Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CURSO DE
SEIS SIGMA
Pgina 0
INDICE
Introduccin
Antecedentes de la Calidad
Qu es seis sigma?
Justificacin
Objetivos
Alcance
Planteamiento del problema
Metodologa
1.2
1.3
1.4
1.5
Introduccin
2.2
2.3
2.4
2.5
Modelo Kano
2.6
Diagrama matricial
2.7
Benchmarking
2.8
Costos de Calidad
2.9
Pgina 1
21
43
66
3.1
Introduccin
3.2
3.3
Estadstica descriptiva
3.4
3.5
123
4.1
Introduccin
4.2
4.3
AMEF
4.4
4.5
Correlacin
4.6
Anlisis de Regresin
4.7
Pruebas de Hiptesis
4.8
4.9
167
5.1
Introduccin
5.2
5.3
Terminologa
5.4
5.5
5.6
204
6.1
Introduccin
6.2
6.3
6.4
6.5
Cartas de Control
6.6
6.7
6.8
Las 5Ss
6.9
El Kanban
234
7.1
Introduccin
7.2
Proyecto de mejora
7.3
Metodologa DMAIC
7.4
Paso 1
Fase de Definicin
Paso 2
Fase de Medicin
Paso 3
Fase de Anlisis
Paso 4
Fase de Mejora
Paso 5
Fase de Control
Conclusiones y Recomendaciones
255
Bibliografa
258
Pgina 3
INTRODUCCIN
ANTECEDENTES
La empresa de finales de los ochenta parece haber encontrado su nuevo
credo: el de la calidad total. Las empresas que se limitaban a hacer el control
a posteriori de su nica calidad presentaron la quiebra una tras otra. Las
empresas de hoy si quieren sobrevivir, deben trabajar para sus clientes ms
que para s misma.
Philip Crosby populariz el concepto de Cero Defecto como orientacin para el
control de calidad. Este enfoque establece la meta de resultados que carezcan
de errores al 100 por ciento. Crosby sostiene que si se establece un nivel
aceptable de defectos, ello tiende a provocar que dicho nivel (o uno ms
alto) se conviertan en una profeca que se cumple; Si los empleados saben
que est bien trabajar dentro de un nivel determinado de errores, llegarn a
considerar que ese nivel es la norma. Es evidente que dicha norma est
por debajo de lo ptimo. Crosby sostiene que a las personas se le establecan
estndares de desempeo mucho ms holgados en sus trabajos que lo que
regan sus vidas personales. Ellos esperaban hacer las cosas bien, cuando se
trataba de sostener a un beb, de pagar las facturas o de regresar temprano a
la casa correcta. En cambio, en los negocios se les fijaban niveles aceptables
de calidad, mrgenes de variacin y desviaciones.
La idea de un porcentaje de error aceptable (a veces denominado un nivel
de calidad aceptable) es un curioso remanente de la era del control de
calidad. En aquellos tiempos, se podan encontrar maneras de justificar
estadsticamente las naturales fallas humanas, sosteniendo que nadie poda
ser posiblemente perfecto. De modo que si el 100% es inalcanzable, por qu
no conformarse con el 99%, e incluso con el 95%? Entonces, si alcanzramos
el 96,642%, podramos dar una fiesta y celebrar el hecho de haber superado
los objetivos. La cuestin es que el 96,642% significa que de 100.000
Pgina 4
2.
3.
Pgina 6
Qu es Seis Sigma?
Seis Sigma es una forma ms inteligente de dirigir un negocio o un
departamento. Seis Sigma pone primero al cliente y usa hechos y datos para
impulsar mejores resultados. Los esfuerzos de Seis Sigma se dirigen a tres
reas principales1:
2.
3.
Pgina 7
Fase 0. Definicin D
Fase 1. Medicin
Define
Problema de Negocio
M Measure
Problema Estadstico
Fase 2. Anlisis
Analyze
Fase 3. Mejora
Improve
Solucin Estadstica
Solucin de Negocio
Fase 4. Control
Control
Sigma:
Pgina 8
MEDICIN
ANALISIS
MEJORA
CONTROL
Pgina 10
DMAIC
Definir
Medir
Analizar
Mejorar
Controlar
Herramientas
1.
1. Mapa
Mapa de
de Proceso
Proceso
2.
2. Despliegue
Despliegue de
de la
la
Funcin
Funcin de
de
Calidad
Calidad (QFD)
(QFD)
3.
3. Modelo
Modelo Kano
Kano
4.
4. Diagrama
Diagrama Matricial
Matricial
5.
5. Benchmarking
Benchmarking
6.
6. Costos
Costos de
de Calidad
Calidad
1.
1. Mapa
Mapa de
de Procesos
Procesos
2.
2. Diagrama
Diagrama de:
de:
Pareto,CausaPareto,CausaEfecto,rbol,
Efecto,rbol,
Afinidad
Afinidad
3.
3. Mtodos
Mtodos de
de
Muestreo
Muestreo
Estadstico
Estadstico
4.
4. Capacidad
Capacidad del
del
Sistema
Sistema de
de
Medicin
Medicin
5.
5. Distribucin
Distribucin
Normal
Normal
6.
6. Capacidad
Capacidad del
del
Proceso
Proceso
1.
1. AMEF
AMEF
2.
2. Cartas
Cartas Multi
Multi Vari
Vari
3.
3. Correlacin
Correlacin
4.
4. Regresin
Regresin lineal
lineal
Simple
Simple yy lineal
lineal
Mltiple
Mltiple
5.
5. Pruebas
Pruebas de
de
Hiptesis
Hiptesis
6.
6. Anlisis
Anlisis de
de
Varianza
Varianza (ANOVA)
(ANOVA)
1.
1. Anlisis
Anlisis de
de
Experimentos
Experimentos
(DOE)
(DOE)
2.
2. Diseo
Diseo Factorial
Factorial
2K
2K
3.
3. Diseo
Diseo Fraccin
Fraccin
Factorial
Factorial
4.
4. Diseo
Diseo Taguchi
Taguchi
5.
5. Diseo
Diseo de
de Mezclas
Mezclas
6.
6. Mtodos
Mtodos de
de
Superficie
Superficie de
de
Respuesta
Respuesta
1.
1. Plan
Plan de
de Control
Control
2.
2. Cartas
Cartas de
de Control
Control
3.
3. Poka
Poka Yoke
Yoke
4.
4. Mejora
Mejora continua
continua
(Kaizen)
(Kaizen)
5.
5. Las
Las 55 Ss
Ss
6.
6. Kanban
Kanban
se mejoran la comunicacin, y
3
4
Reyes Primitivo Tomado de los apuntes de la material Opcin Terminal UIA Otoo 2005
Neuman Robert, Pande Peter Las claves de Seis Sigma
Pgina 11
ser
o Fuentes internas:
Otras recomendaciones
Pgina 12
se
puede
segmentar
para
ser
realizado
por
diferentes
Informacin no disponible.
Pgina 13
Justificacin
Pgina 14
CT vs. 6
Seis
Sigma
Mayor uso de tcnicas estadsticas en la
polticas
calidad
de
usuarios.
Utilizacin de reportes de Confiabilidad para la
la empresa.
Dicta procedimientos de entrenamiento,
las
cuales
deben
ser
de
son
humano).
Propone el
Pgina 15
uso
de
un
sistema
de
cual
de calidad deseados.
Cp
trabajadores
para
discutir
temas
de
Diseo
de
Superficie de respuesta.
Para la implementacin
experimentos
y
control
de
y
las
de
medicin
cada proyecto.
Tabla 1 Comparativos 6
y Sistemas de Calidad
Pgina 16
Los auditores son los nicos que hacen llegar disconformidades a la alta
gerencia.
Objetivos
1.1
Objetivo general:
Se pretende que este documento sea una gua, tanto para la capacitacin
como
para
la
consulta,
de
todos
aquellos
que
lleven
cabo
la
Pgina 17
1.1 Alcance
Pgina 18
De tal manera que haciendo uso de diferentes tcnicas estadsticas nos sirvan
de apoyo para realizar mejoras en el proceso y lograr el objetivo planteado.
1.3 Metodologa
La metodologa que se va a emplear es la aplicacin de seis sigma en
conjunto con kaizen, para lograr los resultados en un plazo no mayor a 3
meses.
Este documento consta de 7 captulos en los cuales se explican las diferentes
metodologas y herramientas que se pueden utilizar en la aplicacin de un
proyecto que se maneje bajo la metodologa de Seis Sigma.
1. Capitulo 1 Introduccin a la metodologa seis sigma
2. Capitulo 2 Fase de Definicin
3. Capitulo 3 Fase de Medicin
4. Capitulo 4 Fase de Anlisis
5. Capitulo 5 Fase de Mejora
6. Capitulo 6 Fase de Control
7. Capitulo 7 Proyecto de mejora
Pgina 19
Pgina 20
de
cometer
un
error
es
muy
grande,
se
recomienda
Cambio
3
4
4
5
Porcentaje de mejora
requerido
10x
30x
40x
Tabla 1.1
En esta otra tabla se aprecia la cantidad de defectos por cada nivel sigma
Nivel en
sigma
6
5
4
3
2
1
Pgina 22
Tabla 1.2
Figura 1.1. La figura muestra el nmero de partes por milln (ppm) que estaran fuera de
los limites de especificacin tomando como lmite el valor de cada desviacin estndar .
LSL
6
USL
Pgina 23
6 5 4 3 2 1
1 2 3 4 5 6
LSL
USL
6 5 4
3 2 1
1 2
4 5 6
Pgina 24
Una medida que describe el grado en el cual el proceso cumple con los
Nivel en
sigma
oportunidades
6
99.99966
3.4
Porcentajes
5
99.9769
233.0
4
99.379
6,210.0
de defectos
3
93.32
66,807.0
2
69.13
308,537.0
1
30.23
690,.000.0
corresponden los diferentes niveles Sigma
Tabla 1.3
y
cantidad
los
que
Pgina 25
Definiciones bsicas9:
D
U
D
U O
Capacidad
del
proceso:
Capacidad
del
proceso
para
cumplir
producto sin defectos antes de realizar una revisin del trabajo efectuado.
Pgina 26
Cantidad
1100
310
315
D
310
0.01878
N O 1100*15
Pgina 27
con
el
producto
del
resultado
de
cada
paso:
pasos.
Rendimiento Normal (YN)
Ejemplo:
Rendimiento
96%
99%
97%
98%
Calcular YRT y YN
Pgina 28
YN YRT
0.9034 97.49%
proceso oportunidad)
Rendimiento antes de la inspeccin o la Es el rendimiento despus de la inspeccin
prueba
Incluye retrabajo y desperdicio
Siempre <YFT
Observa la calidad de todas las partes que
conforman el producto terminado.
la prueba
Excluye el retrabajo y el desperdicio
Siempre >YRT
Slo observa la calidad del producto
terminado
Tabla 1.4 Rendimientos
Pgina 29
Para el clculo de datos a largo plazo a partir de datos a corto plazo restamos
1.5, debido a los desplazamientos que sufre la media debido al cambio natural
en los procesos.
ZST = ZLT + 1.5
Donde:
ZST = Z a corto plazo.
ZLT = Z a largo plazo.
YN = Rendimiento Normal
Ejemplo:
YN YRT
Z
benchmark
0.9034 97.49%
= 0.9747+1.5= 2.474
Existen 2 mtodos para calcular el valor de Sigma (La sigma del proceso que
es la sigma a corto plazo ZST), y 2 herramientas que ayudan a obtener el
valor, las cuales se exponen a continuacin:
METODO 1 (Utilizando en Excel):
1. El rendimiento es igual a Yrt = 1 DPU
o Yrt = 1 D / DPO
2.
3.
Zlse)
4.
Pgina 30
6.
7.
Mean 0.0
standar deviation 1
A continuacin se presenta una ayuda grfica paso a paso para determinar los
valores de Z
Pgina 31
Pgina 32
Pgina 33
Pgina 34
Tabla Z Mtodo 2
Pgina 35
utilizando
la
metodologa
Seis
continuacin:
Pgina 36
Sigma,
como
se
muestra
1. Priorizar
oportunidades
de
mejora:
Conocer
especificar
los
y control ptimas:
para la manufactura es posible alcanzar el nivel Seis Sigma. Una vez que
las causas especiales se han eliminado solamente pueden permanecer
Pgina 38
Pgina 39
cliente?, Cules son los requerimientos del cliente?, Cmo se lleva a cabo el
trabajo en la actualidad?, Cules son los beneficios de realizar una mejora?.
Pgina 40
CAPITULO 2.
FASE DE DEFINICION
2.1 Introduccin
Pgina 41
Cliente Externo: Los clientes externos son todos aquellos a los que la
empresa provee un producto o servicio, estos se dividen en usuarios
finales, clientes intermediarios y otros que son impactados pero que no
usan ni compran el producto
o Usuarios finales: comprar o usan el producto para su uso
o Intermediarios: comprar el producto para su reventa, reempaque,
modificacin o ensamble final para venta al usuario final. Ejemplo:
detallistas, distribuidores, mayoristas, etc.
o Grupos impactados: no compran ni usan el producto pero son
impactados por el. Por ejemplo la comunidad, gobierno, padres,
grupos civiles, etc.
