Escolar Documentos
Profissional Documentos
Cultura Documentos
Palisade Corporation
798 Cascadilla St.
Ithaca, NY 14850
EE.UU.
+1-607-277-8000
+1-607-277-8001 (fax)
http://www.palisade.com (página web)
sales@palisade.com (correo electrónico)
Copyright
Copyright © 2010, Palisade Corporation.
Bienvenidos iii
Índice v
Estudio de casos 39
Ejemplo 1 – Diseño de experimentos: Catapulta ..........................41
Ejemplo 2 – Diseño de experimentos: Soldadura .........................47
Ejemplo 3 – Diseño de experimentos con optimización: .............53
Ejemplo 4 – DFSS: Diseño eléctrico ...............................................59
Ejemplo 5 – Lean Six Sigma: Análisis de estado actual – Proceso de
cotización .......................................................................................63
Ejemplo 6 – DMAIC: Análisis de producción acumulada .............71
Ejemplo 7 – Six Sigma DMAIC Tasa de fallas ................................75
Ejemplo 8 – Six Sigma DMAIC Tasa de falla usando RiskTheo...79
Índice v
vi
Capítulo 1: Resumen de las
metodologías de @RISK y
Six Sigma
Introducción ........................................................................................3
¿Qué es Six Sigma? ..................................................................................3
La importancia de la variación...............................................................5
Metodologías Six Sigma ....................................................................7
Six Sigma / DMAIC .................................................................................7
Diseño para Six Sigma (DFSS) ..............................................................8
Lean o Lean Six Sigma ............................................................................9
@RISK y Six Sigma...........................................................................11
@RISK y DMAIC....................................................................................11
@RISK y Diseño para Six Sigma (DFSS) ...........................................12
@RISK y Lean Six Sigma ......................................................................13
-6 -5 -4 -3 -2 -1 +1 +2 +3 +4 +5 +6
4 Introducción
La importancia de la variación
Muchos de los que utilizan Six Sigma dependen de modelos
estadísticos que no tienen en cuenta la incertidumbre y variabilidad
inherentes a sus procesos o diseños. En busca de maximizar la
calidad, es vital considerar el mayor número posible de situaciones.
Es ahí donde interviene @RISK. @RISK usa la simulación Monte Carlo
para analizar miles de posibles resultados diferentes, mostrando la
probabilidad de que se produzca cada uno. Los factores de
incertidumbre se definen usando más de 35 funciones de distribución
de probabilidad, lo cual permite describir con precisión la posible
gama de valores que pueden adoptar las variables de salida. @RISK
incluso permite definir límites de especificación superiores e
inferiores y valores objetivo para cada variable de salida, e incluye
una amplia gama de estadísticos Six Sigma y medidas de capacidad
para esas variables de salida.
La edición Industrial de @RISK también incluye RISKOptimizer, que
combina la eficacia de la simulación Monte Carlo con la optimización
basada en algoritmos genéticos. Esto permite resolver problemas de
optimización que tienen incertidumbre inherente, como:
• Asignación de recursos para minimizar costos
• Selección de proyecto para maximizar beneficios
• Ajustes del proceso de optimización para maximizar la
producción o minimizar los costos
• Optimización de la asignación de tolerancias para maximizar la
calidad
• Optimización de los calendarios del personal para maximizar el
servicio
@RISK y DMAIC
@RISK es útil en todas las etapas del proceso DMAIC para evaluar las
variaciones e identificar áreas problemáticas en productos existentes.
1) Definir. Defina los objetivos de mejora de los procesos,
incorporando la demanda de los clientes y la estrategia
comercial. La diagramación de procesos con valor, la
estimación de costos y la identificación de CTQ (factores
críticos para la calidad) son todas áreas en las que @RISK
puede contribuir a aislar factores y establecer objetivos. El
análisis de sensibilidad de @RISK se centra en los CTQ que
afectan los beneficios finales.
