Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ESTUDIO DE CASO
Presenta
Lectores:
Dra. Odette Lobato Calleros
Mtro. Alfonso Morales Ibarra
Mxico, D. F. 2011
ndice
i
2.11. Conclusiones del captulo. 50
CAPTULO 6. Desarrollo del Ciclo Deming sobre el problema de inters y Optimizacin del proceso
de fabricacin 147
ii
6. Introduccin. 148
6.1. Aceptacin del problema y formacin de equipos de mejora. 149
6.2. Definicin del problema. 150
6.3. Mediciones del desempeo. 152
6.4. Analizar el problema/proceso. 153
6.5. Determinar posibles causas. 158
6.6. Seleccionar e implementar la solucin. 164
6.7. Evaluar la solucin-el seguimiento. 175
6.8. Asegurar la permanencia. 176
6.9. Mantener la mejora continua. 178
6.10. Optimizacin del proceso de fabricacin del producto CT25/100. 179
6.11. Presentacin final de resultados. 224
6.12. Conclusiones del captulo. 227
BIBLIOGRAFA 235
ANEXO II. Grficas de control y R formato hoja de clculo Microsoft Excel. 257
iii
Introduccin al estudio de caso
Antecedentes
3
ventas globales de los 10 laboratorios farmacuticos ms grandes en el mundo ha
variado, desde 20% en 1985 hasta 48% en el ao 2000 (Santos & Cuarn, 2009).
Para Laboratorios MRE esta situacin es muy importante, pues representa nuevos
retos econmicos y la mejora de procesos para permanecer en el mercado,
teniendo la importante tarea de replantear sus procesos en un contexto de
manufactura esbelta, adoptando una nueva filosofa de trabajo que como se
menciona al inicio de esta breve introduccin, permita mejorar la calidad de sus
productos, se elimine al mximo el desperdicio y se reduzcan sus tiempos de
entrega, as como sus costos totales.
4
Justificacin y trascendencia del estudio
5
Planteamiento del problema
80%
60%
40%
20%
0%
1
Valoracin
de Activo 1
2
Valoracin
3 4
Uniformidad de Uniformidad de
de Clortalidona Cont. Activo 1 Cont. Clortalidona
5
Disolucin
Activo 1
6
Disolucin
Clortalidona
6
Adicionalmente la fabricacin de slidos orales en Laboratorios MRE se vera
favorecida, ya que actualmente se encuentra en una etapa de revalidacin de
procesos, misma que involucra actividades de pre control, monitoreo y
evaluacin de su desempeo o capacidades.
El desarrollo del estudio comprender las cuatro etapas del Ciclo Deming,
desarrollando cada una hasta haber mejorado (controlado y estandarizado) el
proceso de fabricacin del producto CT25/100, eliminando como consecuencia
las principales causas que influyen sobre la baja disolucin de Clortalidona en
comprimidos. Adicionalmente, como parte de este proceso de mejora se
pretende optimizar el proceso de fabricacin de comprimidos de Clortalidona en
su etapa de compresin.
1. Identificar y eliminar las principales causas que influyen sobre la baja disolucin
del ingrediente activo Clortalidona en comprimidos orales del producto
CT25/100, utilizando para ello la metodologa del Ciclo Deming (PDSA) como
herramienta de manufactura esbelta y de resolucin de problemas.
1.1. Desarrollar la etapa planificar del Ciclo Deming describiendo y
analizando la situacin actual del proceso de fabricacin, posibles causas
de baja disolucin y su discernimiento.
1.2. Desarrollar la etapa hacer del Ciclo Deming estableciendo soluciones
viables al problema y su impacto en las causas principales, concluyendo
con la verificacin de su ejecucin.
1.3. Desarrollar la etapa estudiar del Ciclo Deming revisando los resultados
obtenidos durante el proceso de fabricacin posterior a la implantacin
7
de soluciones, corroborando si lo definido se desarrolla bajo el control de
causas y resultados.
1.4. Desarrollar la etapa actuar del Ciclo Deming llevando a cabo acciones
para asegurar el cambio (preventivas, correctivas, rentabilidad, etc.) con
base en el anlisis de resultados y plan de implementacin.
2. Optimizar el proceso de fabricacin del producto CT25/100 utilizando almidn
de maz parcialmente pregelatinizado, una vez implementadas las soluciones
para eliminar las causas que dieron origen a la baja disolucin del ingrediente
activo Clortalidona.
2.1. Evaluar el impacto del estado de segregacin del granulado sobre las
caractersticas de peso y dureza de los comprimidos de Clortalidona en
lotes piloto.
2.2. Evaluar el impacto del estado de segregacin del granulado sobre los
estudios de repetibilidad y reproducibilidad (r&R) para las magnitudes de
peso y dureza de los comprimidos de Clortalidona en lotes piloto,
determinando al mismo tiempo aquellos factores de mayor variabilidad en
los estudios.
2.3. Evaluar el impacto del estado de segregacin del granulado sobre los
tiempos de disolucin de los comprimidos de Clortalidona en lotes piloto.
Metodologa de estudio
Como parte de una nueva cultura de trabajo, el presente estudio tiene la firme
intencin de lograr la adopcin del Ciclo Deming como una metodologa y
herramienta de solucin de problemas dentro del contexto de la Manufactura
Esbelta aplicada a la estructura laboral de Laboratorios MRE.
1
Autores como Camisn, Cruz & Gonzlez indican que fue Mikel Harry quien desarroll esta metodologa.
8
derivado de insuficiencias relacionadas con acciones preventivas, lo cual es un
aspecto importante a considerar si se desea la mejora continua (Camisn, Cruz, &
Gonzalez, 2007, pgs. 876-877). Recientemente, en particular en el contexto de
Six Sigma, las organizaciones han comenzado a aplicar un enfoque llamado TRIZ,
que es el acrnimo ruso de la Teora de la Solucin Inventiva de Problemas (Theory
of Inventive Problem Solving). TRIZ fue desarrollado por un empleado de la oficina
de patentes rusa, quien estudi miles de presentaciones y observ patrones de
innovacin comunes en la evolucin de los avances cientficos y tcnicos (Evans
& Lindsay, 2008, pg. 662). Hoy en da, el Ciclo Deming se encuentra modificado
en relacin a sus etapas y uso de herramientas estadsticas, sin embargo,
conserva sus cuatro fases originales.
Con base en lo anterior, es importante hacer notar que bajo el contexto que se
desee considerar, la metodologa del Ciclo Deming ha servido de sustento para el
desarrollo de otras metodologas de solucin de problemas y mejora de negocios,
por consecuencia, esta metodologa contina vigente ofreciendo un proceso
sistematizado que permite la consecucin de la mejora de la calidad en
cualquier proceso de una organizacin, tanto a corto plazo para la mejora
continua, como a largo plazo para el aprendizaje organizacional.
9
necesaria para el desarrollo de sus actividades. Asimismo, la capacitacin
del personal involucrado en este proceso se vuelve continua.
Una vez concluida la gestin del Ciclo Deming y con la finalidad de ensayar sobre
modificaciones al proceso de fabricacin del producto CT25/100, la Optimizacin
de Procesos abord los siguientes eventos durante tres meses ms para concluir
esta fase del estudio:
Contenido capitular
Con la finalidad de que los lectores del presente estudio de caso tengan una
visin clara del orden y contenido del mismo, en la Figura 2 se presenta un mapa
capitular a manera de resumen simplificado de lo que el lector encontrar en
cada uno de los seis captulos que integran este trabajo. Como se puede
observar, el mapa inicia con el captulo 1 (extremo superior izquierdo) referente a
la industria farmacutica, en donde se define y explican algunas de sus
caractersticas, procesos de investigacin, evaluacin y operaciones implcitas en
la fabricacin de un medicamento. El mapa termina con la enunciacin de las
conclusiones generales y recomendaciones tras haber dado solucin al problema
de inters utilizando el Ciclo Deming como herramienta de manufactura esbelta,
y haber optimizado el proceso de manufactura del producto CT25/100.
10
CAPTULO 1. LA INDUSTRIA FARMACUTICA CAPTULO 2. LA FARMACIA Y SU IDIOMA
11
Captulo 1
La industria farmacutica
1. Introduccin
14
1.1. La industria farmacutica por definicin
15
1.3. El proceso de investigacin y desarrollo de un frmaco
Una ltima precisin, todo medicamento sea cual sea su forma de administracin,
se compone de dos elementos bsicos: a) un principio activo (en algunas
ocasiones se combina ms de uno, pero la mayora de frmacos constan de
uno), que es la sustancia que posee un efecto teraputico, y b) una serie de
excipientes que permiten la administracin de ese principio activo de la forma
adecuada, normalmente sin aportar valor teraputico, aunque a veces
potencian o regulan el efecto del principio activo. Empezaremos nuestra
explicacin hablando de las molculas que pueden convertirse en principios
activos. Esta fase se conoce normalmente como desarrollo pre clnico porque se
lleva a cabo principalmente en los laboratorios, sin intervencin todava de
personas en las que se prueben los efectos del medicamento. Una vez obtenido
el principio activo, empieza la fase de desarrollo farmacutico en la que
intervienen los excipientes y en la que se trata de obtener la forma farmacutica
ms adecuada en cada caso (cpsula, comprimido, pomada, gel, inyectable u
otros). Cuando el desarrollo farmacutico concluye con xito, se obtiene el
producto final que ser objeto de los llamados ensayos clnicos y que se
convertir, si todo sale bien, en un medicamento que llegar a las oficinas de
farmacia.
16
conocimiento que se tenga de la enfermedad, de su origen y de la forma que
acta (a qu clulas afecta y mediante qu mecanismos), los equipos
investigadores tratan de definir dianas u objetivos que el frmaco deber
alcanzar para prevenirla, curarla o paliar todos o parte de sus efectos. La
investigacin bsica ha de determinar las mejores molculas en funcin del
impacto que pueden tener sobre la enfermedad, pero tambin sobre el conjunto
de nuestro organismo, buscando siempre una relacin beneficio-riesgo favorable,
que se consigue cuando los beneficios que pueden derivarse del consumo del
medicamento compensan los efectos adversos que cabe esperar del producto
(Faus & Segarra, 2008, pgs. 17-20).
EL DESARROLLO FARMACUTICO
Ahora que los grandes chefs recurren a la qumica para presentar sus novedades
en el mbito gastronmico, podramos comparar el desarrollo de una forma
farmacutica con la creacin de una nueva receta, aunque conviene ser algo
prudente al respecto. Es cierto que en el desarrollo farmacutico, igual que hace
un cocinero, se parte de un ingrediente bsico y se pretende buscar la mejor
forma de administrarlo, pero en el caso de los medicamentos las cosas son un
poco ms complejas, porque las actividades de investigacin y desarrollo en este
terreno tienen un impacto directo en la eficacia y la seguridad del frmaco. As,
cualquiera de las molculas seleccionadas entre las miles investigadas en la fase
de desarrollo qumico a la que nos hemos referido en el apartado anterior puede
generar los efectos deseados o no, con un nivel de seguridad aceptable o no, en
funcin de cmo se formule, de cmo se presente para su administracin a los
pacientes.
EL DESARROLLO CLNICO
El concepto de ensayo clnico se refiere a las investigaciones llevadas a cabo en
personas con el fin de determinar la seguridad y/o eficacia de un medicamento
en investigacin. En este sentido, el ensayo puede tener por objeto determinar o
confirmar los efectos clnicos, detectar reacciones adversas, estudiar cmo se
absorbe el medicamento, cmo se metaboliza o cmo se elimina. De hecho,
cualquier investigacin que suponga administrar un frmaco a un ser humano
con el fin de evaluar cmo acta el producto es un ensayo clnico.
17
Otra cuestin importante es entender quines son las personas o entidades que
intervienen es esta fase del proceso. En primer lugar, el sujeto de ensayo. As es
como se llama a la persona que participa en el ensayo y a la que se administra el
medicamento que se est analizando o a la que se suministra otro producto que
sirve como control. Sin duda, es el componente principal del ensayo, y uno de los
principios bsicos de la investigacin clnica es que los derechos, la seguridad y
bienestar del sujeto del ensayo prevalecen sobre los intereses de la ciencia o de
la sociedad. En segundo lugar, en todo ensayo interviene un promotor, que suele
ser una empresa o una institucin pblica. El promotor es quien tiene inters en la
realizacin del ensayo y lo financia. Junto a l, es frecuente encontrar monitores
(personal profesional) que hacen el seguimiento del ensayo y empresas que
prestan servicios de apoyo, las llamadas CROs (siglas que provienen del ingls
Contract Research Organization). En todo ensayo encontraremos un investigador
principal (profesionista sanitario) que se responsabiliza del estudio y que ser quien
finalmente suscriba el informe, recogiendo todos los aspectos relevantes del
mismo.
18
producto. Antes de completar este proceso, adems, la administracin habr
valorado si la entidad que solicita el permiso para comercializar el frmaco en
cuestin dispone de los medios humanos y materiales suficientes para cumplir con
las obligaciones que se imponen a las empresas que se dedican a vender
medicamentos. En la actualidad la evaluacin pblica de medicamentos es un
proceso altamente reglamentado, cuyo principal objetivo es proteger la salud de
los ciudadanos, impidiendo que lleguen al mercado productos que no han sido
investigados de forma completa y correcta, pero tambin en este mbito debe
destacarse que estamos ante una actuacin administrativa que existe, en la
forma como hoy la conocemos, desde hace relativamente poco tiempo.
19
1.5. Operaciones
20
control de calidad, que son los laboratorios que realizan los anlisis de materiales y
productos).
21
accesible trazabilidad: en cada lote de producto acabado se ha de poder definir
de que lotes de materiales y principio activo provienen y donde ha ido a parar en
el mercado, de forma que en cualquier momento que se detecte un error se
pueda saber inmediatamente si el lote ha sido comercializado, donde (para
retirarlo del mercado rpidamente si es necesario) y a quin puede afectar.
La normativa de calidad afecta integralmente, con esta lgica, a todas las fases
del proceso de fabricacin: la planificacin y aprovisionamiento de los materiales,
su almacenamiento y uso, el control de calidad, la higiene de todas las zonas por
las que transitan, la validacin y limpieza de zonas y equipos, el mantenimiento, la
distribucin, etctera (Faus & Segarra, 2008, pgs. 125-128).
Los procedimientos ms habituales son los que se resumen en la Figura 1.5.1, que si
bien no es ms que un esquema de los procesos productivos farmacuticos,
permite obtener una visin general de los mismos sin necesidad de abordar
aspectos tcnicos complejos.
22
Tejidos vegetales y
Sustancias qumicas Cultivos microbiolgicos
animales
Principio activo
Obtencin de principio activo
Compresin
Recubrimiento
Jarabes,
Productos Productos Pomadas, Pldoras
gotas, Comprimidos Cpsulas
liofilizados en polvo supositorios (Grageas)
frascos
ltimos pasos
preparacin forma Obtencin forma farmacutica
farmacutica
Acondicionado
(envasado) Obtencin producto final
23
En cualquiera de estos procesos existen unos pasos bsicos que siempre estn
presentes y que constituyen un denominador comn del proceso operativo
farmacutico:
24
1.7. Conclusiones del captulo
25
Captulo 2
La farmacia y su idioma
2. Introduccin
28
2.1. Qu es la farmacia?
Los medicamentos rara vez son frmacos puros, pues habitualmente precisan de
aditivos para constituir las formas farmacuticas, lo cual nos lleva al concepto de
formulacin. De esta manera, el diseo de las formas farmacuticas requiere tres
consideraciones principales:
1. Las propiedades fisicoqumicas del propio frmaco: color olor, sabor, forma
cristalina, tamao de los cristales, ionizacin, solubilidad, etc.
2. Consideraciones biofarmacuticas: cmo la eleccin de la va de
administracin de una forma farmacutica influye en la velocidad y
magnitud de la absorcin del frmaco en el organismo.
3. Consideraciones teraputicas sobre la enfermedad que se va a tratar, que
a su vez condiciona el tipo de forma farmacutica ms adecuado, las
posibles vas de administracin y la duracin de la accin y frecuencia de
de las dosis de ese frmaco (Aulton, 2004, pg. xi).
29
2.2. El diseo de las formas farmacuticas
2
La cantidad relativa de la dosis suministrada de un frmaco que llega intacta a la circulacin sistmica y la
velocidad a la que lo hace determinan su biodisponibilidad. Por lo tanto, la biodisponibilidad se define como
la velocidad y la magnitud de la absorcin del frmaco (Aulton, 2004). En otras palabras, es la fraccin de la
dosis de un frmaco administrada que llega hasta el tejido sobre el que realiza su actividad teraputica.
30
Existen numerosas formas farmacuticas a las que puede incorporarse un
frmaco para tratar de manera eficaz y cmoda una enfermedad. Las formas
farmacuticas pueden disearse para ser administradas por vas alternativas, con
objeto de conseguir una respuesta teraputica mxima. Los preparados pueden
administrarse por va oral, en inyeccin, por inhalacin o a travs de la piel. En la
Tabla 2.2.1 se recogen las presentaciones farmacuticas que pueden utilizarse
para administrar frmacos por distintas vas. Sin embargo, antes de que pueda
hacerse una combinacin correcta entre la sustancia farmacolgica y su
presentacin farmacutica, es necesario relacionar aqulla con la indicacin
clnica que se va a tratar, pues cada enfermedad suele precisar un tipo
especfico de tratamiento farmacolgico. Adems, cuando se disea una forma
farmacutica, hay que tener en cuenta los factores que rigen la eleccin de la
va de administracin y los requisitos especficos de dicha va que influyen en la
absorcin del frmaco.
31
2.3. Aspectos biofarmacuticos del diseo de las formas farmacuticas
Aparato
Piel
digestivo
Formulaciones Bucal Tpica
orales Boca
vascular
rbol
Inyeccin SC
Directa
o Inyeccin IM
Estmago entero-
rbol vascular
hep- Aparato
tica Aparato
circulatorio respiratorio
Intestino (frmaco
delgado o metabolitos)
vascular
Aerosoles
rbol
Gases
Intestino
grueso
Inyeccin IV
Formulaciones Rectal
Recto Frmaco o
rectales
metabolito en los
tejidos, lquidos
extravasculares y
linfticos
Riones
Frmaco en
las heces
Frmaco Frmaco en la saliva,
en la orina el aire espirado, etc.
Excrecin
Eliminacin
Figura 2.3.1. Vas que puede seguir un frmaco tras la administracin de una forma farmacutica
por vas diferentes.
32
2.4. Factores propios de los frmacos en el diseo de las formas farmacuticas
Tabla 2.4.1. Propiedades de las sustancias farmacolgicas con importancia para el diseo
de la forma farmacutica y posibles condiciones extremas que ocurren durante los
procesos de fabricacin
Condiciones extremas del
Propiedades Procedimiento de fabricacin
procesamiento
Propiedades cristalinas,
Temperatura Granulacin
polimorfismo
Estabilidad Desecacin
Organolpticos Compresin
Cristalizacin
Manejo
Conservacin
Transporte
33
2.5. Comprimidos y compactacin
34
Disgregacin Desagregacin
Comprimido Partculas
Grnulos
intacto primarias del
frmaco
Absorcin
Frmaco en sangre
3
El proceso de disgregacin de un comprimido se produce en dos pasos. En primer lugar, el lquido
humedece el slido y penetra en los poros del comprimido para despus fragmentar el comprimido en trozos
ms pequeos. La fragmentacin real del comprimido tambin puede ser escalonada, es decir, el comprimido
se disgrega en agregados de partculas primarias que despus se desagregan en sus partculas primarias de
frmaco. La desagregacin directa en partculas primarias de polvo establece las condiciones de la disolucin
ms rpida posible del frmaco (Aulton, 2004, pg. 406).
35
Comparados con las formas farmacuticas lquidas, los comprimidos tienen
ventajas generales en cuanto a la estabilidad qumica y fsica de la forma
farmacutica.
El procedimiento de preparacin permite una posologa exacta del
frmaco.
Los comprimidos son cmodos de manejar y se pueden preparar de una
forma verstil con respecto a su uso y la liberacin del frmaco.
Por ltimo, los comprimidos pueden producirse en masa con
procedimientos de produccin estrictos y sometidos a un control de
calidad que dan un preparado de calidad homognea y, en trminos
relativos, a un precio bajo.
Como todas las dems formas farmacuticas, los comprimidos deben cumplir
varias especificaciones sobre sus propiedades qumicas, fsicas y biolgicas. Los
aspectos de calidad relacionados con el producto definitivo deben tenerse en
cuenta desde las primeras etapas del proceso de desarrollo, ya que sirven para
indicar el objetivo que se debe alcanzar durante el desarrollo y fabricacin de los
comprimidos.
36
El comprimido debe tener una resistencia mecnica suficiente para
soportar la fractura y erosin durante su manipulacin.
El comprimido debe ser fsica, qumica y microbiolgicamente estable
durante el perodo de validez del producto.
El comprimido debe formularse en un producto que sea aceptable para el
paciente.
El comprimido debe envasarse de forma segura.
Grnulos
Matriz, corte
transversal Posicin 1
Posicin 2
Se levanta el
La zapata se ha desplazado
punzn superior
hacia delante sobre la matriz
y desciende el
y los grnulos caen en ella
Punzn punzn inferior
inferior
Posicin 4
Posicin 3 El punzn superior se ha
La zapata retrocede y el desplazado hacia arriba y el
punzn superior desciende y punzn inferior tambin,
comprime los grnulos para empujando el comprimido
formar el comprimido para expulsarlo. El ciclo se
repite a continuacin
Tales problemas estn relacionados con las propiedades del polvo destinado a
formar los comprimidos, tambin con el diseo y condiciones de la prensa. Esto se
deben evitar comprobando que el polvo posee propiedades tcnicas
adecuadas y que se usa la tableteadora apropiada bien ajustada, por ejemplo,
en cuanto al uso de dispositivos de alimentacin forzada, matrices y punzones
pulidos.
38
Desplazamiento o flujo.
Propiedades de compresin y compactibilidad.
Propiedades de friccin y adhesin.
Las dimensiones de las partculas de los materiales slidos son importantes para
lograr una produccin ptima de medicamentos eficaces. La Figura 2.8.1
muestra un perfil de la vida til de un frmaco; durante las fases 1 y 2, en las que
se sintetiza y formula un frmaco, se determina el tamao de las partculas de
este y otros polvos, que despus influye sobre el rendimiento fsico posterior del
medicamento y sobre el rendimiento farmacolgico del producto (Aulton, 2004,
pg. 154).
39
problemas durante la formulacin, pueden definirse los tamaos de las partculas
del frmaco y de los dems polvos para prevenir los problemas de produccin.
40
partculas con muchos dimetros distintos, la distribucin del tamao se separa en
distintos intervalos, que a su vez se representan en forma de histograma, dibujado
a partir de datos como los de la Tabla 2.8.1. Este tipo de histogramas representa
una interpretacin de la distribucin del tamao de las partculas y permite
determinar el porcentaje de aquellas que tienen un dimetro equivalente dado.
La representacin mediante histograma hace posible comparar las distribuciones
de las partculas de distintos tamaos; por ejemplo la distribucin del tamao
mostrada en la Figura 2.8.2b contiene una proporcin de partculas finas mayor
que el polvo representado en la Figura 2.8.2a, en la que las partculas muestran
una distribucin normal. El valor de frecuencia mximo, conocido como la moda,
separa la curva normal en dos mitades idnticas, ya que la distribucin del
tamao es completamente simtrica.