Pgina 43
externo (VOC), o sea que es lo que espera nuestro cliente acerca del servicio
o producto que le proporcionamos. Mediante la voz del cliente podemos saber
cual es el grado de satisfaccin que este tiene.
Para determinar los CTQS se pueden tomar como base lo siguientes puntos:
Entrevistas
Encuestas
Quejas
Datos de Benchmarking
Discusiones ejecutivas
QFD
tardas,
desperdicios,
producto
defectuoso,
documentos
inadecuados.
El problema
Seguridad
Calidad
Costo
Pgina 44
Entrega
Nivel de servicio
prdidas de
utilidades).
Es importante describir como se alinea el proyecto con las iniciativas y metas
del negocio. Estas ltimas son definidas por la direccin.
Descripcin del problema:
Se debe estratificar
Pgina 45
Es mejor no usar la
Punto de inicio:
Punto final:
10
Persona entrenada en la metodologa de Six Sigma y como facilitador , que trabaja de tiempo parcial en la
realizacin de proyectos de mejora junto con equipos de trabajo. Workout for Six Sigma Pocket Guide
Pgina 46
Analizar los datos colectados y el mapa del proceso para determinar las
causas raz de defectos y oportunidades de mejora
Pgina 47
Realizar un mapeo del proceso de alto nivel, identificando cuales son los
proveedores, entradas, proceso, salidas, clientes. Comnmente llamado
SIPOC.
Construccin de un Diagrama SIPOC COPIS:
1) El equipo crea el mapa de proceso apoyado con Post Its pegados a la pared
2) El proceso puede tener 4 o 7 pasos claves Cmo se transforma el
producto?
3) Listar las salidas del proceso Cul es el resultado final, producto o servicio
de este proceso?
Pgina 48
4) Listar los clientes de la salida del proceso quin es el usuario final del
proceso?
5) Listar las entradas del proceso De dnde vienen los materiales?
6) Listar los proveedores del proceso quines son los proveedores clave?
7) Como paso opcional identificar algunos requerimientos preliminares de los
clientes
8) Involucrar al lder del equipo, champion, y otros grupos interesados en la
verificacin del proyecto
Ejemplo11:
11
Pgina 49
El QFD proporciona un mtodo grfico para expresar las relaciones entre los
requerimientos del cliente y las caractersticas de diseo, forma la matriz
principal
El QFD permite organizar los datos de requerimientos y expectativas del
cliente en una forma matricial denominada la casa de la calidad. Proceso muy
lento
Entre los beneficios del QFD se encuentran: orientacin al cliente, reduccin
de ciclo de desarrollo de nuevos productos, usa mtodos de ingeniera
concurrente, reduce los cambios en manufactura, incrementa la comunicacin
entre reas y establece prioridades en los requerimientos.
A continuacin se esquematiza una Casa de calidad bsica QFD
Figura 2.3
Pgina 50
QFD
Pgina 51
Ejemplo:
Pgina 52
Pgina 53
Pgina 54
12
calidad
esperada
representa
aquellas
expectativas
explcitamente
Figura 2.4
12
Modelo Kano
Pgina 55
Atributos
cuestionables:
los
que
producen
valoraciones
contradictorias.
funciones
actividades
de
tal
forma
que
se
pueden
Pgina 56
Conjunto A
ingredientes
$ de ingredientes
# de platos
requeridos
Tiempo de
preparacin
Relacin Fuerte:
Relacin Moderada:
Relacin Dbil:
% nutricional
requerido
porcin
Peso de la
% Hidratos de
Carbono
1.1.1.1.1.1
Sacia el apetito
Es nutritivo
Tiene buen gusto
Conjunto B
Sencillo de preparar
Sencillo de limpiar
Es barato
No produce excesiva
basura
Figura 2.5 Ejemplo de Diagrama Matricial
13
Productos y servicios
Procesos de trabajo
Funciones de apoyo
Desempeo organizacional
Estrategias
Pgina 58
1. Determinar a qu se le va a hacer
5. Actuar/implementar
benchmarking
2. Formar un equipo de
BMK
benchmarking
4. Recopilar y analizar la
informacin de
benchmarking
ACTIVIDAD
PROPSITO
Qu se va a someter a
benchmarking?
Identificar socios
Seleccionar tipo de
benchmarking
Reportar al comit de
direccin
Seguimiento directivo
Recabar informacin y
analizar
RESPONSABLE
Informacin, anlisis y
diferencias
Implantar
Aplicar mejoras
identificadas
Plan de Accin:
Pgina 59
TIEMPO
PERIODO
prcticas
14
Costos de Prevencin
Costos de Evaluacin
Pgina 60
Costos de Evaluacin:
Pgina 61
2.9 Entregables:
En esta etapa los entregables seran:
Identificar al cliente
Project Charter
o
Pgina 62
Desarrollar el contrato
Plan de Trabajo
Pgina 63
Pgina 64
Figura 3.1
Pgina 65
lo importante
es
seleccionar cuidadosamente
X1, X2,..Xn
Zs
Variable
Variable
Variables de
dependiente
independiente
Salida
Entrada-Proceso
(respuesta)
Causa
Efecto
Problema
Sntoma
Controlable.
Monitoreable
Tabla 3.1
ruido
Incontrolables
En otras palabras:
Para
Para qu es utilizada?
Se utiliza despus de haber determinado las causas ms importantes
de un problema, preguntando sistemticamente 5 veces porqu,
5W/1H
Anlisis de Campo
de Fuerzas.
Benchmarking
progreso.
Estudio que ayuda a realizar un comparativo de productos, procesos o
servicios contra el "mejor en la clase" puede ser dentro de la empresa
los
de
medicin (MSA)
Carta
de
gente.
Conocer el comportamiento de un proceso grficamente para poder
tendencias
Diagrama
Causa-
Efecto (Ishikawa o
Fishbone)
Capacidad
sistemas
de
Diagrama
de
Afinidad
Diagrama
de
Dispersin
Pgina 67
de
Relaciones
Diagramas Matriz
Hoja de Verificacin
solucin.
Recolectar datos basados en la observacin del comportamiento de un
proceso con el fin de detectar tendencias, por medio de la captura,
Lluvia de ideas
Mapa de procesos
Matriz Causa y
efecto
QFD
Tcnica de grupos
nominales.
recolectar
datos
confiables,
que
reflejen
la realidad de
lo que
est
sucediendo15:
(Where)
(When)
15
16
Pgina 69
Resumen
Mean
Standard Error
Median
Mode
Standard Deviation
Sample Variance
Kurtosis
Skewness
Range
Minimum
Maximum
Sum
Count
Confidence Level(95.0%)
3.55407
0.01172
3.54650
3.39100
0.11605
0.01347
-0.00966
0.09892
0.58600
3.24200
3.82800
348.2990
98
0.023267191
Pgina 71
unidos a otros, cuyos vrtices de la base coinciden con los limites de los
intervalos y el centro de cada intervalo es la marca de clase, que
representamos en el eje de las abscisas. La altura de cada rectngulo es
proporcional a la frecuencia del intervalo respectivoen un diagrama de barras
donde las bases corresponden a los intervalos y las alturas a las frecuencias.
Para construir un histograma se recomienda tener un mnimo de 50 a 100
datos.
Ejemplo: De los datos del ejemplo anterior, construir un Histograma
Intervalo
0.000 - 3.242
3.243 -3.300
3.007 - 3.359
3.360 - 3.417
3.418 - 3.476
3.477 - 3.535
3.536 - 3.593
3.594 - 3.652
3.653 - 3.652
3.653 - 3.710
3.711 - 3.769
Registro de frecuencias
I
1
II
2
IV
4
VI
6
XVII
17
XXVIII
28
XX
20
XIV
14
X
10
III
3
II
2
este en
30 blanco (a partir de est celda ser insertado el histograma).
25
6.
20
escala, color,
15
10
Pgina 72
Clase
Figura 3.2
Histograma de Frecuencias
Data
3.7
Tercer Cuartil
3.6
Media
3.5
3.4
Primer
Cuartil
3.3
3.2
Figura 3.3
Diagrama de Caja
Pgina 73
Proveen una secuencia grfica de cada uno de los pasos que componen
una operacin desde el inicio hasta el final. Permitiendo una mejor
visualizacin y comprensin del proceso.
Los
diagramas
de
flujo
pueden
minimizar
grandes
volmenes
de
Descripcin de smbolos
Pgina 74
17
Pgina 75
18
Pgina 77
Ventajas:
19
Pgina 78
Ventajas:
Pgina 79
guiarn la seleccin de las causas de raz. Para asegurar que el equipo est al
nivel apropiado de profundidad se deber hacer continuamente la pregunta
Por qu por cada una de las causas iniciales mencionadas.
5. Identificar los candidatos para la causa ms probable. Las causas
seleccionadas por el equipo son opiniones y deben ser verificadas con ms
datos. Todas las causas en el diagrama no necesariamente estn relacionadas
de cerca con el problema: el equipo deber reducir su anlisis a las causas
ms posibles. Hay que encerrar en un crculo la(s) causa(s) ms probable
seleccionada por el equipo o marcarla con *.
Pgina 80
Pgina 81
Diagrama de rbol
El Diagrama de rbol, o sistemtico, es una tcnica que permite obtener una
visin de conjunto de los medios necesarios para alcanzar una meta o resolver
un problema.
Partiendo de una informacin general, como la meta a alcanzar, se incrementa
gradualmente el grado de detalle sobre los medios necesarios para su
consecucin. Este mayor detalle se representa mediante una estructura en la
que se comienza con una meta general (el "tronco") y se contina con la
identificacin de niveles de accin ms precisos (las sucesivas "ramas"). Las
ramas del primer nivel constituyen medios para alcanzar la meta pero, a su
vez, estos medios tambin son metas, objetivos intermedios, que se
alcanzarn gracias a los medios de las ramas del nivel siguiente. As
repetidamente hasta llegar a un grado de concrecin suficiente sobre los
medios a emplear20.
20
Pgina 82
Figura 3.5
Ventajas:
Exhorta a los integrantes del equipo a ampliar su modo de pensar al crear
soluciones.
Mantiene a todo el equipo vinculado a las metas y submetas generales de
una tarea.
Mueve al equipo de planificacin de la teora al mundo real.
Pgina 83
Diagrama de Afinidad
a
f
s
g
d
j
e
k
n
18
13
Pgina 84
q
o
h
r
m
c
Diagrama de Relaciones
Es una herramienta Que determina que idea tiene influencia sobre otra,
representando sta relacin mediante una flecha en la direccin de influencia.
En particular el Diagrama de Relaciones se utiliza cuando:
a) Un tema es lo suficientemente complejo como para que la Inter.-relacin
entre ideas (causas y efectos) sea difcil de determinar, clasificar y
priorizar
b) Es critico en la resolucin del problema la secuenciacin correcta de las
actividades por parte de la direccin
c) Existe un sentimiento de que el problema en cuestin en realidad es un
solo sntoma.
d) El nmero de causa y las relaciones entre estas es significativo y difcil
de analizar por separado
El equipo llega a un consenso sobre los conceptos sobre los que necesita
trabajar
Pgina 85
Pgina 86
Los
mtodos
de
muestreo
no
probabilisticos
no
garantizan
la
Caractersticas
Se selecciona una muestra de
Ventajas
Sencillo y de fcil
simple
comprensin.
se posea de
antemano un listado
medias y varianzas.
completo de toda la
poblacin.
Clculo rpido de
Se basa en la teora
Desventajas
Requiere que
existen paquetes
pequeas es posible
los datos
que no represente a
Cuando se
la poblacin
Sistemtico
Estratificado
21
Fcil de aplicar.
adecuadamente
Si la constante
No siempre es
de muestreo est
asociada con el
muestral n.
de toda la poblacin.
fenmeno de inters,
las estimaciones
Conseguir un listado de
Determinar tamao
Definir un intervalo
Cuando la poblacin
k=N/n.
obtenidas a partir de
la muestra pueden
aleatorio, r, entre 1 y k
contener sesgo de
(r=arranque aleatorio).
seleccin
tipos.
Elegir un nmero
de la lista.
En ciertas ocasiones resultar
conveniente estratificar la
conocer la distribucin
adecuadamente a la
en la poblacin de las
poblacin en funcin de
variables utilizadas
conocer la composicin
unas variables
para la estratificacin.
estratificada de la poblacin
seleccionadas.
Pgina 87
Tiende a asegurar
Se obtienen
Se ha de
Conglomerados
poblacin en lo que a la o
regla de tres.
las variables
estratificadoras se refiere.