2) Medir. Mida los niveles actuales de rendimiento y sus
variaciones. El ajuste de distribuciones y más de 35
distribuciones de probabilidad permiten definir con precisión
las variaciones de rendimiento. Los datos estadísticos de las
simulaciones de @RISK pueden proporcionar datos para
hacer comparaciones con los requisitos en la fase de Analizar.
3) Analizar Analice para verificar las relaciones y causas de los
defectos, y trate de garantizar que se consideran todos los
factores. A través de la simulación de @RISK, pueden
garantizar que se consideran todos los factores de entrada y
todos los posibles resultados. Se pueden determinar las
causas de la variabilidad y el riesgo con los análisis de
sensibilidad y de escenarios, y mediante el análisis de
tolerancias. Use las funciones estadísticas Six Sigma de @RISK
para calcular las medidas de capacidad que permiten
identificar las diferencias entre medidas obtenidas y
requisitos. Aquí vemos la frecuencia con la que fallan los
productos o servicios, y se adquiere una idea de fiabilidad.
Los ajustes predeterminados para una salida que se deben usar en los
cálculos Six Sigma se establecen en la pestaña Six Sigma. Estas
propiedades incluyen:
• Calcular métricas de capacidad de esta salida. Especifica que
las medidas de capacidad aparecerán en los informes y los
gráficos de la salida. Estas medidas usarán los valores LSL,
USL y Objetivo introducidos.
• LSL, USL y Objetivo. Establece los valores LSL (límite de
especificación inferior), USL (límite de especificación
superior) y Objetivo de la salida.
• Uso desplazamiento a largo-plazo y Desplazamiento.
Especifica un desplazamiento opcional para el cálculo de
mediciones de capacidad a largo plazo.
• Límite X superior/inferior. El número de desviaciones
estándar a la derecha o a la izquierda de la media para
calcular los valores superior o inferior del eje X.
Nota: Todos los gráficos e informes de @RISK usan los valores LSL,
USL, Objetivo, Desplazamiento a largo plazo y Número de
desviaciones estándar de las funciones de propiedad RiskSixSigma
que existían al principio de una simulación. Si cambia los límites de
especificación de una salida (y su función de propiedad RiskSixSigma
asociada), debe ejecutar de nuevo la simulación para ver los gráficos
e informes cambiados.
RiskCpm
Descripción RiskCPM(referencia de celda o nombre de variable de salida, Sim#,
RiskSixSigma(LSL,USL, Objetivo, Desplazamiento de Largo Plazo,
Número de Desviaciones estándar)). Calcula el índice de capacidad
Taguchi para la referencia de celda o el nombre de variable de salida en el
número de simulación, usando opcionalmente los USL, LSL, y el objetivo
en la Función de propiedad RiskSixSigma. Esta función es esencialmente
la misma que Cpk pero incorpora el valor objetivo que, en algunos casos,
podría estar o no dentro de los límites de especificación.
Ejemplos RiskCpm(A10) retorna un índice de capacidad Taguchi para la celda en
A10 .
RiskCpm(A10, ,RiskSixSigma(100, 120, 110, 0, 6)) retorna un índice de
capacidad Taguchi para la celda en A10 utilizando un USL de 120, un LSL
de 100 y un Objetivo de 110.
Guías de uso Se requiere introducir una función de propiedad RiskSixSigma para la
referencia de celda o el nombre de la variable de salida, o bien debe
incluirse una función de propiedad RiskSixSigma.
RiskCpkLower
Descripción RiskCpkLower(referencia de celda o nombre de variable de salida, Sim#,
RiskSixSigma(LSL,USL, Objetivo, Desplazamiento de Largo Plazo,
Número de Desviaciones estándar)) calcula el índice de capacidad de un
solo lado basado en el Límite de Especificación Inferior (LSL) para la
referencia de celda o nombre de variable de salida en Sim # usando
opcionalmente la Función de propiedad RiskSixSigma LSL.
Ejemplos RiskCpkLower(A10) calcula el índice de capacidad de un solo lado
basado en el Límite de Especificación Inferior (LSL) para la variable de
salida en la celda A10. Una función de propiedad RiskSixSigma debe
introducirse en la función RiskOutput en la celda A10.
