Modulo3 Fanalisis

Curso
Taller de
Lean
Sigma
bsico
Mdulo 3. Fase
de Anlisis
Primitivo Reyes Aguilar
Noviembre 2009
LEAN SIGMA: MDULO 2. FASE DE MEDICIN

Reyes / Nov. 2009
P.
Contenido
5. FASE DE ANLISIS.................................................................................3
Introduccin..............................................................................................3
1. Identificar las fuentes de variacin y causas potenciales.....................4
Diagrama causa-efecto (ishikawa).........................................................4
Los cinco Porqus...............................................................................6
Diagrama de Interrelaciones................................................................10
Diagrama de rbol...............................................................................12
2. Comprobacin de causas raz por pruebas fsicas con 5W-1H............14
3. Comprobacin de causas raz de fuentes de variacin.......................17
Pruebas de Hiptesis...........................................................................17
Introduccin:.....................................................................................17
Prueba de Hiptesis de dos poblaciones:.........................................18
Pruebas pareadas.............................................................................21
Anlisis de varianza (ANOVA)...........................................................23
Anlisis Multi-vari.................................................................................25
Correlacin y regresin lineal simple...................................................28
Diagrama de Dispersin...................................................................28
4. Anlisis del modo y efecto de falla (FMEA).........................................38

Reyes / Nov. 2009
P.
5. FASE DE ANLISIS
Definir
Definir
Medir
Analizar
Analizar
Mejorar
Mejorar
Controlar
Controlar
Introduccin
En esta fase se efectuar el anlisis de los datos obtenidos en la etapa
de Medicin, con el propsito de conocer las relaciones causales. La
informacin de este anlisis proporcionar evidencias de las fuentes de
variacin y desempeo insatisfactorio, el cual es de gran utilidad para la
mejora del proceso.
PROPSITOS:
Identificar todas las causas potenciales posibles
Establecer hiptesis sobre posibles Causas Raz
Identificar cules son las fuentes de variacin.

Refinar, rechazar, o confirmar la Causa Raz
o Seleccionar las Causas Raz ms importantes: las pocas Xs
vitales
El proceso de anlisis que se recomienda es el siguiente:

Reyes / Nov. 2009
P.

Reyes / Nov. 2009
P.
Salidas de la Fase de Anlisis

Causas raz validadas
Gua de oportunidades de mejora
La fase de anlisis consta de las siguientes etapas:
1. Identificar las fuentes de variacin y causas

potenciales
Las herramientas que permiten identificar causas potenciales son las
siguientes: Diagrama de causa efecto, Los cinco porqus, Diagrama de
interrelaciones, Diagrama de rbol.
Para comprobar las causas potenciales se puede utilizar el Diagrama
5W-1H.
Las herramientas que permiten identificar fuentes de variacin son:
histogramas, Diagramas de dispersin y regresin lineal,
Diagrama causa-efecto (ishikawa)

El diagrama causa-efecto, tambin llamado espina de pescado por la
semejanza de su forma, tambin es conocido por diagrama de Ishikawa.

Reyes / Nov. 2009
P.
Es utilizado para explorar e identificar todas las causas posibles y relaciones de

un problema (efecto) o de una condicin especfica en las caractersticas de un
proceso.
Los pasos para elaborar el diagrama de causa- efecto son los siguientes:
1. Seleccione el efecto (problema) a analizar. Se puede seleccionar a travs de
un consenso, un diagrama de Pareto, otro diagrama o tcnica.
2. Realice una lluvia de ideas para identificar las causas posibles que originan
el problema incluyendo a las personas con ms experiencia en el proceso.
3. Dibuje el diagrama:
Coloque en un cuadro a la derecha la frase que identifique el efecto
(caracterstica de calidad)
Trace una lnea horizontal hacia la izquierda del cuadro que contiene la
frase. A esta lnea se le conoce como columna vertebral.
Coloque lneas inclinadas que incidan en la columna vertebral (causas
principales Mtodos, Personal, Equipos, Mediciones, Medio ambiente,
Materiales).
Dibuje lneas horizontales con flechas que incidan en las lneas
inclinadas conforme a la clasificacin de las causas (causas secundarias)
Dibuje lneas inclinadas que incidan en las lneas de las causas
secundarias (causas terciarias)
4. Clasifique las causas derivadas de la lluvia de ideas, de la siguiente manera:
Causas principales.
Preguntando despus por que suceden para obtener Causas secundarias
Volviendo a preguntar de nuevo las razones obtener Causas terciarias,
Se continua este proceso de preguntas de por qu?, por qu? hasta
agotar las respuestas.
5. El equipo analiza cada causa estratificada (secundaria o terciaria) y por
medio de eliminacin y consenso determina cuales son las causas
potenciales relevantes que pueden estar ocasionando el problema.
6. Elabore y ejecute un programa de verificacin de las causas relevantes por
medio de un diagrama 5W-1H para identificar las causas reales o causas
raz.
Ejemplo
Se detectaron fallas en la separacin de residuos slidos, por lo cual se
procedi a realizar una investigacin utilizando el diagrama causa-efecto.
El problema es no cumplimiento de la meta de separacin de residuos slidos.
Primero se determinan las causas principales Ms:

Reyes / Nov. 2009
P.
Mquinas
Personal
Mtodos
Materiales
Mediciones
Medio ambiente
Estas constituyen las causas primarias del problema y es necesario desafiarlas

para encontrar causas ms especficas secundarias y terciarias.
Se construye el diagrama espina de pescado con las causas primarias (Ms), a

partir de estas causas se agrupan las causas secundarias y terciarias derivadas
de la lluvia de ideas utilizando la herramienta de los cinco porqus:
Los cinco Porqus

