entre

rodillos
10
Estado rodillo
2
2
Presin laminado
10
10

rodillos
6
4

10
Altura regleta
SUB-KPC

KPC sensible
a la Sub-KPC
proveedor
Destreza operario
Equipo Hidraulico
9
5
2
10
Desgaste rodillo
Dureza del material
Equipo Hidraulico
Dureza del material
Destreza operario
Juego en Nonius
Conocimiento operario
Pericia operario
desgaste
Destreza operario
9
5
Destreza operario
Equipo Hidraulico
6
10
Desgaste rodillo
Equipo Hidraulico
Dureza del material
10
Dureza del material

Destreza operario
Juego en Nonius
Pericia operario
proveedor
Destreza operario
7
7
desgaste
NF
2
3
2
3
Sensibilidad Tamao
de Sub-KPC a
de la
NF
variacin
VMEA : Analisis modal del fallo y efecto
900
1296
256
6400
144
64
64
256
64
1024
6400
16
64
3600
5184
57600
25600
14400
20736
1600
102400
25600
16384
36
6400
3136
12544
VRPN
(NF)
8596
256
464
128
1024
6400
80
34384
57600
137536
27200
16384
36
6400
15680
VRPN
(Sub-KPC)
calidad
superficial
flanco
10
8
8
10
8
8
10
9
10
6
Estado rodillo
rodillos
Altura regleta


rodillos
Presin laminado
Estado rodillo
rodillos
10

rodillos
8
6
4
Presin laminado
10

Altura regleta
proveedor
9
5
10
Destreza operario
Equipo Hidraulico
Dureza del material
5
6
Equipo Hidraulico
Desgaste rodillo
10
Dureza del material

Destreza operario
Juego en Nonius
Pericia operario
desgaste
Destreza operario
9
5
10
Dureza del material

Destreza operario
Equipo Hidraulico
Desgaste rodillo
9
5
10
Dureza del material

Equipo Hidraulico
Juego en Nonius
Destreza operario
Pericia operario
proveedor
Destreza operario
desgaste
2
3
2
3
8100
11664
57600
57600
18225
26244
1600
129600
25600
65536
64
6400
3136
12544
14400
20736
57600
102400
14400
20736
1600
102400
25600
16384
36
6400
3136
12544
77364
57600
174069
27200
65536
64
6400
15680
137536
57600
137536
27200
16384
36
6400
15680
Resultados del software.

A continuacin, tras la aprobacin de la ltima tabla de desarrollo del VMEA, proced a
introducir los datos en el software de VMEA que tiene el coordinador del proyecto
europeo y que tambin muestra de forma estadstica cules son los VRPN de los
factores de ruido y de las Sub-KPC. Estos valores son de gran ayuda a la hora de
efectuar medidas correctivas sobre el diseo del proceso, ya que nos dicen cuales son
las caractersticas ms crticas, y sobre las que hay que prestar ms atencin.
En nuestro caso, no slo hemos tenido en cuenta esto, sino que tratndose de un
caso real, la teora se tiene que quedar en segundo trmino y adaptarse al modelo real,
por eso, aunque ofrezco los resultados de aplicar las frmulas que ofrece el VMEA, para
dar el siguiente paso para realizar un diseo de experimentos, al elegir los factores o
Sub-KPC de entrada, nos hemos basado no slo en las VRPN, sino en que el
experimento se pueda realizar, es decir, que podamos controlar las variables de entrada,
y adems, creamos que puedan tener una influencia significativa en las salidas. Las
variables de entrada tomadas fueron las resaltadas en rojo en la tabla 15:
A. Tiempo laminado
B. Presin de laminado
C. Velocidad de giro de los rodillos
D. Velocidad de penetracin de los rodillos
Resumiendo, ya tenamos realizados los siguientes pasos:
1. Definicin del problema: Defectos en las calidades de la rosca
2. Objetivo: Minimizar o eliminar los defectos
3. Aplicacin VMEA
4. Tormenta de ideas: anlisis uno a uno de las Sub-KPCs ms crticos para
ver su posible participacin en le experimento
Caso Prctico
174
Ejecucin del VMEA

Proyecto: VMEA en MEUPE, KPC: Dimetro externo
Sensibilida
Sensibilida Tamao
VRPN(NF VRPN(Sub
KPC
Sub-KPC
NF
d KPC a
d Sub-KPC variacin
)
-KPC)
Sub_KPC
a NF
NF
Tiempo
laminado
mn.
Velocidad
penetracin
Calibracin
mq.
Equipo
hidrulico
Dureza
material
10
Destreza
operario
Enfilamient
o rodillos
10
Destreza
operario
Estado
rodillo
10
Desgaste
rodillo
Conocimient
o operario
Equipo
hidrulico
Dureza
material
10
Destreza
operario
Proveedor
Dimetr Velocidad
giro rodillo
o
externo
[mm]
Presin
laminado
Altura
regleta
Ajuste
entre
rodillos
Caso Prctico
36
3600
25600
34384
5184
6400
6400
57600
57600
16384
16384
14400
102400
137536
20736
3136
10
36
15680
Desgaste
Pericia
operario
12544
25600
27200
Juego nonius
1600
175
Ejecucin del VMEA

Proyecto: VMEA en MEUPE, KPC: Paso
KPC
Sub-KPC
Tiempo
laminado
mn.
Velocidad
penetracin
Sensibilidad
KPC a SubKPC
2
NF
Sensibilidad Tamao
VRPN(Subsub-KPC a variacin VRPN(NF)
KPC)
KPC
NF
Calibracin
Mq.
Equipo
hidrulico
900
Dureza
material
10
6400
Destreza
operario
1296
8596
Enfilamiento
rodillos
10
Destreza
operario
6400
6400
Estado
rodillo
Desgaste
rodillo
2304
2304
Conocimiento
operario
4096
4096
Equipo
hidrulico
900
Dureza
material
10
6400
Destreza
operario
1296
Proveedor
196
Desgaste
784
Pericia
operario
1024
Juego nonius
64
Paso Velocidad
[mm] giro rodillo
Presin
laminado
Altura
regleta
Ajuste entre
rodillos
Caso Prctico
8596
980
1088
176
Ejecucin del VMEA

Proyecto: VMEA en MEUPE, KPC: Dimetro medio o Flanco
Sensibil
Sensibilida Tamao
idad
VRPN(NF VRPN(Su
NF
KPC
Sub-KPC
d Sub-KPC variacin
KPC a
)
-KPC)
Suba NF
NF
KPC
Tiempo
laminado
min.
Velocidad
penetracin
Dimetro
medio
[mm]
Calibrado
Mq.
Equipo
Hidrulico
Dureza
material
10
Destreza
operario
Enfilamiento
rodillo
10
Destreza
operario
Estado
rodillo
10
Desgaste
rodillo
Velocidad
giro rodillo
Conocimient
o operario
Equipo
hidrulico
Dureza
material
10
Destreza
operario
Proveedor
Presin
laminado
Altura
regleta
Ajuste entre
rodillos
10
36
36
14400
102400
137536
20736
6400
6400
57600
57600
16384
16384
14400
102400
137536
20736
3136
15680
Desgaste
Pericia
operario
12544
25600
27200
Juego nonius
Caso Prctico
1600
177
Ejecucin del VMEA