Es muy eficiente
de muestreo sucesivas
cuando la poblacin es
estndar es mayor
(polietpico)
que en el muestreo
aleatorio simple o
La necesidad de listados
Su objetivo es
No es preciso tener
El error
estratificado.
un listado de toda la
muestreo seleccionadas en la
unidades primarias de
etapa anterior.
muestreo.
error estndar es
El clculo del
complejo
Tabla 3.3
Tipos de muestreos
Cada estudio tiene un tamao muestral idneo, que permite comprobar lo que
se pretende con la seguridad y precisin fijadas por el investigador.
De que depende el tamao muestral?
Pgina 88
n=
N*Z *
2
2
2
Z * + d (N-1)
poblacional:
donde:
N = tamao de la poblacin
Z = valor de la tabla normal estandarizada correspondiente al nivel de
confianza deseado
2 = Varianza poblacional donde se va a sacar la muestra
d = tolerancia o error permisible o mitad de la amplitud del intervalo de
confianza deseado
b) Cuando se desconoce el tamao de la poblacin y se conoce la desviacin
estndar poblacional:
2
n=
Z *
2
d
donde:
Z = valor de la tabla normal estandarizada correspondiente al nivel de
confianza deseado
2 = Varianza poblacional donde se va a sacar la muestra
d = tolerancia o error permisible o mitad de la amplitud del intervalo de
confianza deseado
Pgina 89
otro
lado
si
los
instrumentos
de
medicin
no
estn
calibrados
Pgina 90
Variacin
proceso,
real
Variacin
deldel
proceso,
real
Variacin dentro de la
muestra
Repetibilidad
Variacin de la medicin
Variacin
originada
Equipo
de
medicin
por el calibrador
Reproducibilidad
Estabilidad
Linealidad
Sesgo
Calibracin
Figura 3.8
Fuentes de Variacin
Definiciones:
R E P E T I B IL I D A D
Pgina 91
O p e ra d o r -B
O p e ra d o r -C
O p e ra d o r -A
R e p r o d u c ib i l id a d
Valor verdadero:
Exactitud:
22
i e
Pgina 92
T
i e
Valor
verdadero
Valor
verdadero
Sesgo
Menor
Sesgo
mayor
(rango inferior)
(rango superior)
S e s g o
Pgina 93
<10% Aceptable
>30%. Inaceptable!
Existen 2 mtodos mtodos para realizar los estudios de R&R, conocidos como
Mtodo corto y Mtodo largo, a continuacin se explica ste ltimo:
Estudio de R&R Mtodo largo
23
Pgina 94
1.
2.
Haga que el primer operador mida todas las muestras una sola vez,
Haga que el segundo operador mida todas las muestras una sola vez,
Contine hasta que todos los operadores hayan medido las muestras
7.
8.
Repetibilidad
Reproducibilidad
% R&R
Pgina 95
I.
1.3.4 Mtodo de Promedios- Rango
Permite
separar
en
el
sistema
de
medicin
lo
referente
la
medicin
lo
referente
la
Reproducibilidad y a la Repetibilidad.
Permite
separar
en
el
sistema
de
Reproducibilidad y a la Repetibilidad.
un
Ejemplo (MINITAB)
Mtodo X Barra - R
Se seleccionan 10 muestras de un proceso de manufactura, cada parte es
medida tres veces por tres operadores. Los datos son los siguientes, realice
un estudio R&R mediante el mtodo X-R.
24
Pgina 96
Muestra
1
2
3
4
5
6
7
8
9
10
1
2
3
4
5
6
7
8
9
10
1
2
3
4
5
6
7
8
9
10
Analista
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Resultado Muestra
3.546
1
3.517
2
3.496
3
3.497
4
3.525
5
3.509
6
3.529
7
3.512
8
3.534
9
3.534
10
3.546
1
3.537
2
3.494
3
3.494
4
3.521
5
3.502
6
3.529
7
3.503
8
3.523
9
3.528
10
3.578
1
3.539
2
3.531
3
3.537
4
3.523
5
3.548
6
3.529
7
3.553
8
3.570
9
3.564
10
Analista
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Resultado Muestra
3.566
1
3.569
2
3.589
3
3.579
4
3.590
5
3.537
6
3.543
7
3.555
8
3.581
9
3.570
10
3.570
1
3.569
2
3.590
3
3.582
4
3.587
5
3.530
6
3.541
7
3.549
8
3.576
9
3.570
10
3.567
1
3.570
2
3.588
3
3.590
4
3.589
5
3.526
6
3.538
7
3.551
8
3.576
9
3.570
10
Analista
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Resultado
3.523
3.569
3.527
3.558
3.559
3.543
3.553
3.536
3.564
3.571
3.534
3.571
3.536
3.563
3.558
3.547
3.558
3.536
3.567
3.574
3.534
3.577
3.535
3.566
3.562
3.544
3.552
3.540
3.569
3.575
Capture los datos en la hoja de trabajo de Minitab en tres columnas C1, C2,
C3
Seleccione en el men de la barra de herramientas STAT>QUALITY
TOOLS>GAGE STUDY > Gage R&R (Crossed)
>Seleccione C1 (parte), C2 (operador), C3 (Medicin)
>Mtodo de Anlisis X Bar and R
>En Options Seleccionar: Staudy variation 6.0
Los resultados se muestran a continuacin:
Pgina 97
VarComp
(of VarComp)
0.0004785
83.92
Repeatability
0.0000710
12.46
Reproducibility
0.0004075
71.47
Part-To-Part
0.0000917
16.08
Total Variation
0.0005701
100.00
Study Var
%Study Var
%Tolerance
StdDev (SD)
(6 * SD)
(%SV)
(SV/Toler)
0.0218741
0.131245
91.61
26.20
Repeatability
0.0084269
0.050561
35.29
10.09
Reproducibility
0.0201858
0.121115
84.54
24.18
Part-To-Part
0.0095737
0.057442
40.10
11.47
Total Variation
0.0238775
0.143265
100.00
28.60
Source
Total Gage R&R
Pgina 98
Resultado by Muestra
Percent
100
3.60
% Contribution
% Study Var
% Tolerance
3.55
50
3.50
Gage R&R
Repeat
Reprod
Part-to-Part
R Chart by A nalista
Sample Range
Carlos
Csar
10
Resultado by A nalista
Kari
3.60
0.04
UCL=0.03673
3.55
0.02
_
R=0.01427
0.00
LCL=0
3.50
Carlos
Csar
Analista
Csar
Kari
Kari
3.55
Average
3.60
Sample Mean
5
6
Muestra
Csar
Kari
3.55
3.50
3.50
Analista
Carlos
5 6 7
Muestra
9 10
DF
SS
MS
Muestra
0.0091805
Analista
0.0230918
0.0010201
1.2199
0.342
0.0115459
13.8076
0.000
Muestra * Analista
18
0.0150516
0.0008362
6.2212
0.000
Repeatability
60
0.0080647
0.0001344
Total
89
0.0553885
Pgina 99
Gage R&R
%Contribution
Source
VarComp
(of VarComp)
0.0007253
97.26
Repeatability
0.0001344
18.02
Reproducibility
0.0005909
79.24
Analista
0.0003570
47.87
Analista*Muestra
0.0002339
31.37
Part-To-Part
0.0000204
2.74
Total Variation
0.0007458
100.00
Study Var
%Study Var
%Tolerance
StdDev (SD)
(6 * SD)
(%SV)
(SV/Toler)
0.0269319
0.161592
98.62
32.26
Repeatability
0.0115936
0.069561
42.45
13.89
Reproducibility
0.0243088
0.145853
89.02
29.11
Analista
0.0188942
0.113365
69.19
22.63
Analista*Muestra
Source
Total Gage R&R
0.0152947
0.091768
56.01
18.32
Part-To-Part
0.0045197
0.027118
16.55
5.41
Total Variation
0.0273086
0.163851
100.00
32.71
en
nuestro
sistema
de
Medicin,
sobre
todo
la
parte
de
acampanada.
Figura 3.10
Distribucin Normal
Pgina 101
AMPLITUD
FORMA
Pgina 102
Figura 3.11
x-3
x-2
x-
x+
x+2
x+3
-3
-2
-1
Pgina 103
Figura 3.12
frmula.
Z
0
Pgina 104
80 - 85.36
3.77
= -1.42
-2.85
Solucin: Buscamos el valor Z2.85 en las tablas siendo este = 0.99781 restando
0.99781-0.5 = 0.49781, este valor es la probabilidad de 0 a 2.85 que es
exactamente la misma de 2.85 a 0 por simetra. Por lo tanto la probabilidad
es 49.78%
Pgina 105
procedemos de la
siguiente manera:
En la barra de herramientas seleccione el icono de funciones
fx>Estadsticas>Distr.Norm.Estand (-Z) OK
Seleccione la celda que contiene el valor de Z, que en este caso es Z =
2.85 , de clic en aceptar y aparecer la probabilidad buscada P(z)= 0.99781
Pgina 106
25
Pgina 107
LIE
Figura 3.13
LSE
LIE
Pgina 108
LSE
LIE
LSE
26
Pgina 109
Variacin a corto plazo (Zst): Los datos son recogidos durante un periodo de
tiempo suficientemente corto para que sea improbable que haya cambios y
otras causas especiales.
Las familias de variacin han sido restringidas de tal manera que los datos
considerados, slo son los que se obtuvieron del subgrupo racional. Ayuda a
Variacin a Largo Plazo (Zlt): Los datos son recogidos durante un periodo de
Pgina 110
Z st
Z LT
donde:
Zst = variacin a corto plazo.
nom = Valor nominal u objetivo
Zlt = variacin a largo plazo.
Z shift: A largo plazo los procesos tienen un desplazamiento natural de 1.5
desviaciones estndar.
Zlt = Zst-1.5shift
Cp =
27
LSE LIE
6
Pgina 111
donde:
Cp
= capacidad potencial
El ndice Cp debe
ser 1 para tener el potencial de cumplir con especificaciones (LIE, LSE)
Para calcular la capacidad real utilizamos la siguiente frmula:
Cpk =
[Zl , Zs]
3
Pgina 112
30
Frecuencia
25
20
15
Calculando
10
5
la
media
la
X= 3.65 = 0.051
Clase
Zl =
3.58 3.65
= -1.37
0.051
Pgina 113
?
?
?
?
?
?
?
Prediccin
Tiempo
Pgina 114
R
S
donde:
S = Desviacin estndar de la poblacin
d2 = Factor que depende del tamao del subgrupo en la carta de control X R
C4 = dem al anterior para una carta X - S
En una carta por individuales, d2 se toma para n = 2 y Rango Medio = Suma
rangos / (n -1)
x = 3.60 , R = 0.015
Por tanto estimando los parmetros del proceso se tiene:
x media de medias
R
0.015
0.0064
d2
2.326
El C pk
3.58 3.60
3 0.0064
especificaciones.
Pgina 115
El P-value debe ser mayor a 0.05 para que los datos se distribuyan
normalmente nos da como resultado:
5. Distribution Normal OK
Los puntos deben quedar dentro del intervalo de confianza para indicar que es
normal la distribucin
Pgina 117
Interpretacin:
Pgina 118
Capability Histogram
I ndividual Value
11
LSL
UCL=18.385
18
USL
Specifications
LSL 14.5
USL 17.5
_
X=16.022
16
14
LCL=13.660
1
13
19
25
31
37
43
49
55
14
15
3.0
18
__
MR=0.888
0.0
LCL=0
1
13
19
25
31
37
43
49
55
14
Last 25 Observations
16
Within
StDev 0.787395
Cp
0.64
Cpk
0.63
16
14
35
40
45
Observation
18
20
Capability Plot
18
Values
17
UCL=2.902
1.5
16
50
55
Within
Overall
Overall
StDev 1.16718
Pp
0.43
Ppk
0.42
Cpm *
Specs
Pgina 120
Pgina 121
DMAIC
Definir
Definir
1.
1. Mapa
Mapa de
de Proceso
Proceso
2.
2. Despliegue
Despliegue de
de la
la
Funcin
Funcin de
de Calidad
Calidad
(QFD)
(QFD)
3.
3. Modelo
Modelo Kano
Kano
4.
4. Diagrama
Diagrama Matricial
Matricial
5.
5. Benchmarkin
Benchmarkin
6.
6. Costos
Costos de
de Calidad
Calidad
Analizar
Medir
Medir
1.
1. Mapa
Mapa de
de detallado
detallado
de
de Procesos
Procesos
2.
2. Diagrama
Diagrama de
de Pareto
Pareto
3.
3. Diagrama
Diagrama de
de CausaCausaEfecto
Efecto
4.
4. Diagrama
Diagrama de
de rbol
rbol
5.
5. Diagrama
Diagrama de
de
Afinidad
Afinidad
6.
6. Mtodos
Mtodos de
de
Muestreo
Muestreo
Estadstico
Estadstico
7.
7. Capacidad
Capacidad del
del
Sistema
Sistema de
de Medicin
Medicin
8.
8. Distribucin
Distribucin Normal
Normal
9.