El mtodo de los 5 porqus para el anlisis de causa raz se describe
como hacer cinco veces la pregunta Por qu?, por ejemplo:
Sntoma: Los embarques al cliente no llegan a tiempo:
1.
2.
3.
4.
5.
Por
Por
Por
Por
Por
qu?
qu?
qu?
qu?
qu?
nos atrasamos porque fallaron los filtros.

no se les ha dado mantenimiento durante tres meses.
no se tenan filtros en existencia.
no se pidieron a tiempo y son de importacin.
no se tena experiencia con su vida til ya que son nuevos
Las cinco preguntas no son obligatorias, si no hay necesidad de

preguntar ms detener el proceso y si hay necesidad hacer ms
preguntas.
Con este proceso se pueden obtener subcausas de varios niveles en cada una
de las ramas, como se muestra en el siguiente ejemplo:

Reyes / Nov. 2009
P.
Es utilizado para explorar e identificar todas las causas posibles y relaciones de

un problema (efecto) o de una condicin especfica en las caractersticas de un
proceso.
En este diagrama el equipo da prioridad a las causas ms probables para su
comprobacin, en este caso se seleccionan las causas potenciales 1 a 8 en
crculo rojo.
Ejemplo en Minitab para un problema de soldadura:
AMBIENTE
MATLS.
Polvo
Forma
Vibracione
s
Dureza
Humedad Almacn
Temperatu
ra
FORMA
Dimetro
Curvatura
ALMACN
Tiempo
Ambiente
PERSONA
L
MTODO
Salud
Ajuste
Habilidad Velocidad
Humor
HABILIDA
D
HUMOR
Seleccin Horas
Formaci Moral
MAQUINAS
Mantto.
Deformaci
n
Abrasin
Herramenta
l

Reyes / Nov. 2009
n
Experien
cia
Cansancio
P.

Reyes / Nov. 2009
P.
Diagrama de Causa Efecto en Minitab

1. Llenar las columnas C1 a C5 con las diferentes causas correspondientes
a los conceptos de
2. Seleccione: Stat>Quality Tools>Cause and Effect Diagram

3. Traducir los rtulos de las ramas principales a espaol.
4. Introducir las columnas de las CAUSAS PRINCIPALES correspondientes a

cada una de las ramas principales en la pantalla de entrada.
5. Introducir las columnas correspondientes a las subcausas

de FORMA y ALMACN en la rama de MATLS (seleccionar SUB a la derecha).
10

Reyes / Nov. 2009
de HABILIDAD y HUMOR
derecha).
P.
en la rama de PERSONAL (seleccionar SUB a la
OK
6. Indicando el problema de FALLA DE SOLDADURA en Effect y aceptar
con OK.
OK
Cause-and-Effect Diagram
Mediciones
Matls.
Personal
Salud
Forma
Dureza
Habilidad
Almacn
Humor
FALLA DE
SOLDADURA
Temperatura
Herramental
Humedad
Abrasin
Vibraciones
Polvo
Ambiente
Velocidad
Ajuste
Mtodo
Deformacin
Mantto.
Mquinas
11

Reyes / Nov. 2009
P.
Seleccionar entre las subcausas potenciales las que pueden ser ms

fciles de solucionar con el mayor impacto, para lo que se puede utilizar
la matriz de esfuerzo impacto.
http://media.photobucket.com/image/Matriz%20de%20esfuerzo
%20beneficio/ogalonzo/blog/matriz.gif
PRCTICA: Realizar un Diagrama de Causa Efecto para las causas

potenciales de un problema de la empresa.
Diagrama de Interrelaciones
12

Reyes / Nov. 2009
P.
http://www.cyta.com.ar/biblioteca/bddoc/bdlibros/herramientas_calidad/interrel
aciones.htm
13

Reyes / Nov. 2009
P.
El diagrama de interrelaciones es una herramienta grfica que se emplea para

organizar problemas o aspectos complejos y que implican muchas variables, se
emplea para estudiar las relaciones entre los elementos de un problema e
identificar las causas raz o las soluciones, es similar al diagrama de afinidad en
la medida que el proceso de construccin de una grfica doble interrelaciones
es creativo.
Ayuda a identificar las causas potenciales de un problema. A diferencia del
diagrama de causa y efecto, la grfica permite que el equipo de solucin de
problemas observe al mismo tiempo muchos efectos y trace la relacin entre
dichos efectos y varias causas.
PASOS
1. Reunir el equipo y elegir un lder.
2. Poner el asunto o problema en forma de pregunta.
a. Es posible elegir dicho asunto o problema de las siguientes
fuentes:
El aspecto clave o la tarjeta de encabezado ms crtica de un
diagrama de afinidad.
La declaracin de efecto de un diagrama de causa y efecto
El aspecto clave de un diagrama de rbol
Un aspecto clave identificado por el equipo
3. Realizar una tormenta de ideas respecto al problema o aspecto y
registrarla en fichas de trabajo.
Si la declaracin del problema se origin en un diagrama de
afinidad, usar las tarjetas de encabezado de ste y realizar una
tormenta de ideas para buscar ideas adicionales
Si la declaracin del problema se tom del efecto en un
diagrama de causa y efecto, copiar las causas ms bsicas de
cada una de las ramas del diagrama en tarjetas de trabajo
Si la declaracin del problema se origin en un diagrama de
rbol, usar el nivel ms bajo de detalle de ste
Si la declaracin del problema fue un aspecto clave identificado
por el equipo, es preciso hacer una tormenta de ideas y colocar
estas en tarjetas de ndice
4. Analizar las relaciones.
5. Revisar el diagrama de interrelaciones.
6. Identificar causas y efectos raz potenciales a reserva de comprobacin.
a. Una causa raz probable es una categora de la que sale la gran
cantidad de flechas.
b. Un efecto raz probable es una categora a la que llega una gran
cantidad de flechas.
14

