Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Introduccin
El anlisis de un proceso suele subdividirse en dos etapas, la primera consiste en caracterizar los datos y la segunda en estudiar la aptitud del proceso para cumplir con las especificaciones del cliente 1- Para caracterizar los datos utilizaremos la estadstica descriptiva: Medidas de tendencia central (media, mediana, moda) Medidas de tendencia NO central (Cuartiles, percentiles deciles) Medidas de dispersin (rango, desviacin estndar) Grficos de cajas, histogramas 2- Para conocer el rendimiento actual o al inicio del proceso,en base a las especificaciones del cliente, mediremos la capacidad de proceso: Cp, Cpk, Sigma Defecto, oportunidad, Sigma
Pero primero es necesario que : Definamos el tipo de dato con el que estamos trabajando Definir el tamao de muestra Organizar los datos en subgrupos Conocer como se distribuyen los datos a travs de la distribucin de probabilidad
Estos estudios pueden realizarse independientemente de las especificaciones del producto, ya que lo que se estudia son las caractersticas de los datos o procesos.
ESTUDIO DE LA FORMA
Podemos representar de manera grfica y descriptiva la forma, distribucin y los estadgrafos de un set de datos. Esta visin de conjunto, nos permite relacionar la informacin obtenida para los distintos parmetros y entender el comportamiento de la data bajo estudio. Descriptive Statistics
Variable: Oper1
Anderson-Darling Normality Test A-Squared: P-Value: Mean StDev Variance Skewness Kurtosis N Minimum 1st Quartile Median 3rd Quartile Maximum 4.52548
4.36 4.46 4.56 4.66 4.76 4.86 4.96 5.06 5.16 5.26
0.159 0.947 4.81892 1.03254 1.06614 7.69E-02 1.66E-02 50 2.56155 4.16625 4.73359 5.66750 7.52072 5.11237 1.28668 5.18729
2.5
3.5
4.5
5.5
6.5
7.5
95% Confidence Interval for Mu 95% Confidence Interval for Sigma 0.86252 95% Confidence Interval for Median 4.43227 95% Confidence Interval for Median
Capacidad de proceso
Definicin: En cualquier proceso es importante cuantificar la variabilidad natural del proceso, para poder analizarla y evaluar si cumple con los requisitos o especificaciones del Cliente.
Excelente Capacidad de Proceso Muy Baja Probabilidad de Defectos Muy Baja Probabilidad de Defectos
LSE
Este anlisis recibe el nombre de Estudio de Capacidad y expresa la capacidad de un proceso en trminos de una medida estndar
LIE
LSE
Identificar el tipo de datos Definir el Tamao de la Muestra y obtener los datos Definir los sub grupos Analizar el tipo de distribucin.
Capacidad de Proceso Tamao de muestra Tipo de dato Variable Sin Subgrupo Con Subgrupo Atributo Unidad Oportunidad Defecto Sigma
Tipos de datos
Variables
Atributos
Continuos
Discretos
Nominales
Ordinales
N: N de individuos a los cuales se les puede medir la variable de inters en la Poblacin. d: Error absoluto razonable. ste indica cuanto se est dispuesto a equivocar en las estimaciones y generalmente es determinado por el experto que requiere el muestreo y se expresa en nmeros. Muchas veces se desconoce un valor para el error absoluto razonable, por lo cual se especifica un valor relativo denominado r. ste valor r est expresado en fracciones. Z 0,975, donde a es el nivel de confianza con el cual se decide trabajar. : Variable poblacional que indica la variabilidad de la poblacin a estudiar (desviacin estndar).
Veamos en un ejemplo, el uso de las matrices para el clculo automtico del tamao de la muestra:
Paso III Subgrupos (solo se aplica a datos variables Que es un subgrupo? Un subgrupo es un set de datos tomados de un proceso, que incorpora todas las causas comunes de variacin. (las causas comunes son las No controlables y conviven con el proceso) Ejemplo: Analizaremos el proceso de atencin al cliente, (el foco ser el tiempo de atencin). Por nuestra experiencia los das, expresados en fecha pueden ser un subgrupo ya que los das se asemejan entre si. Para que defino un subgrupo? Para determinar oportunidades de mejoramiento o causas especiales de variacin (que ocasionan eventos fuera de los lmites de especificacin) Veamos esto con el ejemplo de tiempo de atencin:
USL
Lunes
Miercoles
Jueves
Vierne s
Nuestro Nuestro potencial potencial - lo lo mejor mejor que que podemos podemos estar estar La La reportada reportada por por todas todas las las compaas compaas 6 6 sigma sigma Los Los muchos muchos triviales triviales (causas (causas comunes) comunes)
Entre Entre Grupos: Grupos: Llamada Llamada shift shift (realmente (realmente es es una una medida medida en en sigma's sigma's de de qu qu tan tan lejos lejos se se ha ha recorrido recorrido de de la la media) media) Indica Indica nuestro nuestro control control del del proceso proceso Los Los pocos pocos vitales vitales (causas (causas especiales) especiales)
Entre Grupos
SI
Se logro Normalidad?