RiskCpkLower(A10, ,RiskSixSigma(100,120,110,1.5,6 calcula el índice
de capacidad de un solo lado basado en el Límite de Especificación
Inferior (LSL) para la variable de salida en la celda A10, usando un LSL de
100.
Guías de uso Se requiere introducir una función de propiedad RiskSixSigma para la
referencia de celda o el nombre de la variable de salida, o bien debe
incluirse una función de propiedad RiskSixSigma.
RiskDPM
Descripción RiskDPM (referencia de celda o nombre de variable de salida, Sim#,
RiskSixSigma(LSL,USL, Objetivo, Desplazamiento de Largo Plazo,
Número de Desviaciones estándar)) calcula las partes defectuosas por
Millon para la referencia de celda o nombre de variable de salida en Sim #
usando opcionalmente los LSL y USL en la Función de propiedad
RiskSixSigma incluida.
Ejemplos RiskDPM(A10) calcula las partes defectuosas por millón para la variable
de salida en la celda A10. Una función de propiedad RiskSixSigma debe
introducirse en la función RiskOutput en la celda A10.
RiskDPM(A10, ,RiskSixSigma(100,120,110,1.5,6)) calcula las partes
defectuosas por millón para la variable de salida en la celda A10, usando
un LSL de 100 y un USL de 120.
Guías de uso Se requiere introducir una función de propiedad RiskSixSigma para la
referencia de celda o el nombre de la variable de salida, o bien debe
incluirse una función de propiedad RiskSixSigma.
RiskLowerXBound
Descripción RiskLowerXBound(referencia de celda o nombre de variable de salida,
Sim#, RiskSixSigma(LSL, USL, Objetivo, Desplazamiento de Largo Plazo,
Número de Desviaciones estándar)) calcula el valor inferior X para un
número dado de desviaciones estándar de la media para la referencia de
celda o nombre de variable de salida in Sim #, usando opcionalmente el
Número de Desviaciones estándar en la Función de propiedad
RiskSixSigma.
Ejemplos RiskLowerXBound(A10) calcula el valor inferior X para un número dado
de desviaciones estándar de la media para la celda en A10.
RiskLowerXBound(A10,, RiskSixSigma(100, 120, 110, 1.5, 6)) calcula el
valor inferior X para 6 desviaciones estándar respecto de la media para la
celda A10, usando un número de 6 desviaciones estándar.
Guías de uso Se requiere introducir una función de propiedad RiskSixSigma para la
referencia de celda o el nombre de la variable de salida, o bien debe
incluirse una función de propiedad RiskSixSigma.
RiskPNCLower
Descripción RiskPNCLower(referencia de celda o nombre de variable de salida, Sim#,
RiskSixSigma(LSL,USL, Objetivo, Desplazamiento de Largo Plazo,
Número de Desviaciones estándar)) calcula la probabilidad de defectos por
fuera del límite inferior de especificación para la referencia de celda o
nombre de variable de salida en Sim # usando opcionalmente el LSL y
Desplazamiento de Largo Plazo en la Función de propiedad RiskSixSigma
incluida.
Ejemplos RiskPNCLower (A10) calcula la probabilidad de defectos por fuera del
límite inferior de especificación para la variable de salida en la celda A10.
Una función de propiedad RiskSixSigma debe introducirse en la función
RiskOutput en la celda A10.
RiskPNCLower(A10, ,RiskSixSigma(100,120,110,1.5,6)) calcula la
probabilidad de defectos por fuera del límite inferior de especificación para
la variable de salida en la celda A10, usando un LSL de 100, un USL de
120 y un Desplazamiento de Largo Plazo of 1.5.
Guías de uso Se requiere introducir una función de propiedad RiskSixSigma para la
referencia de celda o el nombre de la variable de salida, o bien debe
incluirse una función de propiedad RiskSixSigma.