Reyes / Nov. 2009
P.
7. Estudiar la grfica doble de interrelaciones.
Diagrama de rbol
http://www.estrategiamagazine.com/administracion/la-tecnica-del-arbol-parala-toma-de-decisiones-efectivas-herramientas/
15

Reyes / Nov. 2009
P.
http://www.gestiopolis.com/recursos/documentos/fulldocs/ger1/genercal.htm
Un diagrama de rbol (diagrama sistemtico) es una tcnica que se emplea
para buscar la forma ms apropiada y eficaz de alcanzar un objetivo especfico.
Esta herramienta grfica de diagrama los diversos niveles de detalle, estos
representan acciones (o tareas) que siguen rutas lgicas para implantar un
objetivo amplio. Al implantar los puntos detallados de accin, se crea un efecto
de dominio que lleva al logro del objetivo principal.
Cuando se trabaja sobre un objetivo amplio, un diagrama de rbol ayuda a
orientar tareas especficas, es posible emplearlo para planear la implantacin
de una solucin detallada en forma ordenada. El diagrama de rbol funciones
para dividir un aspecto u objetivo ms complejo.
PASOS
1. Reunir un equipo apropiado.
2. Elegir la declaracin de objetivo.
c. Es posible elegir dicho asunto o problema de las siguientes
fuentes:
El aspecto clave o la tarjeta de encabezado ms crtica de un
diagrama de afinidad.
La declaracin de efecto de un diagrama de causa y efecto
El aspecto clave de un diagrama de rbol
16

Reyes / Nov. 2009
P.
Un aspecto clave identificado por el equipo

3. Generar los encabezados de primer nivel del rbol.
a. Como punto de inicio, usar los siguientes tres encabezados de
primer nivel del rbol
Si el objetivo es un aspecto clave de un diagrama de afinidad,
usar las tarjetas de encabezado. Si el objetivo es la tarjeta
crtica de encabezado, usar las tarjetas bajo tal encabezado
Si el objetivo es una causa o efecto raz de una grfica doble de
interrelaciones, usar las tarjetas que llevan a ella
Si el objetivo es un aspecto clave identificado por el equipo,
realizar una tormenta de ideas cuyo enfoque sea la
implantacin
4. Completar el diagrama de rbol bajo cada encabezado principal.
5. Revisar el diagrama de rbol terminado y comprobar las causas raz ms
probables.
2. Comprobacin de causas raz por pruebas fsicas

con 5W-1H
Del Diagrama de Ishikawa, Diagrama de interrelaciones o Diagrama de rbol:
Para cada causa probable, el equipo deber por medio del diagrama 5Ws 1H
o equivalente:
Llevar a cabo una tormenta de ideas para verificar la causa en los
procesos.
Seleccionar la manera que: represente la causa de forma efectiva, y
sea fcil y rpida de aplicar.
Ejemplo:
17

Reyes / Nov. 2009
18
P.

Reyes / Nov. 2009
19
P.

Reyes / Nov. 2009
P.
3. Comprobacin de causas raz de fuentes de

variacin
Para comprobar las causas raz que se originan en fuentes de variacin
de los procesos, se utilizan herramientas estadsticas tales como las
pruebas de hiptesis y el anlisis de regresin.
Pruebas de Hiptesis
Introduccin:
Una hiptesis es una afirmacin o suposicin de una situacin. Por ejemplo, al
implementar la solucin de un problema se tiene una mejora ya sea en su
media o en su varianza (variacin).
Por qu usar la Prueba de Hiptesis?
Se usa para probar si dos grupos son realmente diferentes (estadsticamente
significativo) o si la diferencia es debida a la variacin natural. Se aplica
cuando se quiere probar si es significativo el efecto de una causa en la
respuesta, o si hay un cambio significativo en la respuesta despus de realizar
una mejora.
El primer turno se desarrolla mejor que el segundo turno?
La media antes de la mejora

(A) es igual a la media despus
de mejorar (B)
La varianza antes de la mejora

(A) es igual a la varianza despus
de la mejora ( B)
Para realizar la prueba se deben comprender las hiptesis:

La hiptesis nula
H0= No hay diferencia entre los grupos
La hiptesis alternativa
Ha= los grupos son diferentes
P-Value: Si P 0.05, se rechaza la H0 y se acepta la Ha ( los grupos son
diferentes)
El proceso numrico de la prueba de hiptesis se har con Excel o con
paquetes computacionales Minitab y Statgraphics.
20

Reyes / Nov. 2009
21
P.