SI
Transformacin Box-Cox
La transformacin Box-Cox es una ley de transformacin exponencial. Es frecuentemente usada para mejorar el ajuste de los datos. Matemticamente este encuentra el parmetro lambda (), para el que la distribucin de Y transformada
= Y Y
se ajusta mas a una distribucin normal. Encontrando la mejor transformacin: Minitab, calcular los valores transformados de los datos originales, usando muchos valores de lambda entre el rango de 5.0 to 5.0. Para cada valor de lambda, Minitab ajustar los datos transformados usando un grfico de probabilidad normal. El ajuste que entregue el menor error, es el mejor estimador de lambda.
Caracterstica
Un proceso es Hbil Potencialmente si la variabilidad del proceso es menor o igual a la variabilidad permitida por los lmites de especificacin
LSL
Cpk-inferior
Cpk Superior
+ 3
Para determinar la Habilidad del proceso se comparan los Limites de Tolerancia Natural con los Lmites de Especificacin
USL
LSL
USL
Importante: Los anlisis basados en el modelo normal, calculan tanto la variacin a corto plazo como la variacin a largo plazo, mientras que los basados en el modelo Weibull slo calculan la variacin a largo plazo.
Definicin
Cp, se refiere a la variacin en el proceso que ocurre alrededor del promedio. El ndice Cp representa capacidad potencial asumiendo que el promedio del proceso es igual al punto intermedio de las especificaciones, y que el proceso est bajo control estadstico.
Uso
Para analizar la variacin del proceso , teniendo en cuenta que el proceso est centrado con respecto a las especificaciones. Trabajar sin subgrupos, nos permite revisar la capacidad teniendo en cuenta las causas comunes y especiales de variacin
Interpretacin
Valores inferiores a 1 indican que el proceso no es capaz de cumplir con las especificaciones, valores ligeramente superiores a 1 indican que si el proceso est perfectamente centrado y se producir un nmero muy pequeo de unidades defectuosas, que, sin embargo, aumentar si el proceso se descentra. Lo recomendable es obtener valores superiores a 1.3 (para capacidad = 4 ).
Cpk
Debido a que el promedio no siempre se encuentra en el punto intermedio de las especificaciones, requerimos un ndice que refleje la variacin y la ubicacin del promedio del proceso. Este ndice es Cpk.
Si el proceso est centrado Cpk=Cp, en caso contrario Cpk<Cp, y si Cpk<1 implica que en las condiciones actuales se estn produciendo defectos. Mientras ms grande sea el Cpk, ms grande ser la capacidad real del proceso.
Definicin
La capacidad PP representa lo que el proceso podra hacer solo si lo centramos (dentro de las especificaciones)
Uso
Conocer la capacidad potencial del proceso y definir la estrategia (centrarlo o reducir variacin)
Clculo
(datos normales)
Ppk
(datos normales)
USL x 3 T
LSL x 3 T
LSL
USL
Comparar la capacidad de corto y largo plazo, permite conocer el gap de mejoramiento del proceso.
Definicin La capacidad CP representa lo que el proceso podra hacer si lograramos reducir la variacin y si lo centramos. La capacidad CPk representa lo que el proceso podra hacer, si solo reducimos la variacin (provocada por las causas especiales)
Uso Demuestra la mejor capacidad que se podra obtener del proceso. Se utiliza para definir la estrategia de mejoramiento (se buscarn los factores que afectan a la variacin)
(datos normales)
Cpk
(datos normales)
USL u 3 P
LSL u 3 P
Cp 2.5
Cpk 2.0
Caso #1
-8
-4
12
16
20
24
28
32
36
Caso # 2
LSL
USL
2.0
-8 -4 0 4 8 12 16 20 24 28 32 36
Centrar el proceso, hacer ajustes en la mquina para mover la media lo ms cerca posible al valor 0.5 objetivo.
