Você está na página 1de 12

See

discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/260228841

Cuantificación de la capacidad de proceso para


datos cualitativos

Dataset · April 2013

READS

1,268

2 authors, including:

Juan Sebastian Pelaez Zuñiga


Universidad de Ibagué
4 PUBLICATIONS 0 CITATIONS

SEE PROFILE

All in-text references underlined in blue are linked to publications on ResearchGate, Available from: Juan Sebastian Pelaez Zuñiga
letting you access and read them immediately. Retrieved on: 18 May 2016
Universidad de Ibagué, Ingeniería Industrial.

Cuantificación de la capacidad de proceso para datos cualitativos

Martha Lucía Pérez Urrego[a], Juan Sebastián Peláez Zúñiga[b]

Programa de Ingenieria Industrial, Universidad de Ibagué,


Carrera 22 Calle 67 Barrio Ambalá Centro de Contacto: +57 ( 8 ) 274 9400 Ext: 317 - Ibagué - Colombia.
a
Ingeniera Industrial; Dr. C.; Docente Programa Ing. Industrial, e-mail: lucia.perez @unibague.edu.co
b
Asistente de Investigación; Egresado del Programa Ing. Industrial e-mail: juansebas_006@hotmail.com

Resumen
El presente artículo de investigación pretende mostrar los resultados de un proyecto de investigación de convocatoria interna de la
Universidad de Ibagué, con el titulo de “TÉCNICAS DE MEDICIÓN Y MEJORAMIENTO DE CAPACIDAD DE PROCESO
ORIENTADAS A SEIS SIGMA EN LAS PYMES” (DATOS CUALITATIVOS). El objetivo de este proyecto es contar con una guía
completa que contenga los procedimientos y las herramientas requeridas para apoyar a los empresarios de las Pyme, en la mejora de la
calidad a partir de la disminución de la variación de sus procesos productivos.
La clasificación de la investigación es teórica, ya que se recogió bibliografía de libros, artículos de investigación, tesis y demás
documentos, para dar como resultado un documento donde se muestran las técnicas para medir la capacidad de proceso para
características de calidad de tipo atributo, ya que tradicionalmente la capacidad de procesos se ha medido para características
cuantitativas por medio de estadísticos como el Cp y Cpk.
Palabras clave: Control Estadístico del Proceso, Métricas Seis Sigma, Fracción Defectuosa, Rendimiento del Proceso, Nivel Sigma.

Abstract
This article aims to show the research results of a research project internal call Ibagué University, with the title "MEASUREMENT
TECHNIQUES AND CAPACITY IMPROVEMENT PROCESS ORIENTED SIX SIGMA IN SMES" (qualitative data). The objective
of this project is to have a comprehensive guide that contains the procedures and tools required to support entrepreneurs of SMEs,
improving quality from decreasing variation of their production processes.
The classification of research is theoretical as it collected bibliography of books, research papers, theses and other documents, to result
in a document that shows the techniques to measure the ability of process quality characteristics attribute type, as process capability
traditionally has been measured for quantitative traits using statistics such as Cp and Cpk.
Keywords: Statistical Process Control, Six Sigma metrics, fraction defective, Throughput Yield, Sigma Level.