9. Capacidad
Capacidad del
del
Proceso
Proceso
Mejorar
Controlar
Controlar
1.
1. AMEF
AMEF
2.
2. Cartas
Cartas Multi
Multi Vari
Vari
3.
3. Correlacin
Correlacin
4.
4. Regresin
Regresin lineal
lineal
Simple
Simple yy lineal
lineal
Mltiple
Mltiple
5.
5. Pruebas
Pruebas de
de Hiptesis
Hiptesis
6.
6. Anlisis
Anlisis de
de Varianza
Varianza
(ANOVA)
(ANOVA)
Una vez identificadas las causas potenciales por medio de una lluvia de
ideas y un diagrama de causa efecto, se realiza un proceso de validacin
estadstica de las mismas apoyndose en Anlisis de regresin, Pruebas de
Hiptesis y Anlisis de varianza.
Pgina 122
Variacin a
Largo Plazo
Variacin a
Corto Plazo
Otras fuentes de
Variacin
Variacin debida al
operador
Exactitud
(Sesgo)
Pgina 123
Variacin debida al
Equipo de Medicin
Precisin
(Error de Medicin)
Discriminacin
(Resolucin)
de
prevencin, utilizada para detectar por anticipado los posibles modos de falla,
con el fin de establecer los controles adecuados que eviten la ocurrencia de
defectos.
Objetivos
Al cambiar
Pgina 124
Tipos de AMEFS
1.
Determinar el proceso o producto a analizar.
2. Establecer los modos potenciales de falla.
3. Determinar el efecto de la falla
4. Determinar la causa de la falla
5. Describir las condiciones actuales: Anotar los controles actuales que estn
dirigidos a prevenir o detectar la causa de la falla.
6. Determinar el grado de ocurrencia: Es necesario estimar el grado de
ocurrencia de la causa de la falla potencial. Se utiliza una escala de evaluacin
Pgina 125
28
Pgina 126
Pgina 127
Pgina 128
Ejemplo:
A
1 2 3 4 5
27 28 29 30 31
55 56 57 58 59
B
1 2 3 4 5
27 28 29 30 31
55 56 57 58 59
1 2 3 4 5
27 28 29 30 31
55 56 57 58 59
Pgina 129
Ejemplo:
8 AM
9 AM
10 AM
11 AM
12 AM
0.2510
0.2500
0.2490
Izquierda
Mximo
Derecha
Mnimo
Pgina 130
arrancar.
Se
adicion,
reduciendo
la
variacin
en
50%
aproximadamente..
Tambin se encontr que el acabado cnico era causado por que la
herramienta de corte estaba mal alineada. Se ajust, contribuyendo a otra
reduccin del 10% de la variabilidad.
La excentricidad de las flechas se corrigi al cambiar un rodamiento excntrico
por desgaste en el torno. Se instal un nuevo rodamiento eliminndose otro
30% de la variabilidad.
4.5 Correlacin
Establece si existe una relacin entre las variables y responde a la pregunta,
Qu tan evidente es esta relacin?"
Pgina 131
Sin Correlacin
Correlacin Positiva
Correlacin Negativa
Otros patrones
Tipos de Correlaciones:
La Correlacin:
-1<R<1
Pgina 132
0.9 R 1
Pgina 133
llamado modelo de
Donde:
y
= variable dependiente
0 = ordenada al origen
1 = pendiente
x = variable independiente
e = Error aleatorio
es 0; esto es,
E 0 .
Pgina 134
Se tiene que predecir las ventas mensuales en funcin del costo de publicidad
de los siguientes datos:
Mes
1
2
3
4
5
6
7
8
9
10
11
12
13
Publicidad
1.20
0.80
1.00
1.30
0.70
0.80
0.90
0.60
0.90
1.10
0.90
0.70
0.70
Ventas
101
92
100
110
90
82
95
80
91
105
93
91
83
Utilizando el Minitab:
> Stat > Regression > Regression
Seleccionar Response = Columna de las Y's
Seleccionar Predictors = Columnas de las Xs
OK
30
Pgina 135
Y = 0 + 1 x1 + 2 x2
+.... + n
Donde:
y
= variable dependiente
0 = ordenada al origen
1, 2 = coeficiente de cada variable.
x1, x2 = variables independientes
= Error aleatorio
La estimacin de los coeficientes de una regresin mltiple es un clculo
bastante complicado y laborioso, por lo que se requiere del empleo de
programas de computacin especializados. Sin embargo, la interpretacin de
Pgina 136
y
8.0
8.3
8.5
8.8
9.0
9.3
9.3
9.5
9.8
10.0
10.3
10.5
10.8
11.0
11.3
11.5
11.8
12.3
12.5
x1
5.2
5.2
5.8
6.4
5.8
5.2
5.6
6.0
5.2
5.8
6.4
6.0
6.2
6.2
6.2
5.6
6.0
5.8
5.6
x2
19.6
19.8
19.6
19.4
18.6
18.8
20.4
19.0
20.8
19.9
18.0
20.6
20.2
20.2
19.2
17.0
19.8
18.8
18.6
x3
29.6
32.4
31.0
32.4
28.6
30.6
32.4
32.6
32.2
31.8
32.6
33.4
31.8
32.4
31.4
33.2
35.4
34.0
34.2
x4
94.9
89.7
96.2
95.6
86.5
84.5
88.8
85.7
93.6
86.0
87.1
93.1
83.4
94.5
83.4
85.1
84.1
86.9
83.0
Pgina 137
x5
2.1
2.1
2.0
2.2
2.0
2.4
2.2
2.1
2.3
2.1
2.0
2.1
2.2
2.1
1.9
2.1
2.0
2.1
1.9
Intercepcin
Variable X 1
Variable X 2
Variable X 3
Variable X 4
Variable X 5
Error tpico
8.4501126
0.5791396
0.2580863
0.1417064
0.0525337
1.9205352
F
5.7503300
Valor crtico de F
0.0051466
Estadstico t
0.7369477
0.6822796
-0.1891830
3.3681736
-2.1373204
-0.7127054
Probabilidad
0.4742451
0.5070376
0.8528711
0.0050414
0.0521490
0.4886239
Inferior 95%
-12.0280640
-0.8560196
-0.6063870
0.1711538
-0.2257735
-5.5178389
Pgina 138
Superior 95%
24.4826458
1.6462899
0.5087359
0.7834300
0.0012108
2.7802875
ANOVA
de Cuadrados
SSR
Fuente de Regresin
22.871
SSE
10.400
SST
33.271
Error
Total
Grados de libertad
de cuadrados
p-1
5
n-p
13
n-1
18
MSR
4.574
MSE
0.800
Fo
Fo = MSR/MSE
5.7178
Ho : i = 0 Vi
H1 : i = 0 al menos para una i = 0
El modelo se rechaza si:
Fo > F,p-1,n-p
Fo > F0.025,5,13
5.717 > 3.77
Por lo tanto se rechaza la Ho y se acepa la Hi que acepta que el modelo de regresin Si es significativo.
(n-p)
SST
n-1
10.400
^2
Ra = 1
13
33.271
18
Ra^2 = 0.567
R = 0.753
Pgina 139
Grfica de Residuos
1.5
1.0
0.5
0.0
-0.5
10
15
20
-1.0
-1.5
-2.0
En la grfica
alguna.
4.7 Pruebas de Hiptesis:
Al realizar pruebas de hiptesis, se parte de un valor supuesto (hipottico) en
parmetro poblacional. Despus de recolectar una muestra aleatoria, se
compara la estadstica muestral, as como la media (x), con el parmetro
hipottico, se compara con una supuesta media poblacional (). Despus se
acepta o se rechaza el valor hipottico, segn proceda. Se rechaza el valor
hipottico slo si el resultado muestral resulta muy poco probable cuando la
hiptesis es cierta.
Etapa 1.- Planear la hiptesis nula y la hiptesis alternativa. La hiptesis nula
(H0) es el valor hipottico del parmetro que se compra con el resultado
muestral resulta muy poco probable cuando la hiptesis es cierta.
Etapa 2.- Especificar el nivel de significancia que se va a utilizar. El nivel de
significancia del 5%, entonces se rechaza la hiptesis nula solamente si el
resultado muestral es tan diferente del valor hipottico que una diferencia de
Pgina 140
esa magnitud o mayor, pudiera ocurrir aleatoria mente con una probabilidad
de 1.05 o menos.
Etapa 3.- Elegir la estadstica de prueba. La estadstica de prueba puede ser la
estadstica muestral (el estimador no segado del parmetro que se prueba) o
una versin transformada de esa estadstica muestral. Por ejemplo, para
probar el valor hipottico de una media poblacional, se toma la media de una
muestra aleatoria de esa distribucin normal, entonces es comn que se
transforme la media en un valor z el cual, a su vez, sirve como estadstica de
prueba.
Etapa 4.- Establecer el valor o valores crticos de la estadstica de prueba.
Habiendo especificado la hiptesis nula, el nivel de significancia y la
estadstica de prueba que se van a utilizar, se produce a establecer el o los
valores crticos de estadstica de prueba. Puede haber uno o ms de esos
valores, dependiendo de si se va a realizar una prueba de uno o dos
extremos.
Etapa 5.- Determinar el valor real de la estadstica de prueba. Por ejemplo, al
probar un valor hipottico de la media poblacional, se toma una muestra
aleatoria y se determina el valor de la media muestral. Si el valor crtico que
se establece es un valor de z, entonces se transforma la media muestral en un
valor de z.
Etapa 6.- Tomar la decisin. Se compara el valor observado de la estadstica
muestral con el valor (o valores) crticos de la estadstica de prueba. Despus
se acepta o se rechaza la hiptesis nula. Si se rechaza sta, se acepta la
alternativa; a su vez, esta decisin tendr efecto sobre otras decisiones de los
administradores operativos, como por ejemplo, mantener o no un estndar de
desempeo o cul de dos estrategias de mercadotecnia utilizar.
Pgina 141
prueba (Z, t, X2 o F)
11.
12.
Pgina 142
14.
solucin prctica.
Prueba
Estadstica:
Procedimiento
para
decidir
aceptar
rechazar
hiptesis.
Pgina 143
Las pruebas de hiptesis pueden ser de dos colas, de cola derecha o de cola
izquierda, a continuacin se esquematizan cada una de ellas.
Pgina 144
Ho: a = b
Ha: a b
Regin de
Rechazo
Regin de
Rechazo
-Z
Ho: a b
Ha: a > b
Regin de
Rechazo
0
Ho: a b
Ha: a < b
Regin de
Rechazo
-Z
Z calc
0
s
n
Pgina 145
manera
no
Regin de
Regin de
Rechazo
Rechazo
0
podemos
-Z
rechazar Ho.
Ejemplo:
de
Reactor a Reactor.
Reactor A
89.7
81.4
84.5
84.8
87.3
79.7
85.1
81.7
83.7
84.5
Reactor B
84.7
86.1
83.2
91.9
86.3
79.3
82.6
89.1
83.7
88.5
Estadsticas Descriptivas
Variable
Rendimiento
B
10
Reactor
A
85.54
N
10
Media
84.24
Desv.Std
2.90
3.65
Pgina 146
o, su diferencia se da por
Pgina 147
A) Varianzas conocidas
Supngase que hay dos poblaciones de inters X 1 y X2, Suponemos que X1
2
tiene media desconocida 1 y varianza conocida 1 y que X2 tiene media
X
1
2
n12
H 1 : 1 2
donde:
H0 = Hiptesis nula
H1 = Hiptesis alternativa.
1 = media de la poblacin 1
2 = media de la poblacin 2
Z0
X1 X 2
1 2
n1
n2
2
donde:
=
m
e
d
i
a
d
e
l
a
m
u
e
s
t
r
a
1
=
m
e
d
i
a
d
e
l
a
m
u
e
s
t
r
a
2
=
v
a
r
i
a
n
z
a
d
e
l
a
p
o
b
l
a
c
i
n
1
=
vtaam
riaanzoaddeelalam
puoebsltarcai1n2
=
=tam
aodelam
uestra2
Pgina 148
o Z 0 Z 2
donde:
Z0 = Valor calculado del estadstico de prueba
Z 2 = Valor obtenido de las tablas.
H 1 : 1 2
H 1 : 1 2
Ejemplo:
Pgina 149
mquina 2
16.02
15.97
15.96
16.01
15.99
16.03
16.04
16.02
16.01
16
H 1 : 1 2
Z0
X1 X 2
16.015 16.005
1 2 = .015 2 .018 2
10
10
n1
n2
2
1.34
Pgina 150
2
2
tamao n1 de la poblacin 1 y de tamao n 2 de la poblacin 2, y sean S1 yS 2
H 1 : 12 22
F0
S12
S 22
o si
F0 F1
2 , n1 1, n2 1
Pgina 151
F1 2,n1 1,n2 1 =
1
F
2 , n1 1, n2 1
H 1 : 12 22
Si
Pgina 152
Ejemplo:
H 1 : 12 22
X 1 70.6
X 2 70
S12 88.71
S 22 100.44
F0
Tipo 1
63
81
57
66
82
82
68
59
75
73
Tipo 2
64
72
83
59
65
56
63
74
82
82
S12
88.71
0.877
2 =
100
.44
S2
2 , n1 1, n2 1
= F.025,9,9 = 4.03
X1 y
X2 dos
desconocidas
poblaciones
normales
independientes
con
Deseamos probar:
H 0 : 1 2
H 1 : 1 2
Pgina 153
medias
12 22 2 .