Nmero de Porcentaje de
Dimetro
partculas en partculas en cada
equivalente de
cada intervalo de intervalo de
las partculas
dimetros dimetros (frecuencia
(m)
(frecuencia) porcentual)
20 100 4.5
40 200 9.1
60 400 18.2
80 800 36.4
100 400 18.2
120 200 9.1
140 100 4.5
41
En algunas distribuciones de tamao se produce ms de una moda: la Figura
2.8.2c muestra una distribucin de frecuencia bimodal de un polvo sometido a
trituracin. Algunas de las partculas ms gruesas de la poblacin no triturada
permanecen intactas y producen una moda hacia las partculas de mayor
tamao, mientras que las partculas fracturadas tienen una nueva moda que
aparece en una posicin inferior en el intervalo de tamaos (Aulton, 2004, pgs.
154-156).
Frecuencia porcentual
Frecuencia porcentual
Frecuencia porcentual
a) b) c)
Moda Moda Moda
42
Tabla 2.9.1. Ejemplos de sustancias usadas como excipientes en
la formulacin de comprimidos
Tipo de excipiente Ejemplo de sustancias
43
2.10. Tipos de comprimidos y pruebas de evaluacin
DISGREGACIN
Como se ha comentado en varias ocasiones, el proceso de liberacin del
frmaco de los comprimidos de liberacin inmediata incluye a menudo un paso
en el cual el comprimido se disgrega en fragmentos ms pequeos. Para valorar
44
este proceso se han desarrollado mtodos de anlisis cuyos ejemplos se describen
como estndares oficiales en las farmacopeas.
Imagen 2.10.1. Imagen de un equipo de disgregacin para el estudio del tiempo de disgregacin
de un comprimido.
45
captacin aceptables del frmaco in vivo y, por tanto, de su efecto clnico
aceptable. No obstante, es razonable pensar que si un preparado no cumple
con la prueba no tiene muchas posibilidades de ser eficaz. Las pruebas de
desintegracin son tiles para evaluar la importancia que pueden llegar a tener
las variables de la formulacin y del proceso sobre las propiedades
biofarmacuticas del comprimido y como procedimiento de control para evaluar
la reproducibilidad de la calidad del comprimido durante su produccin.
DISOLUCIN
La prueba de disolucin es la forma ms importante que tenemos para estudiar in
vitro la liberacin de un frmaco desde una forma posolgica slida, por lo que
representa una herramienta importante para evaluar los factores que afectan a
la biodisponibilidad de un frmaco desde el preparado slido. Durante la prueba
de disolucin se estudia la cantidad acumulada del frmaco que va entrando en
la disolucin en funcin del tiempo. Por tanto, la prueba describe la velocidad
global de todos los procesos implicados en la liberacin del frmaco hacia una
forma biodisponible.
Este ltimo aspecto requiere que los datos de disolucin in vitro se correlacionen
con el comportamiento in vivo de la forma farmacutica, lo que se deber
verificar experimentalmente. El trmino in vitro/in vivo, tal como se usa en este
contexto, se refiere a la correlacin existente entre la disolucin in vitro y la
liberacin o captacin del frmaco in vivo. Establecer esta correlacin es uno de
los aspectos ms importantes de una prueba de disolucin para un preparado
que se encuentra en la fase de desarrollo de la formulacin.
46
de la sustancia disuelta y, en las condiciones de flujo, el lquido que se encuentre
en la cmara de disolucin). Normalmente, la concentracin del principio activo
en el medio de disolucin en conjunto no exceder al 10% de la solubilidad del
frmaco, es decir, cuando est sumergido.
Imagen 2.10.2. Imagen de un equipo de disolucin basado en los mtodos de pala y cesta
giratoria para el estudio de la velocidad de disolucin de un comprimido.
47
es decir, se determina la cantidad de frmaco disuelto en un periodo de
tiempo determinado.
RESISTENCIA MECNICA
La resistencia mecnica de un comprimido se asocia con la resistencia de la
muestra slida frente a la rotura y el desgaste. Un comprimido aceptable debe
mantenerse intacto durante su manipulacin desde que se fabrica hasta que se
consume. De esta forma, determinar su resistencia mecnica es una parte
importante de los procesos de formulacin produccin de los comprimidos. Este
estudio se realiza por varios motivos, como son:
Existen varios mtodos para medir la resistencia mecnica y cada uno obtiene
resultados diferentes. Se usan mtodos de anlisis que derivan de los materiales
4
Grado de acidez o basicidad (alcalinidad) de una sustancia en solucin.
5
Concentracin total de iones y su carga de una o varias sustancias en solucin.
48
utilizados, especialmente aplicables a los datos de resistencia que evalan las
propiedades del material. Los mtodos ms utilizados para el estudio de la
resistencia se pueden clasificar en dos grupos principales:
49
En esta prueba de compresin el comprimido se coloca contra una placa
y se aplica la carga sobre su dimetro utilizando otra placa mvil (Imagen
2.10.4). Lo ideal es que el comprimido falle a lo largo de su dimetro, es
decir, paralelamente a la carga de compresin, con una sola fractura
generando dos piezas de tamao similar, y se registre la fuerza de fractura
(Aulton, 2004, pgs. 417-422).
50
Captulo 3
Manufactura Esbelta
(Lean Manufacturing)
3. Introduccin
Movimiento
Una empresa Lean, esbelta o gil, que quiera obtener el mejor beneficio dadas
las condiciones cambiantes de un mundo globalizado, debe ser capaz de
adaptarse rpidamente a los cambios. Para ello debe recurrir a las herramientas
idneas de mejora, prevencin, solucin de problemas y administracin
disponibles, tener hbitos que influyan en la cultura y disponer de una
administracin congruente con liderazgo que motive el cambio y el auto
crecimiento (Socconini, 2008, pg. 11). La agilidad se requiere en entornos poco
predecibles donde la demanda para la variedad es alta. Lo esbelto en entornos
predecibles de mayor volumen y poca variedad (Christopher & Towill, Dont Lean
Too Far Distinguishing Between the Lean and Agile Manufacturing Paradigms,
2000, pgs. 1-5).
MODELO ESTRATGICO
Cuando se habla de Just In Time, con frecuencia se comete el error de afirmar
que el principal objeto de estudio de este sistema es el inventario, y que la
reduccin de este es la meta final que hay que lograr. Se llega incluso, en un
afn de simplificacin de esta idea, usar sinnimos como inventario cero. Esto
no es ms que un mito originado por un malentendido, como puede verse en el
modelo que la misma Toyota diseo para el sistema (Figura 3.1.1). Como en
53
cualquier negocio, la meta por lograr es la satisfaccin del cliente y la
rentabilidad sostenida. Este mensaje de la meta de la compaa revela un
evidente inters no slo en darles a los clientes lo que piden, sino en ir ms all
buscando su verdadera satisfaccin. Adems, esto debe lograrse de manera
econmica, sin derrochar los recursos que los accionistas de la empresa han
depositado en ella. As pues, la rentabilidad se refiere a que todos aquellos
relacionados con el producto o la marca, as como los clientes, proveedores,
trabajadores y accionistas, debern buscar que el negocio genere ganancias.
hi
nc
u
Aprendizaje continuo a travs de kaizen.
uts
ge
Ve y observa por ti mismo para comprender al completo la situacin
nb
(genchi genbutsu).
ge
Toma decisiones detenidamente de forma consensuada,
contemplando todas las opciones posibles, implementa rpidamente.
ajo
rab
uip
eto
ize
en
Re
Figura 3.1.1. Pirmide 4P del modelo Toyota (Liker, 2006, pg. 35).
54
cada trabajador la parte del plan y estrategia que le corresponde para lograr los
objetivos de la compaa. La administracin se basa principalmente en el valor
generado para los clientes y los procesos que as lo llevan a cabo. En ello radica
la importancia de realizar un anlisis de valor.
Direccin
Plan Hoshin Kanri: Despliegue a todos
Administracin de cadenas de valor
Excelencia operacional
Kaizen
Lean Accounting
55
descomposturas en las mquinas, produccin en lotes grandes, transportes, etc.,
la mayora invisibles para la gerencia. Estos desperdicios ocultos dejan casi
siempre una huella que nos puede ayudar a descubrirlos: el tiempo. Los tiempos
largos de respuesta normalmente indican la presencia de otro tipo de problemas
recurrentes. Por ello, en la manufactura hay que procurar procesos con mnimo
tiempo de ciclo; es decir, con menos desperdicios y con un sistema de flujo
continuo de produccin.
Por su parte, la calidad de los productos y los procesos se deber lograr durante
las operaciones mismas que los generan, y no slo medirla o evaluarla al final del
proceso mediante un muestreo. ste permitir descubrir una parte de los
defectos despus de que se hayan generado, pero difcilmente permitir
prevenirlos. Calidad en la fuente significa que los operadores y su equipo
contribuyen en sus procesos a lograr una calidad excelente desde la primera vez
que se realiza el trabajo.
56
En una empresa de clase mundial es vlido considerar que no slo se trata de
implementar herramientas, sino de adoptar una actitud de liderazgo y trabajar
para crear una nueva cultura.
57
sacarlo a uno de una zona de comodidad a la que ha llegado sin hacer ms que
lo absolutamente necesario para mantenerse en un empleo.
Si no hay visin ni liderazgo, habr incertidumbre ante los nuevos retos que afronte
la empresa; sin motivacin, los cambios tardarn mucho en producirse; sin el
conocimiento y las habilidades para poner en marcha las iniciativas, se producir
un sentimiento de frustracin pues tendremos todos los elementos, pero no
sabremos cmo concretarlos; sin planes y su debido seguimiento, solamente
tendremos salidas en falso y tarde o temprano los programas quedarn olvidados
como otro proyecto ms; sin el tiempo y los recursos, solamente habr buenas
intenciones, pero no tendremos poder de cambiar las cosas; por ltimo, sin una
mentalidad ganadora, mediante la cual desde antes de empezar podamos
imaginar el futuro de la empresa con cambios significativos, difcilmente
obtendremos resultados extraordinarios. Es necesario que en todos los integrantes
de la organizacin se impregne una mentalidad ganadora y que se lleven a cabo
proyectos apoyados en personas que crean en s mismas y que tengan
sensibilidad.
CALIDAD PERSONAL
La calidad personal es la base de todas las calidades. Para poder pensar en la
calidad de nuestros productos, primero necesitamos que haya calidad en las
personas. Ello permitir tener calidad en los departamentos, y con esto
lograremos calidad en los procesos. La calidad en los productos o servicios ser el
resultado final de todo este ciclo. Tendremos calidad slo si la exigimos, y es por
ello que este gran esfuerzo debe iniciar en las personas.
58
Si queremos empresas exitosas, necesitamos contratar gente con esa mentalidad.
Requerimos gerentes sanos y fuertes que irradien esa vitalidad en los dems. La
experiencia es un componente necesario, pero lo son ms el sentido comn y la
capacidad para tomar buenas decisiones con base en la informacin disponible.
La edad no es lo importante, sino la creatividad y el entusiasmo por aprender y
dar lo mejor de s en esa gran empresa que es el trabajo, donde pasamos la
tercera parte de nuestra vida.
COMPROMISO
En tiempos de alta competitividad en los negocios, en donde grandes
corporaciones desaparecen slo por descuidos en su manera de pensar y
ejecutar, y tambin en donde empresas pequeas encuentran la forma de ser las
mejores gracias a su mentalidad y forma de trabajo, nos damos cuenta de que
solamente la velocidad con calidad puede construir economas fuertes y slidas,
fruto de productos y servicios diseados con creatividad Por ello, el compromiso
de los que toman decisiones todos los das, las cuales marcan el rumbo de
nuestras empresas y nuestros pases, es fundamental en este mundo competitivo y
global (Socconini, 2008, pgs. 12-19).
LA PRODUCTIVIDAD
Si bien en la actualidad se habla mucho sobre la productividad, en realidad muy
pocos son los que conocen su significado y, sobre todo, cmo medirla para poder
mejorarla.
MODELO DE LA PRODUCTIVIDAD
En todo negocio, sea una empresa de transformacin o de servicio, se cuenta
con una serie de insumos que se resumen en cuatro grandes grupos bsicos: los
materiales, las mquinas, la mano de obra, los mtodos y el medio ambiente.
Muchos autores han coincidido en referirse a ellos como las 5 Ms. Es importante
reconocer que cada uno de estos grupos es muy diferente a los otros, pero existe
un factor comn inherente a todos ellos: el dinero. Es tan evidente que lo anterior
implica un costo, que muchas empresas con problemas de liquidez tratan de
59
reducir ese costo destajando las 5 Ms: despidiendo personal, reduciendo la
calidad de los materiales, reduciendo el mantenimiento de la maquinaria, etc.
Sin embargo, ha quedado plenamente demostrado que estos recortes a las 5 Ms
slo producen un impacto inmediato en el estado de resultados pero no
resuelven el problema a mediano plazo. Recordemos que la principal fuente de
prdidas en los procesos son los desperdicios, y stos no se resuelven simplemente
despidiendo personal; por el contrario, en ocasiones esto genera nuevos
desperdicios y los costos respectivos.
60
productividad, es la relacin entre los resultados y los insumos, y es en los procesos
donde los insumos se transforman en resultados. Es aqu donde se hace evidente
la importancia del dominio de los procesos, entendiendo que lograr ese dominio
implica conocerlos, controlarlos y mejorarlos.
61
Convencer plenamente a todo el personal sobre la importancia de eliminar
sistemticamente los desperdicios.
62
Figura 3.2.3. Sobrecarga de trabajo.
EFECTO
VARIABILIDAD
MATERIALES MANO DE OBRA DEL
RESULTADO
Variabilidad
Variabilidad
total total
MQUINAS MTODOS
63
Desperdicios o mudas. La mejor traduccin de la palabra japonesa muda debera ser exceso. Los siete tipos de desperdicio que afectan negativamente la productividad deben ser bien
entendidos, detectados y eliminados o minimizados todos los das en empresas e instituciones.
Uno de los principales objetivos de Lean Manufacturing es conocer, detectar y eliminar sistemticamente todos los desperdicios en la industria, ya que diariamente reducen la capacidad de las
empresas y representan un reto para administradores, gerentes y empleados en general.
Para entender que es un desperdicio, es conveniente explicar primero que son las actividades que generan valor (VA por sus siglas en ingls). Las VA son aquellas que producen directamente un
cambio que el cliente desea, al grado que est dispuesto a pagar por ese esfuerzo. Desperdicio o exceso ser cualquier otro esfuerzo realizado en la empresa que no sea absolutamente esencial
para agregar valor al producto o servicio tal como lo requiere el cliente. Estos esfuerzos aumentan los costos y disminuyen el nivel de servicio, con lo cual afectan los resultados obtenidos en el
negocio. Toyota clasifica en siete grandes grupos los desperdicios o mudas:
El sobreinventario es cualquier material, producto en * Espacios engrandes en el andn de recepcin de materias primas. * Escaso conocimiento de la velocidad con la que se presenta la demanda real.
proceso o productos terminados que exceden a lo * Permanencia de las primeras entradas, en lugar de aplicar el principio * Procesos inadecuados para satisfacer los requerimientos y especificaciones de los clientes.
que se necesita para satisfacer la demanda del primeras entradas, primeras salidas. * Cuellos de botella sin control.
cliente. * Grandes cantidades de producto en espera de ser procesadas.. * Capacidad insuficiente de los proveedores.
Los inventarios se generan para evitar ineficiencias * Grandes reas destinadas al almacenamiento de producto (materias * Programacin excesiva de tiempo extra.
como: primas, materiales, producto en proceso y producto terminado). * Malas decisiones administrativas.
* Pronsticos errneos sobre la demanda esperada. * Tiempos prolongados de proceso cuando se implementan cambios de * No se logra la optimizacin del trabajo de la gente y de los centros de trabajo.
* Poca confianza en que no haya descomposturas ingeniera. * Bonos de productividad mal aplicados.
en la maquinaria empleada para la produccin. * Necesidad de recursos adicionales para el manejo de los materiales
2. * Desconocimiento de la capacidad real de (hombres, equipo, estantes, almacenes, espacios, sistemas).
produccin. * Baja rotacin de inventarios.
* Procesos o mquinas separadas por grandes
distancias.
Inventario * Productos defectuosos que hay que sustituir
mediante un aumento de en la produccin.
* Altos colchones de producto sin plan de
produccin entre los procesos, con lo cual se
ocultan los problemas, entre otros.
65
Tabla 3.2.1. Los siete grandes desperdicios de Toyota
Muda Caractersticas Causas
Prdida de los recursos empleados para producir un * Exceso de operarios dedicados a inspeccionar, retrabajar o reparar. * Procesos ineficientes.
artculo o servicio defectuoso, ya que se invirtieron * Inventario acumulado especficamente para ser retrabajado. * Variacin excesiva en el proceso de produccin.
materiales, tiempo-mquina y, lo ms importante, * Flujo complejo del producto dentro de la planta. * Incapacidad de los proveedores.
tiempo de una persona para realizar un trabajo que, * Producto o servicio de calidad cuestionable. * Falta de control del proceso.
a fin de cuentas, no sirvi para agregar valor al * Fallas en los embarques y en las entregas. * Falta de control de los errores del operario.
cliente. Es algo similar a lo que ocurre cuando se * Poca interaccin entre cliente y proveedores. * Decisiones administrativas inadecuadas.
quema un pastel al hornearlo: se desperdician * Pocas ganancias debido a los retrabajos, desechos y costos por primas de * Capacitacin inadecuada.
3. ingredientes, gas y el trabajo de los cocineros; todo fletes urgentes y devoluciones. * Equipo y herramientas inadecuados.
va a dar a la basura, incluidos el tiempo y dinero * La organizacin se vuelve reactiva: se apagan fuegos. * Distribucin inadecuada de la planta o manejo excesivo de los materiales.
invertidos. * Altos niveles de inventario.
Defectos En este rubro entran tambin los retrabajos, ya que * Malas condiciones ambientales.
si bien el defecto puede ser corregido, el retrabajo * Falta de cultura de calidad.
implica realizar una o ms tareas dos o ms veces, * Falta de liderazgo en el tema de la calidad.
incurriendo as en ms gastos y en la prdida de * Desconocimiento de las causas de los problemas.
disponibilidad de los recursos de la empresa.
Todos aquellos traslados de materiales que no * Exceso de equipo para transportar materiales en montacargas. * Fabricacin de lotes de produccin grandes.
apoyan directamente el sistema de produccin. * Exceso de bandas transportadoras, rampas o tuberas. * Programas de produccin inconsistentes y con muchos cambios.
Mover los productos de un lado a otro de la planta * Demasiados sitios de almacenamiento. * Falta de programas de produccin.
no se traduce en un cambio significativo para el * Exceso de estantes o racks para materiales. * Falta de organizacin en el lugar de trabajo.
4. cliente, pero s implica un costo, e incluso pone en * Mala administracin de los inventarios. * Distribucin inadecuada de las instalaciones.
riesgo la integridad dl producto. Cabe aclarar que * Inadecuado diseo y aprovechamiento de las instalaciones. * Cambios en los productos sin hacer los cambios correspondientes en los procesos.
nos referimos en este caso al transporte dentro de la * Demasiado personal para transporte de materiales. * Adquisicin de mquinas ms eficientes de lo necesario.
empresa, y no a la entrega del producto a los * Distancias largas entre procesos y almacenes. * Inventario excesivo de productos en proceso.
Transporte clientes o centros de distribucin. * Inversin en horas extras de produccin sin contar con un programa definido.
Los procesos estandarizados no siempre agregan * Presencia de cuellos de botella en el proceso. * Mala comprensin de los procesos.
directamente valor para el cliente. Muchos de los * Falta de especificaciones claras por parte del cliente. * Se realizan cambios en ingeniera sin efectuar los cambios correspondientes en el proceso.
trabajos son consecuencia de las necesidades del * Exceso de inspecciones o verificaciones. * Tecnologa nueva mal utilizada.
taller (como el cambio de un troquel de una prensa), * Falta de equipos con dispositivos a prueba de errores. * Toma de decisiones en niveles inadecuados.
de la calidad de la manufactura (como la inspeccin * Algunas estaciones permanecen detenidas mientras se hace trabajo * Polticas y procedimientos inadecuados.
de un artculo antes de enviarlo a la siguiente administrativo. * Falta de informacin de los requerimientos del cliente, as como de sus especificaciones.
estacin) o de la mala planeacin de las entregas * Informacin excesiva (en el proceso se cuenta con muchos documentos * No se cuenta con una definicin del proceso productivo ni del flujo del proceso.
5. (como el desempacar la materia prima antes de que no se utilizan).
iniciar la produccin). El manejo adecuado de este
tipo de desperdicio va desde su eliminacin total, su
Sobreproceso combinacin con otro proceso que s agregue valor,
su reduccin o hasta su simplificacin. Los
ingenieros de planta se refieren a este proceso
como ECRS (Eliminacin, Combinacin, Reduccin,
Simplificacin).
Tiempo que se pierde cuando un operador espera a * El operador espera a que la mquina termine su ciclo de procesamiento. * Mala programacin de la produccin.
que su mquina termine su trabajo, cuando las * La mquina espera que el operario termine su ciclo. * Poco control de la produccin.
mquinas se detienen en espera de que el operador * Los tiempos necesarios para el cambio de un producto o para la * Desequilibrio de las operaciones.
haga algn ajuste, o incluso cuando tanto el preparacin de una mquina obligan a esperar a la gente. * Falta de programacin de los cambios de producto.
operador como la mquina estn en espera de * Un operario espera a otro operario para poder empezar o terminar su * Programacin inadecuada de tiempos extras.
6. materiales, herramientas o instrucciones. Todo esto trabajo. * No se cuenta con la maquinara adecuada.
implica un consumo de tiempo que no agrega valor, * El operario y la mquina estn en espera de instrucciones, de un programa * Se emplea demasiado personal.
y constituye el ms comn de todos los desperdicios o de materiales. * El trabajo se organiza por departamentos y existe demasiada especializacin.
en la industria. * Despreocupacin por las fallas de los equipos. * Falta de programas de capacitacin en multihabilidades.
Espera * Paros inesperados de equipos. * Falta de capacitacin de los operadores.
66
Tabla 3.2.1. Los siete grandes desperdicios de Toyota
Muda Caractersticas Causas
Traslado de personas de un punto a otro en su lugar * Se emplea mucho tiempo en localizar materiales. * Distribucin inadecuada de la planta.
de trabajo o en toda la empresa, sin que ello sea * Se emplea mucho tiempo en localizar personas e instrucciones. * Mala organizacin del rea de trabajo.
indispensable para aportar valor al producto y sin * Se emplea mucho tiempo en localizar herramientas. * Mtodos de trabajo mal definido o sin actualizar.
que contribuya a la transformacin o beneficio del * Se realizan movimientos innecesarios al agacharse o caminar. * Lotes de produccin grandes.
cliente. Si observamos con cuidado cada ciclo de * Se realizan esfuerzos para alcanzar las herramientas o materiales en cada * Los equipos a las personas no trabajan a su mxima capacidad.
un trabajador, encontraremos fcilmente este tipo de ciclo de trabajo. * Poco control de la produccin.