1. Introducción Además también se analizará las técnicas de


medición de capacidad de proceso que utiliza
La clasificación de las técnicas de medición de diferentes software estadísticos, como lo son Minitab
capacidad de proceso con características de tipo y también un macro de Excel que se llama Sigma
atributo, se clasificara en este articulo como técnicas XL.
para defectuosos que estas siguen una distribución
Binomial y técnicas para defecto que siguen una
distribución de Poisson. Las técnicas son: Capacidad de proceso en atributos
 Índices de capacidad de procesos para
atributos.
 Índices de capacidad de proceso para datos Como primera medida se tendrá en cuenta algunas de
cualitativos, a partir de la función de las definiciones que tiene una aproximación a la
perdida de calidad de Taguchi. capacidad de procesos en atributos, que son muy
 Capacidad del proceso por medio del nivel importante tenerlas claras antes de entrar a la
sigma. explicación de las técnicas de medición de la
 Capacidad de proceso por medio del capacidad de procesos para características de calidad
Rendimiento del proceso. tipo atributo.
 Capacidad de proceso por medio de los Una definición como la que se evidencia en el libro
Defectos por unidades. de Método Jurán Análisis y planeación de la calidad,
en el capitulo de Operaciones: Sector servicios, hace por unidad. Entonces la capacidad de proceso se
una aproximación de medir la capacidad de proceso puede dar por:
en el sector de los servicios, cuando no se puede
cuantificar (atributo) las necesidades del cliente,
estos establecen que “Según el enfoque Six Sigma,
la capacidad del proceso puede describirse en Entiéndase por unidad física un empleado, unidad de
unidades de sigma; por ejemplo, un proceso puede producción, producto, un proceso de servicio, entre
ubicarse en un nivel 4,8 sigma de un ideal de 6 otros. Donde la capacidad se puede dar en términos
sigma.” (Gryna, Chua, & Defeo, 2007) Es decir que de:
la capacidad de proceso se puede relacionar y medir
por medio del nivel sigma.  Errores por operario
 Defectos por unidad
Otra manera que establece la capacidad de proceso
 Defecto por producto
en atributos es cuando, Douglas Montgomery, dice
 Errores en una transacción bancaria
que al no tener en cuenta las especificaciones de las
características de calidad “La capacidad de proceso En resumen se tiene que la capacidad de proceso en
puede expresarse como un porcentaje fuera de las atributos se puede dar en términos de nivel sigma, en
especificaciones.” (Montgomery, 2004) Este fracción defectuosa o el complemento que es el
porcentaje que esta fuera de las especificaciones se rendimiento, errores o defectos.
puede considerar como la fracción defectuosa de las
cartas de control P y NP. Es por eso que es importante tener en cuenta la
reducción de la variabilidad y también la reducción
De igual manera Escalante Vázquez, dice: “Para el de la fracción no conforme en los procesos,
caso de las gráficas de control de atributos no se compartiendo la afirmación de Pearn y Wu, que dice
acostumbra aplicar los índices de capacidad, “En la filosofía moderna de hoy en día la mejora en
aunque se conocen las siguientes expresiones la calidad, se basa en la reducción de la desviación
como una manera informal de “calcular” la con respecto a un valor meta y es tan importante
capacidad.” (Escalante Vázquez, 2005) como la reducción de la fracción de unidades
defectuosas. (Pearn & Wu, Variables sampling plans
 Para Gráfica de control P: (1-P) * 100%
with PPM fraction of defectives and process loss
 Para Gráfica de control np: n – np/n * 100% consideration, 2006) Es por eso que se establece que
 Para Gráfica de control c: c para un estudio de capacidad de proceso se deben de
 Para Gráfica de control u: u establecer estas dos maneras de medir la capacidad
Este autor sugiere que para las graficas P se debe de proceso, en primera instancia reducir la
utiliza el complemento de P que es 1-P, de igual variabilidad y por otro lado también la fracción de
manera para np. Para el caso de las graficas de unidades defectuosas. Dicho de otra manera cuando
control C y U, la capacidad de proceso están dados se trabaja con datos cuantitativos lo ideal es que
por los promedios aritméticos que utiliza la graficas estos cumplan con un valor meta, mientras que para
de control que son los valores de C y U atributos el logro es que no se produzca unidades
respectivamente. defectuosas. Esto se ilustra en la siguiente gráfica:

Adicionando a lo anterior Gitlow, Levine y Gráfica 1: Capacidad de proceso en atributos y