Se necesita hacer cambios mayores, ya que el proceso est generando piezas fuera de especificacin, cambiar de mquina, redisear mquina, chequear 100% las piezas, cambiar especificaciones, etc. etc.
Caso # 3
LSL
USL
0.8
-8 -4 0 4 8 12 16 20 24 28 32 36
0.6
Caso # 4
0.2
0.5
Capacidad Capacidad66
Z=3 T
Z=
SL -
Conforme Conformela la variacin variacin disminuye, disminuye,la la capacidad capacidadse se incrementa incrementay, y,como como consecuencia, consecuencia,la la desviacin desviacin estndar estndar (s) (s) se se hace hacems mspequea pequea lo locual, cual,disminuye disminuye la laprobabilidad probabilidadde de un undefecto. defecto.
Clculo de Z:
Z usl
+1 +2 +3 +4
Corto plazo
x
Largo plazo
P(d)LSL
P(d)USL
LSL
USL
CPK PP
- Ppul - PPls
PPK
La diferencia entre el Zbench de largo y plazo y el de corto plazo es el z shift. Cuanto mayor sea ZShift , mayor es el problema de control. ZShift tpico= 1,5
6 5 4
Cp < 1.3
Z =
cp (corto plazo) lp (largo plazo)
Cp < 1.0
Cp < 0.5
st lt
2 1
EJEMPLO
En nuestro, caso nos interesa conocer la Capacidad del Proceso, para establecer el base line o rendimiento actual. La variable de salida (Y), ser la diferencia entre el tiempo real de atencin en caja (medido) y el tiempo standard definido como objetivo. Esta variable la llamaremos Delta tiempo Parmetros : Variable X = Distintos locales (L101, L201, L301) = Subgrupos Variable Y = Delta tiempo (minutos) Objetivo = 0 minutos Lmite superior de especificacin = 2 minutos Lmite inferior de especificacin = -2 minutos
Frmulas
Defectos por unidad DPU = D/U
9/4 = 2,25
Mtodo 1:Tabla de conversin Largo / Corto Plazo Cmo decidimos si sumamos o restamos 1.5 de un Sigma estimado Convertir DE
Z Corto Plazo Z Corto Plazo Ninguna Accin Convertir A Z Largo Plazo Z Largo Plazo
+ 1.5
Ninguna Accin
- 1.5
Datos a corto plazo estn libres de causas asignables, por lo tanto representan nicamente el efecto de causas aleatorias. Datos a largo plazo reflejan la influencia de causas aleatorias como tambin de fenmenos asignables. Si el rendimiento o datos de defectos son recopilados a travs de varios intervalos de produccin, considere la situacin como de largo plazo; de otra forma, asuma que es de corto plazo.
Ejemplo = 150.000 DPMO = 0,15 Calc / Probability distributions / Normal / Inverse cumulative probability / Input constant (1 - 0.15) = 0.85, MINITAB entrega el valor de Z = 1.0364
EJERCICIO:
En nuestro, caso nos interesa conocer la Capacidad del Proceso para la variable Rendimiento La variable de salida (Y), ser la diferencia entre el 100% y el rendimiento actual evaluado en cada variable.
NO
SI
Si nuestros datos no son normales, podemos intentar una transformacin a normalidad usando MNITAB: Stat => Control Charts => Box Cox Transformation Una vez transformados los datos, debemos probar su normalidad: => Stat => Basic Statistics => Normality Test
Continua
Cules son las variables del proceso, de entrada y de salida? Qu medidas claves indican el funcionamiento del proceso del negocio? Se estableci un plan de recoleccin de datos? Qu tipo de datos se recolectaron (pasados, presentes, on going) Quin particip en la recoleccin de datos? Cmo seleccion el team la muestra de la poblacin? Qu ha hecho el team para asegurar la estandarizacin del proceso de medicin de datos? Se utiliz el estudio Gauge R&R? Qu grficos utiliz el team para mostrar los componentes de la variacin del proceso? Qu explica el grfico en trminos de variacin? Cul es la actual performance en trminos de ndices de capacidad de proceso? Cul es la actual performance en trminos de nivel de sigma y RTY? Cun grande es la diferencia entre la performance observada y las especificaciones del cliente y la meta? Ha encontrado alguna causa especfica que afecte a la diferencia de performance? Qu herramientas en particular encontr el team de ayuda para la etapa de medicin?