Proyecto: VMEA en MEUPE, KPC: Calidad superficial
Sensibilidad
Sensibilidad Tamao
VRPN(SubNF
KPC
Sub-KPC
KPC a SubSub-KPC a variacin VRPN(NF)
KPC)
KPC
NF
NF
Tiempo
laminado
mn.
Velocidad
penetracin
Calibracin
Mq.
64
Equipo
hidrulico
8100
-Dureza
material
10
57600
Destreza
operario
11664
64
77364
Enfilamiento
rodillos
10
Destreza
operario
6400
6400
Estado
rodillo
10
Desgaste
rodillo
57600
57600
Conocimiento
operario
65536
65536
Equipo
hidrulico
18225
Dureza
material
10
129600
Destreza
operario
26244
Proveedor
3136
desgaste
12544
Pericia
operario
25600
Juego nonius
1600
Calidad
Velocidad
superficial giro rodillos
Presin
laminado
Altura
regleta
Ajuste entre
rodillos
Caso Prctico
10
174069
15680
27200
178
Caso Prctico
179
Caso Prctico
180
Caso Prctico
181
Caso Prctico
182
8.4.3
Implantacin DoE
Antecedentes.
En el proceso de produccin de unas roscas se presentaba la siguiente problemtica:
Algunas veces las roscas eran rechazadas por mala calidad, logrando pasar en un 76 %
de los casos, el resto se rechazaban o se reparaban para que cumplieran los
requerimientos impuestos por el cliente.
La rosca la realiza el operario de la lnea correspondiente, de forma que es una
prueba subjetiva porque depende en parte del estado de nimo del operario cada da.
Adems intervenan otros parmetros y la gente de produccin y calidad no lograban
ponerse de acuerdo en las causas del problema y mucho menos en las posibles acciones
correctoras. No se tena claro que parmetros influan directamente, ni el criterio para
controlarlos. De ah que se planteara la aplicacin del VMEA, tras el cual obtuvimos los
parmetros ms crticos del proceso, y sobre los que, variando sus valores de entrada,
podramos experimentar y estudiar, para as obtener un producto ptimo y sin rechazos.
Determinacin.
Ante todo esto se plante aplicar la metodologa del diseo de experimentos, esperando
que nos dijera qu parmetros influan directamente y con ms peso, tambin nos
recomendara combinaciones ptimas de los valores de entrada.
Las variables de entrada y sus rangos, seran:
A. Tiempo de laminado: 4,5,6 (segundos)
B. Presin de roscado: 70, 85, 100 (bares)
C. Velocidad de giro de rodillos: 32, 66, 100 (rpm)
D. Velocidad de penetracin: rpido, medio, lento (cualitativa)
Y las variables de respuesta a medir:

1. Dimetro medio (mm). Dmx= 5,31
2. Dimetro externo (mm). Dmx = 5,91
D min= 5,27
Dmn = 5, 87
3. Rugosidad, se valorara visualmente con 5= pobre; 7= aceptable; 10= perfecta
Caso Prctico
183
4. Geometra, se valorara de la misma forma que la rugosidad.

De las salidas 1 y 2 nos interesa que no se desven mucho o nada de sus valores
nominales, y de las salidas 3 y 4 nos interesa que tengan el valor ms alto posible. Esto
afectar a las funciones de prdida.
Qu mtodo usar?
Nos dirigimos al esquema dado en el captulo del diseo de experimentos, tenamos 4
factores con 3 niveles y uno de ellos cualitativo. El resultado era obvio, usar un Taguchi
que en este caso sera un L9 (3, 4).
Segn esto, tambin podamos disear el experimento, cmo se combinaran los
factores, y lo haramos con 4 rplicas puesto que no sabamos a priori que los 4 factores
tuvieran la misma importancia, y tampoco sabamos si las interacciones seran
significativas.
Con el experimento ya totalmente diseado procedimos al diseo de la matriz, ver
Tabla 16, y posteriormente la Tabla 17 rellenada en el experimento, tras el cual
introdujimos los datos en el software desarrollado para ello. Los comentarios estn
despus de ste.
Caso Prctico
184
4
4
4
5
5
5
6
6
6
70
85
100
70
85
100
70
85
100
32
66
100
66
100
32
100
32
66
Rpido
Medio
Lento
Lento
Rpido
Medio
Medio
Lento
Rpido
D Medio 2
D Medio 1
Tabla 16. Matriz de pruebas para un Taguchi L9 en Meupe.
1
2
3
4
5
6
7
8
9
Tiempo Presin Velocidad Velocidad

de
de
de giro de
de
Prueba laminado roscado rodillos Penetracin
D Medio 4
D Medio 3
VMEA : Analisis modal del fallo y efecto

D Externo
1
D Externo
2
D Externo
3
D Externo
4
Rugosidad
1
Rugosidad
2
Rugosidad
3
Rugosidad
4
Geometra
1
Geometra
2
Geometra
3
Geometra
4
6
6
8
9
85
100
70
100
85
70
100
85
70
32
66
100
32
100
66
100
66
32
Lento
Rpido
Medio
Medio
Rpido
Lento
Lento
Medio
Rpido
D Externo 4
D Externo 3
D Externo 2
D Medio 4
D Medio 3
D Medio 2
5,3
5,3
5,31
5,3
5,3
5,3
5,3
5,3
5,3
5,3
5,3
5,29 5,29
5,3
5,9
5,9
5,9
5,9
5,89
5,9
5,9
5,88 5,88 5,89 5,89
5,88 5,88 5,88 5,89
5,89 5,89 5,89
5,89 5,89 5,89 5,89
5,9
5,9
5,3
5,3
5,3
5,3 5,89 5,89 5,89 5,89
5,28 5,27 5,27 5,27 5,91 5,9 5,88 5,9
5,31 5,31
5,29 5,29
5,29 5,29
5,29 5,29
5,3
5,29
5,28 5,28 5,28 5,27 5,88 5,88 5,89 5,89
D Medio 1
Tabla 17. Matriz de datos rellenada tras el experimento.
Tiempo
Presin
de
laminado
Velocidad Velocidad
de
en
roscado de giro de
de
Prueba segundos en bares rodillos Penetracin
D Externo 1
Diseo de Experimentos
Rugosidad 1
7
5
10
10
Rugosidad 2
7
7
10
10
Rugosidad 3
7
7
Rugosidad 4
7
7
10
Geometra 1
7
5
10
Geometra 2
7
7
Geometra 3
7
7
10
7
7
Geometra 4
Caso Prctico
187
Caso Prctico
198
Caso Prctico
199
Caso Prctico
200
Caso Prctico
201
Caso Prctico
202
Caso Prctico
203
Caso Prctico
204
Caso Prctico
205
8.5
Estudio de resultados y conclusiones
Grfica del ln(s) y Diagrama de Pareto de la varianza.

Nos interesa un valor del ln(s) lo ms pequeo posible y negativo, puesto que esto
indica que s o la desviacin tpica respecto de la media es muy pequea.
De ah sacamos para cada variable de salida, para cada factor, cul es el valor del mismo
que hace ptima la salida, es decir, con menos variabilidad.
Como esta variabilidad se mide con respecto al valor medio, interesar ms estudiar
estos grficos para el Dmedio y el Dexterno, ya que en la Geometra y la Rugosidad lo
que prima es el mayor valor.
Es de estos grficos de donde sacaremos los valores ideales para los dimetros.
Adems, en la representacin de Pareto, los de mayor columna sern los factores que
ejerzan ms peso sobre el resultado de las salidas.
Grfica del Valor medio y Diagrama de Pareto del valor medio.

Para analizar los dimetros. De estas grficas obtendremos la influencia o peso que
ejerce cada factor sobre la respuesta.
En cambio, para la Rugosidad y la Geometra, adems de sacar estas fuerzas,
tambin obtendremos los valores de entrada de los factores que dan unas caractersticas
de acabado superficial ptimo.
Tabla 18. Comparativa de los resultados de las grficas.