Popovich dicen que el “Estudio de capacidad de datos continuos.
proceso por atributos se refleja en términos de
producción de la fracción defectuosa y los defectos
por unidad de producción. Las herramientas
principales que se utilizan en los estudios
capacidad de proceso en atributos son las graficas
de control por atributos.” (Gitlow, Levine, &
Popovich, 2006)
Siguiendo el mismo esquema de las cartas de control
para atributos también “La capacidad de proceso se
puede estimar en términos de errores o
equivocaciones en lugar de la variabilidad de un
parámetro del proceso”. (Gryna, Chua, & Defeo,
2007) Las cartas de control para atributos, en Técnicas de Medición de Capacidad de procesos
especial las cartas de control U y C, se basan en la para atributos
distribución de probabilidad de Poisson, esta tiene un Para trabajar la medición de la capacidad de un
parámetro el cual es λ= defecto por unidad o error proceso con características de calidad de tipo
atributo, se tiene que tener en cuenta que para este El enfoque de la medición de la capacidad de
tipo de datos se trabaja por medio del conteo de las proceso en atributos, es en el sector de los servicios.
unidades defectuosas y de los defectos. Dependiendo Ademas su calificación radica en dos parámetros, los
de los valores que se puede tener en un atributo, cuales son de si y no aceptación del servicio.
éstos son dicotómicos (cuando sólo pueden adoptar Teniendo en cuenta la ecuación de índice de
un sólo valor sin jerarquía entre sí; hombre - mujer, capacidad de proceso:
positivo-negativo, presente-ausente), para el caso de
la calidad es producto bueno o malo, este toma un
valor, no los dos valores a la vez.
Los defectuosos y defectos estadísticamente se A partir de las graficas de control por atributos de
comportan según las distribuciones Binomial y de unidades defectuosas
Poisson, respectivamente. En el caso de la
distribución binomial es la base de las cartas de √
control p y np, su criterio de evaluación sobre las
características de calidad se enmarca en dos eventos
los cuales son de pasa o no pasa, debido a que el
incumplimiento de estas características afecta √ ( )
directamente el producto, por consiguiente la calidad
del mismo, dando lugar a que se tenga que rechazar
totalmente. Los resultados de la carta de control se (1)
consideran en términos porcentuales (%) o por lo que
se denomina como la fracción defectuosa. Y del índice Cp que se utiliza en la medición para
variables, que se determina mediante la siguiente
Por otro lado la distribución de Poisson abarca las ecuación.
graficas de control u y c, esta cuenta con un
parámetro λ que este se refiere a defectos por unidad,
este mismo parámetro lo maneja las cartas de
control, cuando se hace el conteo de defecto por (2)
unidad.
Partiendo de la ecuación (2), se tiene en cuenta que
Técnicas para defectuosos (Distribución en atributos L.I.=0, y teniendo en cuenta la
Binomial) desviación estándar de las cartas de control por
Las graficas de control de la fracción defectuosa atributos, se obtiene la ecuación (3) para el calculo de
(Grafica p), están diseñadas a partir de la Cp en atributos.
distribución Binomial. Esta clasifica los productos
rechazados de un lote como defectuosos a partir de
√ * +
esto se saca la fracción defectuosa y se realizan las
respectivas graficas de control. Una vez que el (3)
proceso se encuentre estadísticamente controlado, se
recurre al cálculo de los índices de capacidad para Este índice de capacidad, de acuerdo al resultado que
atributos, de manera similar como se realiza con la arroje se analiza e interpreta de la siguiente manera:
medición de capacidad de proceso en variables o
datos cuantitativos. Las técnicas para defectuosos  CP < 1 Proceso que no cumple con las
son: especificaciones
 CP = 1 Proceso justamente capaz, cumple
 Índices de capacidad de procesos para con las especificaciones
atributos  CP > 1 Proceso que cumple con las
 Índices de capacidad de proceso para datos especificaciones
cualitativos, a partir de la función de
perdida de calidad de Taguchi En la medida que este indicador se acerca a 2 es un
proceso de nivel seis sigma.
Índices de Capacidad de proceso para atributos
(Lluis Cuatrecasas) Para el caso del índice Cpk que es el índice de
capacidad real de un proceso, este tiene en cuenta el
Al igual que el manejo de los índices de capacidad centrado del proceso, además es un ajuste del índice
de procesos en variables, se tiene que a partir de las Cp, se tiene que la ecuación del índice Cpk es:
graficas de control por atributos, que se encuentran
controladas estadísticamente, se diseña unos [ ]
indicadores, muy similares, a los de CP y CPK.
(Cuatrecasas, 2005) (4)
A partir de las ecuaciones de las graficas de control Cumpliendo con el colorario de que: “Para los datos
por atributos np o ecuación (1), el parámetro σ de la cualitativos, la situación objetivo es de cero defectos
grafica de control NP=√ y el parámetro (T = 0), es decir que no se presente
disconformidades.” (Hsieh & Tong, 2006) Por lo
μ= , de la ecuación (4) del índice Cpk, se tanto teniendo esta condición de la ecuación (8),
reemplaza los parámetros y se obtiene la ecuación de queda:
índice de capacidad de proceso de CPk para
[ ]
medición de la capacidad de procesos en atributos:
(9)

Teniendo en cuenta que la medición de la capacidad


√ * + √ * + de proceso en variables esta dado por el cociente
[ ]
entre las especificaciones del cliente y la variación
(5)
del proceso. Según la teoría de Taguchi esto seria la
perdida de calidad del cliente permisible sobre la
Para la mayoría de los casos LI=0, donde este es un
perdida de calidad real. Por lo tanto el índice de
valor ideal del proceso (Calidad seis sigma), también
capacidad de proceso (CPI) para atributos se puede
recordar que LS es el valor aceptable de defectos del
generalizar por la siguiente expresión:
proceso.
Construcción de índices de capacidad de proceso
para datos cualitativos, a partir de la función de
pérdida de calidad de Taguchi (Hsieh y Tong)
Esta técnica surgió de relacionar los índices de (10)
capacidad de proceso (CPI) con la teoría de la
función de la perdida de la calidad de Taguchi. Donde
(Hsieh & Tong, 2006) Antes de comenzar con el
desarrollo matemático para obtener los índices de θc: Especificaciones del cliente
capacidad de proceso, es importante aclarar que el
θc: Calidad actual del proceso
límite de especificación que se utiliza para datos
cualitativos es unilateral y la meta es producir cero Una de las distribuciones de probabilidad que siguen
defectos. los defectuosos están dados por la distribución
binomial esta tiene como parámetros, μ = p y σ2 =
La función cuadrática de pérdida de calidad esta
p(1-p), remplazando se obtiene:
dado por:
[ ]
[ ]
(6)
[ ]
La calidad perdida esperada esta dada por: [ ]

[ ] [ ] (11)

[ ] Donde finalmente se obtiene que la capacidad del


(7) proceso es la relación de la fracción defectuosa que
esta el cliente dispuesto a recibir con respecto a la
Donde , por lo tanto se obtiene: fracción defectuosa del proceso y esta definido por la
siguiente expresión:
[ ]

(8) (Taguchi, Chowdhury, & Wu, 2005)