RiskPPMLower
Descripción RiskPPMLower(referencia de celda o nombre de variable de salida, Sim#,
RiskSixSigma(LSL,USL, Objetivo, Desplazamiento de Largo Plazo,
Número de Desviaciones estándar)) calcula la probabilidad de defectos por
debajo del límite inferior de especificación para la referencia de celda o
nombre de variable de salida en Sim # usando opcionalmente el LSL y
Desplazamiento de Largo Plazo en la Función de propiedad RiskSixSigma
incluida.
Ejemplos RiskPPMLower(A10) calcula el número de defectos por debajo del límite
de especificación inferior para la variable de salida en la celda A10. Una
función de propiedad RiskSixSigma debe introducirse en la función
RiskOutput en la celda A10.
RiskPPMLower(A10, ,RiskSixSigma(100,120,110,1.5,6)) calcula el
número de defectos por debajo del límite de especificación inferior para la
variable de salida en la celda A10, usando un LSL de 100, un USL de 120
y un Desplazamiento de Largo Plazo of 1.5.
Guías de uso Se requiere introducir una función de propiedad RiskSixSigma para la
referencia de celda o el nombre de la variable de salida, o bien debe
incluirse una función de propiedad RiskSixSigma.
RiskSigmalLevel
Descripción RiskSigmaLevel(referencia de celda o nombre de variable de salida,
Sim#, RiskSixSigma(LSL,USL, Objetivo, Desplazamiento de Largo Plazo,
Número de Desviaciones estándar)) calcula el nivel de proceso Sigma para
la referencia de celda o nombre de variable de salida en Sim # usando
opcionalmente los USL y LSL y el Desplazamiento de Largo Plazo en la
Función de propiedad RiskSixSigma incluida. (Nota: Esta función asume
que la variable de salida se distribuye normalmente y está centrada dentro
de los límites de especificación.)
Ejemplos RiskSigmaLevel(A10) calcula el nivel de proceso Sigma para la variable
de salida en la celda A10. Una función de propiedad RiskSixSigma debe
introducirse en la función RiskOutput en la celda A10.
RiskSigmaLevel(A10, ,RiskSixSigma(100,120,110,1.5,6)) calcula el nivel
de proceso Sigma para la variable de salida en la celda A10, usando un
LSL de 100, un USL de 120 y un Desplazamiento de Largo Plazo of 1.5.
RiskYV
Descripción RiskYV(referencia de celda o nombre de variable de salida, Sim#,
RiskSixSigma(LSL,USL, Objetivo, Desplazamiento de Largo Plazo,
Número de Desviaciones estándar)) calcula el rendimiento o el porcentaje
del proceso que está libre de defectos para la referencia de celda o
nombre de variable de salida en Sim # usando opcionalmente los LSL,
USL y el Desplazamiento de Largo Plazo en la Función de propiedad
RiskSixSigma incluida.
Ejemplos RiskYV(A10) calcula el rendimiento o el porcentaje del proceso que está
libre de defectos para la variable de salida en la celda A10. Una función de
propiedad RiskSixSigma debe introducirse en la función RiskOutput en la
celda A10.
RiskYV(A10, ,RiskSixSigma(100,120,110,1.5,6)) calcula el rendimiento o
el porcentaje del proceso que está libre de defectos para la variable de
salida en la celda A10, usando un LSL de 100, un USL de 120 y un
Desplazamiento de Largo Plazo of 1.5.
Guías de uso Se requiere introducir una función de propiedad RiskSixSigma para la
referencia de celda o el nombre de la variable de salida, o bien debe
incluirse una función de propiedad RiskSixSigma.
RiskZMin
Descripción RiskZMin(referencia de celda o nombre de variable de salida, Sim#,
RiskSixSigma(LSL,USL, Objetivo, Desplazamiento de Largo Plazo,Número
de Desviaciones estándar)) calcula el mínimo del inferior-Z y del superior-Z
para la referencia de celda o el nombre de variable de salida en Sim #
usando opcionalmente los USL y LSL en la Función de propiedad
RiskSixSigma incluida.