D medio
D externo
Rugosidad
Media Varianza Media Varianza Media

A
B
C
D
XX
Caso Prctico
70
XX 85
XX 66
66
XX
lento
cualquier
X 6
XX
85
XX
66
XXX
XXX
lento
lento
Geometra
Varianza Media
XX
_
XX
XX
XX 4
X 85100
XXX
100
XXX
lento
Varianza
XX
XXX
_
XXX
206
La dificultad de este experimento est en que no slo estamos analizando una respuesta,
sino varias, y lo que favorece a una puede que no haga ningn bien a otra, por eso juega
aqu un papel muy importante la experiencia del ingeniero n le proceso que est
diseando. Puede que no haya una sola solucin ptima, sino varias.
La que yo propongo haciendo un estudio de la tabla, y considerando que el estudio
de las varianza afecta ms a los dimetros, son:
1. Un valor s est clarsimo en todos, es la velocidad de penetracin lenta.
2. Para el tiempo, depende de la caracterstica de salida en al que quiera centrarme
ms, si nos fijamos ms en que los valores no cambien respecto al valor
nominal, entonces 5 segundos.
Si nos fijamos en obtener un buen acabado de la superficie y la geometra,
entonces hay que tener en cuenta que en la tabla Anova de la rugosidad, el
tiempo tiene un valor P= 0,859, i.e., que no ejerce influencia sobre la rugosidad,
pero s en la geometra (P= 0,186), que recomienda 4 seg.
Ahora bien, los valores del ratio P para los dimetros son 0,08 y 0,02
respectivamente, es decir, que este factor tiempo realmente tiene una gran
actuacin aqu.
Definitivamente nos quedamos con un tiempo de laminado de 5 segundos.
El valor (1- P) da el % de seguridad de que dicho factor ejerce influencia sobre
las no conformidades.
3. Para la presin de roscado, respecto a la variabilidad estaramos entre 70 y 80
bares, y respecto al valor medio, nos movemos entre 85 y 100, teniendo ms
peso 85 segn el diagrama de Pareto. Una buena opcin sera quedarnos con le
valor medio 85.
Comparando los valores P, el factor B no es significativo en la geometra, y lo es
poco en la rugosidad en comparacin con su efecto sobre el dimetro medio y
externo, donde alcanza unos valores inferiores a 0,01.
Luego nos quedaramos con una presin de roscado de 85 bares.
4. Por ltimo, para la velocidad de giro, por la varianza tomaramos 66rpm y por
los valores medios entre 66 y 100. analizando los valores P tenemos que para
los dimetros es menor a 0,02 y para las otras dos variables de salida, casi llega
a 0,5 en la rugosidad, en cambio tiene un valor de 0,032 para la geometra.
Caso Prctico
207
Definitivamente, optaramos por uno de los dos valores de la velocidad de giro,
66 o 100 rpm.
Tabla ANOVA.
Ahora evaluaremos la importancia relativa de los factores y sus niveles.
Cuantificaremos cunto nos queda por mejorar. Recordemos
que conforme
estabilizamos nuestras variabilidades que nos indiquen el mtodo Taguchi, podemos

seguir aplicando Taguchi sucesivamente hasta llegar al objetivo: variabilidad cero.
Recordemos que uno de los principios de Calidad Total es la mejora continua.
-
La columna P representa la contribucin porcentual de cada factor en la relacin

seal/ ruido. Ya la hemos comentado en el apartado anterior.
El ratio F, es la razn de la varianza. Debe tener un valor mayor de 5 para que se

trate de un buen experimento, que en le caso de el D Medio s lo es, sobrepasa
con crece, en cambio casi no llega a 5 para el Dimetro Externo y la Rugosidad ,
y es bastante pequeo para la Geometra.
Corroboramos estos resultados anteriores con el valor de Squared Multiple R,

donde una buena medida es mayor de 0,8.
Respecto al Dimetro medio un 81,20% de la variacin tiene explicacin,
mientras que un 18,8% de la variacin est causada por factores que no se han
incluido, o errores de medida o en la realizacin de las 9 pruebas.
Para el Dimetro externo un valor de 0,582474 sugiere que slo el 58,247% de
la variacin est explicada; un 54,85% para la rugosidad; y un 41,42% con la
geometra. El resto es variacin no justificada. Un valor por debajo de 0,8 indica
que el modelo no describe perfectamente los datos de respuesta, esto es
explicable, ya que como mencion antes, el hecho de estudiar a la vez 4
respuestas de salida se prevea traera complicaciones, incluso tendramos que
centrarnos en unas pocas solo.
Caso Prctico
208
Conclusin.
El hecho de haber querido medir un nmero considerable de respuestas a la vez,
concretamente 4, ha sido determinante a la hora de haber obtenido algunos resultadso
dudosos con le experimento,. Los resultados parecen apuntar a que se han dejado
circunstancias y consideraciones por el camino.
En cambio, s que nos podemos centrar en el estudio de una sola respuesta, la del
Dimetro Medio, que caracteriza al flanco, que s tiene unos valores bastante buenos y
se mueve dentro de los permitidos para un buen experimento. Teniendo en cuenta esto,
entonces los valores de entrada son: t= 5 seg, p= 85 bares, Vgiro = 66 rpm y
Vpenetracin = lenta. seran los correctos para darnos un dimetro medio de salida
ptimo e insensible a la variacin.
Ahora habra correspondido a Meupe tomar la decisin propia de hacer una
comparativa de resultados, pero lo dejarn para ms tarde puesto que esto requiere un
tiempo y dedicacin, y prefirieron comprobar con el da a da el hecho de que ya no
tendran que rechazar tantas piezas o enviarlas a reparar.
Caso Prctico
209
9.
BENEFICIOS
Los beneficios que aporta la aplicacin de la Metodologa del Diseo Robusto, podemos
decir que son un compendio de los beneficios obtenidos de la aplicacin de los distintos
mtodos y herramientas que abarca, es decir:
Six Sigma,
Diseo de Experimentos
Est claro que al tener siempre presente la calidad total, los beneficios irn encaminados
tanto al cliente, que impone su voz o requerimientos ms exigentes, como a la empresa,
que debe pensar en el exterior, puertas afuera de la compaa, pero tambin debe mirar
por su propio beneficio, que es el econmico y temporal, estos dos a su vez deberan
influir sobre el beneficio del personal.
Los principales resultados vistos desde la implementacin del RDM son los
resultados econmicos:
Reduccin de costes e incremento de ventas. Como comentaba en apartados

anteriores, si un cliente est satisfecho con el servicio obtenido lo transmitir
a dos o tres colegas, pero si no est contento la difusin ser an mayor para
evitar que otros tengan la misma mala experiencia, pero sobre todo por
despecho contra la compaa.
Otros resultados son:
Reduccin de la prdida de clientes,

Fomento de la gestin del conocimiento,
Mejora de los factores clave para los clientes
Liderazgo, y
Aumento de la credibilidad.
Beneficios
210
Concretamente, en relacin con los beneficios que obtuvo MEUPE, al estar aplicado
este proyecto sobre una empresa real, siempre depende de las decisiones ltimas que
tome la propia empresa sobre lo que se va a aplicar, y adems, teniendo en cuenta que
este proyecto est enmarcado en uno europeo con una duracin aproximada de unos tres
aos, y que an queda un ao para que finalice, una vez realizado el diseo de
experimentos y tras recomendarles cules eran los parmetros o factores de entrada
sobre los que tenan que actuar, y sus valores con los que se obtena una produccin
ptima, no se pudo hacer ninguna comparativa en cifras del porcentaje de piezas que se
tuvieron que rechazar o devolver a la cadena de fabricacin para repararlas. Aunque es
evidente que ese porcentaje habr disminuido en relacin con el porcentaje defectuoso
que se obtena antes de la aplicacin de la metodologa, y que era de un 24%.
Beneficios
211
10.
BIBLIOGRAFA
Abraham, B. (2001): Variation Reduction and Robust Designs. Comm. Statistic.
Anderson, P. (1996): A practical method for noise factor identification and failure
mode importance in robust design engineering. 3rd International Congress of

Project Engineering, Barcelona.
-
Barrentine, Larry B. (1999): An introduction to Design of Experiments. A simple
approach. ASQ Quality Press.

-
Documentacin procedente de varios portales de Internet.
Documentacin aportadas por las universidades de Chalmers de Tecnologa

(Suecia) y de Limerick (Irlanda).
Hahn, G.J. (1999). The impact of Six Sigma Improvement- A glimpse into the
future of statistics. The American Statitian.

-
Kackar, R. N. (1985): Off-Line Quality Control, Parameter Design, and the
Taguchi Method. Journal of Quality Technology.