7. desperdicio: si contamos sus pasos o seguimos sus
rutas (algo a lo que no estamos acostumbrados),
descubriremos que muchas veces el trabajador
Movimiento camina ms de lo necesario. Otro ejemplo muy
comn de este desperdicio son las bsquedas de
herramientas, materiales o informacin. Todos
reducen la productividad de un proceso.
1. Desperdicio de energa (sea sta electricidad, 2. Gastos excesivos por falta de liderazgo y 3. Mala administracin financiera.
combustibles o vapor). control.
4. Desperdicio en el diseo. 5. Mala comunicacin. 6. Desperdicio de talento.
7. Polticas errneas u obsoletas.
La falta de control debido a un liderazgo pobre * Personal sin definicin de puestos. * Calidad tica y profesional deficiente en los lderes de la empresa.
genera u enorme desaprovechamiento de talento, * Mala seleccin de personal competente. * Mala salud integral de los gerentes.
recursos, etc. Por ello, se requieren lderes que * Resultados pobres en el desempeo operacional y financiero. * Poca preparacin para tomar decisiones.
realmente sepan escuchar a sus clientes, * Personal insatisfecho. * Informacin poco confiable para la toma de decisiones.
2. empleados y proveedores, que conozcan los * Nulo conocimiento.
procesos y la problemtica de sus empresas y,
Gastos excesivos por falta sobre todo, que aporten conocimiento, motivacin y
confianza.
de liderazgo
67
Tabla 3.2.2. Otros grandes desperdicios
Muda Caractersticas Causas
La contabilidad tradicional a veces se utiliza slo * Poco conocimiento de los procesos y sus variantes. * Personal incompetente en las reas de administracin y finanzas.
para satisfacer requisitos con la autoridad fiscal o * Sensacin de que se vende ms, pero se gana menos. * Sistema de informacin poco til o inexistente.
con los gerentes y accionistas, por lo que no se * Las cuentas por pagar superan a las cuentas por cobrar.
reconoce la gran importancia que tienen los * Informacin incompleta para la toma de decisiones.
3. indicadores financieros, administrativos y
operacionales para la toma de decisiones.
Mala administracin
financiera
Se elaboran productos que cuentan con ms * Se producen demasiados cambios de producto en la fase de produccin. * Falta de tcnicas de diseo para manufactura.
funciones de las necesarias. * Proceso muy complicado debido a un diseo poco manufacturable. * Diseo pensado slo para lucir y no para fabricar.
* Altos costos de proceso debido a un mal diseo. * Poca interaccin entre ingenieros, cliente y diseadores.
4.
Desperdicio en el diseo
En muchas organizaciones existen diversos medios * Personal que no tiene no tiene claras sus funciones. * Poca habilidad gerencial para comunicar objetivos.
tecnolgicos para mejorar la comunicacin, como * Objetivos que no conocen todos los miembros de la organizacin. * Mal diseo de los medios de comunicacin.
Internet, telefona celular, etc. Sin embargo, ello no * Malas relaciones humanas. * Medios inadecuados para integrar la comunicacin.
necesariamente garantiza una buena comunicacin, * Incertidumbre en la toma de decisiones. * Poca comunicacin directa entre las personas (slo se usa la tecnologa).
5. pues es posible constatar que muchas veces se * Falta de informacin para la toma de decisiones.
trabaja para obtener resultados apoyndose en
informacin incorrecta, incompleta o falsa, y en
muchas ocasiones se ha perdido el contacto directo
Mala comunicacin con las personas y ya no es posible interactuar con
ellas.
No siempre de aprovechan adecuadamente los * El personal siente que se le toma poco en cuenta. * No se toman en cuenta las opiniones de las personas.
conocimientos de las personas, las valiosas * Inseguridad cuando se trata de proponer ideas nuevas. * No existe un sistema adecuado de sugerencias.
experiencias que han ido acumulando a lo largo de * Pocas o ninguna sugerencia de mejora al ao por parte del personal. * Los lderes toman como algo personal las sugerencias, lo que las convierte en quejas.
6. su vida profesional, su creatividad, ni sus ideas * Ambiente de inestabilidad y alta rotacin. * Poca capacidad receptiva y liderazgo en la direccin.
innovadoras.
Desperdicio de talento
sta es una de las reas de oportunidad ms * Decisiones basadas en polticas establecidas y no en necesidades reales. * No hay una revisin fundamental de las polticas ni de la razn de su existencia.
grandes y menos costosas para la mejora de una * El personal toma decisiones sin estar totalmente convencido de que sean * Los directivos caen en la costumbre y la ceguera de taller.
empresa, ya que revisando constantemente las las mejores. * Falta de inters por cambiar las formas de hacer las cosas.
polticas de trabajo se evita que se vuelvan * Se requiere demasiado tiempo para resolver los problemas. * Se hace poco anlisis de las mejores prcticas de la industria.
7. obsoletas o limiten la productividad. * El personal gerencial invierte demasiado tiempo en juntas.
Polticas errneas u
obsoletas
68
QU HACER PARA ELIMINAR ESTOS DESPERDICIOS
Para detectar los desperdicios generados, es necesario que la empresa haga un
anlisis exhaustivo de cada uno de ellos, para lo cual debe utilizar la gua de
deteccin de desperdicios para encontrar reas de oportunidad de manera
general. Esto debe hacerse visitando directamente el sitio real donde se hace el
trabajo (los japoneses lo llaman Gemba, que significa lugar de los hechos).
Para entender mejor este concepto sera til preguntarnos cuntas mejoras
propone cada empleado al ao, al mes o a la semana. Es aqu donde radica el
verdadero secreto de las organizaciones que crecen ms all de los lmites
establecidos por las prcticas comunes de administracin de empresas. Basta
con poner en prctica un programa de sugerencias en el que cada empleado
aporte el menos una sugerencia de mejora al mes durante el primer ao, dos al
mes para el segundo y as sucesivamente. La empresa tendr entonces un
enorme potencial convertido en realidad.
69
reducir gastos que supuestamente son superfluos. En el sistema tradicional para
fijar el precio normalmente se parte del costo y se le agrega un margen de
utilidad deseado. Cuando el costo aumenta, simplemente se aumenta el precio
y se mantiene el margen de utilidad.
Precio
Precio
Precio
Precio
Utilidad
Utilidad
Costo Costo
Tradicional Lean
70
generar productos de calidad. En este pilar se utilizan seales visuales para
descubrir cuando hay defectos y emprender acciones inmediatas para
eliminarlos, como paros automticos y mecanismos a prueba de errores;
asimismo, se establecen mtodos para solucionar problemas y se utilizan
metodologas para reducir las variaciones, como Seis Sigma.
Todo lo anterior tiene como fin ltimo lograr una calidad sobresaliente, con
mnimos tiempos de entrega para los clientes, seguridad en el trabajo y alta
motivacin para las personas que laboren en empresas que, al lograr sus
objetivos, contribuyan a construir naciones ms prsperas y economas
competitivas a nivel mundial (Socconini, 2008, pgs. 68-69).
71
es la fuente del conocimiento de las restricciones reales de una empresa, ya que
permite visualizar en dnde se encuentra el valor y en donde el desperdicio.
TIPOS DE MAPAS
72
En este mapa podemos observar los inventarios en proceso e informacin para
cada operacin relacionada con su capacidad, disponibilidad y eficiencia.
Adems proporciona informacin sobre la demanda del cliente, la forma de
procesar la informacin del cliente a la planta y de la planta a los proveedores, la
forma en que se distribuye al cliente y la distribucin por parte de los proveedores,
y finalmente la manera en que se suministra la informacin a los procesos. Un
mapa de valor es una herramienta valiosa para el anlisis de la informacin, pues
en una sola hoja de papel podemos ver:
El mapa futuro representa parte del plan de accin para implementar las
herramientas Lean, dada una situacin previamente analizada. Las herramientas
Lean que se muestran en este mapa como un relmpago representan la serie de
eventos kaizen que debe realizar el equipo de trabajo.
73
Inventario.
Inventario de seguridad.
Informacin manual.
Informacin electrnica.
Fuentes externas: representa
clientes y proveedores.
Segmento de
escala.
Flecha de traslado de
proveedor a planta o de Escala de
planta a cliente. tiempo.
Transporte mediante
camin de carga.
Supermercado.
Seleccione una
forma y escriba texto. Casillero de datos que se coloca debajo de las operaciones. En l se
El controlador incluye informacin como tiempo de ciclo, tiempo de cambio entre
amarillo ajusta el productos, fiabilidad del equipo, tiempo disponible por turno, yield, etctera.
interlineado.
(Socconini, 2008, pgs. 109-110), (Villaseor & Galindo, 2009, pg. 46)
74
3.5. Eventos kaizen para aplicar mejoras al proceso
75
Mejor comunicacin entre los operadores.
Condiciones de trabajo ms seguras y ergonmicas.
Mejor capacidad de produccin (Socconini, 2008, pgs. 130-131).
HERRAMIENTAS BSICAS
5s para orden y limpieza.
Control visual.
(Socconini, 2008, pgs. 142, 145, 161, 173, 191, 209, 221, 237, 249, 261, 275, 287).
76
3.6. El Ciclo Deming como herramienta de Manufactura Esbelta
6
Figura 3.6.1. El Ciclo Deming .
6
FUENTE: Tomado de Out the Crisis, de W. Edwards Deming, con autorizacin del MIT y del W. Edwards
Deming Institute. Publicacin del centro para servicios avanzados del MIT, Cambridge, Massachusetts
02139. Copiright 1986 por The W. Edwards Deming Institute.
77
Este ciclo fue desarrollado originalmente por el
doctor Walter Shewhart, pero en 1950 los
japoneses cambiaron su nombre por el de Ciclo
Deming, y en 1990 el doctor W. Edwards Deming
hizo el cambio del nombre inicial de la tercera
etapa llamada revisar por la de estudiar, ya que
es ms apropiado, pues con una revisin
solamente, podramos pasar algn hecho por
alto (Evans & Lindsay, 2008, pg. 657).
Hojas de verificacin.
Histogramas.
Grficas de desempeo.
Diagramas de Pareto.
Lluvia de ideas.
Diagramas de causa y efecto.
Diagrama de por qu por qu.
Diagramas de dispersin.
Grficas de control.
Diagramas de ejecucin.
Anlisis de campo de fuerza (Summers,
2006, pg. 241).
79
3.7. Filosofa organizacional del Dr. W. Edwards Deming
El doctor Deming plantea que las actividades tendentes a mejorar la calidad y los
procesos constituyen el catalizador necesario para echar andar una reaccin
econmica en cadena. Mejorar la calidad provoca una disminucin de los
costos, menos errores, reduccin del nmero de retrasos y mejorar la utilizacin de
los recursos, factores que, a su vez, conducen a una mejor productividad, lo cual
da a la compaa la oportunidad de alcanzar una mayor participacin de
mercado, lo que lo permite asegurar su permanencia en el negocio, con lo que
se da lugar a la creacin de ms empleos. Deming crea que si no se realizaban
esfuerzos para mejorar la calidad, este proceso nunca se iniciara.
81
Las filosofas del doctor Deming hacen gran hincapi en la participacin de la
administracin, la mejora continua, el anlisis estadstico, la fijacin de metas y la
comunicacin. Su mensaje, que puede resumirse en 14 axiomas (Tabla 3.7.1),
est dirigido sobre todo a los directivos (Summers, 2006, pgs. 17-19).
8
Tabla 3.7.1. Los 14 axiomas de Deming
8
FUENTE: Tomado de Out the Crisis, de W. Edwards Deming, con autorizacin del MIT y del W. Edwards
Deming Institute. Publicacin del centro para servicios avanzados del MIT, Cambridge, Massachusetts
02139. Copiright 1986 por The W. Edwards Deming Institute.
82
Sobre los axiomas 2 a 14 del doctor Deming, los profesores R. Basu y N. Wright
autores del enfoque Fit Sigma realizan los siguientes comentarios de acuerdo a su
interpretacin:
Axioma 7. Todos a cualquier nivel, en especial los supervisores, deben ser lderes
de equipos y no capataces disciplinarios. Todos deben ser alentados a desarrollar
su auto liderazgo. La calidad es demasiado importante para dejarla en manos
de la gerencia.
Axioma 10. No tiene sentido exigir cero defectos si el diseo del proceso o el
producto no es perfecto; un requerimiento de una reduccin del 10% de los
costos genera una baja moral cuando no es posible lograrlo.
Axioma 11. Como ejemplo, 100 piezas por hora con un bono para 110 resultar
en 110 piezas, pero no necesariamente de productos de calidad. El esfuerzo se
centrar en cifras de resultados y no en la calidad. Si se motiva al trabajador
83
para que considere la calidad, 95 piezas por hora de alta calidad valdrn mucho
ms que 110 si 15 (de las 110) son subsecuentemente rechazadas o devueltas por
el cliente.
Axioma 14. Los cambios culturales son difciles de lograr. El doctor Deming
sostena que todo el mundo debera estar involucrado en la transformacin
cultural de la empresa (Basu & Wright, 2008, pgs. 28-29).
Una compaa u organizacin cualquiera debe estar consciente de que para ser
competitiva debe eliminar muchos de sus desperdicios, apartando
progresivamente todas aquellas actividades que no agregan valor a sus procesos
basadas en lineamientos obsoletos incapaces de mejorar la productividad, cuyas
limitantes (sobrecarga, variabilidad y desperdicio) impiden la obtencin de
resultados que satisfagan las necesidades de los clientes y aumente la
rentabilidad de la misma.
85
Captulo 4
Fases, etapas y herramientas del Ciclo
Deming
4. Introduccin
88
4.1. Qu ocurre durante la fase Planificar?
Muchos solucionadores de problemas sienten tanta ansiedad por hacer algo que
se ven tentados a reducir el tiempo necesario para la planificacin y proponen
soluciones inmediatas. Las mejores soluciones resuelven realmente el problema y
slo se encuentran despus de identificar la causa raz del mismo.
La Figura 4.1.1 ilustra las tcnicas antes descritas para la definicin del problema:
90
a)
91
escenarios costo-beneficio que ayuden a convencer a la administracin de la
empresa sobre la factibilidad de las sugerencias de mejora.
Figura 4.1.2. Grfica de desempeo (Brassard & Ritter, 1994, pg. 129).
Figura 4.1.3. Diagrama de flujo general (Brassard & Ritter, 1994, pg. 119).
92
ETAPA 6. DETERMINAR POSIBLES CAUSAS
La determinacin de las posibles causas de un problema requiere que el
problema se defina claramente. Un diagrama de flujo da a los solucionadores de
problemas una mayor comprensin de los procesos involucrados. Ahora la
definicin del problema se puede combinar con el conocimiento del proceso
para aislar posibles causas del problema. La lluvia de ideas es excelente para
empezar a determinar las causas.
La Figura 4.1.4 ilustra la tcnica antes descrita para determinar posibles causas:
Figura 4.1.4. Tcnica: Lluvia de ideas (Brassard, Carolyn, Oddo, Page, Ritter, & Smith, 2000, pg.
51).
93
TCNICA: DIAGRAMAS DE CAUSA Y EFECTO
Otro excelente mtodo para determinar causas raz es el diagrama de causa y
efecto. El diagrama de causa y efecto tambin se conoce como diagrama de
Ishikawa por Kaoru Ishikawa, quin lo desarroll, y como diagrama de pescado
porque el diagrama terminado se parece al esqueleto de un pez. Un diagrama
de este tipo puede ayudar a identificar causas de no conformidad o productos o
servicios defectuosos. Los diagramas de causa y efecto se pueden utilizar junto
con diagramas de flujo y diagramas de Pareto para identificar la(s) causa(s) de
un problema.
Este diagrama es til en una sesin de lluvia de ideas porque permite organizar las
ideas que surgen. Los solucionadores de problemas sacan provecho de este
diagrama pues les permite dividir un problema grande en partes ms manejables.
Tambin sirve como representacin visual para comprender los problemas y sus
causas. El problema o efecto se identifica claramente en la parte derecha del
diagrama, y las posibles causas del mismo se organizan en el lado izquierdo. El
diagrama de causa y efecto tambin permite al lder de la sesin organizar
lgicamente las posibles causas del problema y enfocarse en un rea al mismo
tiempo. El diagrama no slo permite la representacin de las causas del
problema, tambin muestra las subcategoras relacionadas con estas causas
(Summers, 2006, pg. 251).
La Figura 4.1.5 ilustra la tcnica antes descrita para determinar posibles causas:
Figura 4.1.5. Tcnica: Diagramas de causa y efecto (Brassard, Carolyn, Oddo, Page, Ritter, &
Smith, 2000, pg. 49).
94
determinar qu factores deben existir para responder a una oportunidad. Los
diagramas por qu-por qu organizan la forma de pensar de un grupo de
resolucin de problemas e ilustran una cadena de sntomas que conducen a la
verdadera causa del problema. Al preguntar Por qu? cinco veces, los
solucionadores de problemas sacan a la luz los sntomas que rodean a un
problema y se acercan a una verdadera causa. Al final de una sesin debe surgir
un enunciado positivo y directo que defina el verdadero problema a investigar.
Esta investigacin se realiza a travs de los niveles que sean necesarios hasta
encontrar una causa raz para cada uno de los enunciados de los problemas,
originales o desarrollados durante las discusiones. Con frecuencia se requieren
cinco niveles de Por qu? para determinar la causa raz. Al final, este proceso
conduce a una red de razones por las cuales ocurrieron los problemas originales.
Los puntos finales indican reas que requieren ser atendidas para resolver el
problema original. Estas sern las acciones que la compaa debe emprender
para resolver la situacin. Los diagramas por qu-por qu se pueden ampliar
para incluir anotaciones que indiquen quin ser el responsable de llevar a cabo
esas acciones y cundo deben terminarse (Summers, 2006, pg. 253).
Los diagramas de causa y efecto y por qu-por qu nos permiten aislar las
posibles causas de un problema. Una vez identificadas, es necesario investigar
estas causas midiendo y organizando los datos relacionados con el proceso. La
medicin del proceso ayudar a los investigadores a entender mejor el problema
y a separar la informacin relevante de la irrelevante. Tambin ayudar a
mantener la objetividad a los individuos involucrados en el problema. La
medicin se puede realizar con histogramas, diagramas de dispersin, grficas de
control y diagramas de ejecucin.
La Figura 4.1.6 ilustra la tcnica antes descrita para determinar posibles causas:
95
Figura 4.1.6. Tcnica: Diagramas por qu-por qu (Brassard, Carolyn, Oddo, Page, Ritter, &
Smith, 2000, pg. 50).
TCNICA: HISTOGRAMAS
Un histograma es un resumen grfico de la distribucin de frecuencia de los
datos. Cuando se toman mediciones de un proceso, se pueden resumir mediante
un histograma. Los datos se organizan en un histograma para permitir a quienes
investigan el proceso apreciar los patrones de los datos que son difcil ver en una
simple tabla de nmeros. Los datos se separan en clases en el histograma. Cada
intervalo de un histograma muestra el nmero total de observaciones hechas en
cada clase. Los histogramas reflejan la variacin presente en un conjunto de
datos tomados de un proceso (Summers, 2006, pg. 255).
Anlisis de histogramas
Al analizar una distribucin, es importante recordar que tiene las siguientes
caractersticas: forma, posicin y dispersin. Estas tres caractersticas se combinan
para darnos la capacidad de describir una distribucin.
Forma: Simetra, sesgo, curtosis. La forma es la que toman los valores de las
caractersticas medibles cuando se grafican. Las caractersticas identificables
incluyen simetra o, en caso de falta de sta, sesgo de los datos; curtosis o
apuntamiento de los datos, y modas, el nmero de picos en los datos.
Cuando una distribucin es simtrica, las mitades son imgenes de espejo una de
otra. Las mitades son similares en tamao, forma y disposicin. Cuando una
distribucin no es simtrica, se considera que es sesgada. Con una distribucin
sesgada, la mayora de los datos se agrupan ya sea a la izquierda o a la derecha
96
de un valor central, y en el lado opuesto unos pocos valores se desvanecen
desde el centro. Cuando una distribucin est sesgada a la derecha, la mayora
de los datos se encuentran en el lado izquierdo de la figura, y la cola de la
distribucin se desplaza a la derecha. Ocurre lo contrario cuando la distribucin
est sesgada a la izquierda.
a) b) c)
Figura 4.1.7. Tcnica: Histograma y anlisis con base en a) forma, b) posicin, c) dispersin
(Brassard & Ritter, 1994, pgs. 70-72).
97
TCNICA: GRFICAS DE CONTROL
Una grfica de control es una grfica con una lnea central que muestra el
promedio de los datos producidos. Tiene lmites de control superiores e inferiores
basados en clculos estadsticos. Se utiliza para determinar el centrado y la
variacin de procesos y para localizar los patrones o tendencias poco comunes
en los datos.
98
en la grfica de control. La lnea central (LC) de la grfica muestra donde se
centra el promedio del proceso, o la tendencia central de los dato. El lmite de
control superior (LCS) y el lmite de control inferior (LCI), calculados con base en
3 sigma, describen la dispersin del proceso. Una vez que se elabora la grfica, le
da al usuario un panorama de lo que el proceso es capaz de producir
actualmente. En otras palabras, podemos esperar que la produccin futura
caiga el 99.73 por ciento de las veces entre estos lmites 3 sigma, siempre y
cuando el proceso no cambie y se encuentre bajo control.
Grficas
Figura 4.1.8. Tcnica: Grficas de control (Brassard & Ritter, 1994, pg. 51).
99
La grfica se utiliza para supervisar la variacin de los promedios de los
subgrupos que se calcularon a partir de los datos individuales muestreados. En las
grficas de control se utilizan promedios, en lugar de observaciones individuales,
porque los valores promedio indicarn un cambio en la cantidad de variacin
mucho ms rpido que los valores individuales. En esta grfica se utilizan lmites
de control para evaluar la variacin de un subgrupo a otro (Summers, 2006, pgs.
262-266).
Variacin de un proceso
Puesto que la variacin est presente en todos los aspectos de nuestras vidas,
hemos aprendido a reconocer cuando una variacin es normal o fuera de lo
normal. Por ejemplo, despus de seis meses de ir y venir al trabajo, podramos
esperar que el traslado a ste nos tome 25 minutos, con uno o dos minutos de ms
o de menos. Nos sorprendera si el traslado nos tomara slo 15 minutos.
Buscaramos una causa atribuible: quiz el trfico fue ms ligero porque salimos
ms temprano. De la misma forma, nos molestara si el traslado nos tomara 40
minutos, y buscaramos saber el porqu. Un accidente de trnsito podra ser la
causa atribuible o asignable al incremento en el tiempo de traslado.
10
Mantener bajo control tanto la media como la variabilidad del proceso (Montgomery, Control Estadstico de
la Calidad, 2007, pg. 207).
100
las especificaciones establecidas por el diseador ni presenta una variacin
mnima; tan slo tiene una cantidad predecible de variacin.
Son diversos los beneficios de un proceso estable con una variacin predecible.
Cuando el desempeo de un proceso es predecible, hay una base razonable
para planificar. Es bastante sencillo determinar los costos asociados a un proceso
estable. Los niveles de calidad de un periodo a otro son predecibles. Cuando se
realizan cambios, adiciones o mejoras a un proceso estable, los efectos del
cambio se pueden determinar con rapidez y confiabilidad.