Donde: (12) (Hsieh & Tong, 2006)
y = corresponde a los datos En si lo que busca la teoría de los índices de perdida
T = denota el valor objetivo o valor nominal de calidad de taguchi, es establecer un equilibrio
entre el costo de la calidad del productor y el costo
k = denota la constante de la pérdida de la calidad de la calidad del cliente, es decir un producto que
cuando el proceso se encuentra dentro de la tenga unas características de calidad donde no cueste
tolerancia permisible producirlas y que el cliente este dispuesto a pagar,
este es un equilibrio, para el caso de la variables
μ = denota la media del proceso
cuantitativas son medidas y en el caso de los datos de
σ = denota la desviación del proceso
atributos es un porcentaje de error o fracción
Toma el número de
defectuosa. defectos que se obtienen
Técnicas para defectos (Distribución Poisson) del proceso, sobre las
Defectos por
oportunidades que son
oportunidad
Las técnicas para defectos esta compuesta por, las (DPO)
propensas de fallar
métricas seis sigma las cuales son defecto por unidad durante el proceso de
(DPU), defecto por oportunidades (DPO), Defectos producción.
por millón de unidades (DPMU), Defectos por
millón de oportunidades (DPMO), rendimiento del Esta métrica es un
proceso (Yield) y el Nivel sigma del proceso (Z). Defectos Por complemento de la DPO
Todas estas métricas tienen en común que salen a Millón de y DPU en el caso de que
partir de los defectos que se evidencia en las Oportunidad la unidad tenga una sola
características de calidad. es oportunidad. Se obtiene al
DPMO multiplicar las anteriores
De los anteriores indicadores, los más nombrados en por un millón.
un proyecto Seis Sigma son el de defectos por millón Se obtiene al multiplicar a
de oportunidades (DPMO) y el nivel sigma (Z), es Defectos por DPU por un millón. Se
por eso que la relación de que un proceso con un Millón de utiliza cuando un
Unidades producto solamente tiene
nivel Seis Sigma tiene 3,4 defectos por millón de
DPMU una característica de
oportunidades. Debido a esto los procesos se miden calidad.
en términos de sigma y DPMO.
Fuente: (Correa, 2003), (Escalante Vázquez, 2005)
Conocido el nivel sigma del proceso se divide por
tres y a partir de esto se obtiene el índice de De la anterior tabla tener en cuenta:
capacidad de proceso (Cp), así que un proceso con D= Numero de defectos
un nivel Seis Sigma tiene un Cp de 2.00. (DMAIC
Tools, 2013) La ecuación, muestra la relación que se N=Numero de unidades producidas
muestra a continuación: O= Oportunidades de presentar defectos en la unidad
Métricas de Rendimiento (Yield)
Las anteriores métricas de Seis Sigma se basaron en
Aunque esto es una forma de llegar a la medición de los defectos presentados en las unidades o en las
la capacidad de proceso en atributos en términos de oportunidades de acuerdo a la métrica a utilizar. Para
resultado, ya que da un valor similar a la medición el caso de las métricas de rendimiento, estas se basan
de la capacidad de proceso en variables. Pero en esta en los productos que salen buenos o que están libres
ecuación no se relaciona los límites de especificación de defectos, esta métrica se representa en términos
con el sigma del proceso, si no que es un resultado porcentuales y también se llama la fracción
que se tiene para comparar la medición de la conforme del proceso. Las métricas de rendimiento
capacidad de proceso, más no el principal objetivo se clasifican en cuatro, las cuales son:
de la medición de la capacidad de proceso que es
relacionar las especificaciones con la variación del  Rendimiento Tradicional (Yield)
proceso.  Rendimiento a la primera vez (FTY)
 Continuidad de salida sin fallos (Rolled
Las Métricas Seis Sigma para atributos
Throughput Yield RTY)
Las métricas Seis Sigma emplean a los defectos del  Rendimiento Normalizado (Normalized
proceso para sacar indicadores que miden la calidad Yield)
de un proceso, además que tienen un fácil cálculo e
interpretación. Según Aleu González estas “métricas que se
manejan en seis sigma, las cuales, cuando se usan
Tabla 1: Métricas de Seis Sigma de forma conjunta pueden mostrar las ineficiencias
Nombre de Ecuación de Descripción de un proceso o compañía.” (Aleu González, 2003)
la métrica Calculo A continuación se muestra una breve descripción de
las métricas de rendimiento:
Toma el número de
defectos que se observaron Tabla 2: Métricas de rendimiento
en las unidades producidas Nombre de Ecuación de Descripción
Defectos por
e inspeccionadas, permite
Unidad la métrica Calculo
saber cual es el promedio
(DPU) de defectos por unidad de Es una perspectiva
Rendimiento
producción. engañosa que oculta
tradicional
el impacto de la
(Y)
inspección y
retrabajo. Gráfica 2: Método del calculo del nivel Sigma
Incrementar la
muestra n