Reyes / Nov. 2009
P.
Tipos de pruebas de hiptesis
Prueba de Hiptesis de dos poblaciones:

Ejemplo: Se evalan los tiempos de accin para dos formulaciones
desincrustantes qumicas, interesa la comparacin de las medias de los
tiempos para tomar decisiones, probar a un 95% de nivel de confianza si una
formulacin tarda menos que la otra (en caso de que P value <= 0):
Form_ Form_
1
650
810
570
660
820
820
670
590
750
700
2
540
610
730
490
550
460
590
640
720
690
Test for Equal Variances for Form_ 1, Form_ 2

F-Test
Test Statistic
P-Value
Form_1
0.98
0.974
Levene's Test
Test Statistic
P-Value
Form_2
A un 95% de nivel de confianza (alfa es 5% o 0.05),

50
75
100
125
150
175
Realizar una prueba de igualdad de varianzas
y sacar
conclusiones:
95% Bonferroni Confidence I ntervals for StDevs
Las hiptesis son las siguientes:
Ho: Varianza form_1 = Varianza form_2
200
Form_1
22
Form_2
450
500
550
600
650
Data
700
750
800
0.00
1.000

Reyes / Nov. 2009
P.
Ha: son diferentes

Instrucciones en Minitab:
Stat > Basic statistics >2- Variances OK
Seleccionar
Samples in different columns First Form_1 Second Form_2
OK
Resultados:
F-Test (Normal Distribution)
Test statistic = 0.98, p-value = 0.974
Identificar el valor P en la prueba F, si es menor a 0.05 se rechaza Ho y son

diferentes:
Como el valor P 0.974
es
Mayor
que 0.05,
Se concluye que Las varianzas son iguales

Realizar una prueba de igualdad de medias y sacar conclusiones:
Establecimiento de las hiptesis:
Ho: Media form_1 = Media form_2
Ha: son diferentes
Instrucciones de Minitab:
Stat > Basic statistics >2- Samples t
Seleccionar Samples in different columns First Form_1 Second Form_2
Seleccionar Assume equal variances
Options: Conf. Level 95 Test Difference 0.0 Alternative Not equal
Grpahs: Box plots
OK OK
Difference = mu (Form_1) - mu (Form_2)
Estimate for difference: 102.0
95% CI for difference: (14.1, 189.9)
T-Test of difference = 0 (vs not =): T-Value = 2.45
23
P-Value = 0.025
DF = 17

Reyes / Nov. 2009
P.
Resultados:
Boxplot of Form_ 1, Form_ 2
850
800
750
Data
700
650
600
550
500
450
Form_1
Como el valor P =0.025 es
Form_2
menor que 0.05, o el cero NO est en el IC
(14.1, 189.9)
Se concluye que Las medias de las formulaciones son diferentes
Ejercicio: Determinar a un nivel de confianza del 90% si hay diferencia entre

las medias de tiempos de sanitizacin de dos equipos A y B. Se toman
muestras para comprobar la afirmacin.
Equipo
A
25.2
17.4
22.8
21.9
19.7
23.0
19.7
23.0
19.7
16.9
21.8
23.6
Equipo
B
18.0
22.9
26.4
24.8
26.9
17.8
24.6
21.0
a) Prueba de igualdad de varianzas

Ho: Varianza A = Varianza B;
Ha: Varianza A <> Varianza B
Con Minitab ingles:
24

Reyes / Nov. 2009
P.
Stat > Basic satistics > 2 - variances

Samples in different Columns
First: Equipo A Second: Equipo B
Options: Confidence level 95%
OK
Si el valor P de la prueba F es mayor a 0.05 no se rechaza Ho y las varianzas
son iguales
b) Prueba de igualdad de medias
Ho: A - B = 0
Ha: A - B <> 0
Stat > Basic satistics > 2 - Samples t
Samples in different Columns
First: Equipo A Second: Equipo B
Si las varianzas fueron iguales, seleccionar: Assume equal variances
Options: Confidence level 90%, Test Difference 0.0 Alternative Not equal
Graphs: Box plots of data
OK
SI el cero se encuentra en el intervalo de confianza, las medias no son
diferentes.
Si el valor P de la prueba t es mayor a 0.05 no se rechaza Ho y las medias no
son diferentes
Pruebas pareadas
NOTA: Se utilizan cuando se aplica el mismo tratamiento a los mismos sujetos,
como cuando se prueba el efecto de la capacitacin antes y despus del curso.
Ejemplo: Los tiempos de terminacin para la tarea con un mtodo mejorado y
actual son, para el mismo empleado son los siguientes. Probar a un 90% de
nivel de confianza si los mtodos dan los mismos resultados.
Mtodo_
1
6.0
5.0
7.0
Mtodo_
2
5.4
5.2
6.5
25

Reyes / Nov. 2009
6.2
6.0
6.4
P.
5.9
6.0
5.8
Planteamiento de Hiptesis
Ho: M1 - M2 = 0
Ha:. M1 - M2 <>
0
Stat > Basic statistics > Paired test
Samples in columns
First sample Mtodo_1)
Second Sample: Mtodo_2
Options: Confidence level 90% Test Mean 0.0 Alternative: Not equal
Graphs: Box plot of differences
OK OK
Resultados:
95% CI for mean difference:
T-Test of mean difference = 0 (vs not = 0): T-Value = 2.20
P-Value =
Como el cero se encuentra en el intervalo de confianza (-0.051, 0.651), se

rechaza Ho y se acepta Ha, las medias no son diferentes.
Como el valor P de la prueba t es mayor 0.080 a 0.05 se acepta Ho y las
medias no son diferentes.
Ejercicio. Un comprador califica un producto antes y despus de ver un
comercial: Probar a un 8% de nivel de significancia (92% de nivel de confianza)
si el comercial tiene algn efecto en el comprador.
Antes
5
4
7
3
5
8
5
6
Despus
6
6
7
4
3
9
7
6
Ho: Pi1 = Pi 2
=0
Ha: Pi1 <> Pi2
Pi1 - Pi2
Pi1 - Pi2
26