Cuando existe una causa atribuible, se considera que el proceso es inestable, que
est fuera de control o que rebasa la variacin normal esperada. En un proceso
inestable la variacin es impredecible; es decir, la magnitud de la variacin
puede cambiar de un periodo a otro. Los analistas de aseguramiento de la
calidad necesitan determinar si la variacin presente en un proceso es comn o
atribuible. Dar tratamiento de causa aleatoria a una causa atribuible podra dar
como resultado una alteracin del sistema o un proceso que funcione
correctamente excepto por la causa atribuible. Dar tratamiento de causa
atribuible a una causa aleatoria representa un uso ineficiente de recursos porque
la variacin es inherente al proceso.
101
La Figura 4.1.9 ilustra las zonas de una grfica de control:
Zona B
Zona A
X Media o Lmite Central
Zona A
Zona B
Zona C
LIC Lmite Inferior de Control
Identificacin de patrones
Un proceso que no est bajo control o que es inestable muestra patrones de
variacin. Los patrones sealan la necesidad de investigar el proceso y
determinar si se puede encontrar una causa atribuible para la variacin. Las
Figuras 4.1.10 a 4.1.15 muestran una diversidad de condiciones fuera de control.
Se exageraron los patrones de estas figuras con la finalidad de que sean
evidentes.
102
PATRN: Tendencia por NOMBRE DE PARTE: Temporizador
disminucin de variacin VARIABLE: Tiempo
Gran media: 0.0.622 LCIx = 0.0.75 LCSx = 0.669
Rango de la media = 0.081 LCSr = 0.171
Grfica X barra
LCSx
0.66
0.64
Tiempo
LCx
0.62
0.60
0.58
LCIx
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Grfica R
0.18
LCSr
0.16
0.14
0.12
Variacin
0.10
0.08 LCr
0.06
0.04
0.02
0.00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
103
PATRN: Tendencia NOMBRE DE PARTE: Bloque patrn
oscilatoria VARIABLE: Longitud
Gran media: 0.7497 LCIx = 0.7483 LCSx = 0.7511
Rango de la media = 0.0025 LCSr = 0.0050
Grfica X barra
0.7515
LCSx
0.7510
0.7505
0.7500
Longitud
LCx
0.7495
0.7490
0.7485
LCIx
0.7480
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Grfica R
0.005 LCSr
0.004
0.003
Variacin
LCr
0.002
0.001
0.000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
104
NOMBRE DE PARTE: Sensor de altura
PATRN: Cambio de nivel
VARIABLE: Altura
Gran media: 60.485 LCIx = 59.084 LCSx = 61.887
Rango de la media = 2.428 LCSr = 5.124
Grfica X barra
62.0
LCSx
61.5 (b)
61.0
Altura
60.5 LCx
60.0 (a)
59.5
LCIx
59.0
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Grfica R
LCSr
5
4
Variacin
LCr
2
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14
105
NOMBRE DE PARTE: Sensor DTF
PATRN: Corridas VARIABLE: Densidad, temperatura,
flujo
160 C 160 C
140 B 140 B
120 120
A A
Densidad
Flujo
100 LCx 100 LCx
A A
80 80
60 B 60 B
40 40 C
C
LCIx LCIx
20 20
a) Siete puntos1 arriba o abajo
2 3 central 4
de la lnea 5 6 7 1 2 3 4 5 6 7 8
c) Acumulacin de puntos en una seccin en particular
Grfica X barra
180
Tipos de corridas
LCSx
160 C
a) Siete puntos arriba o debajo de la
140 B lnea central.
120
Temperatura
A
100 LCx b) Seis puntos en fila, crecientes o
80
A decrecientes.
60 B
c) Acumulacin de puntos en una
40 C seccin.
LCIx
20
1 2 3 4 5 6 7 8 9 10 11 12 13
b) Seis puntos en fila, crecientes o decrecientes
106
herramental, programas de mantenimiento, rotacin peridica de operarios,
cansancio del trabajador, reemplazo peridico de refrigerante o lubricante, o
cambios en el entorno del proceso como temperatura o humedad. Los ciclos en
una grfica R no son tan comunes; una grfica R muestra la variacin o dispersin
del proceso, que por lo general no son cclicas. Las posibles causas estn
relacionadas con ciclos de lubricacin o cansancio del operario.
Los ciclos son difciles de localizar porque tal vez el ciclo completo no est
presente en una sola grfica. La frecuencia de inspeccin podra ocasionar que
un ciclo pasara inadvertido. Por ejemplo, si el ciclo ocurre cada 15 minutos y las
muestras se toman slo cada 30 minutos, es posible que el ciclo pase inadvertido.
Grfica X barra
0.252 LCSx
0.251
0.250
Grosor
LCx
0.249
0.248
0.247 LCIx
1 6 11 16 21 26 31 36 41 46
Grfica R
0.004 LCSr
0.003
Variacin
0.002 LCr
0.001
0.000
1 6 11 16 21 26 31 36 41 46
107
de la lnea central. Cuando una parte considerable de los promedios de las
muestras aparecen cerca o fuera de los lmites de control, podran existir dos
poblaciones de muestras. Dos poblaciones se refiere a la existencia de dos (o
ms) fuentes de datos, Figura 4.1.15.
Este tipo de patrn en una grfica R es seal de que diferentes trabajadores estn
usando la misma grfica o de que la variacin se debe a que se estn utilizando
materias primas procedentes de distintos proveedores (Summers, 2006, pgs. 275-
283).
Grfica X barra
LCSx
0.7510
0.7505
Peso
0.7500 LCx
0.7495
0.7490
LCIx
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Grfica R
0.004 LCSr
0.003
Variacin
0.002 LCr
0.001
0.000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
108
Efecto del incumplimiento de la normalidad en las grficas
Pocas veces se encuentra una variable con valores que son infinitamente
pequeos (-) o infinitamente grandes (+). An as, muchas variables aleatorias
positivas (como estaturas, pesos y tiempos) tienen distribuciones que se aproximan
bien mediante una distribucin normal. Segn la regla emprica, casi todos los
variables de una variable aleatoria normal se encuentran en el intervalo de 3.
Siempre que los valores ubicados a tres desviaciones estndar de la media sean
positivos, la distribucin normal proporciona un buen modelo para describir los
datos (Mendenhall, Beaver, & Beaver, 2008, pg. 224).
109
Capacidad del proceso
Capacidad del proceso se refiere a la posibilidad de un proceso para producir
productos o proporcionar servicios capaces de cumplir las especificaciones
establecidas por el cliente o el diseador. Al reducir la variabilidad de un proceso
y crear calidad consistente se incrementa la viabilidad de predecir el desempeo
futuro del proceso (Figura 4.1.16). El conocimiento de la capacidad del proceso
permite saber si ste ser capaz de cumplir las demandas de sus clientes. Los
fabricantes de productos y los proveedores de servicios que conocen la
capacidad del proceso pueden transmitir esta informacin a sus clientes. Luego,
la pueden utilizar para apoyar decisiones relativas a especificaciones de un
producto o proceso, mtodos de produccin adecuados, equipo por utilizar y
compromisos de tiempo.
Prediccin
po
Tiem
?
El futuro es estable y
predecible
Prediccin
po
Tiem
El futuro no es estable
ni predecible
110
Las siguientes son las relaciones entre los ndices de capacidad Cpk y Cp:
Desempeo de un proceso
Cuando un proceso no est bajo control, el Grupo de Accin de la Industria
Automotriz (AIAG por sus siglas en ingls) integrado por representantes de las
compaas automotrices Ford, General Motors y Daimler Chrysler, y de la
American Society for Quality (ASQ); recomienda utilizar los ndices de desempeo
del proceso Pp y Ppk 11. Incluso la American National Standards Institute, en el ANSI
Standard Z1 para el anlisis de Capacidad de Proceso (1996) establece que
debern usarse Pp y Ppk cuando el proceso no est bajo control.
Ahora, es claro que cuando el proceso tiene una distribucin normal y est bajo
control, Pp es en esencia Cp y Ppk es en esencia Cpk, ya que para un proceso estable
la diferencia entre la desviacin estndar muestral usual y la desviacin estndar
poblacional estimada es mnima. Sin embargo, cabe hacer notar que si el
proceso no est bajo control, los ndices Pp y Ppk no tienen ninguna interpretacin
razonable respecto a la capacidad del proceso, ya que no pueden predecir el
desempeo del mismo. Adems, sus propiedades estadsticas no son
determinables y, en consecuencia, no pueden hacerse inferencias vlidas
respecto de sus verdaderos valores, los poblacionales (Montgomery, Control
Estadstico de la Calidad, 2007, pgs. 372-373).
11
El clculo podr hacerse utilizando la desviacin estndar muestral usual, o bien una expresin insesgada
de esta, siempre y cuando no existan causas asignables a la variacin del proceso.
111
4.2. Qu ocurre durante la fase Hacer?
112
determinar los planes futuros de la compaa para un proceso o un
producto el particular. Cambios mayores al proceso, sistema o equipo tal
vez no sean una solucin adecuada para un proceso o producto que se
descontinuar en un futuro cercano. Ser necesario investigar los avances
tecnolgicos para determinar si representan las soluciones ms rentables.
4. La solucin debe tener la capacidad de implementarse en un tiempo
razonable. Es necesaria una solucin oportuna para el problema con el fin
de evitar a la compaa la carga de monitorear el problema actual y sus
remedios rpidos asociados.
Para evitar que la gente caiga en las viejas rutinas y mtodos, debe haber
controles para recordarle el nuevo mtodo. La capacitacin extensiva y una
breve capacitacin de seguimiento son muy tiles para arraigar el nuevo
mtodo. Se deben establecer los mtodos e implantar revisiones de seguimiento
para evitar recurrencias de un problema.
El desarrollo del ciclo Deming en cada una de sus etapas y pasos permite
concretar el conocimiento de las diferentes herramientas (tcnicas) que pueden
ser aplicadas de forma sistemtica en la solucin de problemas para identificar
causas raz y proponer soluciones mediante acciones correctivas basadas en
criterios de eficacia, recurrencia, rentabilidad y tiempo, a fin de asegurar su
permanencia y promover la mejora continua; as como aprender de las
experiencias obtenidas para crear un conocimiento slido que sirva de referencia
en futuras situaciones y en aras del desarrollo de una cultura de prevencin
acorde a las necesidades de cada compaa.
114
antes y despus con la finalidad de identificar si el problema se ha corregido,
en cuyo caso es importante asegurar el nuevo desempeo de la calidad a travs
de controles y procedimientos adecuados que permitan la toma acertada de
decisiones y eviten la recurrencia de fallas y viejas actitudes de trabajo, dando
por consecuencia oportunidad a la mejora continua de procesos.
115
Captulo 5
Optimizacin de procesos con
metodologa de superficie de respuesta
Diseo inicial: Estudiar curvatura 5. Introduccin
cribar factores
a
o
que no se obtienen las respuestas
m
Temperatura
Ta
buscadas o el nivel de mejora logrado no
Moverse de lugar es suficiente, por lo que es necesario
experimentar de manera secuencial hasta
encontrar los niveles de mejora deseado.
Velocidad
o
En este caso, despus de una primera
a
Temperatura
Ta
m
etapa experimental quiz sea necesario
desplazar la regin experimental
(moverse de lugar) en una direccin
adecuada, o bien, explorar en forma ms
detallada la regin experimental inicial.
La forma de realizar ambas cosas son
parte de la llamada metodologa de
superficie de repuesta (MSR).
118
5.1. Regin experimental y regin de operabilidad
Regin
or
ct
experimental
Fa
Factor A
119
regin experimental inicial. En procesos ya establecidos y muy estudiados, es de
esperarse que dicho punto ptimo se encuentre no muy lejos de las
condiciones de operacin usuales, posiblemente dentro de la regin
experimental inicial. En cambio, cuando el proceso es nuevo o cuando se est
escalando o rediseando, es ms probable que el punto de inters se ubique
fuera de la primera regin experimental propuesta para el experimento inicial, y
en ese caso primero ser necesario acercarse a dicho punto para luego
atraparlo.
120
efectos de curvatura pura. En la prctica, la realidad del proceso no se conoce,
por lo tanto no se sabe dnde est el punto ptimo y slo se dispone de la
informacin obtenida en la regin experimental para inferir hacia dnde se debe
continuar explorando. En la Figura 5.2.1 se supone conocida la realidad del
proceso con el fin de ilustrar los conceptos, en especial la diferencia entre el
mejor tratamiento y el punto ptimo.
Regin de operabilidad
D
ire m
de
cc ov
Mejor tratamiento
i im
n ie
p nt
tim o
a
Punto ptimo
Factor X2 (factor B)
X2
Regin
experimental
X1
Factor X1 (factor A)
Figura 5.2.1. Mejor tratamiento y punto ptimo, regin experimental y regin de operabilidad.
En algunos procesos ocurrir que el tratamiento ganador resulta ser casi tan
bueno como el punto ptimo. Por ejemplo, si el tratamiento ganador
proporciona un rendimiento de 97%, vale la pena realizar el esfuerzo
experimental y de anlisis para encontrar el punto ptimo de operacin slo por
el 3% restante? La respuesta a esta pregunta depende, entre otras cosas, de
cuanta ganancia en trminos econmicos representa 3%, y si el proceso tiene la
capacidad de dar el 100% de rendimiento.
121
5.3. Elementos de la MSR
El aspecto diseo implica que para optimizar un proceso se debe aplicar el diseo
de experimentos, en particular aquellos que sirven para ajustar un modelo de
regresin lineal mltiple (Anexo I). Ms adelante se presentan algunos de estos
diseos, conocidos genricamente como diseos para superficie de respuesta.
El aspecto del modelo utiliza el anlisis de regresin lineal mltiple, junto con sus
elementos bsicos que son: parmetros del modelo, modelo ajustado,
significancia del modelo, prueba de falta de ajuste, residuos, predichos, intervalos
de confianza para predichos y coeficiente de determinacin.
122
caracterizar en forma preliminar el tipo de superficie de respuesta y
detectar presencia de curvatura.
3. Bsqueda II o de segundo orden. En el momento en que se detecta la
presencia de curvatura, o bien, que la superficie es ms complicada que
un hiperplano, se corre o se completa un diseo de segundo orden para
caracterizar mejor la superficie de respuesta y modelar la curvatura. Con
el modelo ajustado se determinan las condiciones ptimas de operacin
del proceso (Figura 5.3.1).
Diseo 2
Diseo 3
Factor X2
Puntos de prueba
fuera de diseo
Diseo 1
Factor X1
123
proceso. La realidad del proceso est representada por las curvas de nivel, y el
punto ptimo deseado se encuentra en el centro de la superficie de ms
pequea, marcado con una cruz. En la prctica no se conoce a priori dnde se
ubica el punto ptimo debido a que la realidad se desconoce, no obstante, la
MSR es buena estrategia para llegar a ste 12.
Imagnese a los tres diseos como ventanas por las que se observa la realidad
desconocida del proceso; el modelo ajustado sobre cada diseo representa una
aproximado a esa realidad. En el primer diseo se est lejos del punto ptimo, y el
comportamiento de la superficie se modela bien con un plano y no se detecta
curvatura. Con este primer modelo se encuentran puntos en la direccin de
mximo ascenso para probarlos en el proceso, y se experimenta en ellos hasta
que el proceso no sigue la tendencia marcada por el plano. El ltimo punto en
donde el proceso mantuvo la tendencia es el centro del diseo 2.
5.4. Modelos
12
Aunque baja, exista la posibilidad de que la MSR lleve a un ptimo local. por lo que el experimentador
debe estar consciente de ello y tener idea del potencial del proceso.
124
y el modelo de segundo orden es:
En la figura 5.4.1 se muestran las grficas para los modelos dados por las
ecuaciones anteriores, en donde se consideran variables de proceso x1 y x2, as
como diferentes valores de los parmetros. La figura 5.4.1a representa un modelo
de primer orden y se observa que su superficie es un plano. En las figuras 5.4.1b, c
y d se representan varios modelos de segundo orden. La forma especfica que
toma la superficie depende de los signos y magnitudes de los coeficientes en el
modelo. En las figuras se representan las tres formas bsicas, que son: b) superficie
de mximo (montaa), c) superficie de mnimo (valle) y d) superficie con punto
de silla (minimax).
a) b)
103.04
34.17 92.03
81.02
29.72
70.01
y
y
25.28 59
20.83
2.000 1.00
1.800 25.00
1.600 23.00
0.50
21.00 1.00
1.400
x 2 19.00 0.00 0.50
1.200
1.000 15.00
17.00 x 1 x 2 0.00
-0.50
-0.50
x
1
-1.00 -1.00
1) Superficie de respuesta 1) Superficie de respuesta
1.00
73
2.000
80
1.667 25.00
2
2
27.00 0.00
x
1.500 96
29.00
1.333
31.00 -0.50 88
1.167
33.00
73
80 65
1.000
-1.00
15.00 16.67 18.33 20.00 21.67 23.33 25.00 -1.00 -0.50 0.00 0.50 1.00
x 1 x 1
2) Grfica de contorno 2) Grfica de contorno
Figura 5.4.1. Superficies de respuesta y grficas de contorno que ilustran: a) un modelo de primer
orden y b) un punto de respuesta mxima (Montgomery, Diseo y Anlisis de Experimentos, 2007).
125
c) d)
129 132
121.428 108
113.855 84
106.283 60
y
y
98.71 36
1.00 1.00
1.00 1.00
0.50 0.50
0.50 0.50
x 2
0.00
0.00 x 2
0.00
0.00
-0.50 -0.50 x
1 -0.50 -0.50 x 1
118 68 116
103
0.50 0.50
84
108
113
100
2
2
x
x
0.00 0.00
-0.50 -0.50
84
100 68
52
-1.00 -1.00
-1.00 -0.50 0.00 0.50 1.00 -1.00 -0.50 0.00 0.50 1.00
x 1 x 1
2) Grfica de contorno 2) Grfica de contorno
MODELOS JERRQUICOS
Un modelo de superficie de respuesta es jerrquico si contiene todos los trminos
ms simples que componen los trminos de mayor orden que estn en el modelo.
Por ejemplo, el modelo no es jerrquico, puesto que
no est el trmino , pero si contiene la interaccin ; para convertirlo en
un modelo jerrquico habra que incluir el trmino o eliminar el trmino de
interaccin .
127
respuesta. En este caso, cada punto sobre la curva de nivel es una solucin, y de
todos ellos se elige el de menor variabilidad y/o menor costo.
As, a partir del conocimiento que ya se tiene del problema es preciso seleccionar
los niveles de los factores para determinar la regin de exploracin. A
continuacin se corre un diseo de primer orden (tpicamente un diseo 2k
completo o fraccionado con puntos al centro) para explorar la regin
experimental determinada antes. Se analizan con detalle los resultados y se
ajusta un modelo de primer orden con niveles codificados. Si ste explica
satisfactoriamente la variabilidad observada es necesario continuar, de lo
contrario, investigar a qu se debe la falta de ajuste.
ANLISIS CANNICO
Se aplica un diseo de segundo orden cuando se quiere explorar con ms
amplitud una regin experimental y/o cuando se espera que el punto ptimo ya
est cerca (probablemente dentro de la regin experimental). El anlisis
cannico es una de las tcnicas para analizar el modelo de segundo orden y
consiste en los siguientes pasos:
128
6. Evidenciar la relacin entre las variables cannicas y las variables
codificadas.
129
donde x = (x1, x2, . . . ,xk) es cualquier punto en la regin de operabilidad del
proceso, en unidades codificadas; el vector b son los coeficientes de la parte
lineal (efectos principales) del modelo y la matriz B son los coeficientes de las
interacciones y de los trminos cuadrticos puros. Esto es:
130
TIPOS DE SUPERFICIE DE RESPUESTA Y ECUACIN CANNICA
En algunos problemas de optimizacin, en especial con diversas variables el tipo
de superficie de respuesta no es tan claro. Por ello se utiliza la ecuacin
cannica, que es otra forma de escribir los modelos de segundo orden
anteriormente expuestos. La forma cannica del modelo de segundo orden est
dada por:
donde es el valor predicho por el modelo sobre el punto estacionario; las son
nuevas variables independientes entre s, transformadas las (i = 1, 2, . . . , k), que se
llaman variables cannicas. En trminos geomtricos la ecuacin cannica es
una rotacin de los ejes coordenados del modelo original, seguida de una
traslacin de los mismos (Figura 5.5.1) a un nuevo origen.
x 2
70
75
80 w1
x,0
2
Punto estacionario
x,0
1 x1
El origen de los nuevos ejes se coloca sobre el punto estacionario, y los ejes de las
variables estn orientados en el sentido de la cordillera de la superficie:
131
corre en la direccin de la cordillera ms abrupta, o sea, con declive mximo;
va en direccin perpendicular al eje de la primera variable explicando la
siguiente direccin ms abrupta; explica la tercera direccin en importancia, y
as sucesivamente hasta .
(Gutirrez Pulido & De la Vara Salazar, 2008, pgs. 400, 402-404), (Montgomery,
Diseo y Anlisis de Experimentos, 2007, pgs. 440-441).
Los tipos de superficie que pueden resultar para los puntos estacionarios anteriores
se representaron en la Figura 5.4.1 (b, c y d) para k = 2 factores.
Adems de superficies con mximo, mnimo o punto de silla, aparecen otros dos
casos que se derivan de estos y que dependen de las magnitudes de los
coeficientes : la cresta ascendente (descendente) ocurre cuando se tiene un
mximo (o mnimo), pero el punto estacionario cae fuera de la regin
experimental y lo que se observa entonces en la figura es un costado de la
montaa. Cabe hacer notar que la forma de la cresta ascendente tambin
puede aparecer (aunque es ms improbable) cuando la regin experimental se
ubica justo sobre una de las cuatro familias de parbolas que componen al punto
de silla. La cordillera estacionaria es un caso lmite, ya sea del mximo o mnimo o
del punto de silla, y ocurre cuando uno de los valores propios se aproxima a cero.
Las formas de cresta ascendente o descendente y de cordillera estacionaria se
pueden apreciar en la Figura 5.5.2.
As, para saber qu tipo de superficie se tiene es necesario obtener los valores
propios de la matriz B. Los valores propios, tambin conocidos como valores
caractersticos o eigenvalores cumplen con la relacin:
132
donde I es la matriz identidad de dimensin k. Se recomienda apoyarse en un
sistema computacional para obtener los valores propios.
Cresta ascendente o
Cordillera estacionaria
descendente
ANLISIS DE CORDILLERA
Muchas veces, el punto estacionario no es del tipo que se requiere, y en estos
casos la opcin es encontrar el mejor punto posible dentro de la regin
experimental. Este punto se ubica sobre la cordillera ptima a partir del centro
del diseo, y es aquel que predice la mejor respuesta sobre la regin. Esta
bsqueda se hace precisamente con el llamado anlisis de cordillera, que
consiste en calcular el mximo o mnimo de la superficie de respuesta sobre
esferas concntricas al centro del diseo, empezando por una esfera de radio
casi cero y posteriormente se abre la exploracin incrementando el radio de la
siguiente esfera. As se contina hasta llegar a la primera esfera que cubre los
puntos experimentales. El mejor punto posible es aquel sobre el que se predice el
ptimo desempeo de la variable de respuesta. Con frecuencia, este punto se
ubica en la esfera de radio ms grande. En el caso de k = 2 factores, no son
esferas sino circunferencias.
133
1. Que genere una distribucin satisfactoria de los puntos experimentales
sobre la regin experimental. Los diseos ms utilizados son puntos de
distribuidos de manera uniforme sobre la regin experimental, o cuando
menos tienen alguna simetra con respecto al centro de sta.