Donde: no

Out: Salidas Datos Np >= 5 y Calcular


Hallar el nivel
continuos?
no si sigma del
N(1-p) >= 5 DPMO o Yield
proceso
In:Entradas
Scrap: defectos si

Muestra la Siguen una Transformar


distribución no en datos
probabilidad de que normal discretos
un elemento pasa a
través de un proceso si
Rendimiento Donde:
con éxito la primera Calcular el
a la primera nivel sigma
In: Entradas vez. Incluye los por variables
vez (FTY)
efectos de Fuente: (John, Meran, Roenpage, & Staudter, 2008)
Scrap: defectos inspección,
retrabajo y Donde el calculo del nivel sigma para datos
desperdicio. cuantitativos se realiza por medio del valor z de la
El rendimiento normal estándar, por medio del área de aceptación de
combinado total de las especificaciones del proceso, en el caso de que
una corriente de
los datos no sean normales, estos se convierte en
Continuidad proceso. Le indica
de salida sin ∏ la probabilidad de datos discretos, las distribuciones discretas mas
Fallos que un elemento utilizadas son la Binomial y la de Poisson, la
(RTY) pasa a través de condición de que np >= 5, es una aproximación de
todos los pasos del datos discretos a datos normales, a partir de esto se
proceso con éxito la puede calcula las métricas de Defectos por millón de
primera vez. Oportunidades (DPMO) y/o el Rendimiento (Yield)
Es la probabilidad del proceso, y luego con el valor de estas dos
promedio por cada métricas se halla el nivel sigma, en este apartado se
Rendimiento paso de todo el
√∏ mostrara como se calcula, las cuales son:
Normalizado proceso para
(NRTY) producir cero  Nivel Sigma por medio de DPMO, por
productos Schmidt and Lausbyn (1997)
defectuosos.
 Nivel Sigma por medio del rendimiento,
Fuente: (Correa, 2003), (Gygi, DeCarlo, & Williams, 2005) por Abramowitz y Stegm (1972)
Nivel Sigma del proceso  Nivel sigma, por medio de las tablas de la
normal.
Según Kumar, Crocker y Chitra definen el nivel
sigma como, “una medida de defectos en el proceso.
A mayor Nivel Sigma indica que el proceso resultan Nivel Sigma de Calidad por medio de DPMO
menos defectos, mientras que un menor Nivel (Schmidt y Lausbyn)
Sigma significa una mayor tasa de defectos. Nivel Esta ecuación es planteada en Gutiérrez Pulido y de
Sigma de calidad puede utilizarse para propósito y la Vara Salazar, para hallar el nivel sigma a partir de
la evaluación comparativa de ayuda para medir la las partes por millón (PPM) o por los defectos por
calidad del proceso.” (Kumar, Crocker, & Chitra, millón de oportunidades (DPMO). (Gutiérrez Pulido
2006) & de la Vara Salazar, Control Estadistico de Calidad
Además se considera que el nivel sigma se vuelve en y Seis Sigma, 2009) La fuente es de el libro de
una métrica que mide la capacidad de proceso, según Schmidt y Launsbyn, Understanding industrial
correa “El parámetro sigma es un parámetro designer experiments. Donde se define por la
universal y se basa en la probabilidad de siguiente expresión:
ocurrencia de los defectos; viene a remplazar a los √
índices de capacidad actuales de los procesos de
producción Cp y Cpk.” (Correa, 2003) (13) (Schmidt & Launsbyn, 1997)