-
Pea, Daniel (2002): Regresin y diseo de experimentos. Alianza editorial.
Ryan, Thomas P. (2000): Statistical Methods for Quality Improvement. WileyInterscience Publication.
Wheeler, Donald J. (1990): Understanding industrial experimentation. SPC Press,

Inc.
Montgomery, Douglas C. (2002): Diseo y anlisis de experimentos. Limusa

Valley.
Bibliografa
212
11. ANEXO: Formacin
Anexo: Formacin
213
Anlisis Modal de Variaciones

y Efecto
2004-04-02
Variacin y Seis Sigmas

La variacin est en todos lados.Muchos problemas de
calidad y seguridad ocurren como resultado de una
variacin no deseada.
Las Seis Sigmas suponen un marco de trabajo para
herramientas estadsticas gracias a las cuales podemos
controlar el problema de las variaciones no deseadas.
Muchas compaas dan parte de sus ahorros en millones de
dlares gracias a sus programas de las Seis Sigmas.
Al mismo tiempo sabemos que podemos ser mucho ms
eficientes y efectivos si gestionamos la variacin no
deseada en una etapa temprana, justo en la fase de diseo
del producto/ proceso.
2004-04-02
Anexo: Formacin VMEA
214
Metodologas dirigidas a la Reduccin/

Control de la Variacin
Hay un nmero de marcos de trabajo y metodologas
para gestionar la variacin no deseada en diferentes
etapas del desarrollo.
Aparte de las Seis Sigmas, el Diseo Robusto y el
Diseo para las Seis Sigmas han conseguido una
popularidad razonable en la ltima dcada.
Tambin algunos mtodos de mejora autnomos,
como el Anlisis Modal del Fallo y Efecto (FMEA) y
el Anlisis del Arbol de Fallos (FTA) han sido usados
durante mucho tiempo como herramientas para
mejorar la calidad y seguridad del producto/ proceso.
2004-04-02
Anlisis Modal del Fallo y Efecto

El Anlisis Modal del Fallo y Efectos (FMEA)
un mtodo sistemtico estructurado para
identificar posibles modos de fallo y calucar sus
efectos o consecuencias.
La estructura simple del FMEA y su
procedimiento sistmico ha facilitado su amplia
aplicacin industrial.
Sin embargo, el enfoque desde abajo (comienzo
desde el modo de fallo) y su naturaleza discreta
(pasa o falla) han creado algunas limitaciones para
este mtodo.
2004-04-02
215

Esta presentacin introduce un mtodo ded ingeniera basado en
la estadstica, Anlisis Modal de Variaciones y Efecos (VMEA),
desarrollado para encontrar de forma sistemtica las reas del
producto/ proceso a las que se deberan dirigir los esfuerzos de
mejora.
El VMEA hace esto identificando las fuentes de variacin
(factores de ruido) y evaluando sus efectos en las caractersticas
clave del producto (KPCs).
El VMEA tambin puede usarse dentro del Diseo Robusto o
Diseo de las Seis Sigmas para un marco de trabajo de las Seis
Sigmas ya que nos ayuda a identificar y priorizar las reas
donde las variaciones no deseadas pueden ser perjudiciales.
2004-04-02
Diagrama-P
Dentro del marco de un diseo robusto es comn representar
un producto o un sistema con el Diagrama-P:
Factor de ruido (N)
Factor de seal (M)
Respuestas (y)
Factores de control (z)
El Diagrama-P es una herramienta muy til, pero es

1)bsicamente para propsitos de ilustracin 2)a veces es
difcil encontrar reas o sistemas para los que construir un
diagrama-P
2004-04-02
216
Diagrama-P y VMEA
VMEA es un intento para dirigir:
El problema de encontrar la respuesta del sistema
El problema de identificacin y priorizacin de los
factores de ruido
El problema de localizacin de reas (subsistemas)
para los cuales puedan ser dainos
Antes de introducir el mtodo VMEA,

permitamos recordar unas pocas cosas que son
importantes para su aplicacin exitosa.
2004-04-02
Caractersticas del Producto y la Variacin

Lo que el
cliente
quiere y
necesita
QFD
Caractersticas
estandar del
Producto(SPC)
Caractersticas
del
Producto(PCs)
Caractersticas Clave
del Producto(KPC)
Una KPC es una caracterstica clave del producto para las cuales una
variacin razonablemente anticipada podra afectar de forma significativa
a la seguridad del producto, o a la conformidad de los estndares o
regulaciones gubernamentales, o afectar a la satisfaccin del cliente con
un producto, ver el Sistema de Designacin de las Caractersticas Clave
de la General Motors(1998).
2004-04-02
217
Caractersticas del Producto y Factores de Ruido
Caracterstica clave
Del producto (KPC)
Los factores de ruido son fuentes de variacin que causan desviaciones en caractersticas
importantes del producto. Pueden ser desconocidos; o inobservables, aunque conocidos (su
observacin requiere un equipo demasiado caro o no disponible); o incontrolable, aunque
conocido y observable (si no es posible fijar los factores en algn valor especfico previsto).
Las Sub-KPCs son caractersticas de un sistema o sub- sistema que afectan al KPC. En
general se conocen y son controladas por los ingenieros.
2004-04-02
Procedimiento VMEA-Los cuatro pasos bsicos

1. Desglose causal de la KPC: Sub-KPCs y NFs
Una vez la KPC es seleccionada, puede ser normalmente descompuesta en un

nmero de elementos llamados sub-KPC y factores de ruido. Esto se suele hacer
con un diagrama de Ishikawa.
2.Valoracin de la sensibilidad
En el segundo paso del procedimiento los ingenieros evalan la sensibilidad de la

KPC a la accin de cada Sub-KPC y la sensibilidad de cada Sub-KPC a la accin
de los factores de ruido de acuerdo con los criterios dados.
3. Evaluacin del tamao de la Variacin
En el tercer paso del procedimiento los ingenieros examinan los Factores de Ruido
y calculan el tamao de su variacin de acuerdo a los criterios dados.
4. Clculo del Riesgo de Variacin y Priorizacin
Basada en la avaluacin dada en los dos pasos anteriores, el Valor de la Prioridad

del Riesgo de la Variacin (VRPN) se calcula para cada factor de ruido y luego para
cada Sub-KPC.
2004-04-02
10
218
Criterio de Valoracin, Sensibilidad

Criterio
Muy baja sensibilidad
.
Un cambio en un parmetro es muy poco probable que cause una desviacin sustancial en el otro.
Baja sensibilidad
.
Un cambio en un parmetro es poco probable que cause una desviacin sustancial en el otro.
Sensibilidad moderada
.
Un cambio en un parmetro es bastante probable que cause una desviacin sustancial en el otro.
Alta sensibilidad
.
Un cambio en un parmetro es probable que cause una desviacin sustancial en el otro.
Muy alta sensibilidad
.
Un cambio en un parmetro es muy probable que cause una desviacin sustancial en el otro.
Peso
1-2
3-4
5-6
7-8
9-10
2004-04-02
11
Criterio de Valoracin, Tamao

de la Variacin
Criterio
Muy baja variabilidad el factor de ruido en condiciones de operacin, i.e. a pesar de las
condiciones de operacin la dispersin del factor de ruido es muy pequea.
Baja variabilidad del factor de ruido en condiciones de operacin, i.e. a pesar de las
condiciones de operacin la dispersin del factor de ruido permanece pequea.
Moderada variabilidad del factor de ruido en condiciones de operacin, i.e. a pesar de las
condiciones de operacin la dispersin del factor de ruido permanece bastante pequea.
Mucha variabilidad del factor de ruido en condiciones de operacin, i.e. la dispersin del
factor de ruido es amplia.
Gran variabilidad del factor de ruido en condiciones de operacin, i.e. La dispersin del
factor de ruido es muy amplia.
2004-04-02
Peso
1-2
3-4
5-6
7-8
9-10
12
219
Clculo del VRPN

Valor de la Prioridad de Riesgo de la Variacin
VRPN NF = S12 S 22V 2
Donde S1 indica la sensibilidad de la KPC a la accin de la Sub-KPC

influenciada por el Factor de Ruido, y S2 indica la sensibilidad de la
Sub-KPC a la accin del Factor de Ruido y finalmente V indica el
tamao de ruido de la Variacin.
Si un Sub-KPC est influenciado por varios Factores de Ruido, es
posible calcular un VRPN relacionado con la Sub-KPC como suma de
las VRPNs de los Factores de Ruido que actan en esta:
VRPNSub-KPC = VRPN NF
2004-04-02
13
Tabla de VMEA-Ejemplo
KPC
Sub-KPC
Refrigerante
Coolant
Hta.
Finish.
cut.
diam.
acabado
KPC
sens. to
a
Sub-KPC
2
10
Inner
Interno
diameter
Finish. cut.
Alimentacin
Hta.feed
acabado
Finish.
cut.
Velocidad
speed
Hta.
acabado
NF
Sub-KPC
NF
sens. to
Tamao
a variation
NF
de size
variac.
VRPN
(NF)
Dilucin
Dilution
64
Flow
Flujo
2916
Machine
Ajuste
de la
mquina
setting
1600
Desgaste
de la
Machine
mquina
wear
25600
Supplier del
Variabilidad
proveedor
variability
25600
Tool
Dao
de la
herramienta
damage
Desgaste de la
Tool
wear
herramienta
10
40000
10
360000
Electricidad
Electricity
225
Machine
Ajuste de la
setting
mquina
Machine
Desgaste de la
mquina
wear
3600
3600
Electricidad
Electricity
225
Machine
Ajuste de la
setting
mquina
400
2004-04-02
VRPN
(SubKPC)
2980
452800
7425
1025
14
220
Estadsticas de VMEA-Ejemplo
Estadsticas de la Sub-KPC
Estadsticas del Factor de Ruido
2004-04-02
15
221
Diseo de experimentos
Mdulo 1
Junio 2004
Nov 2003
GREEN
BELT
Plan para una experimentacin efectiva