2. El diseo debe requerir un nmero mnimo de corridas experimentales, ya
que en cada prueba realizada se gastan recursos que siempre son escasos.
3. El diseo debe permitir que otros diseos de orden mayor se construyan a
partir de l. Esto permite que, cuando el comportamiento de la respuesta
resulta ser ms complicado de lo que se pensaba (por ejemplo, se detecta
curvatura), se agregan puntos adicionales al diseo para tratar de explicar
ese comportamiento.
4. El experimento debe permitir la deteccin de la falta de ajuste, para lo
cual se requieren repeticiones al menos en el centro del diseo.
5. El diseo debe proporcionar un estimador puro de la varianza del error, lo
cual se logra con repeticiones al menos en el punto central.
ORTOGONABILIDAD Y ROTABILIDAD
Se considera que un diseo es ortogonal cuando los coeficientes estimados en el
modelo ajustado no estn correlaciondos entre s, lo cual hace que el efecto de
cada trmino, representado por el parmetro correspondiente, se estime de
manera ms precisa. Un experimento es ortogonal si en la matriz de diseo todos
los vectores columna son independientes entre s. Es fcil verificar que en un
diseo factorial completo 2k las columnas de su matriz de diseo son
independientes: multiplique dos columnas cualesquiera, trmino a trmino
utilizando la notacin -1 y +1, y el resultado es cero.
134
La importancia prctica de la rotabilidad en el problema de encontrar un punto
ptimo es porque asegura que, con independencia de la direccin en que se
explore a partir del centro del diseo, la calidad de prediccin se comporta de
igual manera.
135
Los diseos de segundo orden ms recomendados son los siguientes:
1. Diseo de Box-Behnken.
2. Diseo central compuesto o de composicin central (DCC).
a. Diseo de composicin central con centros en las caras.
b. Diseo central compuesto pequeo (Draper y Lin).
3. Diseo factorial 3k.
Nmero de corridas
Nmero de Nmero de
Factorial Central
factores parmetros Box-Behnken Draper y Lin
completo 3k compuesto
2 6 9 13-16
3 10 27 17-23 15 12
4 15 81 27-36 27 18
5 21 243 29-36 46 24
6 28 729 47-59 54 30
136
puntos de prueba no son extremosos, en el sentido de que cualquiera de ellos
siempre tiene, al menos unos de los factores en su nivel intermedio.
Los diseos de Draper y Lin son diseos centrales compuestos con un nmero
mnimo de corridas experimentales. Estos diseos son tiles en una situacin en la
que desde el primer diseo se quieren correr los puntos necesarios para ajustar el
modelo de segundo orden de manera econmica, debido a lo caro de las
corridas experimentales, y se est dispuesto a asumir el riesgo de que algunos
efectos potencialmente importantes sean alias (Gutirrez Pulido & De la Vara
Salazar, 2008, pgs. 405-407, 413-416, 419-420).
Con base a lo anterior y por cuestiones propias del presente estudio de caso, a
continuacin se abordarn con mayor detalle los diseos factoriales, haciendo
nfasis en los diseos 3k.
Los factores pueden ser del tipo cualitativo (mquinas, tipos de material,
operador, la presencia o ausencia de una operacin previa, etc.), o de tipo
cuantitativo (temperatura, humedad, velocidad, presin, etc.) Para estudiar la
manera en que influye cada factor sobre la variable de respuesta es necesario
elegir al menos dos niveles de prueba para cada uno de ellos. Con el diseo
137
factorial completo se corren aleatoriamente todas las posibles combinaciones
que pueden formarse con los niveles de los factores a investigar.
Por otra parte, se dice que dos factores interactan entre s o tienen un efecto de
interaccin sobre la variable de respuesta, cuando el efecto de un factor
depende del nivel en que se encuentra el otro: efecto A con factor B bajo y
13
Se llama rplica a cada corrida completa del arreglo factorial. Los diseos factoriales que involucran
menos de cuatro factores por lo regular se corren replicados para tener la potencia necesaria en las pruebas
estadsticas sobre los efectos de inters. Si se hacen n rplicas, el nmero de corridas experimentales es n(a x
b), donde a y b se consideran niveles de prueba ( 2) de los factores A y B respectivamente. Con estos niveles
se puede construir el arreglo o diseo factorial a x b, el cual originalmente consiste en a x b tratamientos sin
considerar rplicas (Gutirrez Pulido & De la Vara Salazar, 2008, pg. 134).
138
efecto A con factor B alto. En la prctica, el clculo del efecto de A en cada
nivel de B no se hace, y ms bien se calcula el efecto global de la interaccin de
los dos factores, que es denotado por AB y se calculan como la diferencia entre la
respuesta media cuando ambos factores se encuentran en el mismo nivel, y la
respuesta media cuando los factores se encuentran en niveles opuestos.
Los valores absolutos (sin importar el signo) de los efectos principales y del efecto
de interaccin son una medida de importancia de su efecto sobre la variable de
respuesta. Sin embargo, como se tienen estimaciones muestrales, para saber si los
efectos son estadsticamente significativos (diferentes de cero) se requiere el
anlisis de varianza ANOVA.
139
(cambia) de (-1) al (1), cuando A = 1, la respuesta Y se incrementa ligeramente;
pero si A = -1, la respuesta se incrementa mucho.
46
48
Y
Y
A = 1.0
42
A = 1.0
38
38
34 28 A = -1.0
-1.0 1.0 -1.0 1.0 -1.0 1.0
A B B
c) Interaccin AB
68
B = 1.0
58
48
Y
B = 1.0
B = -1.0
38
28 B = -1.0
-1.0 1.0
A
Cabe sealar que en muchos procesos industriales y biolgicos hay factores que
tienen un efecto fuerte de interaccin sobre Y, y que si esto se ignora, lo que
algunas veces es una solucin (incrementar B cuando A = -1), en otras ocasiones
es insuficiente o incluso contraproducente (incrementar B cuando A = 1). Esto en
la prctica provoca desconcierto en los ingenieros e investigadores, les genera
explicaciones falsas y finalmente los lleva a ignorar aspectos bsicos de sus
procesos.
140
La interaccin AB en la Figura 5.7.1 contrasta con la interaccin en la Figura 5.7.2,
ya que en el inciso b) se aprecia que si el factor A se cambia de su valor (-1) al (1),
la variable de respuesta Y aumenta de forma similar para ambos niveles del factor
B. Mientras que en el inciso a) de esta figura se ve que si el factor B se aumenta,
la respuesta Y prcticamente no cambia en ambos niveles de A. De esta manera,
la figura 5.7.2 muestra que no hay interaccin, ya que el efecto de A no depende
del nivel donde est B y viceversa.
Cuando se concluye que una interaccin doble (de dos factores) tiene un efecto
estadsticamente importante sobre la respuesta, su interpretacin tiene prioridad
sobre los correspondientes efectos principales, aunque estos tambin sean
significativos. Esto se debe a que la interaccin termina dominando el proceso.
a) Interaccin BA b) Interaccin AB
62 62
A = 1.0
B = 1.0
58 58
A = 1.0 B = -1.0
54 54
50 50
Y
46 46
42 A = -1.0 42
B = -1.0
38 A = -1.0 38 B = 1.0
-1.0 1.0 -1.0 1.0
B A
141
til aumentar el diseo si el comportamiento de la respuesta no es lineal en
los factores controlados 14.
3. Se pueden correr fracciones de diseos factoriales, las cuales son de gran
utilidad en las primeras etapas de una investigacin que involucra a
muchos factores, cuando interesa descartar de manera econmica los
que no son importantes, antes de hacer un estudio ms detallado con los
factores que s son importantes.
4. Pueden utilizarse en combinacin con diseos de bloques en situaciones en
las que no puede correrse todo el diseo factorial bajo las mismas
condiciones. Por ejemplo, cuando cada lote de material slo alcanza
para correr la mitad del experimento, ste se puede realizar en dos bloques
(dos lotes), lo cual implica repartir las pruebas en los dos lotes de la manera
ms conveniente posible.
5. La interpretacin y el clculo de los efectos en los experimentos factoriales
se puede hacer con aritmtica elemental, en particular cuando cada
factor se prueba en dos niveles (Gutirrez Pulido & De la Vara Salazar, 2008,
pgs. 128-134).
DISEOS FACTORIALES 3K
Como se indic anteriormente, el diseo factorial 3k considera k factores con tres
niveles cada uno y tiene 3k tratamientos. No obstante, la primera desventaja de
los diseos 3k es que al aplicarse requieren mayor cantidad de pruebas que el
diseo 2k. Por ejemplo, si se quieren estudiar cuatro factores, y se considera slo
una repeticin, el diseo 34 requiere un total de 81 pruebas, una para cada
tratamiento; mientras que el diseo 24 slo necesita 16 pruebas. De esta forma,
cuando se tienen muchos factores, cuatro o ms, prcticamente es prohibitivo
pensar en correr un diseo 3k. Sin embargo, cuando se tienen pocos factores, tres
como mximo, o en el peor de los casos cuatro, hay algunas situaciones prcticas
en las que el diseo 3k es una buena alternativa. De manera especfica, hay dos
razones que hacen viable el diseo 3k.
14
Son variables de proceso y/o caractersticas de los materiales que se pueden fijar en un nivel dado
(Gutirrez Pulido & De la Vara Salazar, 2008, pg. 8).
142
medios de cultivo, factor mquina, etc., los cuales pueden tener
naturalmente tres niveles. Por ejemplo, si uno de los factores es un reactivo
del cual existen tres marcas, resulta natural que el experimentador quiera
probar las tres marcas con la idea de comparar su desempeo en las
diferentes combinaciones de los factores restantes.
Y Y
a) b)
y 2
y 2
Efecto lineal y 3
Efecto no
lineal
y 1
y 1
x1 x 2 x
1 x 2 x
3
Factor X Factor X
143
DISEO FACTORIAL 32
Este diseo consiste en 32 = 9 tratamientos diferentes, que corresponden a todas
las posibles maneras en que se pueden combinar dos factores en tres niveles
cada uno. Sean A y B los factores, cada uno con tres niveles, a los cuales se les
suele llamar bajo, medio y alto. Los nueve tratamientos se pueden escribir de
varias maneras, algunas de las cuales se muestran en la Tabla 5.7.1.
Tratamiento A B A B A B
1 bajo bajo -1 -1 0 0
2 medio bajo 0 -1 1 0
3 alto bajo 1 -1 2 0
4 bajo medio -1 0 0 1
5 medio medio 0 0 1 1
6 alto medio 1 0 2 1
7 bajo alto -1 1 0 2
8 medio alto 0 1 1 2
9 alto alto 1 1 2 2
Factor A ( x1 )
2
Figura 5.7.4. Representacin en el plano del diseo 3 .
144
5.8 Conclusiones del captulo
En todo proceso de optimizacin, adems del diseo son necesarios otros dos
elementos: un modelo y una tcnica bien definida para tal efecto; si bien el
diseo sirve para ajustar un modelo de regresin lineal, la tcnica de optimizacin
considera algunas tcnicas matemticas para explorar y obtener informacin
sobre el punto ptimo asociado a una superficie de respuesta. Los diseos de
superficie de respuesta se clasifican de acuerdo al grado de modelo a utilizar,
siendo preferibles aquellos con ciertas propiedades para una mejor interpretacin
de los parmetros estimados en el modelo y de la superficie de respuesta misma.
145
Captulo 6
Desarrollo del Ciclo Deming sobre el
problema de inters y Optimizacin del
proceso de fabricacin
6. Introduccin
Para abordar el desarrollo del ciclo Deming sobre la baja disolucin de comprimidos orales de Clortalidona y Optimizacin del proceso de fabricacin del producto CT25/100, a continuacin se describen e ilustran
las etapas que conforman las fases de esta herramienta empleada en la solucin sistemtica de problemas, as como los anlisis estadsticos requeridos para la optimizacin, monitoreo y evaluacin del proceso de
fabricacin involucrado; sin olvidar considerar como elemento final la presentacin de resultados obtenidos una vez concluidas ambas partes del presente estudio.
En esta etapa se hace evidente el En esta etapa se define el rumbo En esta etapa se generan y
hecho de la baja disolucin de de la investigacin a desarrollar En esta etapa se describe de definen varias ideas sobre la
La gerencia de Los mtodos de anlisis Adicionalmente se
uno de los ingredientes activos tras evaluar los aspectos ms En esta etapa se muestra manera detallada el proceso de baja disolucin de Clortalidona,
Aseguramiento y Control de materias primas y establece la prdida
(Clortalidona) presente en el relevantes involucrados en la grficamente el desempeo fabricacin del producto las ideas principales se agrupan
de Calidad, as como la producto terminado son econmica que representa
producto CT25/100 fabricacin y anlisis de actual del producto CT25/100 a CT25/100 monitoreado por los en categoras y se confrontan a
Direccin de Operaciones evaluados de forma para Laboratorios MRE
(comprimidos) fabricado por comprimidos orales de travs de los lotes fabricados en integrantes del equipo de travs de cuestionar el origen de
aceptan el hecho y retrospectiva sin el problema por baja Se presenta un mapa de Las posibles causas se
Laboratorios MRE. Clortalidona. un periodo de tiempo. mejora. su posible causa.
promueven la encontrar inconsistencias disolucin de valor (VSM) e imgenes verifican a travs de
conformacin de un y falta de exactitud en los Clortalidona en del proceso de actividades
equipo multidisciplinario mismos. comprimidos orales del fabricacin en planta administrativas y de
de mejora, con la Se plantea el monitoreo producto CT25/100, as (piso,) las cuales proceso para confirmarse
finalidad de investigar, del proceso de como el desempeo futuro muestran instalaciones, como causas raz de la
analizar y plantear las fabricacin por el equipo deseable en un periodo no equipos y personal baja disolucin de
soluciones ms viables al de mejora para conocerlo mayor a cuatro meses involucrado en cada una Clortalidona en
problema en un periodo ms a detalle y evidenciar tras la solucin del de las actividades comprimidos orales del
no mayor a tres meses. posibles inconsistencias. problema. realizadas. producto CT25/100.
Se evala el impacto en Los resultados obtenidos Asimismo, se facilita el Posteriormente se Finalmente se presentan
diferentes reas de la tras el periodo de acceso del personal fabrican lotes piloto para los resultados obtenidos
compaa, costos de seguimiento se comparan (operario y de probar los parmetros de para la baja disolucin
inversin y tiempos de con las mediciones de supervisin) de las reas optimizacin de Clortalidona en
implementacin con la desempeo previas a la fabricacin y surtido de determinados, utilizando comprimidos orales del
finalidad de elegir las implementacin se materiales a para el monitoreo de los producto CT25/100, as
mejores soluciones de soluciones, las cuales al procedimientos vigentes mismos grficas de como los resultados de
acuerdo a su factibilidad. ser acordes a las causas que respalden las control (X-R) y clculos optimizacin del proceso
Las soluciones raz sobre la baja actividades a realizar de desempeo del de fabricacin de este
En esta etapa se proponen las En esta etapa se evalan los En esta etapa se utilizan Para la optimizacin del
categorizadas con mayor disolucin de durante su jornada proceso, con la finalidad producto.
posibles soluciones con base en resultados de las soluciones controles visuales desarrollados proceso de fabricacin de
factibilidad se seleccionan comprimidos de laboral. de realizar estudios Los resultados son
su potencial, rentabilidad e implantadas a travs de la durante el proceso de mejora comprimidos orales del
para su implementacin Clortalidona evitan Como parte de la mejora posteriores de r&R para presentados a los
implementacin inmediata. disminucin significativa de para asegurar la permanencia producto CT25/100 se utilizan
utilizando un esquema de prdidas econmicas continua, el personal evaluar la influencia que directivos, gerentes y
inconsistencias en el proceso de de la nueva forma de trabajo. algunas herramientas
5W+1H para establecer el para Laboratorios MRE. involucrado en los tiene el estado de jefes de rea de
fabricacin del producto estadsticas como el diseo de
plan de gestin. procesos de fabricacin segregacin de los Laboratorios MRE en dos
CT25/100. experimentos (DOE), anlisis de
recibe capacitacin granulados a comprimir periodos de tiempo
varianza (ANOVA) y de
constante. sobre el peso y dureza en establecidos previamente,
regresin mltiple a travs del
los comprimidos orales de ambos bajo un formato
mtodo de superficie de
Clortalidona, as como su electrnico A3 para su
respuesta (RSM), las cuales
impacto en los tiempos de mejor apreciacin.
tuvieron gran importancia
disolucin obtenidos en
durante la fabricacin de lotes
los mismos.
de evaluacin para determinar
variables significativas y
parmetros ptimos de proceso.
148
6.1. Aceptacin del problema y formacin de equipos de mejora
80%
60%
40%
20%
0%
1
Valoracin
de Activo 1
2
Valoracin
3 4
Uniformidad de Uniformidad de
de Clortalidona Cont. Activo 1 Cont. Clortalidona
5
Disolucin
Activo 1
6
Disolucin
Clortalidona
149
Especificaciones de materias primas.
Etapas del proceso de fabricacin.
Una vez delimitadas las etapas de fabricacin sobre las cuales se realizara otro
monitoreo para cuantificar inconsistencias al proceso, los miembros del equipo se
organizaron por etapas para cubrir en un mes ms dichas actividades, a fin de
reportar de forma ms precisa sus hallazgos, ya que las actividades indicadas en
los registros de fabricacin no eran ejecutadas conforme a lo establecido en
estos documentos por el personal de surtido de materiales y fabricacin. La hoja
de verificacin qued registrada como se muestra a continuacin:
150
HOJA DE VERIFICACIN: PROCESO DE FABRICACIN DEL PRODUCTO CT25/100
30
Percent
60
20
40
10 20
0 0
Etapa SMP C PSH RVMP GH S Other
Inconsistencias 13 9 7 7 5 4 0
Percent 28.9 20.0 15.6 15.6 11.1 8.9 0.0
Cum % 28.9 48.9 64.4 80.0 91.1 100.0 100.0
151
Al analizar el diagrama, es fcil observar que las etapas de proceso con mayor
nmero de inconsistencias son el de surtido de materias primas (SMP) y la
compresin (C), representando en conjunto aproximadamente el 50% de las
oportunidades del proceso. Las etapas de preparacin de solucin humectante
(PSH), recepcin y verificacin de materias primas (RVMP), granulacin hmeda
(GH) y secado (S), estuvieron por debajo del 20% individual.
Por otra parte, es importante aclarar que las etapas de trasvase de materias
primas (TMP), mezcla seca de polvos (GSP), tamizado (T), molienda y adicin de
lubricantes (MAL), as como el mezclado final (MF), fueron categorizados como
otros (Other) al momento de elaborar el diagrama, ya que no presentaron
inconsistencias durante el tiempo de monitoreo del proceso de fabricacin.
de lotes
80% aprobados
60%
100% 100% % de lotes rechazados
40% 85%
% de lotes aprobados
20%
0%
2006 2007 2008
Ao
152
OBJETIVO EN LOTES FABRICADOS DE
CT25/100
18%
16% 15%
% de lotes rechazados
14%
12%
10%
2008
8% $395,000
USD 15-Abr-09
6%
4%
2% 0% Estndar:
0% 0% de lotes
rechazados
2008 15-Abr-09
153
VSM GENERAL DEL PROCESO DE FABRICACIN DE COMPRIMIDOS DE CLORTALIDONA
Planeacin
Pronstico 2 veces por semana (Control de Produccin) Pronsticos a 30, 60 y 90 das
Centro de
Proveedor
Pedidos 3 veces por semana Pedidos confirmados diarios
Distribucin
1 vez por da
Recepcin Embarque
(Almacn)
1 1
1 2 1 1 1 2 1
90 min. 451 min. 3 min. 5 min. 480 min. 480 min. PT = 1509 min.
4740 min. 5 min. 52 min. 5 min. 180 min. 180 min. 7200 min. PLT = 12362 min.
OXOX
DESCRIPCIN DEL VSM
El proceso general de fabricacin del producto CT25/100 comienza con la
planeacin de la produccin, de esta forma el proveedor(es) recibe la instruccin
Trasvase Granulacin Tamizado Secado Molienda Carga 1 de enviar materiales a Laboratorios MRE, donde a travs de un sistema Kanban
Contenedor de
Mezclado Final estos se envan a las instalaciones de la planta de produccin. Una vez en planta
2 2 2 2 2
(piso), los materiales son retirados del lugar de recepcin para ser trasladados a
las reas especficas de fabricacin.
10 min. 6 min. 10 min. 120 min. 45 min. PT = 146 min.
155
IMGENES DEL PROCESO DE FABRICACIN DE COMPRIMIDOS DE CLORTALIDONA
Los pasos 4 a 8 tambin son secuenciales, sin embargo se repiten para tres cargas
balanceadas que conforman un lote de fabricacin.
157
Como se indic en la definicin del problema a travs de la hoja de verificacin
y del diagrama de Pareto, las etapas que presentaron mayor nmero de
inconsistencias en el proceso de fabricacin fueron el surtido de materia prima y
la compresin, mismas que posiblemente tendran mayor impacto sobre la baja
disolucin de Clortalidona en comprimidos orales del producto CT25/100.
Para determinar las posibles causas que dieron como consecuencia la baja
disolucin de Clortalidona en comprimidos orales del producto CT25/100,
primeramente se organizaron varias reuniones con todos los integrantes del
equipo responsable de encontrar la solucin a dicho problema. Durante estas
reuniones se utilizaron principalmente tres tcnicas para tal efecto, las cuales son:
Lluvia de ideas
Diagrama e causa - efecto.
Diagrama de por qu - por qu.
158
Ideas sobre baja disolucin de Clortalidona en comprimidos orales
Las m
de a
ilidad prim terias La form
a de su
Posib n la equiv
as no
son las mat
erias
rtir
e
error icacin a
entre lentes primas
no
d e n t if s
i as corresp
m ateri onde co
de la infor n
a s macin
prim proced del
im
fabricac iento de
in
ten
Exis metros
pa os en la
r No siempre se
c
crti a de agrega la misma
que
et p resin n
a cantidad de
p a
com verific nte solucin
s e m e
no tante l humectante a cada
c o n s
r a n te e
d u carga durante la
eso
proc etapa de granula
cin hmeda
159
DIAGRAMA DE CAUSA EFECTO EN CONJUNCIN CON DIAGRAMA DE POR QU POR QU
Mtodo
Mtodo
o = Por qu?
161
Al observar el diagrama anterior, se puede apreciar cmo a travs de cinco ideas
principales agrupadas en dos categoras substanciales se lleg a establecer cinco
posibles causas (recuadros en color verde) sobre la baja disolucin de
Clortalidona, las cuales fueron verificadas a travs de actividades administrativas
y de proceso como se describe a continuacin:
163
Si bien la verificacin de las posibles causas tom como base el problema de la
baja disolucin de Clortalidona en comprimidos orales del producto CT25/100,
tambin tuvo alcance en otros procesos de fabricacin realizados en
Laboratorios MRE, ya que la mayora de los procesos de este laboratorio tienen la
misma secuencia de pasos, difiriendo nicamente en la cantidad de cargas de
materias primas de acuerdo al tamao del lote por producto en particular;
evidenciando que, aunque las causas 3 a 5 se pudieron verificar bajo actividades
de proceso durante la investigacin, stas situaciones no eran exclusivas de la
fabricacin del producto CT25/100.