Una manera de calcular el nivel sigma para datos La relación que tiene el nivel sigma con las partes
cualitativos o discretos se muestra en el siguiente por millón por medio de la ecuación de Schmidt y
diagrama de flujo. Lausbyn, se evidencia en la siguiente tabla:
Tabla 3: Defecto por millón de oportunidades Ecuación 15 (Abromovitz & Stegun, 1972)
relacionadas con el nivel de sigma
Donde;
DPMO Calidad en Sigma
542000 1  C0=2,515517
308700 2  C1=0,802853
66807 3  C2=0,010328
6210 4  d1=1,43278
233 5
3,4 6
 d2=0,189269
 d3=0,001308
Hay que tener en cuenta que para un valor mayor a
553.365 DPMO la raíz de la (13) es negativa por lo Capacidad de Proceso por medio del DPU
tanto es indeterminado, es por eso que se recomienda Los defectos por unidad (DPU) tienen una relación
buscar en la tabla de la norma o por medio del con el valor del parámetro λ de la distribución de
software de Excel. Poisson. Debido a que tienen la misma unidad de
También se puede obtener la relación contraria que medida (Defecto/Unidad), o como lo define Issa
es de la ecuación despejar a DPMO, y teniendo el Bass, “En este caso, la probabilidad de encontrar
valor sigma (Zc), se obtiene a DPMO. defectos en una unidad sigue una distribución de
Poisson debido a que los defectos pueden ocurrir al
azar a lo largo de un intervalo que se puede
* + subdividir en sub-intervalos independientes”. (Bass,
2007) Se tiene la función de probabilidad de
Poisson:
Nivel Sigma de Calidad por medio del
Rendimiento (Abramowitz y Stegm)
Esta técnica esta planteada en el libro de Kumar, En el caso que se conozca el valor de DPU, es decir
Crocker y Chitra en la página 60-61 para hallar el que DPU= λ, la ecuación anterior se puede
nivel sigma a partir del rendimiento del proceso. sobrescribir de la siguiente manera:
(Kumar, Crocker, & Chitra, 2006) Esta técnica se
base es en una aproximación polinómica para
calcular el valor Z de la distribución normal
estándar. (Abromovitz & Stegun, 1972) Debido a (Bass, 2007)
que los autores del libro donde se extrajo la teoría Siguiendo con la metodología de Bass para buscar
afirmar que el “El nivel Sigma es nada más que el esta relación, se dice que “El objetivo de un
valor Z de la distribución normal estándar, bajo el fabricante es producir productos libres de defectos.
supuesto de que la media del proceso cambia La probabilidad de producir sin defectos (cero
alrededor 1,50 desviaciones estándar. defectos) será”, a partir de esta afirmación se obtiene
La principal variable de la técnica es el rendimiento, la siguiente ecuación:
esta es la fracción conforme del proceso es decir el
producto libre de defectos, por ser una fracción se
representa de manera porcentual. En el desarrollo de
la técnica se tomara como Y. Teniendo ha Y se Donde DPU0=1 y 0!=1, se tiene:
calcula a P utilizando la siguiente relación
matemática:
La anterior es la probabilidad de que una unidad pase
libre de defectos, que una unidad pase libre defectos
√ ( ) se conoce como rendimiento de proceso o Yield, este
( ) se representa por la letra Y, debido a esta relación se
obtiene
Ecuación 14 (Abromovitz & Stegun, 1972)

Donde Y debe de tomar valores de 0 a 100, es decir


(16)(Bass, 2007)
si es Y es un 80%(0,8) se toma un valor de 80 para la
Ecuación 14 . Luego de obtener el valor de P se halla 1. Una vez demostrada esta relación se tiene los
el nivel sigma por la siguiente expresión: siguientes pasos para medir la capacidad de un
proceso:
( ) 2. Cuando se tenga un estudio de graficas de control
U (Véase en Graficas de control para
disconformidades por unidad), en este se obtiene ( )
el promedio de defectos por unidad (DPU=U).
3. Cuando se tenga el proceso controlado
estadísticamente, se aplica la ecuación (16),
donde se relaciona el DPU con el rendimiento del La capacidad de proceso se obtiene dividiendo el
proceso o Yield. nivel sigma en tres.
4. Luego de obtener el rendimiento del proceso o
Yield se halla el nivel sigma.
5. Luego el nivel sigma es divido por tres y ahí se
obtiene el índice de capacidad de proceso (Cp)
Para ilustrar esta técnica se desarrollara y explicara
por medio de un ejemplo:
Capacidad de proceso por medio de Software
En La siguiente Gráfica 3: Carta de control U del, Estadístico
esta es la carta de control de un proceso que se
Las herramientas estadísticas de mejora continua y
monitorea por medio de una carta de control de
para la toma de decisiones en la actualidad, agilizan
disconformidades por unidad (grafica U), el proceso
el cálculo de las mismas es por eso que se utiliza la
se encuentra controlado estadísticamente debido a
tecnología por medio de software, para una mayor
que los defectos que se presentan están dados por
precisión y evitar el error humano. Para esto es muy
variabilidad no asignable es decir, los defectos no se
importante que el que utilice el software conozca la
le puede asumir a una causa en especial.
base teórica de las herramientas que utiliza el
Gráfica 3: Carta de control U del ¡Error! No se software y en lo posible tenga conocimiento del
encuentra el origen de la referencia. desarrollo manual de las técnicas. En este apartado
se describirá y analizará como se calcula la
capacidad de proceso por medio de software
estadístico de Minitab y de un macro de Excel que se
llama XL Sigma.