Reyes / Nov. 2009
P.
<> 0
Ver instrucciones de Minitab en ejemplos anteriores
SI el cero se encuentra en el intervalo de confianza, las medias no son
diferentes.
Si el valor P de la prueba t es mayor a 0.08 se acepta Ho y las medias son
iguales.
Anlisis de varianza (ANOVA)

Sirve para probar la igualdad de dos a ms medias poblacionales, para probar
si las medias de varios grupos son iguales:
Ho: Media 1 = Media 2 = . = Media n
Ha: Alguna de las medias es diferente
Ejemplo: Las calificaciones de un curso de liderazgo para 18 participantes de
tres diferentes departamentos fueron las mostradas en la tabla siguiente.
Probar a un 5% de nivel de significancia si el aprovechamiento fue similar en
los tres departamentos o en su caso cul fue el peor.
DEPARTAMENTO
Depto_A Depto_B Depto_C
8
7
5
7
8
6
8
7
6
6
7
7
7
6
7
8
8
6
Stat > ANOVA One way (Unstacked)
Responses (in separate columns) Depto_A Depto_B Depto_C
Comparisons: Tukeys, family error rate 5
Graphs: Box plot of data
OK
Resultados:
27

Reyes / Nov. 2009
Source
Factor
Error
Total
DF
2
15
17
SS
4.778
9.000
13.778
MS
2.389
0.600
F
3.98
P.
P
0.041
Como el valor P de 0.041 es menor que 0.05, se concluye que las medias no
son iguales.
El peor aprovechamiento lo tuvo el departamento C:
Level
Depto_A
Depto_B
Depto_C
N
6
6
6
Mean
7.3333
7.1667
6.1667
StDev
0.8165
0.7528
0.7528
Individual 95% CIs For Mean Based on

Pooled StDev
--+---------+---------+---------+------(---------*--------)
(--------*---------)
(---------*---------)
--+---------+---------+---------+------5.60
6.30
7.00
7.70
De las grficas de diferencias de Tukey, las medias de los procesos que son
diferentes son (dado que el cero no se encuentra en el intervalo de confianza
de la diferencia de medias Pairwise comparisons):
Si son diferentes o no estadsticamente, se comprueba con la Prueba de Tukey
con las grficas:
Si el cero se encuentra en el intervalo de la diferencia entre dos medias,
estas son iguales,

Si no se encuentra el cero en el intervalo, las medias son diferentes.
Depto_A subtracted from:

Depto_B
Depto_C
Lower
-1.3272
-2.3272
Center
-0.1667
-1.1667
El Depto_C es diferente del Depto_A.

Upper
0.9939
-0.0061
---------+---------+---------+---------+
(---------*--------)
(--------*---------)
---------+---------+---------+---------+
-1.2
0.0
1.2
2.4
Depto_B subtracted from:

Depto_C
Lower
-2.1606
Center
-1.0000
Upper
0.1606
---------+---------+---------+---------+
(---------*--------)
---------+---------+---------+---------+
-1.2
0.0
1.2
2.4
Ejercicio:
Probar a un 95% de nivel de confianza si hay diferencia significativa entre los
tiempos de respuesta de tres diferentes tcnicos A, B y C usados para reparar
un equipo. Comparar las diferencias entre medias por el mtodo de Tukey. Los
datos ejemplo se muestran a continuacin:
28

Reyes / Nov. 2009
A
9
12
10
8
15
B
20
21
23
17
30
P.
C
6
5
8
16
7
Instrucciones en Minitab:
Stat > ANOVA One way (Unstacked) Un solo factor desapilado
Responses (in separate columns) A B C
Graphs Box Plots
Comparisons: Tukeys family error rate 5
OK
De los resultados, se tiene:

Como el valor P de Fc de la ANOVA es
que 0.05, se concluye que
De las grficas de caja o Box Plots, se observa que:

De las grficas de diferencias de Tukey, las medias de los procesos que son
diferentes son (dado que el cero no se encuentra en el intervalo de confianza
de la diferencia de medias Pairwise comparisons):
Anlisis Multi-vari
En el caso de algunas variables como la temperatura de tanques vara
dependiendo del lugar donde se tomen.
La variacin puede ser lote a lote, tiempo a tiempo o dentro del lote,
para analizar estos tres tipos de variacin se utiliza la carta Multi-vari.
Tambin sirven para investigar la consistencia de un proceso.
Procedimiento de muestreo
Seleccionar el proceso y la caracterstica a ser investigada
Seleccionar los lotes y frecuencia en el tiempo
Usar una hoja tabular para registrar el tiempo y los valores para
cada lote
Graficar la carta con el tiempo o secuencia en el eje horizontal
Graficar los valores medidos en el eje vertical
Unir los valores observados con lneas apropiadas
Analizar la carta identificando la variacin dentro del lote, entre
lotes y en el tiempo
29

Reyes / Nov. 2009
P.
Realizar estudios adicionales para concentrarse en las reas

problema
Despus de la mejora, repetir el estudio para confirmar los
resultados
A continuacin se muestran las mediciones tomadas en cinco puntos de
los tanques o lotes, diferentes lotes secuenciales y su comportamiento
en el tiempo.
30

Reyes / Nov. 2009
P.
Temperatura
Temp. en 4 puntos
Nmero de lote
La interpretacin de la carta es aparente una vez que se grafican los
valores. Las ventajas de las cartas Multi-vari son:
Puede resaltar la variacin dentro del tanque o lote (posicional)