Sean
X1, X2,
S12 , S 22 ,
las
medias
las
varianzas
de
las
muestras,
2
2
2
respectivamente. Puesto que tanto S1 como S 2 estiman la varianza comn ,
Sp
n1 1 S12 n2 1 S 22
n1 n 2 2
X1 X 2
1 1
Sp
n1 n2
Si t 0 t 2,n n
1
2 2
o si t 0 t 2,n n
1
2 2
, rechazamos H 0 : 1 2
Ejemplo:
Pgina 154
0.140
0.135
0.141
0.138
Resistencia
(ohms)
0.139
0.140
0.140
0.139
0.138
-
0.144
-
H 1 : 1 2
Sp
t0
n1 1 S12 n2 1 S 22
n1 n 2 2
= .0021
X1 X 2
1 1 = 1.72
Sp
n1 n2
2, n1 n2 , 2
= t.025,8 =2.306 o se
Pgina 155
2 2
un mtodo
ANOVA
de
un
factor
tres
variables
de
bloqueo
CUADRADO
GRECOLATINO
Pgina 156
Pgina 157
ANOVA
de
un
factor
tres
variables
de
bloqueo
CUADRADO
GRECOLATINO:
Ejemplo:
Pgina 158
aparecen los tiempos de vida til, en decenas de miles de millas para cada
tipo de motor.
A
6
2
4
1
7
B
8
7
7
2
6
C
3
2
5
4
1
Mediante Minitab determinamos si las muestras provienen de una poblacin Normal para cada
tipo de motor.
Stat > Basic statistics > Normality test
Variable Columnas de datos
Test for normality Seleccionar Ryan Joiner OK
Pgina 159
Probability Plot of A
Normal
99
95
90
Mean
StDev
N
RJ
P-Value
4
2.550
5
0.982
>0.100
Mean
StDev
N
RJ
P-Value
6
2.345
5
0.909
>0.100
Mean
StDev
N
RJ
P-Value
3
1.581
5
0.998
>0.100
Hay normalidad si
P value es >=0.05
80
Percent
70
60
50
40
30
20
10
5
-2
4
A
10
Probability Plot of B
Normal
99
95
90
80
Percent
70
60
50
40
30
20
10
5
6
B
10
12
Probability Plot of C
Normal
99
95
90
80
Percent
70
60
50
40
30
20
10
5
-1
3
C
Analizando las grficas nos damos cuenta de que las 3 muestras provienen de poblaciones
normales.
Si denotamos por 1, 2 y 3 las medias poblacionales de los tiempos de vida til para los
tipos A, B y C, respectivamente, entonces podemos escribir las hiptesis estadsticas como:
H 0 : 1 2 3
Pgina 160
Procedimiento en Excel:
ANLISIS DE VARIANZA
Origen de las variaciones
Entre grupos
Dentro de los grupos
Total
Cuenta
Suma
5
5
5
Promedio
20
30
15
4
6
3
Varianza
6.5
5.5
2.5
14
En la tabla observamos que el estadstico de prueba Fc es menor al valor crtico para F, por lo
que
No tenemos evidencia estadstica para afirmar que los tiempos de vida til de los motores,
antes de requerir una reparacin son diferentes.
Pgina 161
! Store Fits
Graphs
Seleccionar Normal plot of residuals
Comparisons
Seleccionar Tukeys Family error rate
OK
Resultados:
La grfica normal de residuos debe mostrar los residuos aproximados por una recta para
validar el modelo:
95
90
Percent
80
70
60
50
40
30
20
10
5
-5.0
-2.5
0.0
Residual
2.5
One-way ANOVA: A, B, C
Pgina 162
5.0
Source
DF
SS
MS
Factor
23.33
11.67
Error
12
58.00
4.83
Total
14
81.33
F
2.41
P
0.132
R-Sq = 28.69%
R-Sq(adj) = 16.80%
Mean
StDev
4.000
2.550
6.000
2.345
3.000
1.581
------+---------+---------+---------+--(----------*----------)
(----------*----------)
(----------*----------)
------+---------+---------+---------+--2.0
4.0
6.0
8.0
Pgina 163
Center
Upper
-1.707
2.000
5.707
-4.707
-1.000
2.707
0.0
3.5
7.0
B subtracted from:
Lower
Center
Upper
---------+---------+---------+---------+
-6.707
-3.000
0.707
(---------*----------)
---------+---------+---------+---------+
-3.5
0.0
3.5
7.0
Entregables:
Pgina 165
Pgina 166
DMAIC
Definir
Definir
1.
1. Mapa
Mapa de
de Proceso
Proceso
2.
2. Despliegue
Despliegue de
de la
la
Funcin
Funcin de
de Calidad
Calidad
(QFD)
(QFD)
3.
3. Modelo
Modelo Kano
Kano
4.
4. Diagrama
Diagrama Matricial
Matricial
5.
5. Benchmarkin
Benchmarkin
6.
6. Costos
Costos de
de Calidad
Calidad
Medir
Medir
1.
1. Mapa
Mapa de
de detallado
detallado
de
de Procesos
Procesos
2.
2. Diagrama
Diagrama de
de Pareto
Pareto
3.
3. Diagrama
Diagrama de
de CausaCausaEfecto
Efecto
4.
4. Diagrama
Diagrama de
de rbol
rbol
5.
5. Diagrama
Diagrama de
de
Afinidad
Afinidad
6.
6. Mtodos
Mtodos de
de
Muestreo
Muestreo
Estadstico
Estadstico
7.
7. Capacidad
Capacidad del
del
Sistema
Sistema de
de Medicin
Medicin
8.
8. Distribucin
Distribucin Normal
Normal
9.
9. Capacidad
Capacidad del
del
Proceso
Proceso
Analizar
Analizar
1.
1.
2.
2.
3.
3.
4.
4.
AMEF
AMEF
Cartas
Cartas Multi
Multi Vari
Vari
Correlacin
Correlacin
Regresin
Regresin lineal
lineal
Simple
Simple yy lineal
lineal
Mltiple
Mltiple
5.
5. Pruebas
Pruebas de
de
Hiptesis
Hiptesis
6.
6. Anlisis
Anlisis de
de Varianza
Varianza
(ANOVA)
(ANOVA)
Mejorar
Controlar
Controlar
1.
1. Anlisis
Anlisis de
de
Experimentos
Experimentos (DOE)
(DOE)
K
2.
2. Diseo
Diseo Factorial
Factorial 22K
3.
Diseo
Factorial
3. Diseo Factorial
Fraccional
Fraccional
4.
4. Diseo
Diseo Taguchi
Taguchi
5.
5. Diseo
Diseo de
de Mezclas
Mezclas
6.
6. Mtodos
Mtodos de
de Superficie
Superficie
de
de Respuesta
Respuesta
Pgina 167
efecto o variabilidad.
31
Pgina 168
Colinealidad:
Ocurre
cuando
variables
estn
completamente
correlacionadas.
Covarianza: Cosas que cambian durante los experimentos pero no fueron
planeadas a cambiar
Diseo robusto: De acuerdo a Taguchi, un experimento en el cual la variable
de respuesta es
inmune a los factores de ruido.
Diseo simples: Un
por un modelo.
Fraccional: Un arreglo con menos experimentos que el arreglo completo (1/2,
, etc.).
Factorial
completo:
Arreglo
experimental
que
considera
todas
las
Pgina 169
minimicen la respuesta.
Ortogonal o balanceado: Es el arreglo que permite estimar los efectos de los
experimental.
Variable de respuesta: Variable que muestra los resultados observados de un
Determinar
o Cules variables son de mayor influencia a la salida.
o Dnde fijar las entradas para producir la salida al nivel deseado.
32
Pgina 170
Experimentos
Objetivos
Nmero tpico
de factores
controlables
Factorial Completo
proporcionan
de factores y niveles)
4 o menos
proporcionan
de combinaciones)
5 o ms
Optimizar
Compuesto
Pgina 171
3 o menos
(Superficie de
Optimizar
Optimizar
7 o ms
Dinmico de Taguchi
Tabla 5.1
Tipos de Experimentos
Para asegurar que todos los datos sean buenos, verifica todos los
sistemas de medicin antes de realizar el DOE.
Pgina 173
Variables de control Xs
o Temperatura de la soldadura
o Temperatura de precalentamiento
o Velocidad de la banda
o Tipo de fundente
o Densidad relativa del fundente
o Altura de la ola de soldadura
o Angulo de la banda transportadora
Pgina 174
Pgina 175
Paso 1:
Pgina 176
Meta
hacer que la
Tendencia de
salida baja
Pgina 177
tendramos:
Respuesta de Salida
Dimensin de la Parte
Factores
Las variables de entrada de proceso que se establecen a
diferentes niveles para observar su efecto en la salida.
Niveles
Los valores en los que se establecen los factores.
A.
B.
C.
D.
E.
Tiempo de Ciclo
Temp. de Moldeo
Presin de Sujecin
Tiempo de Sujecin
Tipo de Material
Factor
B. Temp. de Moldeo
E. Tipo de Material
Niveles
600 700
Nylon Acetal
Tiempo x Temp:
El mejor nivel de tiempo
El grado en que los factores dependen unos de otros.
Algunos experimentos evalan el efecto de las interacciones; depende de la
temperatura establecida.
otros no.
Interacciones
Corridas
-1
-1
-1
-1
-1
-1
+1
+1
+1
-1
+1
-1
+1
+1
-1
2
3
-1=Nivel Bajo
Datos
+1=Nivel Alto
El diseo33 factorial 2K :
Un diseo muy comn es el que considera varios factores (K) en dos niveles
(alto y bajo), el diseo ms simple es el diseo 2k
Las cinco razones principales para usar Diseos 2k:
1. La razn nmero uno para usar factorial es: Y = f(x)
2. Son fciles de entender y analizar
3. Forman la base de los diseos factoriales fraccionados, material de las
tcnicas avanzadas
4. Pueden ser aumentados para formar diseos compuestos, en caso que se
requiera informacin ms detallada.
5. Requieren de relativamente pocas corridas por cada factor estudiado.
El diseo 22
33
Pgina 178
Este el diseo ms simple, usa dos factores A y B, cada uno en dos niveles.
Requiere la realizacin de 4 experimentos que pueden replicarse n veces,
tomando las sumas de los resultados de las rplicas se tiene:
(1)
A = -, B = -
(a)
A = +, B = -
(b)
A = -, B = +
(ab) A = +, B = +
ab
(1)
Figura 5.2
Diseo 22
a ab b (1)
1
(a ab b (1))
2n
2n
2n
b ab a (1)
1
(b ab a (1))
2n
2n
2n
AB
ab (1) a b
1
(ab (1) a b)
2n
2n
2n
Las
cantidades
entre
parntesis
se
denominan
contrastes,
aqu
los
Pgina 179
Efectos factoriales
Corrida
AB
(1)
ANOVA
glSST = 4n - 1
ab
gl.SSE = 4(n-1)
Fo = SST / SSE
(contraste) 2
n (coeficientes.de.contrastes ) 2
1
( a ab b (1)) 2
4n
SSB
1
(b ab a (1)) 2
4n
SSAB
1
( ab (1) a b) 2
4n
Ejemplo34:
Se trata de considerar la concentracin del reactivo y de la cantidad de
catalizador sobre la conversin (rendimiento) de un proceso qumico. Por tal
motivo sea A la concentracin del reactivo con 2 niveles de inters que son
15% y 25%; Y el catalizador del proceso es B, con un nivel alto denotando el
uso de 2 libras de catalizador y un nivel bajo denotando el uso de 1 libra.
Se hacen 3 replicas del experimento y los datos son los siguientes:
Factor
A
34
Rpl i ca
B
Montgomery
Douglas-Diseo de Experimentos
28
36
18
31
Total
25
27
80
32
32
100
19
23
60
30
29
90
Pgina 180
b=60
ab = 90
(1) = 80
a = 100
15%
25%
1
ab a b (1) y A y A ab a b (1)
2n
2n
2n
1
ab b a (1) y B y B ab b a (1)
B
2n
2n
2n
1
ab (1) a b
AB
ab (1) a b y AB y AB
2n
2n
2n
A
y...2
4n
1
ab a b (1) 2
4n
1
SS B
ab b a (1) 2
4n
1
SS AB
ab (1) a b
4n
SS E SST SS A SS B SS AB
SS A
Pgina 181
Suma de
Cuadrados
208.33
75.00
8.33
31.34
323.00
Grados de
libertad
1
1
1
8
11
Cuadrado
medio
208.33
75.00
8.33
3.92
Fo
53.15
19.13
2.13
P
0.0001
0.0024
0.1826
La interaccin no es significativa
Anlisis Residual
Pgina 182
Rango.de.concentracin / 2
5
Catalizador promedio.de.catalizador Catalizador 1.5
x2
Rango.de.catalizador / 2
0 .5
x1
5
0.5
2
y est 27.5
Con este modelo se pueden encontrar los valores estimados en los cuatro
puntos del diseo:
Pgina 183
Pgina 184
2lbs.