Herramientas de Análisis de la Capacidad de


Proceso con Minitab
Minitab es un software diseñado para ejecutar
funciones estadísticas básicas y avanzadas, también
cuenta con herramientas de calidad, en la barra de
menús en estadísticas/Herramientas de
Debido a que los defectos por unidad que se presenta calidad/Análisis de la capacidad se tiene la siguiente
en el proceso en promedio son de 0,668, este valor se ventana desplegable que se muestra en la siguiente
toma como DPU de la ecuación (16), por lo tanto se gráfica:
tiene: Una explicación acerca de la definición de cada
herramienta se puede ver en Seis Sigma para
principiantes de (Gygi, DeCarlo, & Williams, 2005),
esto se evidencia en la siguiente tabla:
Tabla 4: Definición de las herramientas de análisis
Teniendo el rendimiento del proceso que es de de capacidad de proceso
51,27% se puede obtener el nivel sigma del proceso Herramienta Aplicación
remplazando el rendimiento en la ecuación siguiente: Análisis de datos Analiza la capacidad del proceso
normales cuando los datos proceden de una
distribución normal.
√ ( ) √ ( )
Análisis de datos Analizar la capacidad del proceso
no normales cuando los datos provienen de una
( ) ( )
distribución no normal.
Análisis de PPM Analizar la capacidad de proceso de
Luego dentro y fuera de entre-subgrupo y variación dentro de
especiaciones. subgrupos.
( ) Análisis Analizar la capacidad de un proceso
multivariable en el control cuando cada una de las
variables continuas múltiples sigue
una distribución normal.
Análisis Binomial Analizar el proceso cuando los datos Función de probabilidad acumulada.
son de distribución binomial cuando
se examina el número de artículos Histograma: Donde los datos están distribuidos de
defectuosos con respecto al número acuerdo a la fracción defectos.
total de elementos de la muestra.
Análisis de El número de defectos observados, También se muestra un cuadro donde esta el resumen
Poisson donde el elemento ocupa un tiempo de las estadísticas y esta contiene
especificado o un espacio. % Defectuoso: Este valor corresponde a la fracción
Capacidad Six- Un conjunto de seis tablas, que en
defectuosa de las carta de control disconforme.
pack conjunto contienen las métricas de
capacidad de proceso. IC inferior: Este valor corresponde al límite de
Fuente: (Gygi, DeCarlo, & Williams, 2005) especificación inferior de la carta de control
disconforme.
Este es un esquema que tiene en cuenta minitab para
el análisis de la capacidad de proceso de acuerdo al IC superior: Este valor corresponde al límite de
tipo de dato continuo o atributo. especificación superior de la carta de control
disconforme.
Gráfica 4: Esquema del análisis de la capacidad con
minitab Objetivo: El objetivo, es un ideal, es el valor que
Tipo de datos
debe concentrarse los datos para el caso de atributos
Datos de
este valor es de cero defectos.
Datos continuos
atributos

Def. PPM: Este valor corresponde a la métrica de


Tipo de falla
Distribución de
datos contada
Seis Sigma de Defectos por millón de oportunidades
Distribución
normal
Distribucion no
normal
Defectos por
unidad
o Defectos por millón de unidades, depende de la
Unidades
defectuosas
unidad de inspección del producto. También es la
enfoque para
datos no normales fracción disconforme en términos de partes por
Transformar los
datos
Ajustar una
distribución no
normal
millón.

Tipo de
IC inferior: Este valor corresponde al límite de
transformación
especificación inferior de la carta de control
Transformación
Box-Cox
Transformación
Johnson
disconforme, en términos de partes por millón.
Análisis de la
capacidad
Análisis de la
capacidad
Análisis de la
capacidad no
Análisis de la
capacidad no Análisis Binomial Análisis Poisson
Ic Superior: Este valor corresponde al límite de
normal normal normal normal
especificación superior de la carta de control
Fuente: (Minitab Statistical Software, 2009) disconforme, en términos de partes por millón.
En este caso se explica sobre lo concerniente a los Z del proceso: Es el valor z del proceso, también
datos de atributos, que en ese caso seria análisis de la definido como la métrica de Seis Sigma, conocida
capacidad por binomial y análisis de la capacidad por como “nivel sigma”, este es el valor de la normal
Poisson. estándar con μ= 1,5 y σ=1.
4.1.3.1.1 Análisis Binomial IC inferior: Este valor corresponde al límite de
Gráfica 5: Análisis de la capacidad binomial especificación inferior de la carta de control
disconforme, en términos de la normal estándar.
IC superior Este valor corresponde al límite de
especificación superior de la carta de control
disconforme, en términos de la normal estándar.
4.1.3.1.2 Análisis de Poisson
Gráfica 6: Análisis de la capacidad Poisson

Fuente: Minitab

En el resultado se muestra las siguientes partes:


Carta de control de fracción disconforme.
Grafica de probabilidad de la binomial: Esta sirve
para saber si los datos siguen una distribución
binomial.
En el resultado se muestra las siguientes partes: Gráfica 7: Barra de menú de Microsoft Excel con la
pestaña de SigmaXL
Carta de control para disconformidades por
unidad (Gráfica U).
Grafica de probabilidad de Poisson: Esta sirve
para saber si los datos siguen una distribución de
Poisson.
Función de probabilidad acumulada de DPU. Para el caso del ejemplo nos interesa hallar la
Histograma: Donde los datos están distribuidos de capacidad de proceso, por cosiguiente damos clic en
acuerdo al número de defectos promedio por unidad. el botón de Process Capability/Basic Process
Capability Templates/Process Sigma Level –
También se muestra un cuadro donde esta el resumen Discrete, como se muestra en la siguiente imagen:
de las estadísticas y esta contiene
Gráfica 8: Procedimiento para calcular el nivel
DPU de la media: Este valor corresponde al sigma en datos discretos
promedio de defectos por unidad, valor u de la carta
de control u.
IC inferior: Este valor corresponde al límite de
especificación inferior promedio de la carta de
control de disconformidades por unidad.
IC superior: Este valor corresponde al límite de
especificación superior promedio de la carta de
control de disconformidades por unidad. Luego se introduce los datos correspondiente de
unidades, defectos y oportunidades y el
DPU Mínima: Este valor corresponde al límite de automaticamente calcula las metricas de DPU,
especificación inferior de la carta de control de DPMO, Yield y el Nivel sigma del proceso.
disconformidades por unidad, debido a que son
límites variables corresponde al valor mínimo de la
gráfica. Process Sigma Level Calculator - Discrete Data