Objetivos:
Una vez terminado, usted debera ser capaz de ...
Describir los objetivos de la experimentacin y cmo
ellos relacionan su trabajo de ingeniera
Aplicar un proceso paso a paso
para planificar un experimento:
Centrarse en el objetivo
Diseo experimental y planificacin de los
recursos
Anticipar experimentos logsticos y anlisis
Usar software DOE para establecer un experimento
Formacin: DoE
222
DOE Apoya la Gestin de Procesos

Gestin
Gestinde
deProcesos
Procesos
Descubrir
Descubrirel
el
Proceso
Proceso
Control
Controldel
del
Proceso
Proceso
Mejora
Mejoradel
del
Proceso
Proceso
Entender a clientes,
suministradores y el
entorno de uso
Control del
Procedimiento de
actuaciones estndar
Analisis Funcional y de
Requisitos
Recoleccin e
interpretacin de medidas
de diagnstico.
-Resolucin de
Problemas (causa raz)
- Plan de Mediciones
-Reduccin del tiempo

de ciclo
Mediciones del proceso y

Objetivos
- Muestreo y Clasificacin
Flujo y diseo del Proceso
- Estratificacin y
visualizacin
Capabilidad del Proceso
Determinar la actuacin.
Entender las relaciones

claves del proceso:
-Reduccin de defectos
-Salidas frente a
Factores controlables y
de ruido.
-Optimizacin
Enfoque del proceso

Factores de
de ruido
ruido
Diseo
Diseo
Factores
Factores
controlables
controlables
(Entradas)
(Entradas)
Formacin: DoE
X
X11
X
X22
Variables
del proceso
Proceso
Y
Y11
Y
Y22
Respuesta
(Salidas)
(Salidas)
X3
X4
223
Distribuciones de Frecuencia y Probabilidad
Bin
Cumulative
Relative
Frequency Frequency
0
0
1
0.0025
2
0.0025
7
0.0125
34
0.0675
95
0.1525
162
0.1675
235
0.1825
301
0.165
349
0.12
379
0.075
394
0.0375
398
0.01
399
0.0025
400
0.0025
400
0
Cumulative
Relative
Frequency
0
0.0025
0.005
0.0175
0.085
0.2375
0.405
0.5875
0.7525
0.8725
0.9475
0.985
0.995
0.9975
1
1
86
0
M
or
e
84
0
82
0
80
0
78
0
Molded Ball Diameter

Bin
( Ball diameter at
Equator:
digits following
1.6____) Frequency
720
0
730
1
740
1
750
5
760
27
770
61
780
67
790
73
800
66
810
48
820
30
830
15
840
4
850
1
860
1
870
0
76
0
72
0
Registro del
muestreo
80
70
60
50
40
30
20
10
0
74
0
Distribucin
de Frecuencia
Freque ncy
Histogram
Media =
1.6787
Desviacin Est. 0.0020

()
Las
Distribuciones
de Probabilidad
modelan la
relacin entre las
muestras
observadas y su
probabilidad de
que ocurran.
Trminos de Ingeniera de Procesos

Medidas del Proceso (Y, s)
Tendencia
Central
Desviacin
estndar
Frecuencia con la
que cada medida
caracterstica del
proceso es
observada
(
or s)
Variacin
0
0
68%
Escala de medida
para caractersticas
del proceso (y)
95%
99.7%
Media
del
Proceso
Y
Formacin: DoE
224
La Voz del Cliente

Define los Lmites de las Especificaciones y los Objetivos
Informacin en Continuo
Voz del
Consumidor
Lmite Inferior de Objetivo Lmite Superior de

Especificaiones
Especificaciones
USL
LSL
OK
Voz del
proceso
Frecuencia
Defectos
Medidas de Salidas del Proceso
Defectos
Trminos de Ingeniera de Procesos

Medidas de la Capacidad del Proceso
Desviacin Estndar (
or s)
Frecuencia
Lmite Superior de
Especificiones
Lmite Inferior de
Especificaciones
LSL
p1
Caractersticas del proceso
medidas (x)
p1,p2 = proporcin de las salidas del proceso que son noconformidades (fuera de lmites de especificaciones)
Defectos por Milln: DPM = 106 * (p1 + p2)

Rendimiento de Primera Vez
USL
p2
Objetivo
(T)
Media del
Proceso Y
(FTY) =1.00 -(p1+p2)
ndice de Capacidad del Proceso:

Cp = (USL - LSL) / 6
Cpk = min(USL-Y, Y - LSL) / 3
Formacin: DoE
225
Objetivos del proceso de mejora
LSL
USL
Objetivo
LSL LSL
USL USL
Ilustracin de 3 cosas que pueden ser hechas para mejorar el rendimiento de

este proceso
Opciones de
experimentacin
No todos los experimentos se hacen igual ...
Un factor cada vez
Experimentacin diseada
Formacin: DoE
226
Experimentacin: Un factor cada vez

A2 B2 C2 D2 E4
Para estudiar 5 factores: A, B, C, y D, cada 2 niveles, y factor E
cada 4 niveles Cmo maximizaramos la respuesta del proceso
(Y) cambiando un factor cada vez ?
Comenzar con todos los factores a nivel cero(codificado con un 1).
Y
1
2
1 1
1 1
1
1
1
1
2 1
1 2
2
2
2
2
1
1
1
1
2
1
1
1
1
2
3
4
2
2
2
2
1) Cmo sabemos que nuestros resultados

son verdad absoluta?
2) Podramos predecir Y para algunos
valores de A, B ,C, D, E no testados aqu ?
3)Qu informacin tenemos sobre las
interacciones entre los factores?
Ms all de Un factor cada vez

Una estrategia experimental mejorada nos dara:
Un MODELO, para PREDECIR la respuesta a combinaciones
de nuevos factores que no tomaron parte en el experimento.
Una oportunidad para encontrar un valor MEJOR
(max, min, etc.) entre todas las combinaciones de factores.
Informacin de las INTERACCIONES entre factores.
Nos conduce a
...
Formacin: DoE
Experimentos diseados
Cambios organizados en variables
independientes (factores) con el
propsito de observar cambios
relacionados con las variables
dependientes (respuestas).
227
Metas del DOE

Diseo
Factores
controlables
(Entradas)
Factores de
rudo
X11
X22
Dentro
del
proceso
Proceso
X33
Y1
Y2
Respuestas
(Salidas)
X44
Identificar el impacto de los FACTORES en las RESPUESTAS

Identificar las INTERACCIONES especficas entre FACTORES
Reunir la mxima cantidad de informacin, dando cuenta del
correspondiente RUDO en el mundo real, usando mnimos recursos.
RESPUESTAS PRONOSTICADAS en el ajuste de factores que no
estn directamente estudiadas en el experimento.
OPTIMIZACIN mediante el AJUSTE DE FACTORES DETERMINADOS
que producirn una RESPUESTA DESEADA.
Objetivos de la Experimentacin
Proyeccin
Proponer
Problemas
Metas
Orientacin de
Procesos
Diseo Robusto
Buscar estrategias a
bajo coste para tratar
factores de ruido del
mundo real
Estabilizar el
seguimiento del
proceso a un objetivo
mientras se minimiza
la variacin.
Modelado/
Caracterizacin
Construir un modelo
que relacione factores
(e interacciones,
efectos de alto rango)
con las respuestas
Mtodos
Plackett-Burman
D-ptimo
Usar un modelo para

localizar la mejor zona
de operacin.
Caracterizar el
funcionamiento del
proceso
Caracterizar mezclas
Factorial Completo
Factorial
Fracional
Optimizacin
Diseos Taguchi
Factorial Fracional
Diseos Clsicos con
D-ptimo
Factores de ruido
incluidos.
Central Composite
Grficas de
Conveniencia
Algoritmos de
Bsquedas de ptimos
Algoritmos Gnticos
Box-Behnken
(Redes Neuronales)
Cmo se alinean estos objetivos con tu experiencia en ingenieria y produccin ?
Formacin: DoE
228
Beneficios de la Planificacin DOE Paso a Paso