Ejemplos RiskZMin(A10) calcula el mínimo del inferior-Z y del superior-Z para la
variable de salida en la celda A10. Una función de propiedad RiskSixSigma
debe introducirse en la función RiskOutput en la celda A10.
RiskZMin(A10, ,RiskSixSigma(100,120,110,1.5,6)) calcula el mínimo del
inferior-Z y del superior-Z para la variable de salida en la celda A10,
usando un USL de 120 y un LSL de 100.
Guías de uso Se requiere introducir una función de propiedad RiskSixSigma para la
referencia de celda o el nombre de la variable de salida, o bien debe
incluirse una función de propiedad RiskSixSigma.
Estudio de casos 39
40
Ejemplo 1 – Diseño de experimentos:
Catapulta
Modelo de ejemplo: Six Sigma DDE Catapulta.xls
El modelo de catapulta es un ejemplo clásico que se usa para enseñar
Diseño de Experimentos. Ilustra la simulación Monte Carlo u el
análisis de tolerancias.
Supongamos que está fabricando catapultas y los clientes demandan
que la distancia a la que la catapulta lanza una bola estándar sea de 25
metros, más o menos 1 metro. Hay muchas especificaciones de diseño
para la producción de las catapultas, como:
• Ángulo
• Masa de la bola
• Distancia halada
• Constante resorte
Estudio de casos 41
Introducción de Cada uno de los factores de diseño contiene una distribución de
una distribución probabilidad de @RISK que representa los diferentes valores posibles
que puede adoptar cada factor. Las distribuciones de probabilidad de
@RISK se pueden introducir directamente como fórmulas, usando el
comando Insertar función de @RISK, o usando el icono Definir
distribuciones de la barra de herramientas de @RISK. Por ejemplo,
una distribución Uniforme representa los posibles valores de la
Distancia halada.
Estudio de casos 43
Gráficos de La distribución resultante de Distancia lanzada muestra que
resultados aproximadamente el 60% de las veces, la distancia se encuentra fuera
de los límites de especificación.
Estudio de casos 45
46
Ejemplo 2 – Diseño de experimentos:
Soldadura
Modelo de ejemplo: Six Sigma DiseñoExperimentos.xls
Supongamos que está analizando una tapa de alivio metálica
fabricada mediante la soldadura de un disco y un anillo (ver abajo). El
producto funciona como un sello y mecanismo de seguridad, así que
debe soportar presión en su uso normal y debe separarse si la presión
interna excede el límite de seguridad.
Disco
Anillo
Cuerno de
soldadura
Disco
Anillo
Base
Estudio de casos 47
Factores de diseño
Longitud del
Matriz de diseño
Grosor del Grosor de la
disco pared del cuerno experimental
anillo
Factores de proceso
Presión soldadura
Tiempo soldadura Función de transferencia
Punto disparador Respuesta(s)
Amplitud
Frecuencia
Estudio de casos 49
El cuadro de diálogo Añadir/editar salida aparece abajo:
Estudio de casos 51
El análisis de sensibilidad de @RISK muestra claramente que los
parámetros de Tiempo de soldadura y Amplitud dependen de la
variación de la Fortaleza de la soldadura.
Los siguientes pasos para este problema pueden incluir dos opciones:
El ingeniero puede intentar reducir o controlar mejor la variación del
Tiempo de soldadura y la Amplitud, o usar RISKOptimizer para
encontrar el proceso óptimo y diseñar objetivos para maximizar o
reducir los costos de desaprovechamiento del metal.
Estudio de casos 53
Las variables del proceso y diseño que RISKOptimizer ajusta son:
Variables del diseño
• Grosor del disco
• Grosor de la pared del anillo
• Longitud del cuerno
Variables del proceso
• Presión de soldadura
• Tiempo de soldadura
• Punto disparador
• Amplitud
• Frecuencia
Todo ello para minimizar la salida de Costo anual defectuoso.
Estudio de casos 55
Configuraciones Si hace clic en el icono Configuraciones se abre el siguiente cuadro de
de optimización diálogo, donde puede establecer diferentes condiciones que indican
cómo se debe ejecutar la optimización y las simulaciones.