DPU Máximo: Este valor corresponde al límite de


Sample Data (user inputs):
especificación inferior de la carta de control de Number of units n 33.864
disconformidades por unidad, debido a que son Total number of defects observed d 1.080
límites variables corresponde al valor máximo de la Number of defect opportunities
gráfica. per unit o 20
Sigma Shift (typically
DPU del Objetivo: El objetivo, es un ideal, es el +1.5 for long term
valor que debe concentrarse los datos para el caso de data) 1,5
atributos este valor es de cero defectos por unidad.
Results:
Defects per Unit dpu 0,031892275
Defects per Million Opportunities dpmo 1.594,6
Herramienta de Sigma XL Nivel Sigma en datos Defects per Opportunity dpo% 0,16%
discretos Yield yield% 99,84%
Process Sigma Level sigma 4,449
Sigma XL es un macro de Microsoft Excel que al
instalarse en el computador, este se trabaja en la Fuente: (Sigma XL, 2013)
conocida interfaz de este programa de Microsoft.
Una vez instalado queda una pestaña nueva en la
barra de menús, en esta, se encuentra variedad de
herramientas estadísticas y de la calidad, que son
necesarias para la implementación de un proyecto de
Seis Sigma. En particular se mostrara como calcular
el nivel sigma para datos discretos en Sigma XL,
para esto se llevara a cabo un ejemplo:
Como se había dicho anteriormente en Microsoft
Excel se habilita una pestaña con el nombre de
SigmaXL como se muestra a continuación:
2. REFERENCIAS Taguchi, G., Chowdhury, S., & Wu, Y. (2005). Taguchi's
Quality Engineering Handbook. United States of
America: Wiley.

Valls Figueroa, W., & Alonso Suárez, A. C. (s.f.).


Abromovitz, M., & Stegun, I. A. (1972). Handbook of
Procedimiento para la mejora del servicio basado
Mathematical Functions. New York: Dover.
en la metodologia Seis Sigma. Universidad de
Matanzas, 11-12.
Aleu González, F. G. (2003). Seis Sigma para Gerentes y
Directores. Libros en Red: España.

Bass, I. (2007). Six Sigma Statistics wit Excel and Minitab.


Estados Unidos: Mc Graw Hill.

Calderon, E. P. (2009). Mejora de Procesos en una imprenta


que realiza trabajos de impresión OFFSET
empleando Six Sigma. Lima: Pontificia Universidad
Catolica de Peru .

Correa, N. (2003). 6 Sigma Nuevo paradigma para medir la


calidad . Mundo Mitutoyo, 5-8.

Cuatrecasas, L. (2005). Gestión Integral de la Calidad


Implatación, Control y Certificación. España:
Ediciones Gestión 2000.

DMAIC Tools. (01 de 01 de 2013). DMAIC Tools. Recuperado


el 28 de 01 de 2013, de DMAIC Tools:
http://www.dmaictools.com/dmaic-measure/sigma-
conversion-chart

Gutiérrez Pulido, H., & de la Vara Salazar, R. (2009). Control


Estadistico de Calidad y Seis Sigma. Mexico D.F.:
McGraw-Hill.

Gygi, C., DeCarlo, N., & Williams, B. (2005). Six Sigma for
Dummies. United States: Wiley Publishing, Inc.

Hsieh, K.-L., & Tong, L.-I. (2006). Incorporating process


capability index and quality loss function into
analyzing the process capability for qualitative data.
Advanced Manufacturing Technology, 1217-1222.

John, A., Meran, R., Roenpage, O., & Staudter, C. (2008). Six
Sigma + Lean Toolset. Berlin - Alemania: Springer.

Kumar, U. D., Crocker, J., & Chitra, T. (2006). Reliability and


Six Sigma. United States of America: Springer.

Minitab Statistical Software. (21 de Enero de 2009).


Minitab.com. Recuperado el 3 de Abril de 2013, de
Minitab.com:
http://www.minitab.com/support/documentation/An
swers/Poisson%20rate.pdf

Schmidt, S. R., & Launsbyn, R. G. (1997). Understanding


industrial designed experiments. Estados Unidos: Air
Academy Press.
Sigma XL. (01 de 01 de 2013). Sigma XL. Recuperado el 29 de
01 de 2013, de Sigma XL:
http://www.sigmaxl.com/ProcessSigma.shtml

Você também pode gostar