Puede resaltar la variacin entre lotes (cclica)
Sigue cualquier cambio relacionado con el tiempo (temporal)
Ayuda a minimizar la variacin al identificar reas donde buscar la
mayor variacin
Tambin identifica reas donde no buscar la variacin
Por ejemplo:
reas de
variacin
Posicional
Cclica
Temporal
Producto / Proceso bajo

consideracin
Tanque
Lote
Dentro del
tanque
Tanque a
tanque
En el tiempo
Dentro del
lote
Lote a lote
En el tiempo
Ejemplo descriptivo:
Un fabricante de lminas planas de aluminio lleva control del espesor
despus del rolado en caliente. La especificacin es de 0.245 0.005.
El proceso ha producido desperdicio ya que su Cp es de 0.8, el costo del
desperdicio es de $20,000 por mes. Se ha pensado en adquirir otra
mquina con un costo de $800,000 y 6 meses de instalacin.
31

Reyes / Nov. 2009
P.
Se hace un estudio Multi-vari para analizar el problema. Se hacen 4

mediciones dentro de la pieza y se toman tres piezas cada hora, con el
correspondiente resultado.
Parece que la variacin en el tiempo es la mayor, las contramedidas se

muestran a continuacin.
Tipo de
variacin
% de
variacin
Variacin y
causa
Correccin
de la
variacin
Tiempo a
tiempo
50%
Alimentador
automtico
Dentro de la
pieza
30%
Bajo nivel
de
refrigerante
Ajustes no
paralelas
Dentro de la
pieza
10 15%
Pieza a
pieza
5 10%
Respaldo
Cerca del
del rollo
30%
renivelado
Se agregan
10%
ms espreas
de rociado
Enfriamient
o
inadecuado
del rollo
Desconocido Ninguna
32
% de
reduccin
de la
variacin
Cerca del
50%
Ninguna

Reyes / Nov. 2009
P.
El costo total de las mejoras fue de $8,000 tomando dos semanas para el
proyecto y el Cp >1 cumpliendo con las especificaciones establecidas.
En Minitab:
File > Open worksheet > Sinter.mtw
Stat > Quality tools > Multi-Vari chart
Response Strenght Factor 1: Sinter time Factor 2: Metal type
OK
Multi-Vari Chart for Strength by SinterTime - MetalType
24
SinterTime
100
150
200
23
Strength
22
21
20
19
18
17
1
2
MetalType
Se observa que hay interaccin entre el tiempo de templado (Sinter

time) y el tipo de metal templado (MetalType) que le proporciona una
cierta resitencia.
Correlacin y regresin lineal simple

Diagrama de Dispersin
El diagrama de dispersin es una tcnica estadstica utilizada para estudiar la
relacin entre dos variables. Por ejemplo, entre dos parmetros o variables del
proceso.
La variable del eje horizontal x normalmente es la variable causa, y la variable
del eje vertical y es la variable efecto.
La relacin entre dos variables puede ser: positiva o negativa. Si es positiva,
significa que un aumento en la variable causa x provocar una aumento en la
33

Reyes / Nov. 2009
P.
variable efecto y y si es negativa significa que una disminucin en la variable

x provocar una disminucin en la variable y.
Por otro lado se puede observar que los puntos en un diagrama de dispersin
pueden estar muy cerca de la lnea recta que los atraviesa, o muy dispersos o
alejados con respecto a la misma. El ndice que se utiliza para medir ese grado
de cercana de los puntos con respecto a la lnea recta es el ndice de
correlacin r. En total existen cinco grados de correlacin: positiva evidente (r
= 1), positiva, negativa evidente (r = -1), negativa y nula (r = 0).
34

Reyes / Nov. 2009
Correlacin Negativa
Evidente
Correlacin Positiva
Evidente
25
25
20
20
15
15
10
P.
5
0
10
15
20
Sin Correlacin
0
25
10
0
0
10
25
15
20
25
20
15
25
Correlacin
Positiva
10
0
0
20
10
15
20
25
25
20
15
15
10
Correlacin
Negativa
10
5
0
0
10
15
20
25
10
15
20
25
La correlacin se utiliza para cuantificar el grado en que una variable influye en

el comportamiento de otra. Por ejemplo si se encuentra que la variable presin
tiene una correlacin positiva con el rendimiento de una caldera, se deben
buscar soluciones al problema mediante acciones asociadas con la variable
presin; de lo contrario, sera necesario buscar la solucin por otro lado.
35

Reyes / Nov. 2009
P.
Regresin por el mtodo de mnimos cuadrados

Es el procedimiento para encontrar la lnea recta que mejor ajuste a
los datos, esto se puede intentar hacer visualmente, tratando de
minimizar la diferencia entre los puntos y la lnea, la ecuacin de la recta
de prediccin es:
Fitted Line Plot
Resultados de prueba (%) = 31.21 + 0.6955 Tiempo de estudio (horas)
S
R-Sq
R-Sq(adj)
Resultados de prueba (%)
80
75
70
65
60
55
50
30
40
50
60
Tiempo de estudio (horas)
70
Otros ejemplos de regresin:
36
4.47182
77.0%
74.2%