164
SOLUCIONES PARA LA BAJA DISOLUCIN DE CLORTALIDONA EN COMPRIMIDOS ORALES DEL PRODUCTO
CT25/100
Causa Soluciones
165
Impacto sobre Consideraciones
Causa Soluciones Observaciones Factibilidad
otras reas de costo
Laboratorios MRE
requiere mayor
inversin en
1.2. Variar los planes de personal y reactivos
muestreo para anlisis para realizar el
Moderado Moderado Media
qumico de materias anlisis qumico con
primas base en el
desempeo de las
especificaciones de
los proveedores
Laboratorios MRE
cuenta con un
equipo de infrarrojo
cercano (NIR) para
la implementacin
del nuevo sistema,
1.3. Implantar un nuevo
sin requerir mayor
sistema de identificacin Bajo Bajo Mayor
inversin al utilizar
de materias primas
diversos planes de
muestreo de
acuerdo al
desempeo de las
especificaciones de
los proveedores
1. Laboratorios MRE
solicitar al rea de
sistemas el
desarrollo de
1.4. Desarrollar
complementos al
complementos al
sistema de
sistema de
Bajo Moderado administracin Mayor
administracin
productiva para
productiva de la
identificar cambios
compaa
en especificaciones
de materias primas
entre el proveedor y
Laboratorios MRE
El departamento de
validaciones de
Laboratorios MRE
realizar las
1.5. Desarrollar pruebas o
modificaciones al experimentos
Moderado Alto Menor
proceso de fabricacin necesarios para la
del producto CT25/100 optimizacin del
proceso con las
materias primas de
especificaciones
diferentes
166
Impacto sobre Consideraciones
Causa Soluciones Observaciones Factibilidad
otras reas de costo
El rea de auditoras
de Laboratorios
MRE dar
seguimiento a la
1.6. Certificacin de implementacin de
1. proveedor de materias Bajo Bajo sistemas de calidad Mayor
primas ISO 9000 por parte
de sus proveedores
de materias primas
para conseguir su
certificacin
Se requieren los
servicios de
instituciones de
capacitacin que
dominen procesos
2.1. Capacitacin
farmacuticos de
externa del personal Moderado Alto Menor
fabricacin para su
operativo
imparticin fuera de
Laboratorios MRE,
adems del pago de
sueldos y viticos,
entre otros
Se requiere de
personal interno con
2.2. Implantar un habilidades diversas
sistema continuo de y conocimiento
2.
capacitacin interna del Moderado Bajo especfico sobre Mayor
personal operativo de determinados
acuerdo aspectos clave de la
fabricacin en
Laboratorios MRE
Se requiere del
servicio de personal
interno, externo e
instituciones de
capacitacin que
2.3. Capacitacin mixta
Moderado Moderado dominen procesos Media
del personal operativo
farmacuticos de
fabricacin para su
imparticin dentro o
fuera de
Laboratorios MRE
Se requiere que el
3.1. Generar un solo personal
documento para surtido responsable de
de materias primas a surtir y recibir
3. travs de la modificacin Bajo Nulo materias primas Mayor
del procedimiento de para el proceso de
fabricacin del producto fabricacin, realicen
CT25/100 en conjunto esta
actividad
167
Impacto sobre Consideraciones
Causa Soluciones Observaciones Factibilidad
otras reas de costo
Se requiere que el
3.2. Generar norma
personal
operacional para el
responsable de
surtido de materias Nulo Nulo Mayor
surtir las materias
primas del proceso de
primas realice esta
fabricacin
actividad
Se requiere que el
3. personal
responsable de
3.3. Surtido de materias
surtir las materias
primas por etapas y
Nulo Nulo primas realice esta Mayor
cargas del proceso de
actividad utilizando
fabricacin
tarimas de colores
para evitar
confusiones
Se requiere que el
personal
responsable de
surtir las materias
4.1. Implementar el
primas realice esta
pesado e identificacin
Nulo Nulo actividad en bolsas, Mayor
individual de materias
as como la
primas
colocacin de
etiquetas
individuales
correspondientes
Se requiere que el
4.2. Generar norma
personal encargado
4. operacional para la
de recibir y verificar
recepcin y verificacin Nulo Nulo Mayor
las materias primas
de materias primas del
realice esta
proceso de fabricacin
actividad
Se requiere
4.3. Asignar un
contratar de
inspector de
personal con
aseguramiento de
experiencia e invertir
calidad para supervisar
Moderado Moderado tiempo para que Media
las actividades de
este conozca los
surtido y verificacin de
procesos de
pesos de materias
fabricacin de
primas
Laboratorios MRE
El instrumento
deber ser instalado
por el rea de mante
nimiento y ser
ajustado - calibrado
5.1. Instalar un por el rea de
fluxmetro en la marmita metrologa para
5. Bajo Moderado Menor
de preparacin de asegurar su buen
solucin humectante funcionamiento y
poder dispensar por
volumen cada
fraccin a utilizar en
la etapa de
granulacin hmeda
168
Impacto sobre Consideraciones
Causa Soluciones Observaciones Factibilidad
otras reas de costo
Se requiere que el
personal
responsable del
proceso de
fabricacin realice
esta actividad
5.2. Medir el volumen
utilizando una
final de la solucin Nulo Nulo Mayor
regleta de acero
humectante preparada
inoxidable calibrada
para aforo en la
marmita antes de
utilizar la solucin
en la etapa de
granulacin hmeda
5.
Se requiere que el
personal
responsable del
proceso de
fabricacin realice
5.3. Generar norma esta actividad
operacional para el utilizando una
Nulo Nulo Mayor
pesado de cada fraccin plataforma de
de solucin humectante pesado para poder
dispensar por peso
cada fraccin a
utilizar en la etapa
de granulacin
hmeda
169
Qu Quin Por qu Dnde Cundo Cmo
Causa
(What) (Who) (Why) (Where) (When) (How)
Anexando
nuevos campos
Para identificar
En el mdulo de al sistema de
1.4. Desarrollar cambios en
aseguramiento administracin
complementos al especificaciones En un
y control de productiva para
sistema de Departamento de materias periodo
calidad del descarga de la
administracin de sistemas primas entre el de tres
sistema de informacin
productiva de la proveedor y semanas
administracin obtenida por un
compaa Laboratorios
1. productiva equipo de
MRE
infrarrojo cercano
(NIR)
Departamento Para homologar
A travs de
de sistemas de En un
1.6. Certificacin En las auditoras de
aseguramiento y calidad entre periodo
de proveedor de instalaciones de cumplimiento a
control de proveedores y de tres
materias primas proveedores sistemas de
calidad: rea de Laboratorios meses
calidad ISO 9000
auditoras MRE
Formando grupos
de capacitacin
para operarios,
Para que el considerando su
personal nivel de estudios
2.2. Implantar un
Departamento operativo para hacer ms
sistema continuo En las salas de En un
de recursos actualice sus accesible la
de capacitacin capacitacin de periodo
2. humanos de la conocimientos y comprensin de
interna del Laboratorios de un
direccin de profundice en los temas a
personal MRE mes
operaciones puntos clave de abordar con
operativo
los procesos de personal de los
fabricacin departamentos
de calidad y
manufactura
como instructores
Conjuntando los
En todas las pasos del
3.1. Generar un
materias primas procedimiento de
solo documento Departamento Para hacer ms En un
de los fabricacin del
para el surtido de de manufactura eficiente el periodo
productos producto
materias primas y Almacn de surtido de de dos
fabricados por CT25/100 con el
del producto materiales materias primas semanas
Laboratorios procedimiento de
CT25/100
MRE surtido de
materias primas
3.2. Generar Presentando la
norma secuencia grfica
3. Para hacer ms En un
operacional para En el producto y escrita (precisa)
Almacn de eficiente el periodo
el surtido de CT25/100, de los pasos a
materiales surtido de de una
materias primas primeramente seguir para el
materias primas semana
del proceso de surtido de
fabricacin materias primas
3.3. Surtido de
Separando en
materias primas Para hacer ms Todos los
tarimas de
por etapas y Almacn de eficiente el productos de
Inmediato diferente color las
cargas del materiales surtido de Laboratorios
materias primas
proceso de materias primas MRE
surtidas
fabricacin
170
Qu Quin Por qu Dnde Cundo Cmo
Causa
(What) (Who) (Why) (Where) (When) (How)
Utilizando bolsas
4.1. Implementar
Para hacer ms Todos los y colocando
el pesado e
Almacn de eficiente el productos de etiquetas para
identificacin Inmediato
materiales surtido de Laboratorios cada materia
individual de
materias primas MRE prima que es
materias primas
pesada
4.2. Generar
4. Presentando la
norma
secuencia grfica
operacional para En un
Para hacer ms En el producto y escrita (precisa)
la recepcin y Departamento periodo
eficiente la CT25/100, de los pasos a
verificacin de de manufactura de una
fabricacin primeramente seguir para la
materias primas semana
recepcin de
del proceso de
materiales
fabricacin
5.2. Medir el
En un Utilizando una
volumen final de Para hacer ms En el producto
Departamento periodo regleta de acero
la solucin eficiente la CT25/100,
de manufactura de una inoxidable
humectante fabricacin primeramente
semana calibrada
preparada
Presentando la
5.3. Generar secuencia grfica
5.
norma y escrita (precisa)
En un
operacional para Para hacer ms En el producto de los pasos a
Departamento periodo
el pesado de eficiente la CT25/100, seguir para el
de manufactura de una
cada fraccin de fabricacin primeramente pesado por
semana
solucin fracciones de la
humectante solucin
humectante
171
RESUMEN DE CAUSAS Y TIEMPOS MXIMOS PARA IMPLEMENTACIN DE SOLUCIONES POR BAJA
DISOLUCIN DE CLORTALIDONA EN COMPRIMIDOS ORALES DEL PRODUCTO CT25/100
Nmero de Tiempo
Causa
Soluciones mximo
3. No se consider lo imprctico de manejar dos documentos
para realizar la actividad de surtido de materiales: un 3
2 semanas
procedimiento indica qu hacer, el otro procedimiento es (3.1, 3.2, 3.3)
nicamente para registro.
Por ltimo, respecto a las tareas de la causa 5, stas tambin fueron simultneas a
la tarea de certificacin, no obstante, fueron independientes entre s y con una
duracin total prxima a 5 das.
172
DIAGRAMA DE GANTT SOBRE IMPLEMENTACIN DE SOLUCIONES PARA LA BAJA DISOLUCIN DE CLORTALIDONA EN COMPRIMIDOS ORALES DEL PRODUCTO CT25/100
Elementos del diagrama de Gantt sobre la baja disolucin de Clortalidona en comprimidos orales del producto CT25/100
173
6.7. Evaluar la solucin-el seguimiento
Una vez implantadas todas las soluciones, se evaluaron los resultados de las
mismas durante tres meses 15, tiempo durante el cual disminuyeron
significativamente las inconsistencias al proceso de fabricacin del producto
identificado como CT25/100. Consecuentemente, tampoco se presentaron lotes
rechazados por baja disolucin de Clortalidona en los comprimidos del mismo.
Tamizado (T). 0
Secado (S). // 2
Compresin (C). 0
Total 5
15
Adicional al seguimiento de soluciones, se realizaron anlisis fsico-qumicos y por NIR al almidn de maz
cuyas especificaciones eran diferentes a las registradas en el sistema de administracin productiva de
Laboratorios MRE, identificndose el mismo como un almidn de maz parcialmente pregelatinizado.
175
Pareto Chart of Etapa Pareto Chart of Etapa
50
5 100
100
40
4 80
80
Inconsistencias
Inconsistencias
30 3 60
Percent
Percent
60
20 2 40
40
10 20 1 20
0 0 0 0
Etapa SMP C PSH RVMP GH S Other Etapa GH S Other
Inconsistencias 13 9 7 7 5 4 0 Inconsistencias 3 2 0
Percent 28.9 20.0 15.6 15.6 11.1 8.9 0.0 Percent 60.0 40.0 0.0
Cum % 28.9 48.9 64.4 80.0 91.1 100.0 100.0 Cum % 60.0 100.0 100.0
Por ltimo, la implantacin de soluciones acordes a cada causa raz sobre la baja
disolucin de Clortalidona evitaron prdidas econmicas para Laboratorios MRE
en el primer cuarto del ao 2009, de acuerdo a nuevas grficas de desempeo.
176
A continuacin se ilustran algunos de los documentos generados durante esta
etapa:
NORMAS OPERACIONALES
177
6.9. Mantener la mejora continua
178
asegurar la permanencia de soluciones a corto plazo (mayor factibilidad)
propuestas por el equipo de mejora, se utilizaron varias herramientas que
permitieron desarrollar el Ciclo Deming para determinar las causas raz del
problema de inters, entre las cuales, una de las principales fue el uso de almidn
de maz parcialmente pregelatinizado en lugar de almidn de maz convencional,
debido a que el sistema de administracin productiva de Laboratorios MRE no
estaba suficientemente desarrollado para notificar cambios en las materias
primas que recibe y las entregadas por el proveedor, aun cuando la
denominacin aparentemente fuera la misma. De manera conjunta, otras
herramientas ms fueron tiles durante la implementacin y seguimiento a las
soluciones propuestas, dando como resultado un proceso de fabricacin
consistente y seguro que permitiera lograr un balance econmico favorable en
los ingresos Laboratorios MRE, pues al trmino el primer cuarto del ao 2009 la
compaa registr a travs de grficas de desempeo, 0% de lotes rechazados
por baja disolucin de Clortalidona en los comprimidos de dicho producto.
16
Al ser utilizado el almidn de maz como ingrediente de esta solucin, se forma una suspensin que sirve
como aglutinante al ser aspersada sobre la mezcla seca de polvos que tambin componen la formulacin del
producto CT25/100.
179
almidn que ha sido previamente gelatinizado y secado para obtener un polvo
con diferentes propiedades funcionales.
Lotes de evaluacin
Diseo de experimentos factorial 32.
Anlisis de regresin mltiple.
Lotes piloto
Grficas de control - R.
Clculos de desempeo de proceso (Ppk).
Estudios de repetibilidad y reproducibilidad (r&R).
Anlisis de varianza.
17
La granulacin hmeda mediante procesos supercortantes de alta velocidad es apropiada para el uso de
almidones parcialmente pregelatinizados.
180
La siguiente tabla muestra el diseo de experimentos 32 para dichos factores de
optimizacin:
Factores
A1 B1
A1 B2
A1 B3
A2 B1
A2 B2
A2 B3
A3 B1
A3 B2
A3 B3
PERSONAL
El personal involucrado en la fabricacin de los lotes de evaluacin provino de los
departamentos de planeacin, manufactura, aseguramiento y control de
calidad, y validacin y metrologa, ejecutando el siguiente rol de
responsabilidades acordes a sus puestos de trabajo:
181
Qu Quin Por qu Dnde Cundo Cmo
(What) (Who) (Why) (Where) (When) (How)
Ejecucin de Departamento Para determinar
pruebas de de los tiempos de En los Utilizando
En tres
disolucin y aseguramiento disolucin y comprimidos equipo
das
anlisis de y control de concentracin fabricados analtico
muestras calidad de Clortalidona
182
x1 x2 y x1 x2 y
10 65 3.48 10 65 3.33
10 70 15.80 10 70 15.99
15 70 21.75 15 70 21.99
15 70 21.84 10 65 3.39
10 65 3.27 10 70 15.87
15 65 4.68 15 65 4.65
15 65 6.00 15 70 22.02
10 65 3.51 15 65 4.71
183
x1 x2 y x1 x2 y
15 70 22.02 10 70 15.84
15 65 4.68 10 65 3.42
10 70 15.93 15 65 6.03
15 70 21.93 10 70 15.96
15 65 4.74 10 70 15.90
184
ANLISIS DE REGRESIN MLTIPLE PARA LOTES DE EVALUACIN
Para el anlisis de regresin mltiple (Anexo I), primeramente fueron calculados los
coeficientes de determinacin y parmetros estadsticos que se indican a
continuacin utilizando el software estadstico Statgraphics:
R-squared 92.1351%
R-squared (adjusted for d.f.) 91.7496%
Standard Error of Est. 3.60915
Mean absolute error 2.8623
Durbin-Watson statistic 2.29697 (p=0.9383)
Las tablas de la pgina siguiente muestran los errores estndar y VIFs de los
efectos estimados y su interaccin, as como los coeficientes de regresin para el
modelo cuadrtico:
20
De acuerdo a lo indicado en el libro: 55 Respuestas a dudas tpicas de ESTADSTICA (Behar Gutirrez &
Grima Cintas, 2004, pgs. 119-123).
21
Se cumple que (Gutirrez Pulido & De la Vara Salazar, 2008, pg. 368).
185
Stnd.
Effect Estimate 22 V.I.F.
Error
average 34.0859 0.776566
A:x1 4.92611 0.850685 1.0
B:x2 20.0047 0.850685 1.0
AA -27.4078 1.47343 1.0
AB 2.12792 1.04187 1.0
BB -16.7453 1.47343 1.0
Coefficient Estimate
constant -6550.91
A:x1 44.31
B:x2 182.722
AA -2.19262
AB 0.170233
BB -1.33962
39 40
35
30
31 x2=70.0
27 20
y
x2=70.0
23
10
19
x2=65.0
15 0 x2=65.0
10.0 15.0 65.0 70.0 10.0 15.0
x1 x2 x1
22
Errores estndar basados en el error total con 91 grados de libertad.
186
mayor interaccin con la fuerza de compresin (x1) ocurre cuando se encuentran
en un nivel alto y medio respectivamente.
Sum of Mean
Source Df F-Ratio P-Value
Squares Square
A:x1 436.798 1 436.798 33.53 0.0000
B:x2 7203.4 1 7203.4 553.00 0.0000
AA 4507.12 1 4507.12 346.01 0.0000
AB 54.3364 1 54.3364 4.17 0.0440
BB 1682.43 1 1682.43 129.16 0.0000
Total error 1185.36 91 13.026
Total (corr.) 15071.6 107
187
Finalmente, la grfica siguiente de Statgraphics complementa los resultados del
ANOVA, ya que la longitud de cada barra es proporcional al valor del estadstico
t de student calculado para cada efecto e interaccin. Cualquier barra que
rebase la lnea vertical se interpreta como un efecto estadsticamente significativo
con un nivel de significancia del 5%.
B:x2 +
-
AA
BB
A:x1
AB
0 4 8 12 16 20 24
Standardized effect
Superficie de respuesta
188
Despus se encuentran las races del polinomio caracterstico que se muestra a
continuacin:
Solucin de matrices
Solucin de polinomio
189
Puesto que las races caractersticas (eigenvalores) son negativas, la funcin de la
superficie de respuesta representa un mximo, el cual tiene el siguiente punto
crtico:
Solucin de matrices
fuerza de compresin
Una vez determinados los valores del punto estacionario ptimo, estos son
sustituidos en el modelo de superficie de respuesta para obtener el tiempo
190
estimado de disolucin de los comprimidos de Clortalidona a fabricar bajo estas
nuevas condiciones.
24.0
10 28.0
70 32.0
69
0 68 36.0
67
10 11 66 x2 40.0
12 13 14 65
15 44.0
x1
191
Contours of Estimated Response Surface
70 y
0.0
69 4.0
8.0
12.0
68
16.0
x2
20.0
67 24.0
28.0
66 32.0
36.0
65 40.0
10 11 12 13 14 15 44.0
x1
23
Es importante aclarar que para la fabricacin de lotes piloto, los integrantes del equipo de mejora asumieron
las mismas responsabilidades que para la fabricacin de los lotes de evaluacin, realizando en esta ocasin la
manufactura y pruebas de disolucin de un lote por da.
192
partculas del mismo despus del tiempo de almacenamiento establecido. El
muestreo fue realizado en un contenedor de almacenamiento tal como lo indica
la siguiente figura, tomando una muestra de 50 g por punto:
Vista Superior
Vista Frontal
x1
P1 x1
P2
x1
P3
193
Malla 80 100 140 200 400 Base
Piloto 1
P1 (%) 34.1 32.6 5.2 8.3 10.7 7.6
P2 (%) 3.6 4.4 4.4 11.9 36.3 37.8
P3 (%) 2.4 3.1 4.1 7.3 38.4 43.3
P1 (%) 36.1 33.8 7.2 9.3 6.5 5.6
Piloto 2
Los valores de probabilidad para cada punto de muestreo de los lotes piloto se
muestran a continuacin en la siguiente tabla:
Punto 1 2 3
valor-p
194
del proceso, empleando intervalos de muestreo de 10 minutos durante
aproximadamente 3.5 horas de proceso con la finalidad de reunir 20 tiempos de
muestreo de 5 unidades. De esta forma, las mediciones de peso y dureza fueron
determinadas para un tamao de muestra de 5 comprimidos, utilizando una
balanza semianaltica (Mettler XP203S) y un durmetro de placas (Schleuniger
8M), ambos instrumentos con calibracin vigente.
S pecifications
Sample Mean
_
_ LS L 400
415 X=415.36 U S L 430
LCL=411.03
410
1 3 5 7 9 11 13 15 17 19 400 404 408 412 416 420 424 428
_
8 R=7.51
0 LCL=0
1 3 5 7 9 11 13 15 17 19 408 414 420 426
195
Lote Piloto 1: Producto CT25/100, Dureza
Xbar Chart Capability Histogram
LSL USL
UCL=11.329
Sample Mean 11 S pecifications
_ LS L 5
_
10 X=10.034 U S L 15
9
LCL=8.739
1 3 5 7 9 11 13 15 17 19 6.0 7.5 9.0 10.5 12.0 13.5 15.0
_
R=2.245
2
0 LCL=0
1 3 5 7 9 11 13 15 17 19 8 10 12 14
10 Cp 1.73 Pp 1.88
O v erall
C pk 1.72 P pk 1.86
8 C pm *
S pecs
5 10 15 20
Sample
196
LOTE PILOTO 1: GRFICA PARA PESO Y DUREZA EN FORMATO MICROSOFT EXCEL
197
Continuando con el anlisis de grficas y resultados, tanto en el formato de
Minitab como en el de Microsoft Excel ambas magnitudes muestran adhesin
a la media del proceso en la grfica de promedios, mientras que en la de rangos
se observan tendencias inestables que indican falta de control en el proceso de
compresin; por consecuencia, se considerarn los ndices de desempeo como
referencia del comportamiento del proceso mismo, aun cuando por definicin
stos no sean tiles para hacer predicciones e inferencias vlidas con respecto al
tiempo. As, los ndices de desempeo obtenidos fueron moderadamente
aceptables (Pp y Ppk > 1.33) para las dos magnitudes, observndose mayor valor
numrico para la dureza en relacin al peso en cada lote piloto.
Por otra parte, es importante aclarar que existen pequeas diferencias con
respecto a los resultados numricos obtenidos en ambos formatos, lo cual puede
atribuirse al nmero de cifras significativas presentes en los factores empleados (A2,
D4) para la determinacin de lmites de control calculados en Microsoft Excel, as
como las cifras significativas y mtodos de clculo utilizados por Minitab para el
anlisis de datos.
Pasando ahora a los lotes piloto 2 y 3, para estos lotes tambin aplican todas las
observaciones realizadas al lote piloto 1, pues en sus grficas para peso y dureza
se aprecia un comportamiento muy parecido sobre dichas magnitudes en
relacin a este primer lote.