Estudio de casos 57
La pestaña Diversidad muestra visualmente las diferentes celdas que
se están calculando y las diferentes soluciones posibles.
Estudio de casos 59
La lógica básica del modelo es la siguiente:
Entradas Salidas
VI Función de transferencia
(V=IR, P=VI)
VD PI
R1
R2
Vs + R1 R2 XiVs = i
Estudio de casos 61
62
Ejemplo 5 – Lean Six Sigma: Análisis de
estado actual – Proceso de cotización
Modelo de ejemplo: Six Sigma Proceso Cotización.xls
En los métodos Lean y Six Sigma de mejora continuada, uno de los
requisitos clave es comprender el estado actual del proceso que se está
analizando. Esto inicialmente se hace en la fase de Diagramación de
proceso de valor de la implementación Lean o en las fases de Definir y
Medir del proceso DMAIC Six Sigma. La mayoría de los usuarios
unen el proceso en una o dos sesiones, y después de un repaso
superficial, el equipo pasa a generar soluciones. Sin embargo, hay una
ventaja significativa en dedicar tiempo a modelar el proceso y probar
que los datos y suposiciones que se hicieron son precisos. Esto resulta
especialmente importante cuando es cierto uno o más de los
siguientes puntos:
• El proceso es crítico para el éxito de la empresa (Misión crítica)
• Hay una opinión generalizada de que el proceso no necesita
mejoras
• Los costos de las mejoras serán significativos
• Los resultados de los esfuerzos de la mejora continuada pueden
ser sometidos a un escrutinio significativo en el futuro
• El proceso está sujeto al Efecto Hawthorne: cuanto más lo
estudiamos, más mejora
La simulación tiene la capacidad de probar el análisis inicial del
estado actual y mostrar la verdadera situación encontrada por el
equipo de análisis. Hay tres procesos normalmente muy diferentes
que intervienen en cada área: el proceso que creemos que existe; el
proceso que hemos documentado; y el proceso que realmente se
realiza diariamente. Una simulación @RISK cuidadosamente
construida puede documentar el proceso actual y modelar el impacto
de las mejoras posteriormente en el ciclo de Mejora continuada. Y el
modelo es fácil de construir.
Estudio de casos 63
Este ejemplo se centra en el flujo del proceso de presupuestos del
Desarrollo del
modelo y departamento de ventas interno de una organización, y ha sido
recopilación de extraído de una compañía real. Se usan muchas herramientas para
datos mostrar gráficamente el proceso. La que nosotros usaremos aquí es el
Gráfico Swimlane.
A
Introducción de datos
B
Cola de revisión
C
Revisión
D
Cola para entrega
Estudio de casos 65
indicaciones. @RISK analizará los datos y comprobará que se ajustan a
una serie de funciones de distribución.
Abajo se muestra el resultado del ajuste de la distribución de @RISK
para los datos del Paso C (Revisión). La distribución resultante se
colocó luego en la celda de la hoja de cálculo bajo el encabezamiento
“C - Revisión” usando el botón Escribir a celda. (El equipo seleccionó
la distribución Normal en lugar de la ligeramente mejor ajustada
Weibull porque con un grupo pequeño de datos, la diferencia entre
las dos curvas era aceptable).
Estudio de casos 67
La función RiskSixSigma se estableció fácilmente usando el cuadro de
diálogo Propiedades de salida (al que se accede haciendo clic en el
icono Propiedades de función fx del cuadro de diálogo Añadir/Editar
salida de @RISK).
Estudio de casos 69
El equipo pudo, basándose en la simulación, documentar los flujos
reales y detallar lo que sucedía cuando los presupuestos no se
aceleraban. Los directivos vieron las mejoras potenciales si el proceso
completo se controlaba y mejoraba. esa aceptación de los directivos en
el inicio del proyecto resultó clave para el éxito a largo plazo del
proyecto.