Cantidad de
catalizador
23
Direccin de ascenso
ms rpido para optimizacin
33
1lb.
15% Concentracin
25%
Nueva zona
alrededor de la cual
se experimentar
Ejemplo en Minitab:
Se toman los datos del ejemplo anterior y se siguen los siguientes pasos:
Crear el diseo en Minitab con:
Stat > DOE > Factorial > Create factorial design
Seleccionar 2 level factorial (default generators) Number of central points 0
En Designs No. of replicates 3
En Factors A = Cata A
Number of blocks 1
Factor B = Cata B
OK
Cata B
-1
-1
1
1
-1
-1
1
1
-1
-1
1
1
Respuesta
28
36
18
31
25
32
19
30
27
32
23
29
Pgina 185
En Terms y Results pasar todos los factores a Selected terms con >>
En Graphs seleccionar para Effects Plots Pareto y Normal con alfa de 0.05
En Graphs seleccionar para los residuos Standardized y Normal Plot
En Store seleccionar Fits y Residuals OK
a) Los residuos se distribuyen normalmente y el diseo es vlido y adecuado
Residual Plots for Respuesta
Normal Probability Plot of the Residuals
99
2
Residual
Percent
90
50
10
-2
1
-5.0
-2.5
0.0
Residual
2.5
5.0
20
25
30
Fitted Value
35
4
2
Residual
Frequency
3
b) De
la Tabla de efectos (ANOVA), se observan efectos o interacciones que
2
puedan
tener un efecto significativo en 0la resistencia
1
-2
0
Factorial
Respuesta
Cata A,
-2 Fit:
-1
0
1
2 versus
3
1 2Cata
3 4B
5 6 7 8 9
Observation Order
Residual
Effect
Constant
Coef
SE Coef
27.500
0.5713
48.14
0.000
Cata A
8.333
4.167
0.5713
7.29
0.000
Cata B
-5.000
-2.500
0.5713
-4.38
0.002
1.667
0.833
0.5713
1.46
0.183
Cata A*Cata B
S = 1.97906
R-Sq = 90.30%
R-Sq(adj) = 86.66%
Pgina 186
10 11 12
2.306
99
Factor Name
A
Cata A
B
Cata B
Effect Type
Not Significant
Significant
95
90
Percent
Term
80
70
60
50
40
30
B
20
AB
F actor
A
B
10
5
3
4
5
Standardized Effect
-5.0
-2.5
0.0
2.5
Standardized Effect
5.0
7.5
Coef
Constant
27.5
Catalizador A
4.16
Catalizador B
Temp*Mtodo
-2.50
-12.5333
Pgina 187
Name
Cata A
Cata B
En Interaction effects
Setup en Responses
columna de Respuesta
34
Cata A
-1
1
32
Cata B
31
30
M ea n of R e spue sta
30
28
Mean
Cata A
32
26
24
22
29
28
27
26
25
24
20
-1
23
1
Cata B
-1
-1
OK
Los niveles en que deben fijarse los factores para maximizar la resistencia son
de la grfica de interaccin, Catalizador A =1 y Catalizador B = -1
f) Obtener las grficas de contornos y de superficie de respuesta con:
Stat > DOE > Factorial >Contour Plot
En Setup de Contour y Response Surfase Plot solo entrar y salir
OK
De acuerdo a la grfica de contornos, conviene seguir experimentando
aumentando gradualmente la temperatura hasta
una trayectoria de ascenso rpido.
Contour Plot of Respuesta vs Cata B, Cata A
1.0
Respuesta
< 21
21 - 24
24 - 27
27 - 30
30 - 33
> 33
Cata B
0.5
0.0
-0.5
-1.0
-1.0
-0.5
0.0
Cata A
0.5
1.0
Pgina 188
Una vez establecidos los mejores niveles de operacin del proceso por medio
del Diseo de Experimentos, ahora se trata de mantener la solucin por medio
de la fase de Control.
El diseo Factorial Fraccional:
Cuando crece el nmero de factores, aparecen tantas combinaciones en los
ensayos factoriales, que es prudente reducir la labor experimental. En lugar
de ejecutar el ensayo completo con un nmero muy alto de tentativas, se
recurre a los diseos factoriales fraccionales o incompletos, donde, en lugar
de analizar la totalidad de las posibilidades, se considera una fraccin bien
elegida. Con cinco factores a tres niveles se llegan a 243 combinaciones
posibles y si la tarea se redujese a una fraccin de un tercio, bastaran 81
ensayos. Si fuese 1/9, tendramos 27. La ventaja de este enfoque es que
reduciendo mucho el esfuerzo, no se pierde un panorama muy amplio y
ambicioso de las relaciones entre causas y efectos en sistemas multivariables.
El estudio de una fraccin no le quita validez al anlisis final.
Ventajas
Resulta ms econmico
Pgina 189
El diseo Taguchi
Sugiere tres pasos que son:
a) Diseo del sistema
b) Diseo de parmetros
c) Diseo de tolerancias
De estas tres etapas, la ms importante es el diseo de parmetros cuyos
objetivos son:
a) Identificar qu factores afectan la caracterstica de calidad en cuanto a su
magnitud y en cuanto a su variabilidad.
b) Definir los niveles ptimos en que debe fijarse cada parmetro o factor,
a fin de optimizar la operacin del producto y hacerlo lo ms robusto posible.
c) Identificar factores que no afecten substancialmente la caracterstica de
calidad a fin de liberar el control de estos factores y ahorrar costos de
pruebas.
Taguchi ha propuesto una alternativa no del todo diferente que se que conoce
como Arreglos Ortogonales
ortogonal.
denomin:
La (b)C
a = Representa el nmero de pruebas o condiciones experimentales que se
tomarn. Esto es el nmero de renglones o lneas en el arreglo.
b = Representa los diferentes niveles a los que se tomar cada factor
c
Es
el
nmero
de
efectos
No. (a)
1
2
3
4
1 ,
A
1
1
2
2
=
F A C T O R E S (c)
B
C
1
1
2
2
1
1
2
1
Resultado
Y1
Y2
Y3
Y4
columnas de los factores ; (1) significa que el factor esta a su nivel bajo (-) y
(2) a su nivel alto o de signo (+).
Pgina 191
a dos niveles:
Ejemplo:
Descripcin
Tipo de resina
Concentracin
Tiempo de ciclo de prensado
Humedad
Presin
Nivel I
Tipo I
5%
10 seg
3%
800 psi.
Nivel 2
Tipo II
10%
15 seg
5%
900 psi.
A
1
1
1
1
2
2
2
2
B
1
1
2
2
1
1
2
2
C
1
1
2
2
2
2
1
1
D
1
2
1
2
1
2
1
2
E
1
2
1
2
2
1
2
1
e
1
2
2
1
1
2
2
1
e
1
2
2
1
2
1
1
2
Resina
Tipo I
Tipo I
Tipo I
Tipo I
Tipo II
Tipo II
Tipo II
Tipo II
Concen.
5%
5%
10%
10%
5%
5%
10%
10%
Tiempo
10 seg.
10 seg.
15 seg.
15 seg.
15 seg.
15 seg.
10 seg.
10 seg.
Humedad
3%
5%
3%
5%
3%
5%
3%
5%
Presin
800 psi.
900 psi.
800 psi.
900 psi.
900 psi.
800 psi.
900 psi.
800 psi.
Yi
0.49
0.42
0.38
0.30
0.21
0.24
0.32
0.28
Pgina 193
error y se obtiene:
Sse = SSF + SSG = 0.00080 + 0.00045 = 0.00125 con 2g.l.
SS
0.03645
0.0008
0.01805
0.0032
0.00245
0.00125
0.0622
G.L.
1
1
1
1
1
2
7
V
0.03645
0.00080
0.01805
0.00320
0.00245
0.00063
Fexp.
58.32*
1.28
28.88**
5.12
3.92
% Contrib.
57.59
0.28
28.01
4.14
2.93
7.03
100
entre
parntesis.
Fc para el factor (A) = 23.66 y Fc para el factor (C) = 11.72, comparando
ambos contra Fcrtico = 6.6, continan siendo significativos los factores A y C.
Los promedios de la emisin de Formaldehdo para cada nivel son:
Efecto
A
B
C
D
E
Nivel 1
A1avg. = A1/4 =0.3975
B1avg =0.3400
C1avg =0.3775
D1avg =0.3500
E1avg =0.3475
Nivel 2
A2avg. = A2/4 =0.2625
B2avg =0.3200
C2avg =0.2825
D2avg =0.3100
E2avg =0.3125
Pgina 195
0.2825 - 0.33 =
-0.0475
experimentacin, aparte del efecto de los factores en si. Es decir lo que hace
diferentes a las lecturas bajo diferentes condiciones de experimentacin.
Error Secundario (e2): Aquel que hace diferentes las lecturas tomadas bajo
una misma condicin experimental. Cuando se toma una lectura no es posible
evaluar el error secundario.
Pgina 196
El diseo de Mezclas
35
35
Pgina 197
Ejemplo:
Rendimiento
X1
0
0
0
0
0.333
0.333
0.333
0.667
0.667
1
X2
0
0.333
0.667
1
0
0.333
0.667
0
0.333
0
X3
1
0.667
0.333
0
0.667
0.333
0
0.333
0
0
( q m 1)!
m !( q 1)!
X1 X 2 X 3 1
Puntos
E (Y )
i 1
Xi
Ejemplo:
Pgina 198
X1
X2
0
0
0
0.5
0.5
1
X3
0
0
1
0
0.5
0
1
0.5
0
0.5
0
0
Rendimiento
16.8, 16
10.0, 9.7, 11.8
8.8, 10.0
17.7, 16.4, 16.6
15.0, 14.8, 16.1
11.0, 12.4
Coef
SE Coef
VIF
11.70
0.4941
1.500
9.40
0.4941
1.500
16.40
0.4941
1.500
A*B
17.40
2.4207
7.19
0.000
1.500
A*C
12.00
2.4207
4.96
0.003
1.500
B*C
-12.20
2.4207
-5.04
0.002
1.500
S = 0.69881
R-Sq = 97.44%
PRESS = 11.720
R-Sq(pred) = 89.78%
R-Sq(adj) = 95.31%
Pgina 199
Determinar
un
modelo
matemtico
que
mejor
ajuste
los
datos
Pgina 200
0 1 X 1 y (b) parbola
0 1 X 1
Y b0 b1 X 1 b2 X 2
La superficie de respuesta est representada por la ecuacin de prediccin,
por ejemplo para el caso de una ecuacin de segundo orden se tiene:
^
Pgina 201
Entregables:
Pgina 202
Pgina 203
DMAIC
Definir
Definir
1.
1. Mapa
Mapa de
de Proceso
Proceso
2.
2. Despliegue
Despliegue de
de la
la
Funcin
Funcin de
de Calidad
Calidad
(QFD)
(QFD)
3.
3. Modelo
Modelo Kano
Kano
4.
4. Diagrama
Diagrama Matricial
Matricial
5.
5. Benchmarkin
Benchmarkin
6.
6. Costos
Costos de
de Calidad
Calidad
Medir
Medir
1.
1. Mapa
Mapa de
de detallado
detallado
de
de Procesos
Procesos
2.
2. Diagrama
Diagrama de
de Pareto
Pareto
3.
3. Diagrama
Diagrama de
de CausaCausaEfecto
Efecto
4.
4. Diagrama
Diagrama de
de rbol
rbol
5.
5. Diagrama
Diagrama de
de
Afinidad
Afinidad
6.
6. Mtodos
Mtodos de
de
Muestreo
Muestreo
Estadstico
Estadstico
7.
7. Capacidad
Capacidad del
del
Sistema
Sistema de
de Medicin
Medicin
8.
8. Distribucin
Distribucin Normal
Normal
9.
9. Capacidad
Capacidad del
del
Proceso
Proceso
Analizar
Analizar
Mejorar
Mejorar
AMEF
AMEF
Cartas
Cartas Multi
Multi Vari
Vari
Correlacin
Correlacin
Regresin
Regresin lineal
lineal
Simple
Simple yylineal
lineal
Mltiple
Mltiple
5.
5. Pruebas
Pruebas de
de
Hiptesis
Hiptesis
6.
6. Anlisis
Anlisis de
de Varianza
Varianza
(ANOVA)
(ANOVA)
1.