198
LOTE PILOTO 2: GRFICAS PARA PESO EN FORMATO MINITAB Y MICROSOFT EXCEL
LS L 400
_
_
416 U S L 430
X=415.2
412
LCL=411.298
1 3 5 7 9 11 13 15 17 19 400 404 408 412 416 420 424 428
8 _
R=6.76
0 LCL=0
1 3 5 7 9 11 13 15 17 19 408 414 420 426
199
LOTE PILOTO 2: GRFICAS PARA DUREZA EN FORMATO MINITAB Y MICROSOFT EXCEL
_ LS L 5
_
10 X=10.068 U S L 15
9 LCL=8.846
1 3 5 7 9 11 13 15 17 19 6.0 7.5 9.0 10.5 12.0 13.5 15.0
_
2 R=2.118
0 LCL=0
1 3 5 7 9 11 13 15 17 19 8 10 12 14
10 Cp 1.83 Pp 1.94
O v erall
C pk 1.81 P pk 1.91
C pm *
8
S pecs
5 10 15 20
Sample
200
LOTE PILOTO 3: GRFICAS PARA PESO EN FORMATO MINITAB Y MICROSOFT EXCEL
_ LS L 400
416 _
X=415.41 U S L 430
412
LCL=411.371
1 3 5 7 9 11 13 15 17 19 400 404 408 412 416 420 424 428
_
8 R=7.00
0 LCL=0
1 3 5 7 9 11 13 15 17 19 408 414 420 426
Cp 1.66 Pp 1.81
415 O v erall
C pk 1.62 P pk 1.76
C pm *
410
S pecs
5 10 15 20
Sample
201
LOTE PILOTO 3: GRFICAS PARA DUREZA EN FORMATO MINITAB Y MICROSOFT EXCEL
_ LS L 5
_
10 X=10.044 U S L 15
9 LCL=8.860
1 3 5 7 9 11 13 15 17 19 6.0 7.5 9.0 10.5 12.0 13.5 15.0
_
2 R=2.053
0 LCL=0
1 3 5 7 9 11 13 15 17 19 8 10 12
10 Cp 1.89 Pp 1.99
O v erall
C pk 1.87 P pk 1.98
C pm *
8
S pecs
5 10 15 20
Sample
202
ESTUDIOS DE REPETIBILIDAD Y REPRODUCIBILIDAD (r&R), LOTES PILOTO 1 A 3
Utilizando los datos obtenidos durante la fabricacin de los tres lotes piloto, se
realiz un estudio de repetibilidad y reproducibilidad (Anexo III) para evaluar la
consistencia entre mediciones de proceso para las magnitudes de peso y
dureza 24, as como para el desempeo de los operarios; mismo que explicara la
variabilidad observada en las grficas de rangos y falta de control en las grficas
de medias (formatos de Minitab y Microsoft Excel) antes ilustradas.
Source DF SS MS F P
Operario 2 2.41 1.20333 0.438471 0.647
Pieza (Operario) 57 156.43 2.74439 0.296583 1.000
Repeatability 240 2220.80 9.25333
Total 299 2379.64
Gage R&R
%Contribution
Source VarComp (of VarComp)
Total Gage R&R 9.25333 100.00
Repeatability 9.25333 100.00
Reproducibility 0.00000 0.00
Part-To-Part 0.00000 0.00
Total Variation 9.25333 100.00
Process tolerance = 30
Variability Study
24
Las magnitudes de peso y dureza son considerados atributos de calidad moderadamente crticos en la
industria farmacutica.
203
Como se puede observar en el anlisis de varianza (ANOVA), de acuerdo al valor
de p (>0.05) no existen diferencias significativas entre operarios ni entre piezas.
Sin embargo, tanto el anlisis de componentes de variacin (Gage R&R) como su
grfica indican que la repetibilidad de las mediciones representa el 100% de la
contribucin, as como de la variabilidad total en el estudio correspondiente.
50 415
410
0 Pieza 1 2 3 4 5 6 7 8 910111 213141 51617181920 21222324252 6272829303132333435363738394 0 414243444546474849505 152535 4555657585960
Gage R&R Repeat Reprod Part-to-Part
Operario A B C
R Chart by Operario
Peso by Operario
A B C
16 UCL=16.00
420
Sample Range
_ 415
8 R=7.57
410
0 LCL=0
A B C
Operario
Xbar Chart by Operario
A B C
420 UCL=419.69
Sample Mean
_
_
415 X=415.32
LCL=410.96
410
204
claramente la falta de diferenciacin promedio entre piezas por operario, sin
embargo esta condicin entre operarios aparentemente es favorable en la
grfica de variacin correspondiente (By Operario), al observarse valores de
medias casi iguales que indican buena reproducibilidad del sistema. Finalmente,
la grfica de componentes de variacin ratifica que el sistema de medicin no es
el adecuado, ya que la zona correspondiente a la variabilidad entre piezas (Part
to Part) representa el 0% de la contribucin, al igual que su variabilidad total
equivalente.
Source DF SS MS F P
Operario 2 0.061 0.030533 0.094237 0.910
Pieza (Operario) 57 18.468 0.324007 0.385150 1.000
Repeatability 240 201.900 0.841250
Total 299 220.429
Gage R&R
%Contribution
Source VarComp (of VarComp)
Total Gage R&R 0.84125 100.00
Repeatability 0.84125 100.00
Reproducibility 0.00000 0.00
Part-To-Part 0.00000 0.00
Total Variation 0.84125 100.00
Process tolerance = 10
Variability Study
Para el caso de la dureza se presenta el mismo ANOVA que para el peso, es decir,
no existen diferencias significativas entre operarios ni entre piezas. Tambin la
repetibilidad de las mediciones representa el 100% de la contribucin de acuerdo
al anlisis de componentes de variacin y su grfica correspondiente.
205
Lotes Piloto 1 a 3: Producto CT25/100, Dureza
Reported by : J. E dgar G utirrez Briones
G age name: Durmetro Tolerance: 10 kp
Date of study : 22 nd, M ay 2009 M isc: S chleuniger 8M
10
50
8
0 Pieza 1 2 3 4 5 6 7 8 910111 213141 51617181920 21222324252 6272829303132333435363738394 0 414243444546474849505 152535 4555657585960
Gage R&R Repeat Reprod Part-to-Part
Operario A B C
R Chart by Operario
Dureza by Operario
A B C
UCL=4.684 12
4
Sample Range
_ 10
2 R=2.215
8
0 LCL=0
A B C
Operario
Xbar Chart by Operario
A B C
UCL=11.326
11
Sample Mean
_
_
10 X=10.049
9
LCL=8.771
206
De acuerdo a los resultados del anlisis de repetibilidad y reproducibilidad (r&R),
es evidente la ausencia de consistencia en los datos de peso y dureza obtenidos
a partir de los lotes piloto 1 a 3, no obstante, las pruebas de disolucin realizadas
en muestras de comprimidos obtenidas al inicio, mitad y final de cada lote piloto,
demostraron que el tiempo de disolucin fue 35 y 40 minutos, como se puede
observar en los datos de la siguiente tabla:
1 37.57 37.27 37.27 39.70 37.47 38.42 37.28 37.56 36.10 37.43 37.72 40.25 37.84
2 36.45 37.55 40.37 37.65 37.63 37.71 40.57 35.47 37.45 38.5 37.36 37.51 37.85
3 39.63 35.48 37.71 37.29 37.51 38.67 37.61 37.66 37.52 37.35 38.48 37.77 37.72
PILOTO 1 2 3
H = 0.44 DF = 2 P = 0.804
207
Al analizar la prueba de Kruskal Wallis 25, es claro que no existen diferencias
significativas entre los tiempos de disolucin de los tres lotes piloto (p > 0.05), lo
cual indica que la falta de normalidad en el tamao de partcula del granulado
no tiene un impacto negativo en dicha propiedad para los comprimidos de
Clortalidona, sin con esto poder afirmar lo contrario para las magnitudes de peso
y dureza en el mismo producto.
25
Prueba no paramtrica equivalente al ANOVA para probar igualdad entre grupos de valores para una
magnitud determinada
208
El anlisis correspondiente al tamao de partcula para el granulado de cada lote
piloto arroj los siguientes resultados.
Los valores de probabilidad para cada punto de muestreo de estos tres lotes
piloto se muestran a continuacin en la siguiente tabla:
Punto 1 2 3
valor-p
209
GRFICAS DE CONTROL -R Y CLCULOS DE DESEMPEO DE PROCESO (Ppk), LOTES PILOTO 4 A 6
Durante el proceso de compresin al monitorear las caractersticas (magnitudes)
de peso y dureza de los comprimidos de Clortalidona para los lotes piloto 4, 5 y 6,
se elaboraron nuevamente grficas y R para el control estadstico del proceso,
conservando las mismas condiciones de muestro que en los lotes piloto anteriores.
_ LS L 400
415.5 _
X=415.18 U S L 430
414.0
LCL=413.553
1 3 5 7 9 11 13 15 17 19 400 404 408 412 416 420 424 428
_
2.5 R=2.821
0.0 LCL=0
1 3 5 7 9 11 13 15 17 19 410 415 420
Cp 4.12 Pp 3.56
O v erall
414.5 C pk 4.07 P pk 3.52
C pm *
412.0 S pecs
5 10 15 20
Sample
_ LS L 5
_
X=10.094 U S L 15
10.0
9.5 LCL=9.493
1 3 5 7 9 11 13 15 17 19 5.6 7.0 8.4 9.8 11.2 12.6 14.0
_
1 R=1.042
0 LCL=0
1 3 5 7 9 11 13 15 17 19 9 10 11 12
Cp 3.72 Pp 3.44
10 O v erall
C pk 3.65 P pk 3.37
C pm *
9 S pecs
5 10 15 20
Sample
210
Al analizar las grficas en Minitab del cuarto lote piloto, se puede observar que
los valores correspondientes al peso y dureza de los comprimidos se distribuyen
normalmente (p>0.05) y mejor que en los lotes piloto 1, 2 y 3. Asimismo, la
variabilidad a corto y largo plazo para estas magnitudes cumple
satisfactoriamente el requisito de las especificaciones con anterioridad indicadas,
peso: 400 430 mg y dureza: 5 15 kp.
211
Es importante aclarar que en esta ocasin se utiliz una expresin insesgada de la
desviacin estndar muestral para el clculo de los ndices de desempeo,
debido a que fueron eliminadas las causas asignables a la variacin del proceso
al lograr una distribucin normal en el tamao de partcula de los granulados,
posterior al tiempo adicional de mezclado proporcionado y previo a su
compresin.
Con respecto a los lotes piloto 5 y 6, para estos lotes tambin aplican todas las
observaciones realizadas al lote piloto 4, pues en sus grficas para peso y dureza
se aprecia un comportamiento muy parecido sobre dichas magnitudes en
relacin al cuarto lote.
Con base en esto, a continuacin se presentan las grficas para peso y dureza de
los lotes piloto 5 y 6, alternando en esta ocasin ambos formatos para cada
magnitud.
212
LOTE PILOTO 5: GRFICAS PARA PESO EN FORMATO MINITAB Y MICROSOFT EXCEL
S pecifications
Sample Mean
_ LS L 400
415.5 _
X=415.239 U S L 430
414.0
LCL=413.590
1 3 5 7 9 11 13 15 17 19 400 404 408 412 416 420 424 428
5.0
_
R=2.858
2.5
0.0 LCL=0
1 3 5 7 9 11 13 15 17 19 410 415 420
Cp 4.07 Pp 3.57
414
O v erall
C pk 4 P pk 3.51
C pm *
411 S pecs
5 10 15 20
Sample
213
LOTE PILOTO 5: GRFICAS PARA DUREZA EN FORMATO MINITAB Y MICROSOFT EXCEL
_ LS L 5
_
10.0 X=10.035 U S L 15
9.5 LCL=9.430
1 3 5 7 9 11 13 15 17 19 5.6 7.0 8.4 9.8 11.2 12.6 14.0
_
1 R=1.049
0 LCL=0
1 3 5 7 9 11 13 15 17 19 9 10 11 12
Cp 3.69 Pp 3.53
10 O v erall
C pk 3.67 P pk 3.5
C pm *
9 S pecs
5 10 15 20
Sample
214
LOTE PILOTO 6: GRFICAS PARA PESO EN FORMATO MINITAB Y MICROSOFT EXCEL
416 LS L 400
_
_
X=415.253 U S L 430
415
414
LCL=413.707
1 3 5 7 9 11 13 15 17 19 400 404 408 412 416 420 424 428
_
2.5 R=2.681
0.0 LCL=0
1 3 5 7 9 11 13 15 17 19 410 415 420
Cp 4.34 Pp 3.74
414.5 O v erall
C pk 4.26 P pk 3.68
C pm *
412.0
S pecs
5 10 15 20
Sample
215
LOTE PILOTO 6: GRFICAS PARA DUREZA EN FORMATO MINITAB Y MICROSOFT EXCEL
_ LS L 5
_
X=10.076 U S L 15
10.0
9.5 LCL=9.460
1 3 5 7 9 11 13 15 17 19 5.6 7.0 8.4 9.8 11.2 12.6 14.0
_
1 R=1.067
0 LCL=0
1 3 5 7 9 11 13 15 17 19 9 10 11 12
Cp 3.63 Pp 3.25
10 O v erall
C pk 3.58 P pk 3.2
C pm *
9 S pecs
5 10 15 20
Sample
216
ESTUDIOS DE REPETIBILIDAD Y REPRODUCIBILIDAD (r&R), LOTES PILOTO 4 A 6
Utilizando los datos obtenidos durante la fabricacin de los lotes piloto 4, 5 y 6, se
realiz un nuevo estudio de repetibilidad y reproducibilidad (Anexo III) para
evaluar la consistencia entre mediciones de proceso para las magnitudes de
peso y dureza24, as como para el desempeo de los operarios; mismo que
explicara la adhesin al rango medio observada en las grficas de rangos
(formatos de Minitab y Microsoft Excel) antes ilustradas.
Source DF SS MS F P
Operario 2 0.300 0.15010 0.03876 0.962
Pieza (Operario) 57 220.715 3.87219 2.71279 0.000
Repeatability 240 342.572 1.42738
Total 299 563.587
Gage R&R
%Contribution
Source VarComp (of VarComp)
Total Gage R&R 1.42738 74.48
Repeatability 1.42738 74.48
Reproducibility 0.00000 0.00
Part-To-Part 0.48896 25.52
Total Variation 1.91635 100.00
Process tolerance = 30
Variability Study
40 414
0 411
Pieza 1 2 3 4 5 6 7 8 910111 213141 51617181920 21222324252 6272829303132333435363738394 0 414243444546474849505 152535 4555657585960
Gage R&R Repeat Reprod Part-to-Part
Operario A B C
R Chart by Operario
Peso by Operario
A B C
UCL=6.389
Sample Range
5.0 417
_
R=3.022 414
2.5
_
_
415.5
X=415.224
414.0
LCL=413.481
218
esta condicin en el sistema. Con respecto a la grfica de variacin por pieza (By
Pieza), en esta ocasin muestra una moderada diferenciacin promedio entre
piezas por operario, no obstante dicha condicin entre operarios presenta valores
iguales de las medias en la grfica de variacin correspondiente (By Operario),
confirmando la buena reproducibilidad del sistema. Finalmente, la grfica de
componentes de variacin ratifica que el sistema de medicin no es tan
inadecuado, ya que la barra correspondiente a la variabilidad entre piezas (Part
to Part) representa el 25.52% de la contribucin y el 50.51% de la variabilidad total
equivalente.
Source DF SS MS F P
Operario 2 0.1829 0.091433 0.23537 0.791
Pieza (Operario) 57 22.1423 0.388461 1.90718 0.000
Repeatability 240 48.8840 0.203683
Total 299 71.2092
Gage R&R
%Contribution
Source VarComp (of VarComp)
Total Gage R&R 0.203683 84.64
Repeatability 0.203683 84.64
Reproducibility 0.000000 0.00
Part-To-Part 0.036956 15.36
Total Variation 0.240639 100.00
Process tolerance = 10
Variability Study
219
las mediciones representa el 84.64% de la contribucin y el 92.00% de la
variabilidad total equivalente.
% Tolerance
50 10
9
0 Pieza 1 2 3 4 5 6 7 8 910111 213141 51617181920 21222324252 6272829303132333435363738394 0 414243444546474849505 152535 4555657585960
Gage R&R Repeat Reprod Part-to-Part
Operario A B C
R Chart by Operario
Dureza by Operario
A B C
UCL=2.255
2 11
Sample Range
_
1 R=1.067 10
9
0 LCL=0
A B C
Operario
Xbar Chart by Operario
A B C
UCL=10.684
10.5
Sample Mean
_
_
10.0 X=10.068
9.5 LCL=9.453
220
Nuevamente, la grfica de componentes de variacin para la dureza ratifica que
el sistema de medicin no es tan inadecuado, ya que la zona correspondiente a
la variabilidad entre piezas (Part to Part) representa el 15.36% de la contribucin y
el 39.19% de la variabilidad total equivalente.
As, con base en los resultados del anlisis de repetibilidad y reproducibilidad (r&R)
en los lotes piloto 4, 5 y 6, es evidente una mejora en los datos de peso y dureza
obtenidos, lo cual comprueba la influencia de la normalidad del tamao de
partcula del granulado obtenido en cada lote tras el mezclado mecnico
adicional. Las pruebas de disolucin realizadas en muestras de comprimidos
obtenidas al inicio, mitad y final de estos tres lotes piloto demostraron que el
tiempo de disolucin tambin fue 35 y 40 minutos, como se puede observar en
los datos de la siguiente tabla:
4 37.41 37.33 37.35 37.39 37.37 37.36 37.42 37.40 37.43 37.38 37.34 37.40 37.38
5 37.37 37.43 37.44 37.40 37.36 37.39 37.35 37.42 37.37 37.43 37.35 37.41 37.39
6 37.36 37.39 37.37 37.42 37.43 37.33 37.40 37.39 37.34 37.38 37.36 37.43 37.38
PILOTO 4 5 6
221
Disolucin
Bartlett's Test
Test Statistic 0.01
Piloto 4 P-Value 0.995
Lev ene's Test
Test Statistic 0.04
P-Value 0.959
Pilotos
Piloto 5
Piloto 6
PILOTO 4 5 6
Puesto que las varianzas son homogneas (p > 0.05) y los residuales de los tiempos
de disolucin presentan una distribucin normal (p > 0.05), es posible realizar un
anlisis estadstico final en Minitab para el conjunto de datos de los lotes piloto 4,
5 y 6, a fin de comprobar igualdad entre los tiempos de disolucin obtenidos:
Source DF SS MS F P
Pilotos 2 0.00096 0.00048 0.45 0.644
Error 33 0.03530 0.00107
Total 35 0.03626
222
Tukey 95% Simultaneous Confidence Intervals
All Pairwise Comparisons among Levels of Pilotos
223
6.11. Presentacin final de resultados
224
BAJA DISOLUCIN DE CLORTALIDONA EN COMPRIMIDOS ORALES, PRODUCTO CT25/100
PRUEBAS HABITUALES PARA LA EVALUACIN Y ESTUDIO LOTES FABRICADOS DE CT25/100 OBJETIVO EN LOTES FABRICADOS DE
DE COMPRIMIDOS DE CT25/100 CT25/100
100% Estndar: 100%
120% 15% 18%
% de lotes fabricados
Cumple No Cumple de lotes
80% aprobados 16% 15%
100%
% de lotes rechazados
14%
80% 60% 12%
100% 100% % de lotes rechazados
60% 40% 85% 10%
% de lotes aprobados 2008
8%
Fecha: 20-Abr-09 40% 20% 6%
$395,000
USD 15-Abr-09
Inconsistencias
desarrollado para involucradas en la fabricacin del producto 1.2. Variar los planes de muestreo para anlisis qumico de
materias primas
notificar cambios en CT25/100, se pudo comprobar contra las 30
Percent
las materias primas especificaciones de Laboratorios MRE 1.3. Implantar un nuevo sistema de identificacin de
materias primas
60
que recibe que las especificaciones de uno de los
Laboratorios MRE y ingredientes utilizados en la preparacin 1.4. Desarrollar complementos al sistema de administracin
las entregadas por el de la solucin humectante era diferente a productiva de la compaa 20
proveedor lo requerido, aun cuando la denominacin 40
1.5. Desarrollar modificaciones al proceso de fabricacin del
pareca ser la misma, razn por la cual no producto CT25/100
fue detectada por el sistema de
administracin productiva de la compaa
1.6. Certificacin de proveedor de materias primas 10 20
2.1. Capacitacin externa del personal operativo
2. No existe un buen Se realizaron evaluaciones al personal
sistema de operativo sobre la actualizacin de 2.2. Implantar un sistema continuo de capacitacin interna
capacitacin continua conocimientos para desempear su del personal operativo 0 0
del personal trabajo, las cuales mostraron poca claridad 2.3. Capacitacin mixta del personal operativo
Etapa SMP C PSH RVMP GH S Other
involucrado en los en conceptos sobre control de procesos y Inconsistencias 13 9 7 7 5 4 0
procesos de ajuste de maquinaria para la etapa de Percent 28.9 20.0 15.6 15.6 11.1 8.9 0.0
fabricacin compresin
Cum % 28.9 48.9 64.4 80.0 91.1 100.0 100.0
3.1. Generar un solo documento para el surtido de materias
3. No se consider lo Al monitorear el surtido de materiales para
primas a travs de la modificacin del procedimiento de
imprctico de manejar cualquier proceso de fabricacin, se
dos documentos para comprob lo imprctico de utilizar dos
fabricacin del producto CT25/100 Despus de implementar soluciones aprobadas
realizar la actividad de documentos para realizar dicha actividad, 3.2. Generar norma operacional para el surtido de materias
primas del proceso de fabricacin
surtido de materiales: lo cual representa un problema potencial
uno indica qu hacer, de manera general para la compaa 3.3. Surtido de materias primas por etapas y cargas del Pareto Chart of Etapa
otro es para registro proceso de fabricacin
5 100
4.1. Implementar el pesado e identificacin individual de
4. Para reducir el tiempo Al monitorear el trasvase de materiales
materias primas
de trasvase de para cualquier proceso de fabricacin, se
materiales, no se comprob que nunca se incluye la bolsa 4.2. Generar norma operacional para la recepcin y
verificacin de materias primas del proceso de 4 80
incluye la bolsa en en que fueron pesadas las materias
fabricacin
Inconsistencias
que fueron pesadas primas, lo cual tambin representa un
las materias primas problema potencial de manera general 4.3. Asignar un inspector de aseguramiento de calidad para
supervisar las actividades de surtido y verificacin de 3 60
Percent
para la compaa
pesos de materias primas
5.1. Instalar un fluxmetro en la marmita de preparacin de
5. Para reducir el tiempo Al monitorear la preparacin de la solucin
solucin humectante
de preparacin de la humectante para cualquier proceso de 2 40
solucin humectante, fabricacin que as la requiera, se 5.2. Medir el volumen final de la solucin humectante
no se pesa la cantidad comprob que nunca se pesa la cantidad preparada
de agua al inicio de agua al inicio. De igual manera que las 5.3. Generar norma operacional para el pesado de cada
dos causas anteriores, esto representa un fraccin de solucin humectante 1 20
problema potencial general para la
compaa
0 0
Etapa GH S Other
Inconsistencias 3 2 0
Percent 60.0 40.0 0.0
Cum % 60.0 100.0 100.0
225
OPTIMIZACIN DEL PROCESO DE FABRICACIN DE COMPRIMIDOS ORALES DE CLORTALIDONA, PRODUCTO CT25/100
x1 x2 y
10 65 3
10 67.5 18
Puntos de muestreo de
10 70 16 granulado en
contenedor de
12 65 11 almacenamiento
Especificaciones de comprimidos
Fecha: 14-Ago-09 12 67.5 32
MAGNITUD LIE LSE
Equipo: Los 007 12 70 42
Peso (mg) 400 430
15 65 5
Dureza (kp) 5 15
15 67.5 25
15 70 22
S pecifications
Reported by : J. E dgar G utirrez Briones Punto 1 2 3
Sample Mean
Sample Mean
_
_ LS L 400 G age name: Balanza semianaltica Tolerance: 30 mg _
_
LS L 5 G age name: Durmetro Tolerance: 10 kp
415 X=415.36 U S L 430 U S L 15
D ate of study : 22 nd, M ay 2009 M isc: M ettler XP 203S 10 X=10.034 Date of study : 22 nd, M ay 2009 M isc: S chleuniger 8M
p-value
410
LCL=411.03 9
LCL=8.739
Piloto 1 0.041 >0.150 0.029
1 3 5 7 9 11 13 15 17 19 400 404 408 412 416 420 424 428 Components of Variation Peso By Pieza ( Operario ) 1 3 5 7 9 11 13 15 17 19 6.0 7.5 9.0 10.5 12.0 13.5 15.0 Components of Variation Dureza By Pieza ( Operario )
100 % Contribution 100 % Contribution 12
R Chart Normal Prob Plot R Chart Normal Prob Plot
420
16 UCL=15.87
A D: 0.540, P : 0.162
% Study Var
% Tolerance UCL=4.747
A D: 0.659, P : 0.083
% Study Var
% Tolerance Piloto 2 0.026 0.146 0.024
Percent
Percent
4 10
Sample Range
Sample Range
50 415 50
_ _
8 R=7.51 R=2.245
2
410
0 Pieza 1 2 3 4 5 6 7 8 910111 213141 51617181920 21222324252 6272829303132333435363738394 0 414243444546474849505 152535 4555657585960 0 LCL=0
0 Pieza
8
1 2 3 4 5 6 7 8 910111 213141 51617181920 21222324252 6272829303132333435363738394 0 414243444546474849505 152535 4555657585960
Piloto 3 0.023 0.126 0.029
0 LCL=0
Gage R&R Repeat Reprod Part-to-Part Gage R&R Repeat Reprod Part-to-Part
1 3 5 7 9 11 13 15 17 19 408 414 420 426 1 3 5 7 9 11 13 15 17 19 8 10 12 14
Operario A B C Operario A B C
Last 20 Subgroups Capability Plot R Chart by Operario Last 20 Subgroups Capability Plot R Chart by Operario
Peso by Operario 12 Within
Dureza by Operario
Within A B C A B C
420
Within
S tDev 3.22721
O v erall
S tDev 2.91121 16 UCL=16.00
Within
S tDev 0.96517
O v erall
S tDev 0.887992 UCL=4.684 12 Normalidad de tiempos de disolucin de comprimidos
Values
420 4
Values
Sample Range
Sample Range
8
PILOTO 1 2 3
0 LCL=0 0 LCL=0
A B C A B C
Operario Operario
Lote Piloto 2: Producto CT25/100, Peso Xbar Chart by Operario Lote Piloto 2: Producto CT25/100, Dureza Xbar Chart by Operario
p-value <0.010 <0.010 0.046
Xbar Chart Capability Histogram A B C Xbar Chart Capability Histogram A B C
420 UCL=419.69 UCL=11.326
420 LSL USL
UCL=11.290
LSL USL
UCL=419.102 11
S pecifications 11 S pecifications
Sample Mean
Sample Mean
Sample Mean
Sample Mean
LS L 400 _ _ LS L 5
416
_
_ _ _ _
_
X=415.2
U S L 430 X=415.32 10 X=10.068 U S L 15
415 10 X=10.049
412
LCL=411.298
9 LCL=8.846
9
La usencia de una distribucin normal en los
1 3 5 7 9 11 13 15 17 19 400 404 408 412 416 420 424 428 LCL=410.96 1 3 5 7 9 11 13 15 17 19 6.0 7.5 9.0 10.5 12.0 13.5 15.0
LCL=8.771
R Chart Normal Prob Plot
410
R Chart Normal Prob Plot
tiempos de disolucin slo permite efectuar una
16 A D: 0.591, P : 0.120 A D: 0.638, P : 0.094
UCL=14.30 4
UCL=4.479
prueba de Kruskal Wallis para probar igualdad
Sample Range
Sample Range
0 LCL=0
Sample Mean
0 LCL=0
_ LS L 400 _ LS L 5
1 3 5 7 9 11 13 15 17 19 408 414 420 426 _ 1 3 5 7 9 11 13 15 17 19 8 10 12 14 _
416 U S L 430 media (X bar Chart) y U S L 15 media (X bar Chart) y
Last 20 Subgroups Capability Plot
X=415.41
variacin considerable (R
Piloto N Median Ave Rank Z
Within 412 12 Within 9
420
Within
S tDev 2.90821
O v erall
S tDev 2.80692 1 3 5 7 9 11 13 15 17 19
LCL=411.371
400 404 408 412 416 420 424 428 Chart), no obstante, los
Within
S tDev 0.910586
O v erall
S tDev 0.859043 1 3 5 7 9 11 13 15 17 19
LCL=8.860
6.0 7.5 9.0 10.5 12.0 13.5 15.0 Chart), no obstante, los Piloto 1 12 38.52 -0.64
16.9 -0.64
Values
Values
Cp 1.72 Pp 1.78 10 Cp 1.83 Pp 1.94
415 O v erall ndices de desempeo son O v erall ndices de desempeo son
410
C pk 1.7 P pk
C pm *
1.76
16
R Chart
UCL=14.81
Normal Prob Plot
A D: 0.557, P : 0.147
mayores a 1.33 an cuando
C pk 1.81 P pk
C pm *
1.91
4
R Chart
UCL=4.341
Normal Prob Plot
A D: 0.710, P : 0.062
mayores a 1.33 an cuando
Piloto 2 12 38.59 18.9 0.170.17
8
Sample Range
Sample Range
S pecs S pecs
5 10
Sample
15 20
8 _
R=7.00
los 3 procesos no se 5 10
Sample
15 20
2
_
R=2.053
los 3 procesos no se Piloto 3 12 38.63 19.7 0.470.47
encuentran bajo control. encuentran bajo control.