Ingenieros:
Tener un mapa/patrn que permite afrontar todas las preguntas
adecuadas
Desarrollar un lenguaje comn para formular problemas en trminos DOE.
Esto puede ayudar a:
Revisar los planes experimentales de los ingenieros de diseo y
produccin.
Estructurar la resolucin de problemas y optimizacin en otras
tentativas.
Crear una lnea de pensamiento trazable desde la planificacin a la
ejecucin. Esto puede reforzar el apoyo a (y el desarrollo del valor de) los
resultados y recomendaciones de la experimentacin.
Directores:
Conseguir un marco eficiente para la revisin de de las metas y las
necesidades de recursos para apoyar las decisiones en la planificacin.
Poder aprender a participar eficientemente en la interpretacin del
anlisis y la planificacin relacionada con los impactos de un experimento.
P
l
a
n
Clarificar
objetivos
Pasos del DOE
Determinar
respuestas
Check
Anlisis
Determinar
factores
. Adecuacin estadstica
. Rangos
. Anlisis grfico
. Niveles
Combinacin
de lneas de
investigacin
. Ecuacin predictiva
Do
Llevar a cabo
el experimento
Confirmacin
Prediccin
Capacidad del DOE
Modelo
Determinar el
orden de las
lneas
Determinar las
necesidades
de rplica
Formacin: DoE
Act
Integracin de
los
conocimientos
229
Aclarar los Objetivos

Describir el contexto para el experimento:
Responder las cuestiones sobre el Descubrimiento del Proceso
relacionadas con el experimento:
Clientes y proveedores?
Necesidades?
Procedimientos?
Flujos del proceso?
Condiciones de uso?
Metrica y objetivos?
Qu se cononoce ya sobre la situacin? (trabajo prioritario y motivacin)

Metas y alcances
Metas de esta experimento
Lmites en la exploracin e impactos del experimento
Qu objetivo del DOE es el ms adecuado?
Investigacin
Diseo Robusto
Caracterizacin / modelado
Optimizacin
Determinar RESPUESTA(S)
Decidir qu medir
Considerar:
1.
a. El fenmeno de ingeniera fundamental bajo estudio.

b. Las funciones ms importantes del sistema para los
clientes.
2.
Medicin en contnuo
Mejor que
Categoras multievaluadas
Mejor que
0
1
Pasa/ Falla
Frecuencia
con la que la
categora es
observada.
0
Categora
Formacin: DoE
230
Determine FACTORS
Para cada respuesta...
1) Equipo de Brainstorming para factores influyentes...
Por ejemplo:
Qu factores podran influenciar en la

Transferencia/Opacidad de la huella del cojinete ?
Volum
graba en de pla
nch
do
Golpe del
a de
l filo
Presin de
Variaciones en los controles de equipo

durometer de
cojinete
cojinete
tura
Tempera
ente
de disolv
Prdida
Humedad
Uso de
as
planch
l
ricos de
les esf
Materia
to
substra
Determinar Rango de los

Factores
Para cada factor determinar un rango de
operacin que ser:
BAJO
(-1)
RANGO
FACTOR
ALTO
(+1)
suficientemente amplio para mostrar el

efecto del factor
y
suficientemente estrecho para ser factible
CDIGO, siempre [-1,1]

1, 2, 3 ... Representa
todos los factores en la
misma escala
Completar esta tabla para algunos factores representativos del proceso:

Factor:
BAJO(-1)
ALTO (+1)
Formacin: DoE
231
Determinar Nivel de
Factores
NIVELES
BAJO
(-1)
Anticipar la FORMA del impacto

de cada factor en la respuesta:
Onda
Onda
Modelo
Linear
Linear
ALTO
(+1)
FACTOR
Pico oo Pendiente
Pendiente suave
suave
Ganancia
Ganancia Simple
Simple Pico
N de Niveles
(0)
44
Quadrtico
Quadrtico
Cbico
Cbico
Respuesta
Ajuste
de
cdigos
-1
+1
-1
+1
-1
+1
Seleccin de Pruebas Combinadas

Fact. Fraccional
D-ptimo
Central
Composite
Box-Behnken
Subconjunto
estadsticamente
desequilibrado de las
combinaciones
Todas las
combinaciones
posibles
Subconjunto
estadsticamente
equilibrado de todas las
posibles combinaciones
Pros
Taguchi
Plackett-Burman
Informacin de
todos los
efectos lineales
e interacciones
Recurso eficaz, puede

Primera restriccin real, Modelos de curvatura,
compararse al
retiene la mayora del caracteriza respuesta
Factorial Completo en
compleja
poder analtico
los resultados
Contras
Factorial
completo
Demanda
considerable
de recursos
Renombrar los efectos

de los factores puede
enmascarar el
comportamiento
verdadero del sistema
Formacin: DoE
Superposicin de
efectos de los
factores puede
confundir el anlisis
3 ms niveles
Recursos y
anlisis
desperdiciados si
son impropios
232
Seleccin de PRUEBAS COMBINADAS

Factorial Completo: Todas las combinaciones posibles
Ej.: Fuerza de enlace en 3 niveles, tiempo de enlace a 2 niveles, Temperatura base a 2 niveles
rbol
Fuerza
Fuerza
enlace
enlace
11
Tiempo
Tiempo Temp.
Temp. base
base
enlace
enlace
11
11
22
11
22
22
11
22
22
11
33
22
11
22
11
22
11
22
11
22
Desglose
bondForce bondTime baseTemp

1
1
1
1
1
2
1
2
1
1
2
2
2
1
1
2
1
2
2
2
1
2
2
2
3
1
1
3
1
2
3
2
1
3
2
2
Seleccin de PRUEBAS COMBINADA

Factorial Completo para factores de 2 niveles
Orden de Yates: para k factores, una tabla con 2k filas
1. Empezar con una columna de 2k alternando signos - y +
2. Construir nuevas columnas a la derecha; repitiendo cada signo en la
secuencia el doble de las veces repetidas en la columna previa.
3. Columna k (el ltimo factor ppal.) tendr un signo en la mitad superior
y el otro en la mitad inferior.
A
Ejemplo:
k=3
factores
Formacin: DoE
233
Determinar El ORDEN de las PRUEBAS

1) Asignar Factores a Columnas en el Diseo Experimental
Considerando:
- Suavizar el cambio de los valores de cada factor.
- Tomar datos aleatoriamente para reducir el factor de
ruido1
Diseo Experimental
?
A qu columna
Prueba
A
B
C
debera asignarse la
Temperatura del
Horno?
Temperatura
del Horno
BAJO
ALTO
Ajustado
Velocidad
de la Cinta
Flujo del Gas
800
30
12
1000
40
18
Fuerte
+
+
+
+
1
2
3
4
5
6
7
8
Factores
Suave Suave
+
+
+
+
+
+
+
+
1.Bloqueo y aleatoriedad,conceptos ms avanzados, sern discutidos con ms detalle ms adelante en el curso

Diseo Experimetal
2)Considerar aadir
pruebas de punto central
Pruebas con los niveles
sintonizados en el punto
medio. (0)
Los puntos centrales pueden
proporcionar:
- Informacin mejorada sobre
ruido experimental
- Indicaciones sobre
desviaciones del modelo
lineal.
Formacin: DoE
prueba
1
2
3
4
5
6
7
8
9
10
11
12
+
+
+
+
0
0
0
0
+
+
+
+
0
0
0
0
+
+
+
+
0
0
0
0
234

Diseo Experimetal
prueba
1
2
3
4
5
6
7
8
9
10
11
12
0
+
0
+
+
0
+
0
0
+
0
+
0
+
+
0
0
0
+
+
0
+
+
0
3) Pruebas de punto
central puden estar
alternadas para detectar
cambios
Diferencias entre pruebas

1, 5, 9 y 12 pueden indicar
cambio en el curso del
experimento
Determinar los Requisitos de las