1. Anlisis
Anlisis de
de
Experimentos
Experimentos (DOE)
(DOE)
2.
2. Diseo
Diseo Factorial
Factorial 2K
2K
3.
3. Diseo
Diseo Fraccin
Fraccin
Factorial
Factorial
4.
4. Diseo
Diseo Taguchi
Taguchi
5.
5. Diseo
Diseo de
de Mezclas
Mezclas
6.
6. Mtodos
Mtodos de
de
Superficie
Superficie de
de
Respuesta
Respuesta
1.
1.
2.
2.
3.
3.
4.
4.
Controlar
1.
1. Plan
Plan de
de Control
Control
2.
2. Cartas
Cartas de
de Control
Control
3.
3. Poka
Poka Yoke
Yoke
4.
4. Mejora
Mejora continua
continua
(Kaizen)
(Kaizen)
5.
5. Las
Las 55 Ss
Ss
6.
6. Kanban
Kanban
Mantener las mejoras por medio de control estadstico de procesos, Poka Yokes y
trabajo estandarizado
Identificar las actividades o procesos que estn fuera de control para corregirlos
inmediatamente.
Pgina 205
36
Pgina 206
AMEF
Pgina 207
Capacidades de IT
ASMs
Estudios de capacidad
Mantenimiento de procedimientos
Materiales de entrenamiento
Calendarios de Calibracin
Ventanas de operacin
Qu est controlado?
Inicialmente, el plan debe tener ms controles en las salidas que en las entradas.
Especificaciones y Medicin
Mtodo de Medicin
Pgina 208
Mtodo de Control
Tamao de muestra
Frecuencia de la muestra
Quin es responsable de asegurar que los datos se tomen y que sean correctos?
Accin y Documentacin
Dnde se registra?
Pgina 209
37
Pgina 210
Ventajas:
El operario puede manejar las cartas en su propia rea de trabajo, por lo cual
puede dar informacin confiable a la gente cercana a la operacin en el momento
en que se deben de tomar ciertas acciones.
Al distinguir ente las causas especiales y las causas comunes de variacin, dan
una buena indicacin de cundo un problema debe ser corregido localmente y
cuando se requiere de una accin en la que deben de participar varios
departamentos o niveles de la organizacin.
Cartas de control por variables y por atributos.En Control de Calidad mediante el trmino variable se designa a cualquier caracterstica
de calidad medible tal como una longitud, peso, temperatura, etc. Mientras que se
denomina atributo a las caractersticas de calidad que no son medibles y que presentan
diferentes estados tales como conforme y disconforme o defectuoso y no defectuoso.
Segn sea el tipo de la caracterstica de calidad a controlar as ser la carta de control
correspondiente, por tanto, se clasifican en Cartas de Control por Variables y Cartas de
Control por Atributos.
Pgina 211
VARIABLES
ATRIBUTOS
Son
Desventajas
significativas
aplicables
cualquier proceso
Los datos estn a menudo disponibles.
Son rpidos y simples de obtener.
Ventajas
significativas
potencialmente
del
individuales.
No reconoce
control
de
caractersticas
distintos
grados
de
Carta
X R
Campo de aplicacin.
X S
I-MR
estndar.
Individuales
Proporciones o fraccin
NP
C
U
defectiva
Nmero de defectuosos
Defectos por unidad
Promedio de defectos por
proceso.
Control del nmero de piezas defectuosas
Control de nmero global de defectos por unidad
Control del promedio de defectos por unidad.
Variables
Atributos
Descripcin
Medias y Rangos
Medias y desviacin
unidad
Pgina 212
X 1 X 2 .... X N
N
R X mayor X menor
R1 R2 ......RK
K
X 1 X 2 ....... X K
K
LSC X X A2 R
LIC X X A2 R
Pgina 213
Donde D4, D3, A2 son constantes que varan segn el tamao de muestra. A continuacin
se presentan los valores de dichas constantes para tamaos de muestra de 2 a 10.
n
D4
D3
A2
10
3.27
0
1.88
2.57
0
1.02
2.28
0
0.73
2.11
0
0.58
2.00
0
0.48
1.92
0.08
0.42
1.86
0.14
0.37
1.82
0.18
0.34
1.78
0.22
0.31
Pgina 214
Pgina 215
Esta Carta monitorea la tendencia de un proceso con datos variables que no pueden
ser muestreados en lotes o grupos.
Este tipo de grfica es utilizada cuando las mediciones son muy costosas (Por
ejemplo Pruebas destructivas), o cuando la caracterstica a medir en cualquier punto
en el tiempo es relativamente homognea (por ejemplo el PH de una solucin
qumica)
La lnea central se basa en el promedio de los datos, y los lmites de control se basan
en la desviacin estndar (+/- 3 sigmas)
Terminologa
k = nmero de piezas
n = 2 para calcular los rangos
LIC X X E 2 R
LSC R D4 R
LIC R D3 R
Donde D4, D3, E2 son constantes que varan segn el tamao de muestra usado para
agrupar los rangos mviles como se muestra en la tabla siguiente:
n
D4
D3
E2
10
3.27
0
2.66
2.57
0
1.77
2.28
0
1.46
2.11
0
1.29
2.00
0
1.18
1.92
0.08
1.11
1.86
0.14
1.05
1.82
0.18
1.01
1.78
0.22
0.98
* Generalmente se utiliza n = 2
Pgina 216
5.2
Cualquier caracterstica de calidad que pueda ser clasificada de forma binaria: cumple o
no cumple, funciona o no funciona, pasa o no pasa, etc., a los efectos de control del
proceso, ser considerado como un atributo y para su control se utilizar una Carta de
Control por Atributos.
Los criterios de aceptacin al utilizar grficas de control por atributos deben estar
claramente definidos y el procedimiento para decidir si esos criterios se estn
alcanzando es producir resultados consistentes a travs del tiempo. Este procedimiento
consiste en definir operacionalmente lo que se desea medir. Una definicin operacional
consiste en:
1 . Un criterio que se aplica a un objeto o a un grupo
2. Una prueba del objeto o del grupo y
3. Una decisin, s o no: El objeto o el grupo alcanza o no el criterio.
Grfica P para Fraccin de Unidades Defectuosas (atributos)
La grfica p mide la fraccin defectuosa o sea las piezas defectuosas en el proceso. Se
puede referir a muestras de 75 piezas, tomada dos veces por da; 100% de la produccin
durante una hora, etc. Se basa en la evaluacin de una caracterstica (se instalo la
pieza requerida?) o de muchas caractersticas (se encontr algo mal al verificar la
instalacin elctrica?). Es importante que cada componente o producto verificado se
registre como aceptable o defectuoso (aunque una pieza tenga varios defectos
especficos se registrar slo una vez como defectuosa).
Pasos para la elaboracin de la grfica:
Pgina 217
Establezca la frecuencia con la cual los datos sern tomados (horaria, diaria, semanal).
Los intervalos cortos entre tomas de muestras permitirn una rpida retroalimentacin al
proceso ante la presencia de problemas. Los tamaos de muestra grandes permiten
evaluaciones ms estables del desarrollo del proceso y son ms sensibles a pequeos
cambios en el promedio del mismo. Se aconseja tomar tamaos de muestra iguales
aunque no necesariamente se tiene que dar esta situacin, el tamao de muestra
debera de ser mayor a 30. El tamao de los subgrupos ser de 25 o ms.
Paso 2- Calculo de la fraccin defectuosa (p) del subgrupo:
np
n
np1 np 2 .... np k
n1 n2 ..... nk
LSC p p 3
p (1 p )
n
LIC p p 3
p (1 p )
n
Pgina 218
Pgina 219
Mtodos de Control
Existen mtodos que cuando ocurren anormalidades apagan las mquinas o bloquean
los sistemas de operacin previniendo que siga ocurriendo el mismo defecto. Estos tipos
de mtodos tienen una funcin reguladora mucho ms fuerte, que los de tipo preventivo,
y por lo tanto este tipo de sistemas de control ayudan a maximizar la eficiencia para
alcanzar cero defectos.
No en todos los casos que se utilizan mtodos de control es necesario apagar la
mquina completamente, por ejemplo cuando son defectos aislados (no en serie) que se
pueden corregir despus, no es necesario apagar la maquinaria completamente, se
puede disear un mecanismo que permita "marcar" la pieza defectuosa, para su fcil
localizacin; y despus corregirla, evitando as tener que detener por completo la
mquina y continuar con el proceso.
2.Mtodos de Advertencia
Pgina 220
Medidores de contacto
Medidores sin-contacto
Pgina 221
Por otra parte, KAIZEN significa un esfuerzo constante no slo para mantener los
estndares sino para mejorarlos.
KAIZEN est orientado a las personas, en tanto que la Innovacin est orientada
a la tecnologa y al dinero.
39
Pgina 222
Pgina 223
de
preparacin
de
mquinas-herramientas;
logrando
sorprendentes
importantes resultados.
Pgina 224
Estas son razones suficientes para pensar seriamente en aplicar el kaizen en las
organizaciones. No hacerlo privar a sus propietarios, directivos, personal, clientes y a la
sociedad en su conjunto, de las ventajas de generar autnticos y slidos puestos de
trabajo que permitan generar productos con valor agregado, calidad de vida laboral, altos
rendimientos sobre la inversin, ms y mejores productos y servicios, y menores niveles
de desperdicios.
La mejora continua es lo que permite al mundo gozar cada da de mejores productos,
mejores comunicaciones, mejores medicamentos, entre muchsimas otras cosas. Hay
empresas, sociedades, gobiernos y pases que aceptan el reto, y otras que slo se
limitan a ver como otros mejoran. La mejora continua es compromiso con el
conocimiento, la calidad y la productividad. Requiere de tica y disciplina, como de
planes estratgicos que permitan lograr mejoras graduales, continuas e integrales. En
una era del conocimiento como lo es sta Tercer Ola pasarn a ocupar los primeros
lugares aquellos individuos, organizaciones, y sociedades que hagan del conocimiento y
perfeccionamiento sistemtico su objetivo prioritario.
Pgina 225
Seiton: orden
Seiso:
Shitsuke: disciplina
Seiri: eliminar:
limpieza
Consiste en retirar del rea de trabajo todos aquellos elementos que no son necesarios
para realizar la labor. No hay que pensar en que este o aquel elemento podra ser til en
otro trabajo o si se presenta una situacin muy especial, los expertos recomiendan que
ante estas dudas hay que desechar dichos elementos.
Seiton: Ordenar:
Es la organizacin de los elementos necesarios de modo que resulten de fcil uso y
acceso, los cuales debern estar, cada uno, etiquetados para que se encuentren, retiren
y devuelvan a su posicin, fcilmente por los empleados.
sencillas como: lo que ms se usa debe estar ms cerca, lo ms pesado abajo lo liviano
arriba, etc.
Seiso: Limpiar:
Incluye, adems de la actividad de limpiar las reas de trabajo y los equipos, el diseo de
aplicaciones que permitan evitar o disminuir la suciedad y hacer ms seguros los
ambientes de trabajo. A travs de la limpieza se pueden identificar fallas, por ejemplo, si
todo est limpio y sin olores extraos es ms probable que se detecte un principio de
incendio o un malfuncionamiento de un equipo por una fuga de fluidos, etc.
41
Pgina 226
Seiketsu: Estandarizar:
Esta prctica pretende mantener el estado de limpieza y organizacin alcanzado con la
aplicacin de las primeras tres S, el seiketsu solo se obtiene cuando se trabajan
continuamente los tres principios anteriores. En esta etapa (que debe ser permanente),
son los trabajadores quienes adelantan programas y disean mecanismos que les
permitan beneficiarse a s mismos.
Shitsuke: Disciplina:
En esta etapa se busca evitar que se rompan los procedimientos ya establecidos. Solo
si se implanta la disciplina y el cumplimiento de las normas y procedimientos ya
adoptados se podr disfrutar de los beneficios que ellos brindan.
Como un aspecto preliminar al esfuerzo de las 5 S, debe asignarse un tiempo para
analizar la filosofa implcita en las 5 S y sus beneficios:
entrega.
6.9 El Kanban42
Es muy comn la asociacin de Kanban = JIT o Kanban = control de inventarios, esto no
es cierto, pero si esta relacionado con estos trminos, Kanban funcionara efectivamente
en combinacin con otros elementos de JIT, tales como calendarizacin de produccin
mediante etiquetas, buena organizacin del rea de trabajo y flujo de la produccin.
Kanban es una herramienta basada en la manera de funcionar de los supermercados.
Kanban significa en japons "etiqueta de instruccin".
La etiqueta Kanban contiene informacin que sirve como orden de trabajo, esta es su
funcin principal, en otras palabras es un dispositivo de direccin automtico que nos da
informacin acerca de que se va a producir, en que cantidad, mediante que medios, y
como transportarlo.
Funciones de Kanban
Son dos las funciones principales de Kanban: Control de la produccin y mejora de los
procesos.