Reyes / Nov. 2009
P.
Ejemplo: Se sospecha que el tiempo requerido para hacer un mantenimiento

preventivo est relacionado con su nmero. Calcular el coeficiente de
correlacin y graficar. Los datos de tiempo tomados para n = 25 servicios se
muestran a continuacin:
X
Servici
Y
os
Tiempo
1.2
101
0.8
92
1
110
1.3
120
0.7
90
0.8
82
1
93
0.6
75
0.9
91
1.1
105
Si todos los puntos estuvieran completamente sobre la recta la ecuacin lineal
sera
y = a + bx. Como la correlacin no siempre es perfecta, se calculan a y b de
tal forma que se minimice la distancia total entre puntos y la recta. Los clculos
tomando las sumas de cuadrados siguientes se muestran a continuacin:
USO DE EXCEL
1. En el men Herramientas seleccione la opcin Anlisis de datos. Datos
de ejemplo anterior.
2. Seleccione la opcin Regresin.
3. Seleccione el rango de entrada, estos corresponden a los datos numricos
de la tabla.
4. Seleccione Resumen de estadsticas.
5. En opciones de salida seleccione en Rango de salida, una celda de la hoja
de clculo que este en blanco ( a partir de est celda sern insertados los
resultados).
Resumen
Estadsticas de la regresin
Coeficiente de
0.9818117
correlacin mltiple
78
Coeficiente de
0.9639543
determinacin R^2
68
R^2 ajustado
0.9623871
37

Reyes / Nov. 2009
67
3.0934196
27
Error tpico
ANLISIS DE VARIANZA
Suma de
Grados de
libertad
Cuadrados
5885.85206
Regresin
1
9
220.092634
Residuos
23
8
6105.94470
Total
24
4
Intercepcin (bo)
XServicios (b1)
P.
Coeficient
es
5.114515
575
2.902704
421
Observaciones: Ecuacin
Error tpico
1.14580412
7
0.11704071
9
Promedio
de
cuadrado
s
5885.8520
69
9.5692449
92
Valor crtico
de F
F
615.0800
898 4.24118E-18
Significativa
Si es < 0.05
Estadstic Probabilid
ot
ad
Inferior 95%
4.463691 0.000177 2.74423916
004
215
1
24.80080 4.24118E- 2.66058724
825
18
9
Y = 5.11 + 2.9*X
En la grfica observamos que al aumentar el nmero de servicios el tiempo de

atencin aumenta.
USO DE MINITAB
Para obtener la lnea de mejor ajuste de la regresin, se procede como sigue en
Minitab:
Stat > Regression > Fitted Line Plot ... Indicar la columna de
Respuestas Y y la de predictores X, seleccionar si se quiere ajustar con los
38

Reyes / Nov. 2009
P.
datos con una lnea, una funcin cuadrtica o cbica y aceptar con OK.
Observar el mayor valor del coeficiente de correlacin que indica el mejor
ajuste.
Fitted Line Plot
Y Tiempo = 5.115 + 2.903 X Servicios
70
S
R-Sq
R-Sq(adj)
60
3.09342
96.4%
96.2%
Y Tiempo
50
40
30
20
10
0
0
10
X Servicios
15
20
Stat > Regression > Regression

Response Y Tiempo Predictors X Servicios OK
Resultados:
The regression equation is
Y Tiempo = 46.5 + 52.6 X Servicios
Predictor
Constant
X Servicios
Coef
46.486
52.57
S = 6.83715
SE Coef
9.885
10.26
R-Sq = 76.6%
T
4.70
5.12
P
0.002
0.001
R-Sq(adj) = 73.7%
Analysis of Variance
Source
Regression
Residual Error
Total
DF
1
8
9
SS
1226.9
374.0
1600.9
MS
1226.9
46.7
F
26.25
P
0.001
Coeficiente de determinacin
Es el cuadrado del coeficiente de correlacin lineal, o sea:
Con los datos del ejemplo anterior:
r 2=0. 766
Por tanto se decir que el 77% de la variacin en calificaciones puede ser
explicada por la variacin en horas de estudio. r2 se encuentra en el
intervalo entre 0 y 1.
39

Reyes / Nov. 2009
P.
Coeficiente de correlacin
Es un indicador de la fuerza de la relacin lineal entre dos variables Y y X
denominado el coeficiente de correlacin de Pearson.
r=0.875
Ejercicio: Los siguientes datos corresponden a la resistencia a la tensin de
un producto de papel relacionado a la cantidad de fibra en la pulpa. Se toman
10 muestras en una planta piloto y los datos obtenidos se muestran a
continuacin:
Y_Resistenci
a
160
171
175
182
184
181
188
193
195
200
X_%Fibra
10
15
15
20
20
20
25
25
28
30
Determinar el anlisis de regresin siguiente:

Stat > Regressin > Fitted line plot
Indicar Response (Y_Resistencia) y Predictor (X_%Fibra) Linear OK
El coeficiente de determinacin R-Sq es:

Conclusin:
La ecuacin de regresin es:
40

Reyes / Nov. 2009
Ejemplo:
41
P.

Reyes / Nov. 2009
Aplicaciones en la comprobacin de causas raz:
42
P.

Reyes / Nov. 2009
43
P.