A partir de este modelo inicial, el equipo construyó el modelo
completo de todo el proceso. Con este modelo disponible, el equipo
pudo modelar los esfuerzos de mejora en diferentes etapas del
proyecto y verificar que las mejoras conseguían avances positivos. El
tiempo total para generar la simulación inicial y los resultados usando
@RISK fue de menos de una hora después de introducir los datos
originales en Excel.
Estudio de casos 71
Debe reducir el número de unidades defectuosas producidas. Sin
embargo, el proceso es largo y complicado, y no sabe con qué fase
empezar. Usando @RISK, puede simular muchos resultados
diferentes y determinar la fase del proceso de fabricación más
problemática. También puede obtener mediciones críticas de
capacidad del proceso de cada fase, así como de todo el proceso, que
le ayudarán a mejorar la calidad y reducir las pérdidas de recursos.
De esta forma, @RISK se usa en las fases de Medir y Analizar del
método DMAIC. @RISK se usa para medir el estado existente del
proceso (con mediciones de capacidad) y analizar cómo se puede
mejorar (con análisis de sensibilidad).
Ajuste de Usando los datos recopilados del proceso de fabricación, la función de
distribuciones ajuste de distribución de @RISK se usó para definir funciones de
distribución que describen el número de partes defectuosas en cada
fase del proceso – Desempaque/inspección, Corte, Limpieza y
Electrocubrimiento. El ajuste de distribución de la fase de
electrocubrimiento -distribución Weibull- se muestra abajo.
Resultados de Las Partes defectuosas por millón (PDM) de cada etapa, y el proceso
una simulación en su conjunto, se definieron como salidas de @RISK con
especificaciones Six Sigma del valor del Límite de especificación
superior, Límite de especificación inferior y Objetivo. Tras la ejecución
de la simulación, se calcularon diversas mediciones Six Sigma para
cada etapa y para el proceso en su conjunto.
Estudio de casos 73
La distribución de resultados de PDM se muestra abajo.
Estudio de casos 75
Modelación del Esta propiedad de cada componente acabado (por ejemplo, su ancho)
ancho del se modela con una distribución Normal en la columna Muestra.
componente
Muestra
10.00
5.00
8.00
12.00
6.00
Estudio de casos 77
78
Ejemplo 8 – Six Sigma DMAIC Tasa de falla
usando RiskTheo
Modelo de ejemplo: Six Sigma Falla DMAIC RiskTheo.xls
Esta es una extensión del modelo de Fallo de DMAIC para su uso en
procesos de control de calidad y planificación. Incluye el uso de las
funciones RiskTheo (en este caso, RiskTheoXtoP) para determinar la
Tasa de fallas sin ejecutar realmente una simulación. Las funciones
RiskTheo generan datos estadísticos teóricos en distribuciones de
entrada o fórmulas, en lugar de generar datos estadísticos en los datos
de una simulación.
Usted es un fabricante y necesita calcular el porcentaje probable de
productos defectuosos. En el método DMAIC –Definir, Medir,
Analizar, Mejorar, Controlar- son las fases de Medir y Analizar, en las
que desea medir el estado actual de la calidad y analizar las causas de
los problemas o defectos.
Un producto es defectuoso cuando cualquiera de sus componentes no
cumple su nivel de tolerancia requerido. Un componente se considera
satisfactorio si las propiedades de su estado acabado (por ejemplo, el
ancho) se encuentran dentro de las bandas de tolerancia definidas.
Estudio de casos 79
Modelación del Esta propiedad de cada componente acabado (por ejemplo, su ancho)
ancho del se modela con una distribución Normal en la columna Muestra.
componente
Muestra
10.00
5.00
8.00
12.00
6.00
Tasa de falla de
Tasa de falla (%) RiskTheo (%)
de la sim (%)
0.30% 0.270%
0.20% 0.158%
0.20% 0.138%
0.00% 0.047%
0.10% 0.135%
1%
2.998616548 3000
2.997415317 2000
2.997730848 2000
3.49840855 0
3.004560454 1000
3.146403741 8000
Estudio de casos 81
82