1.- Por control de la produccin se entiende la integracin de los diferentes procesos y el
desarrollo de un sistema JIT en la cual los materiales llegaran en el tiempo y cantidad
42
Pgina 228
Eliminacin de la sobreproduccin.
Implementando Kanban:
Es importante que el personal encargado de produccin, control de produccin y
compras comprenda como un sistema Kanban (JIT), va a facilitar su trabajo y mejorar su
eficiencia mediante la reduccin de la supervisin directa.
Bsicamente los sistemas Kanban pueden aplicarse solamente en fabricas que
impliquen produccin repetitiva.
Pgina 229
Se debe establecer una ruta de kanban que refleje el flujo de materiales, esto
implica designar lugares para que no haya confusin en el manejo de materiales,
se debe hacer obvio cuando el material esta fuera de su lugar.
Se debe tomar en cuenta que aquellos artculos de valor especial debern ser
tratados diferentes.
Pgina 230
Reglas de Kanban
Pgina 231
6.10
Entregables:
Pgina 232
Definir
D
efinir
Controlar
Control
Medir
M
edir
activo
con
el
que
se
logren
resultados
Mejorar
Mejorar
Analizar
Analizar
estn
enfocados
mejorar
la
Motorola acu el termino Seis Sigma en los aos ochentas, pero el termino
fue un objetivo de desempeo y no el enfoque para alcanzar ese nivel de
desempeo, as Seis Sigma significa alcanzar 3.4 defectos por cada milln de
unidades procesadas. Fue al inicio de los noventa que el termino Seis Sigma
43
Pgina 233
mtodos
que
se
han
etiquetado
como
Kaizen
son
variados,
7.2
Proyecto
Pgina 234
Reducir el desperdicio.
Mtricas
Ahorros
Sponsor
Gerente
Process Owner
Jefe de departamento
Pgina 235
Team Leader
Jefe
Metodologa DMAIC
Variable
Especificacin
Estndares
Proveedor
Operacin
Tabla 7.1
Datos
Dato Real
Histricos
Identificacin de Variables
Pgina 236
Definir
Medir
Medir
Mejorar
Mejorar
Mejorar
Analizar
Analizar
Pasos
reas de Oportunidad
Introduccin de Agua
Tabla 7.2
reas de Oportunidad
Pgina 237
Target
USL
Within
Overall
Process Data
LSL
321
Target
327
USL
336
Sample Mean
327.388
Sample N
417
StDev(Within)
1.24412
StDev(O verall) 2.11992
322
O bserved Performance
PPM < LSL 0.00
PPM > USL 0.00
PPM Total
0.00
324
326
328
330
332
334
1.18
1.00
1.35
1.00
0.93
336
Figura 7.4 Capacidad del Proceso situacin actual (antes del proyecto)
Conclusiones: El proceso se encuentra cargado hacia la parte inferior de
especificaciones, adems se aprecia la variabilidad en el proceso.
Pgina 238
Una vez que se analiz los datos recolectados, se hizo el anlisis del sistema
de medicin, debido a la gran variabilidad que se encontr en el proceso, que
pudiera ser por un sistema de medicin inadecuado.
Sistema de Medicin
Una de las herramientas utilizadas en esta etapa fue la del MSA, la cual
consisti en analizar
VarComp
0.46447
0.20659
0.25788
0.21837
0.03951
2.09386
2.55832
%Contribu tion
(of VarC omp)
1 8.16
8.08
1 0.08
8.54
1.54
8 1.84
10 0.00
Process tolerance = 15
Source
Total Gage R&R
Repeatability
Reproducibility
Analista
Analista*Prue ba
Part-To-Part
Total Variation
StdDev (SD)
0.68152
0.45452
0.50782
0.46730
0.19877
1.44702
1.59948
Study Var
(6 * SD)
4.0 8912
2.72715
3.04689
2.8 0378
1.1 9262
8.6 8210
9.59686
%Study Var
(%SV)
42.61
2 8.42
31.75
29.22
12.43
90.47
10 0.00
%Tolerance
(SV/Toler)
27.26
18.18
20.31
18.69
7.95
57.88
63.98
Pgina 239
Percent
100
Resultado by Prueba
% Contribution
% Study Var
% Tolerance
332
328
50
324
0
Gage R&R
Repeat
Reprod
Part-to-Part
R Chart by A nalista
Sample Range
HECTOR
RAFAEL
Resultado by A nalista
RENE
332
3.0
328
1.5
UCL=1.299
_
R=0.504
LCL=0
0.0
324
HECTOR
RAFAEL
Analista
RAFAEL
RENE
_
_
UCL=330.566
X=330.050
LCL=329.534
330
RENE
327
Average
Sample Mean
333
7 8 9 10 11 12 13 14 15
Prueba
Analista
HECTOR
RAFAEL
RENE
330
327
1
9 10 11 12 13 14 15
Prueba
menor de cada muestra, en la grfica se presenta que el operador Rafael es el que tiene ms
variabilidad en sus mediciones que los otros 2.
La grfica X representa el promedio de las mediciones de cada operador, en la cual hay 28
puntos fuera de control lo representa ms del 50%, esto se puede interpretar como que el
sistema de medicin es capaz de identificar las diferencias entre piezas.
La grfica de resultado por pieza se observa que nicamente en la pieza 2 hay una fuerte
variacin con respecto a las dems.
Conclusiones: El resultado total del estudio nos dice que se necesita mejorar
el sistema de Medicin, sobre todo la parte de metodologa en el proceso de
medicin.
Pgina 240
Definir
nos
proporcionar
evidencias
de
Controlar
Controlar
Medir
Medir
las
Analizar
Analizar
Analizar
Pgina 241
contenido del lquido, para tal efecto se procedi a analizar lotes de diferente
aos de produccin arrojndonos lo siguiente:
AO
93
99
2000
2001
2002
2003
Frequency
4
Mean
53.53
52.30
54.32
54.60
55.78
56.17
3
2
StDev
1.619
1.715
1.464
2.997
2.056
1.451
N
2
20
18
20
19
20
1
0
48
50
52
54
56
ALTURA (a 327 ml)
58
60
Prueba
de
hiptesis
de
igualdad
de
medias
para
determinar
estadsticamente si la media del del proceso normal (nor) era igual que la
media del nuevo proceso (ctl), se estableci lo siguiente:
Ho:
nor
Ha:
ctl
Pgina 242
nor
ctl
Vol tubos
332
330
328
327
326
324
322
321
320
Bot con
Norm
grupo
Vol tubos
332
330
328
327
326
324
322
321
320
Bot con
Norm
grupo
DF
1
135
136
S = 1.475
SS
185.25
293.76
479.00
MS
185.25
2.18
R-Sq = 38.67%
Level
N
Mean
Bot con 99 328.74
Norm
38 331.34
Pooled StDev = 1.48
StDev
1.26
1.93
F
85.13
P
0.000
R-Sq(adj) = 38.22%
Individual 95% CIs For Mean Based on
Pooled StDev
------+---------+---------+---------+--(--*--)
(---*--
Pgina 243
Por lo tanto, se rechaza la Hiptesis nula y se concluye que las medias son
diferentes; De acuerdo a esto, la diferencia encontrada se debe a la
variabilidad del sistema de medicin.
Anlisis de Regresin
Pgina 244
Definir
Introduccin
Controlar
Controlar
Medir
Medir
Mejorar
Mejorar
Mejorar
Analizar
Analizar
Analizar
Sistema de Medicin
Durante la etapa de medicin se realiz un estudio de R&R, el cual dio como
resultado que tanto el mtodo y el equipo de medicin tienen reas de
oportunidad.
Se agregaron ayudas visuales para la correcta toma de lecturas.
Una vez recapacitado al personal operario en la toma de lecturas, se volvieron
a realizarlos estudios R&R para verificar que las mejoras realizadas al sistema
de medicin fueron las correctas, dando como resultado lo siguiente:
Pgina 245
GageR&R
VarComp((of VarComp)
Total GageR&R
0.122222
13.24
Repeatability 0.122222
13.24
Reproducibility0.000000
0.00
Part-To-Part
- -
0.800823
Valor
Valor total
total de
de estudio
estudio R&R,
R&R, el
el cual
cual debe
debe
de ser menor al 15%
86.76
100.00
StdDev
(SD) (6* SD)
Total GageR&R
0.349603
2.09762
36.39 8.74
Repeatability
0.349603
2.09762
36.39 8.74
Reproducibility
(%SV) (SV/Toler)
0.00 0.00
0.000000
0.00000
Part-To-Part
0.894887
5.36932
93.14
Total Variation
0.960752
5.76451
100.00
Grficamente tenemos:
Pgina 246
Percent
100
Resultado by Parte
% Contribution
% Study Var
333
% Tolerance
50
330
327
Gage R&R
Repeat
Reprod
Part-to-Part
R Chart by A nalista
1.0
MIGUEL
RAFAEL
10
Resultado by A nalista
RENE
333
UCL=0.652
0.5
_
R=0.253
0.0
LCL=0
330
327
MIGUEL
RAFAEL
Analista
RAFAEL
RENE
RENE
333
Analista
MIGUEL
RAFAEL
RENE
333
__
UCL=330.914
X=330.654
LCL=330.395
330
Average
5
6
Parte
330
327
327
5 6
Parte
9 10
Pgina 247
Diseo de Experimentos
Durante la etapa de medicin se diseo un experimento para profundizar en la
identificacin de impactos de las variables del proceso, donde se seleccionaron
4 factores (de acuerdo al anlisis de la informacin del proceso).
De acuerdo a la metodologa, se seleccion aplicar DOE fraccional, donde se
tienen que realizar 11 experimentos, con los niveles mximos y mnimos en
las variables de proceso (se presentan sus resultados):
PRUEBA DE VARIANZAS
Pgina 248
Ha: 1 2 2
F-Test
Test Statistic
P-Value
116
Levene's Test
Test Statistic
P-Value
120
1.50
Tubo de Venteo
1.60
0.000
1.65
1.80
1.95
2.10
2.25
95% Bonferroni Confidence I ntervals for StDevs
26.10
0.000
2.40
116
120
320
322
324
326
328
Volumen
330
332
334
Target
USL
Process Data
LSL
321
Target
327
USL
336
Sample Mean
327.388
Sample N
417
StDev(Within) 1.24412
StDev(O verall) 2.11992
Within
Overall
Potential (Within) Capability
Cp
2.01
CPL 1.71
CPU 2.31
Cpk 1.71
Overall Capability
Pp
PPL
PPU
Ppk
Cpm
322
O bserved Performance
PPM < LSL 0.00
PPM > USL 0.00
PPM Total
0.00
324
326
328
330
332
334
1.18
1.00
1.35
1.00
0.93
336
Target
USL
Within
Overall
Process Data
LSL
321
Target
327
USL
336
Sample Mean
327.477
Sample N
341
StDev(Within) 1.13527
StDev(Overall) 1.6749
322
O bserved Performance
PPM < LSL 0.00
PPM > USL 0.00
PPM Total
0.00
324
326
328
330
332
334
1.49
1.29
1.70
1.29
1.15
336
Pgina 250
Definir
Introduccin
Controlar
Controlar
Medir
Medir
Qu hicimos?
Medimos
Mejorar
Mejorar
Mejorar
Analizar
Analizar
Analizar
la
capacidad
de
los
Analizamos
o Examinamos los datos
o Identificamos la causa raz del problema
Mejoramos
o y = f(x)
o Optimizamos el proceso
Pgina 251
Evento Kaizen
Solucin
Cmo se
controla?
Responsable
Pgina 252
Recapitulando:
Promedio
Ahorros anuales
Estandarizacin
Pgina 253
CONCLUSIONES Y RECOMENDACIONES
Definir
D
efinir
Controlar
Control
Medir
M
edir
Mejorar
Mejorar
A
Analizar
nalizar
Conclusiones
Si una empresa se interesa en implantar la herramienta 6 s, se recomienda
que para que tenga xito y no desperdicie recursos tanto materiales como
humanos, tome como referencia la propuesta proporcionada aqu, realizando
las adecuaciones que sean necesarias dependiendo de sus necesidades
especficas. Donde lo ms importante es que la alta administracin de la
empresa est comprometida primero con la implantacin de un sistema de
administracin por calidad o de control total de calidad con enfoque al cliente,
con base en la creacin de calidad humana y direccin participativa, con un
sistema de reconocimientos adecuado de tal forma que se aliente al personal
tanto a hacer sugerencias, como
Pgina 254
muy
poderosa
que
ayuda
estadsticamente hablando.
Pgina 256
al
manejo
de
los
datos
Bibliografa
Brassard M Finn Lynda The Six Sigma Memory Jogger II Goal/Qpc 2002
J.M. Juran, Gryna, Frank M., Manual de Control de Calidad, McGraw Hill
1993
Pgina 257
Confemetal 1998
Pere Grima, Luis Almagro Estadstica practica con Minitab Prentice Hall
2004
Rath&strongs Workout for Six Sigma pocket guide MacGraw Hill 2005
Pgina 259