Reyes / Nov. 2009
P.
4. Anlisis del modo y efecto de falla (FMEA)

El Anlisis Efecto Modo Falla es una metodologa para evaluar un sistema,
diseo, proceso o servicio, las posibles maneras en las que pueda fallar, los
problemas, errores, fallas, riesgos que puedan ocurrir.
El AMEF o FMEA ( Failure Mode and Effect Analisis) es una tcnica 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.
Identificar los modos de falla potenciales, y calificar la severidad de su

efecto.
Evaluar objetivamente la ocurrencia de causas y la habilidad de los
controles para detectar la causa cuando ocurre.
Clasifica el orden potencial de deficiencias de producto y proceso.
Se enfoca hacia la prevencin y eliminacin de problemas del producto y
proceso
44

Reyes / Nov. 2009
P.
Los efectos pueden ser:
Efectos Locales: Efectos en el rea Local, impactos Inmediatos
Efectos Mayores Subsecuentes: entre Efectos Locales y Usuario Final
Efectos Finales: efecto en el Usuario Final del producto
Existen tres componentes que ayudas a priorizar las fallas o problemas:
Ocurrencia (O): Frecuencia de la falla.
Severidad (S): Los efectos de la falla.
Deteccin (D: Es la habilidad para detectar la falla antes de que llegue al

cliente.
El resultado de un AMEF es:
Una lista de modos de falla potencial calificados por un RPN.
Una lista de caractersticas crticas y/o significativas potenciales.
Una lista de acciones recomendadas dirigidas a las caractersticas

crticas o significativas potenciales para cumplir con los CTQs.
45

Reyes / Nov. 2009
P.
Una lista de eliminacin de causas de modo de falla potenciales,

reduccin de la ocurrencia, mejora de la deteccin de defectos.
o
o
o
Listar todas las acciones sugeridas, qu persona es la responsable

y fecha de terminacin.
Describir la accin adoptada y sus resultados.
Recalcular nmero de prioridad de riesgo.
Ejercicio: Desarrollar un AMEF de un proceso real
46

Reyes / Nov. 2009
47
P.

Reyes / Nov. 2009
48
P.

Modulo3 Fanalisis

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Modulo3 Fanalisis

Cargado por

Copyright:

Formatos disponibles

Curso

LEAN SIGMA: MDULO 2. FASE DE MEDICIN

LEAN SIGMA: MDULO 2. FASE DE MEDICIN

Identificar todas las causas potenciales posibles

Establecer hiptesis sobre posibles Causas Raz

Identificar cules son las fuentes de variacin.

El proceso de anlisis que se recomienda es el siguiente:

LEAN SIGMA: MDULO 2. FASE DE MEDICIN

LEAN SIGMA: MDULO 2. FASE DE MEDICIN

Salidas de la Fase de Anlisis

La fase de anlisis consta de las siguientes etapas:

1. Identificar las fuentes de variacin y causas

Diagrama causa-efecto (ishikawa)

LEAN SIGMA: MDULO 2. FASE DE MEDICIN

Es utilizado para explorar e identificar todas las causas posibles y relaciones de

Primero se determinan las causas principales Ms:

LEAN SIGMA: MDULO 2. FASE DE MEDICIN

Estas constituyen las causas primarias del problema y es necesario desafiarlas

Se construye el diagrama espina de pescado con las causas primarias (Ms), a

Los cinco Porqus

nos atrasamos porque fallaron los filtros.

Las cinco preguntas no son obligatorias, si no hay necesidad de

LEAN SIGMA: MDULO 2. FASE DE MEDICIN

Es utilizado para explorar e identificar todas las causas posibles y relaciones de

Ejemplo en Minitab para un problema de soldadura:

LEAN SIGMA: MDULO 2. FASE DE MEDICIN

LEAN SIGMA: MDULO 2. FASE DE MEDICIN

Diagrama de Causa Efecto en Minitab

2. Seleccione: Stat>Quality Tools>Cause and Effect Diagram

4. Introducir las columnas de las CAUSAS PRINCIPALES correspondientes a

5. Introducir las columnas correspondientes a las subcausas

LEAN SIGMA: MDULO 2. FASE DE MEDICIN

en la rama de PERSONAL (seleccionar SUB a la

LEAN SIGMA: MDULO 2. FASE DE MEDICIN

Seleccionar entre las subcausas potenciales las que pueden ser ms

PRCTICA: Realizar un Diagrama de Causa Efecto para las causas

LEAN SIGMA: MDULO 2. FASE DE MEDICIN

LEAN SIGMA: MDULO 2. FASE DE MEDICIN

El diagrama de interrelaciones es una herramienta grfica que se emplea para

LEAN SIGMA: MDULO 2. FASE DE MEDICIN

7. Estudiar la grfica doble de interrelaciones.

LEAN SIGMA: MDULO 2. FASE DE MEDICIN

LEAN SIGMA: MDULO 2. FASE DE MEDICIN

Un aspecto clave identificado por el equipo

2. Comprobacin de causas raz por pruebas fsicas

LEAN SIGMA: MDULO 2. FASE DE MEDICIN

LEAN SIGMA: MDULO 2. FASE DE MEDICIN

LEAN SIGMA: MDULO 2. FASE DE MEDICIN

3. Comprobacin de causas raz de fuentes de

La media antes de la mejora

La varianza antes de la mejora

Para realizar la prueba se deben comprender las hiptesis:

LEAN SIGMA: MDULO 2. FASE DE MEDICIN

LEAN SIGMA: MDULO 2. FASE DE MEDICIN

Tipos de pruebas de hiptesis

Prueba de Hiptesis de dos poblaciones:

Test for Equal Variances for Form_ 1, Form_ 2

A un 95% de nivel de confianza (alfa es 5% o 0.05),

LEAN SIGMA: MDULO 2. FASE DE MEDICIN

Ha: son diferentes

Identificar el valor P en la prueba F, si es menor a 0.05 se rechaza Ho y son

Se concluye que Las varianzas son iguales

LEAN SIGMA: MDULO 2. FASE DE MEDICIN