REPETICIONES
Entender la necesidad de realizar REPETICIONES1 (n),
para hacer el experimento suficientemente sensible a:
Observaciones de las respuestas repetidas
Factores
Flujo
del
Gas
1
2
3
4
5
6
7
8
+
+
+
+
Velocidad
Temperatura
de la
del Horno
cinta
+
+
+
+
Y1
Y2
...
Yn
+
+
+
+
Cambio
de la
media
Cambio de la
Variabilidad
1.Tamao de la muestra ser tratado con ms detalle enel Modulo 3
Formacin: DoE
235
Uso de Informacin de las Repeticiones

Respuesta Repetida
Factores
Flujo
Cinta
de gas
1
2
3
4
5
6
7
8
+
+
+
+
Temp.
del horno
+
+
+
+
Cambios de la
media
Observaciones
Y1
Y2
...
Yn
+
+
+
+
Cambios de
la varianza
Y = respuesta promedio, mide la tendencia media de cada prueba

s = desviacin estandar (o varianza (s2), Ln de s (ln(s)) o ln(s+1))
mide la variabilidad de cada prueba.
Ejecutar el Experimento
Prechequear la logstica del experimento
Flujo de materiales y medios
Documentar los procedimientos estndar de operacin
Completar la calibracin y el sintonizado
Tomar notas excelentes:

Cualquier acontecimiento inusual durante el experimento
Observaciones en relacin a los factores de ruido.
Errores en documentacin y medidas extra
Formacin: DoE
236
Usar el Anlisis los Resultados de Ingeniera

Objetivos:
Una vez realizado, usted debera ser capaz de ...
Contabilizar efectos de los factores usando datos de un
experimento diseado.
Crear e interpretar grficos que ilustren los efectos de los
factores y sus interacciones.
Interpretar las estadsiticas en el anlisis DOE.
Comprobar que la ecuacin de prediccin de experimentos es
adecuada, mediante pruebas de confirmacin.
Llevar los resultados de los experimientos hacia un enfoque
ingenieril:
Reconocer o refutar lo que el experimento significa en
trminos ingenieriles.
Localizar y comprobar las opciones de ajuste o diseo de
los factores recomendadas por el experimento.
Datos Experimentales
Shea r Strength
Factores
Volu me
Prehea t
Te mp
+
+
+
+
0
0
0
+
+
+
+
0
0
0
+
+
+
+
0
0
0
y1
y2
y3
y4
ybar s
ln(s+1)
59.02
37.19
48.66
51.48
57.5
53.1
39.23 39.98 33.96
46.6 46.16 47.11
55
38
47
3.6
2.7
1.1
1.5
1.3
0.7
61.93
83.18
59.24
62.72
78.05
59.32
73.81
67.89
68.19
81.35
57.72
73.84
63.4
70.35
75.23
60.72
84.04
38.17
65.21
78.63
1.0
1.9
2.6
1.5
1.3
59.2
61.5
56.7
58
60
63.2
60.5
58.9
63.6
61.1
58.3
57.5
60 1.8
79 5.7
57 13.2
67 3.3
78 2.5
60 1.4
60 1.4
60 3.7
ybar = media (y1 , y2, y3, y4)

ln = natural logarithm = loge
Formacin: DoE
Anlisis
Respuestas
0.9
0.9
1.5
medias
ln(s+1)
varianzas
237
Estimacin del efecto de los factores

(Principales efectos)
Shear
V olu m e Preh e at Te m p Strength
+
+
+
+
El diseo
experimental
proporciona
contrastes
equilibrados para el
anlisis
ALTO
Media ALTO (+)
BAJO
Media BAJO (-)
+
+
+
+
+
+
+
+
55
38
47
60
79
57
67
78
Haciendo la media de las 4

pruebas se refleja el
proceso cuando el
tiempo es bajo (-)
Haciendo media de
las 4 pruebas se
refleja el proceso cuando
el tiempo es elevado (+)
= ALTO- BAJO
/2
1) Completar el clculo de valores promedios, , y /2
2) Calcular Y, la respuesta media para el experimento completo:
Cuadro de la Media Marginal

3.
1.
Respuesta
Ymax
Eje vertical ,
escalado para
cubrir los valores
de respuesta
observados
ALTO
Muestra la respuesta
media de cada nivel
del factor.
Conecta los puntos
con lneas
apropiadas
Y se centrar entre
ALTO y BAJO en
un grfico de 2
niveles.
BAJO
Ymin
-1
BAJO
2.
Formacin: DoE
Factor
+1
ALTO
En el eje X , sealar cada nivel del

factor que ha sido representado
238
Diagrama de Pareto
100%
3 Opcional: dibujar
una lnea
deproporcin
cumulativa.
Esto puede ser
usado para
localizar las
barras que estn
a la izquierda del
80% (para una
regla de Pareto
80:20 )
|
/2|max.
1
Dibujar un eje
vertical,
escalndolo
para cubrir el
rango de valores
absolutos del
delta/2 :| /2|
0%
D
2
Clasificar el factor| /2|en orden

de valor descendente, dibujando
y etiquetando una barra para
representar cada uno.
Ecuacin predictiva
(Principales efectos)
Shear
V olu m e Pre he at T em p Strength
La respuesta
prevista,
en cualquier
ajuste de factores
^ =Y +
Y
high
low
/2
)A
+
+
+
+
58.3
61.9
-3.7
-1.84
+
+
+
+
+
+
+
+
63.0 70.2
57.2 50.0
5.8 20.2
2.90 10.11
)B
55
38
47
60
79
57
67
78
60.1
0
60.1
+ (
Para factores de
2 niveles:
Los valores /2
son
coeficientes de
la ecuacin
predictiva
)C
La media principal
del experimento
Formacin: DoE
239
Ecuacin Predictiva
un anlisis ms detallado
A
La respuesta
prevista, en
CUALQUIER
ajuste de los
valores de los
factores
Response
Average at Low (-1)

Average at High ( 1)
Delta (= high - low)
Delta/2
-1
+1
^
Y = Y + ( -1.84 )( A ) + (
/2 representa
la importancia
del factor
-1
2.90
-1
+1
+1
)( B ) + ( 10.11 )( C )
el CODIGO (-1 a 1)entre los factores presentes.

Como sealar en las cantidades de A, B, y C
como botones de ajuste.
Cul sera la respuesta prevista para A= 0, B = 0.5, y C = -0.8 ?
Detectando Diferencias en Variabilidad

F Test
F es una familia de distribuciones para el ratio de dos varianzas experimetales
s12
F= 2
s2
varianza1
varianza2
Excel
Excel
=FTEST(rango1,rango2)
=FTEST(rango1,rango2)
oousa
usaHerramientas
Herramientasde
de
Anlisis
Anlisisde
dedatos
datospara
paraelelFF
Test
Test
La distribucin F altera su forma para reaccionar a las diferencias en el nmero

de grados de libertad en la informacin usada para estimar cada varianza.
A mayores ratios medidos de F indica un menos riesgo ( ) que el mismo ratio
producira tomando muestra en el ruido que ha sido detectado.
Formacin: DoE
240
Interpretando las Salidas en el Ordenador
Variable Dependiente
Nmero de Pruebas
R mltiple
Cuadrado de R mltiple
Ajustada Cuadrado de R mltiple
Estimacin del Error Estdar
Variable
Fuente
Coeficiente
Suma de Cuadrados
Error Estndar Tolerancia
DF
Cuadrado de la Media
P(2 Cola)
Ratio F
28
Diseo Intermedio y Mtodos de Anlisis

Objetivos:
Al finalizar, usted debera ser capaz de...
Disear factoriales fraccionales y experimentos D-ptimos que
emparejen necesidades de estudio con recursos disponibles.
Calcular el tamao requerido de la muestra para detectar
la variabilidad de cambio y los principales cambios usando un
diseo escogido.
Usar diseo de respuestas superficiales para modelar la curva
de respuestas.
Optimizar usando 2 o ms respuestas.
Detallar un plan experimental en su propia rea de trabajo.
Formacin: DoE
241
Por qu Factoriales Fraccionales ?

Ejercicio:
Factoriales
completos
Sealar los trminos de la

ecuacin predictiva que pueden
ser calculados usando los datos
N de factores N pruebas requeridas
de un experimento Factorial
4
Fraccional con 5 factores (A, B, C, D, E)
2
3
4
5
6
8
16
32
64
.
.
.
.
.
.
B C D E
Interacciones 2 a 2:
AB
BD
5 AD
AC
5 * 4 AE BC
2 = 2 * 1
BE
CD CE DE
5
10
10
ABC ABD ABE BCD BCE

ADE ACD BCD BDE CDE
2k
Efectos pples.: A
ABCD ABDE ACDE BCDE ABCE
Interaccin 5 a 5:
Media + 31 trminos
Construir un diseo Factorial Fraccionado

1. Empezar con un diseo factorial completo para
el nmero de pruebas que usted PUEDA hacer.
Ejemplo: 4 Factores para estudiar(A, B, C, D) ... Slo 8 pruebas posibles
8 Pruebas
1
2
3
4
5
6
7
8
Formacin: DoE
A
+
+
+
+
B
+
+
+
+
C AB BC AC ABC
+
+ +
+
+
+
+
+
+ +
+
+
+
+
+
+ +
+ +
+
242
Construir un diseo Factorial Fraccional

2 a) Asignar factores para las primeras columnas de
principales efectos (A,B,C)
b) Asignar los factores restantes a las columnas
disponibles con MS ALTO ORDEN DE INTERACCIN:
A B C
1
2
3
4
5
6
7
8
A
+
+
+
+
B
+
+
+
+
C AB BC AC ABC
+
+ +
+
+
+
+
+
+ +
+
+
+
+
+
+ +
+ +
+
Construir un diseo Factorial Fraccional

3. Comprender el patrn de alias.
Ejemplo: Asignar tres factores, A, B, y C
para un diseo experimental de 4 pruebas
A B
1
2
3
4
A
+
+
Formacin: DoE
B AB
- +
- + + +
C
Alias
Factor
AB
AC
BC
243
Construir un diseo Fraccional Factorial

Ejercicio:Cul es el PATRN DE ALIAS en el experimento
con 8 pruebas y con 4 factores, A, B, C, D ?
Patrn de alias
A B C
1
2
3
4
5
6
7
8
A
+
+
+
+
B
+
+
+
+
C AB BC AC ABC
+ + +
+
+
+
+
+
+ +
+
+
+
+
+
+ + + +
+
ABC = D
A = BCD
B = ACD
C = ABD
AB = CD
BC = AD
AC = BD
AD = BC
Variaciones en los diseos Factoriales Fracionales

Matrices Ortogonales de Taguchi
El sistema de calidad del Dr. Genichi Taguchi incluye tablas con matrices ortogonales. Mientras que la
codificacin y el lenguage necesita poca traduccin (ver apndice) los diseos son directamente dirigidos en los
tradicionales factoriales completos y fraccionales.
Diseos de Plackett-Burman
Optimizados para mostrar los efectos principales, cubriendo 2 puntos de niveles de diseo (cada 4) entre
puntos factoriales.
Factorial Completo
# pruebas
PlackettBurman
#pruebas
8
12
12
16
16
20
20
24
24
28
28
32
potencias de 2
Formacin: DoE
Los diseos Plackett-Burman con n

pruebas pueden usarse para
mostrar para los (n-1) principales
efectos.
Los effectos de las interacciones
aparecen no aparecen en una
columna en particular, estan
distribuidos en todas las
columnas.
El Taguchi L12 es un ejemplo de un
diseo Placket-Burman.
32
mltiplos de 4
244
Comienzo
Reglas para
seleccionar un
Diseo Experimental
Aclarar:
el Problema
el Contexto
los Objetivos
Considerar siempre el aadir puntos

centrales para:
- Mejorar las estimaciones del error
- Detectar variaciones durante el
experimento
- Detectar desviaciones de la
linealidad
Determinar
qu medir
(Respuestas)
Cuntos
3
niveles para
cada
factor? No todos
Tipos de
factores
cuantitativos, al
menos uno
cualitativoone
K<4
Cuntos
factores?
(k)
6< k < 11
k=3
Slo cuantitativos
Experimenta
-cin
Cuntos
fctores?
(k)
4<k<7
6<k<7
Modelo
K= 5
FACTORIAL
COMPLETO
k=2..n reps > 9
k=3 ..n reps >5
k=4 ..n reps >3
FACTORIAL
FRACCIONAL
2 5-1
n reps>3
Formacin: DoE
MODELO O
EXPERIMENTACIN?
k<5
PLACKETTBURMAN o
TAGUCHI
Experimentos
n reps >4
FACTORIAL
COMPLETO
k=2..n reps> 7
k=3 ..n reps >3
TAGUCHI
L18 Experim.
D-Optimal
n reps>4
Central Composite
o BOX-BEHNKEN
k=2..n reps. > 9 (CCD)
k=3 ..n reps. >5 (CCD/BB)
k=4 ..n reps.>3 (CCD/BB)
245
Tabla de la Normal
246

TESIS - Diseño Robusto y DoE A Una Empresa DeEspaña

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

TESIS - Diseño Robusto y DoE A Una Empresa DeEspaña

Enviado por

Direitos autorais:

Formatos disponíveis

ESCUELA SUPERIOR DE INGENIEROS

ESTUDIO DE LA SITUACIN ACTUAL EN ESPAA DEL

Autor: Mara Cristina Ramiro Gonzlez

4. El Mtodo del Diseo Robusto

6. El Anlisis Modal de Variaciones y Efecto

11. Anexo: Formacin

MARCO DEL PROYECTO

Marco del Proyecto

Modelo de desarrollo de Integracin

Figura 1. Esquema de trabajo en el tiempo del proyecto europeo.

Marco del Proyecto

En los ltimos aos la reduccin de la variabilidad de cualquier caracterstica de calidad

La necesidad de robustez en los productos y los procesos, la habilidad de ser

El cliente no quiere ninguna variacin entre diferentes unidades del mismo

Estos desafos requieren algunas iniciativas tecnolgicas, sociales y de gestin para

Finalmente, en orden a descubrir la influencia de las variaciones de los parmetros de

La variacin es comn en todos los procesos de fabricacin y en todos los ambientes de

LA METODOLOGA DEL DISEO ROBUSTO

Desde siempre, la sensibilidad de los procesos y los productos a la variacin ha causado

La Metodologa del Diseo Robusto

trabajo que puede ser aplicada ampliamente en la industria para mejorar su

La Metodologa del Diseo Robusto

Definicin de Diseo Robusto

La Metodologa del Diseo Robusto

El Diseo Robusto tiene dos dimensiones:

La influencia de las fuentes de variacin en las caractersticas del producto puede

La Metodologa del Diseo Robusto

La categorizacin de los factores de ruido es comn en la literatura del RDM. Las

La Metodologa del Diseo Robusto

Variaciones en las Deterioro

Tabla 1. Categora de Factores de Ruido

La Metodologa del Diseo Robusto

Marco Histrico del Diseo Robusto

La Metodologa del Diseo Robusto

En la tradicin europea, esta nueva percepcin ha tenido problemas a la hora de

Nunca estuvieron en la agenda de trabajo de los ingenieros de desarrollo,

Sndrome del no inventado aqu, algo para los japoneses.

Fue pensado para ser demasiado matemtico y enfocado en parmetros limitados

La Metodologa del Diseo Robusto

Objetivo del Diseo Robusto

calidad fijado como meta y con el objetivo fijado, la sostenibilidad de la calidad y la

La Metodologa del Diseo Robusto

Situacin actual del RDM

Encuesta del RDM

El RDM ha sido discutido ampliamente y han sido presentadas varias aplicaciones

La Metodologa del Diseo Robusto

La Metodologa del Diseo Robusto

Visin del papel de la variacin

Familiaridad con el RDM

Figura 3. Esquema del cuestionario

La Metodologa del Diseo Robusto

Estado del RDM en Espaa

La Metodologa del Diseo Robusto

4.5.3.2 Resultados de la encuesta

0. Certificacin de la compaa en un sistema de gestin de la calidad como la ISO

1. Diferencias entre muestras del mismo producto.

El 36% de las compaas no ve diferencias significativas entre muestras de un mismo

La Metodologa del Diseo Robusto

2. La importancia de que todas las muestras del producto tengan caractersticas

3. El conocimiento de las causas de las diferencias en las caractersticas..

La Metodologa del Diseo Robusto

4. Trabajar activamente para asegurar la conformidad entre muestras.

5. Cmo trabaja la compaa para lograr la conformidad.