0 LCL=0 El estudio de R&R corrobora 0 LCL=0 El estudio de R&R corrobora
Overall 36 18.5
1 3 5 7 9 11 13 15 17 19 408 414 420 426 1 3 5 7 9 11 13 15 17 19 8 10 12
la falta de repetibilidad de las Last 20 Subgroups Capability Plot
la falta de repetibilidad de las
Last 20 Subgroups Capability Plot
mediciones, evidenciando que 12 mediciones, evidenciando que
420
Within
S tDev 3.01023
Within O v erall
S tDev 2.7674
el sistema de medicin para
Within
S tDev 0.882526
Within O v erall
S tDev 0.836336
el sistema de medicin para
H = 0.44 DF = 2 P = 0.804
Values
Values
5 10 15 20
S pecs adecuado. 5 10 15 20
S pecs adecuado.
Sample Sample
Lote Piloto 4: Producto CT25/100, Peso Lote Piloto 4: Producto CT25/100, Dureza
Normalidad de tamao de partcula de granulados
Lotes Piloto 4 a 6: Producto CT25/100, Peso Lotes Piloto 4 a 6: Producto CT25/100, Dureza
Xbar Chart Capability Histogram Xbar Chart Capability Histogram
417.0 UCL=416.807
LSL USL
Reported by : J. E dgar G utirrez Briones UCL=10.695 LSL USL
Reported by : J. E dgar G utirrez Briones
S pecifications
G age name: Balanza analtica Tolerance: 30 mg
10.5 S pecifications
G age name: D urmetro Tolerance: 10 kp Punto 1 2 3
Sample Mean
Sample Mean
_ LS L 400 _ LS L 5
415.5 _ _
X=415.18 U S L 430 D ate of study : 07 th, A ugust 2009 M isc: M ettler Toledo A G 245 10.0
X=10.094 U S L 15 D ate of study : 07 th, A ugust 2009 M isc: S chleuniger 8M
p-value
414.0
LCL=413.553
Components of Variation Peso By Pieza ( Operario )
9.5 LCL=9.493
Components of Variation Dureza By Pieza ( Operario )
Piloto 4 >0.150 >0.150 >0.150
1 3 5 7 9 11 13 15 17 19 400 404 408 412 416 420 424 428 1 3 5 7 9 11 13 15 17 19 5.6 7.0 8.4 9.8 11.2 12.6 14.0
% Contribution 100
80 % Contribution
11
R Chart Normal Prob Plot % Study Var
417 R Chart Normal Prob Plot % Study Var
A D: 0.185, P : 0.905 % Tolerance A D: 0.587, P : 0.123
Piloto 5 >0.150 >0.150 >0.150
Percent
Percent
UCL=5.964 UCL=2.204 % Tolerance
2
Sample Range
5.0
Sample Range
40 50 10
414
_ _
R=2.821 1 R=1.042
2.5
0
Gage R&R Repeat Reprod Part-to-Part
411
Pieza 1 2 3 4 5 6 7 8 910111 213141 51617181920 21222324252 6272829303132333435363738394 0 414243444546474849505 152535 4555657585960
0 LCL=0
0
Gage R&R Repeat Reprod Part-to-Part
Pieza
9
1 2 3 4 5 6 7 8 910111 213141 51617181920 21222324252 6272829303132333435363738394 0 414243444546474849505 152535 4555657585960
Piloto 6 >0.150 >0.150 >0.150
0.0 LCL=0
410 415 420 Operario A B C 1 3 5 7 9 11 13 15 17 19 9 10 11 12 Operario A B C
1 3 5 7 9 11 13 15 17 19
R Chart by Operario R Chart by Operario
Last 20 Subgroups Capability Plot Peso by Operario Last 20 Subgroups Capability Plot Dureza by Operario
A B C Within
A B C
Within Within O v erall Within O v erall
UCL=6.389 11 UCL=2.255
417.0 S tDev 1.21261 S tDev 1.40354 S tDev 0.448108 S tDev 0.485067 2 11 Normalidad de tiempos de disolucin de comprimidos
Sample Range
Sample Range
417
Values
5.0
Values
0 LCL=0
9
A B C
PILOTO 4 5 6
Operario Operario
Xbar Chart by Operario Lote Piloto 5: Producto CT25/100, Dureza Xbar Chart by Operario
Lote Piloto 5: Producto CT25/100, Peso
417.0
Xbar Chart
UCL=416.888 LSL
Capability Histogram
USL
417.0
A B C
UCL=416.967
10.5
Xbar Chart
UCL=10.640
LSL
Capability Histogram
USL
S pecifications 10.5
A B C
UCL=10.684 p-value >0.150 >0.150 >0.150
Sample Mean
Sample Mean
Sample Mean
S pecifications LS L 5
Sample Mean
_
_
_ LS L 400 _
_ X=10.035 U S L 15 _
_
415.5 _ 415.5 10.0
X=415.239 U S L 430 X=415.224 X=10.068
10.0
414.0
414.0
9.5 LCL=9.430 La presencia de una distribucin normal en los
LCL=413.590 1 3 5 7 9 11 13 15 17 19 5.6 7.0 8.4 9.8 11.2 12.6 14.0
9.5
1 3 5 7 9 11 13 15 17 19 400 404 408 412 416 420 424 428 LCL=413.481
R Chart Normal Prob Plot
LCL=9.453
tiempos de disolucin, as como varianzas
R Chart Normal Prob Plot UCL=2.219
A D: 0.454, P : 0.265
A D: 0.277, P : 0.647 2
homogneas y residuales normales, permite
Sample Range
UCL=6.044
5.0 _
2.5
_
R=2.858 Xbar Chart Capability Histogram
magnitud de Peso muestran 1 R=1.049
Xbar Chart Capability Histogram
magnitud de Dureza muestran efectuar el ANOVA correspondiente para probar
UCL=416.799 LSL USL
una distribucin normal (X bar UCL=10.692
LSL USL
una distribucin normal (X bar
S pecifications 0 LCL=0 10.5 S pecifications
igualdad estadstica entre tiempos.
Sample Mean
Sample Mean
416 9 10 11 12
0.0 LCL=0
410 415 420
_
_
LS L 400 Chart), sin embargo, ahora 1 3 5 7 9 11 13 15 17 19
_
_
LS L
U S L 15
5 Chart), sin embargo, ahora
1 3 5 7 9 11 13 15 17 19 X=415.253 U S L 430 X=10.076
415 Last 20 Subgroups Capability Plot 10.0
existe adhesin de la existe adhesin de la
Last 20 Subgroups Capability Plot 11 Within Within O v erall
414
Within Within O v erall LCL=413.707 variacin a la media (R Chart). S tDev 0.45113 S tDev 0.472677 9.5 LCL=9.460 variacin a la media (R Chart).
Values
417 S tDev 1.22878 S tDev 1.4018 1 3 5 7 9 11 13 15 17 19 400 404 408 412 416 420 424 428 Cp 3.69 Pp 3.53 1 3 5 7 9 11 13 15 17 19 5.6 7.0 8.4 9.8 11.2 12.6 14.0
Tambin en este caso, los 10 O v erall De igual forma en este caso,
Values
Sample Range
Values
Cp 4.34 Pp 3.74 de medicin para esta Cp 3.63 Pp 3.25 de medicin para esta
414.5 O v erall 10 O v erall
C pk 4.26 P pk 3.68 C pk 3.58 P pk 3.2
412.0
C pm * magnitud sigue siendo 9
C pm * magnitud tambin sigue
S pecs S pecs
5 10
Sample
15 20 inadecuado. 5 10
Sample
15 20 siendo inadecuado.
226
6.12. Conclusiones del captulo
227
Por otra parte y bajo un enfoque de mejora de procesos, para el segundo
objetivo general que aborda la optimizacin del proceso de fabricacin del
producto CT25/100 (comprimidos de Clortalidona) utilizando almidn de maz
parcialmente pregelatinizado, se concluye lo siguiente:
228
Conclusiones generales y
Recomendaciones
Conclusiones generales
26
En la fase Planificar se utiliz hoja de verificacin, diagrama de Pareto, grficas de desempeo, mapa de
valor (VSM), lluvia de ideas, diagrama de causa efecto con diagrama de por qu por qu. En la fase
Hacer se utiliz un anlisis de factibilidad (impacto en reas involucradas, costos de inversin y tiempo de
implementacin) para la seleccin de soluciones, la implementacin se llev a cabo a travs de un esquema de
5W+1H y la administracin a travs de un diagrama de Gantt. En la fase Estudiar se utilizaron hoja de
verificacin, diagrama de Pareto y nuevas grficas de desempeo. En la fase Actuar se utilizaron controles
visuales y documentales, as como capacitacin constante del personal.
231
del producto CT25/100 a travs de tres lotes de evaluacin 27 se desarroll con
xito en las instalaciones de Laboratorios MRE, utilizando para ello almidn de
maz parcialmente pregelatinizado como material alternativo de fabricacin.
Adicionalmente, los estudios realizados para evaluar la consistencia entre los seis
lotes piloto 29 tambin se vieron impactados por las condiciones del granulado ya
indicadas, observndose una mejor diferenciacin entre piezas para las
magnitudes de peso y dureza de los comprimidos de Clortalidona en los ltimos
tres lotes que fueron fabricados utilizando un granulado distribuido normalmente
en el tamao de sus partculas. No obstante, la falta de aptitud de los
instrumentos de medicin empleados para dichas magnitudes en los seis lotes fue
permanente, ya que la resolucin de los mismos fue inadecuada y continu
afectando la repetibilidad de las mediciones, no siendo as para la
reproducibilidad del sistema.
27
La optimizacin del proceso de fabricacin utiliz un diseo de experimentos 32 y el anlisis de regresin
polinomial para determinar variables significativas sobre el tiempo de disolucin de comprimidos de
Clortalidona en tres lotes de evaluacin.
28
El monitoreo de lotes piloto se realiz a travs de grficas de control -R y desempeo del proceso a travs
del ndice Ppk para las magnitudes de peso y dureza en los comprimidos orales de Clortalidona.
29
La consistencia entre lotes piloto se realiz a travs de estudios de repetibilidad y reproducibilidad (r&R)
para las magnitudes de peso y dureza.
30
Para comprobar la igualdad en los tiempos de disolucin de los primeros tres lotes piloto se utiliz la
prueba de Kruskal Wallis, debido a la falta de normalidad en los valores obtenidos. En los ltimos tres lotes
piloto la igualdad en los tiempos de disolucin se comprob a travs de un ANOVA, debido a que los valores
obtenidos fueron normales, presentaron varianzas homogneas y residuales normales.
232
Recomendaciones
233
Bibliografa
235
Grima Cintas, P., Marco Almagro, L., & Tort-Martorell Llabars, X. (2004). Estadstica
Prctica con Minitab. Madrid: PEARSON EDUCACIN.
Gutirrez Pulido, H., & De la Vara Salazar, R. (2008). Anlisis y diseo de experimentos.
Mxico, D. F.: Mc Graw Hill/Interamericana Editores.
Liker, J. K. (2006). Las Claves del xito de Toyota. Barcelona: Ediciones Gestin 2000.
Maclnnes, R. L. (2002). The Lean Enterprise Memory Jogger. Salem: GOAL/QPC.
Maclnnes, R. L. (2002). The Lean Enterprise Memory Jogger. Manor Parkway:
GOAL/QPC.
Martnez, E. (2008). Mantenimiento Lo toma en serio? Manufactura , 32.
Mendenhall, W., Beaver, R. J., & Beaver, B. M. (2008). Introduccin a la Probabilidad y
Estadstica. Mxico, D. F.: THOMSON Learning.
MetAS & Metrlogos Asociados. (3 de Noviembre de 2003). Aplicacin Metrolgica de
los Estudios r&R (Repetibilidad y Reproducibilidad). La Gua MetAS , pg. 2.
Montgomery, D. C. (2007). Control Estadstico de la Calidad. Mxico, D. F.: Limusa
Wiley.
Montgomery, D. C. (2007). Diseo y Anlisis de Experimentos. Mxico, D. F.: Limusa and
John Wiley & Sons.
Montgomery, D. C., Peck, E. A., & Vining, G. G. (2005). Introduccin al Anlisis de
Regresin Lineal. Mxico, D. F.: CECSA.
Poder Ejecutivo, P. d. (5 de Agosto de 2008). Reforma a los Artculos 168 y 170 del
Reglamento de Insumos para la Salud. Dioario Oficial de la Federacin , pgs. 41-42.
Santos, V., & Cuarn, R. (9 de Febrero de 2009). Industria farmacutica en Mxico: retos y
oportunidades. El Economista , pgs. http://eleconomista.com.mx/notas-
impreso/columnas/espacio-ernst-and-young/2009/02/09/industria-farmaceutica-mexico-
retos-oportu.
Socconini, L. (2008). Lean Manufacturing Paso a Paso. Tlalnepantla, Estado de Mxico:
Norma Ediciones, S.A. de C.V.
Summers, D. C. (2006). Administracin de la Calidad. Mxico, D. F.: PEARSON
Educacin.
Villaseor, A., & Galindo, E. (2009). Manual de Lean Manufacturing. Gua Bsica.
Mxico, D. F.: Limusa: Instituto Tecnolgico y de Estudios Superiores de Monterrey.
236
Anexo I
Anlisis del diseo factorial 32 y
Regresin lineal mltiple
Anlisis del Diseo Factorial 32
con i = 1, 2, 3; j = 1, 2, 3; k = 1, . . . , n
239
Los grados de libertad asociados con cada suma de cuadrados de esta ltima
relacin son, respectivamente:
FV SC GL CM F0 Valor-p
A SCA 2 CMA CMA/CME P(F>F0)
B SCB 2 CMB CMB/CME P(F>F0)
AB SCAB 4 CMAB CMAB/CME P(F>F0)
Error SCE 32(n-1) CME
Total SCT n3k-1
2
Tabla AI.1. ANOVA para el diseo 3 .
31
Si hay n rplicas, habr n32-1 grados de libertad totales y 32(n-1) grados de libertad del error (Montgomery,
Diseo y Anlisis de Experimentos, 2007, pg. 365).
240
construir un ANOVA que muestre la significancia de cada uno de ellos. Este
ANOVA desglosado se muestra en la Tabla AI.2.
FV SC GL CM F0 Valor-p
AL SCAL 1 CMAL CMAL/CME P(F>F0)
BL SCBL 1 CMBL CMBL/CME P(F>F0)
A2 SCA2 1 CMA2 CMA2/CME P(F>F0)
B2 SCB2 1 CMB2 CMB2/CME P(F>F0)
ALBL SCALBL 1 CMALBL CMALBL/CME P(F>F0)
A2BL SCA2BL 1 CMA2BL CMA2BL /CME P(F>F0)
ALB2 SCALB 2 1 CMALB 2 CMALB /CME
2 P(F>F0)
A2B2 SCA2B2 1 CMA2B2 CMA2B2/CME P(F>F0)
Error SCE 32(n-1) CME
Total SCT n32-1
2
Tabla AI.2. ANOVA desglosado para el diseo 3 .
Cuando se tiene un efecto que parece ser cuadrtico A2, no es suficiente ver la
grfica correspondiente para saber si el efecto cuadrtico es significativo,
adicionalmente se requiere respaldarlo con el anlisis de varianza. Para ello, se
requiere estimar la suma de cuadrados , como se muestra en el ANOVA
241
desglosado de la Tabla AI.2. Sean , y los totales observados de la
variable de respuesta en los niveles bajo, medio y alto del factor A,
respectivamente. Recordemos que una combinacin lineal de la forma
con C1 + C2 + C3 = 0 se llama contraste, a partir de esto veremos
que los coeficientes del contraste A2 son (1, -2, 1), para medir con este contraste la
diferencia entre la respuesta observada en el nivel medio y la respuesta en los
niveles bajo y alto.
a) b)
y 3
y 3
y y
Respuesta Y
Respuesta Y
2 1
y y 2
1
-1 0 +1 -1 0 +1
Factor A Factor A
2
Figura AI.1. Grfica de efectos predominantes: a) parte lineal AL y b) parte cuadrtica A .
Para deducir los coeficientes (1, -2, 1), notemos que en la Figura AI.1a la curvatura
pura se puede definir como la diferencia entre la pendiente del segundo y la del
primer segmento. De esto se deduce que a mayor diferencia en tales
pendientes, mayor es la curvatura (ver por ejemplo el caso de una parbola en la
Figura AI.1b), y si no hay diferencia en las pendientes no existe curvatura.
Recordemos que, en general, para calcular pendientes de una lnea recta se
divide el incremento en el eje vertical contra el incremento en el eje horizontal.
Tomando en cuenta esto, la pendiente del segundo segmento es , ya
que el incremento en eje horizontal es uno, y la pendiente del primer segmento es
. As, la diferencia de estas pendientes o contraste de la curvatura
pura A queda como:
2
242
que tiene los coeficientes (1, -2, 1). De manera anloga, la parte lineal del efecto
A se puede explicar como la suma de las pendientes de los segmentos, de aqu
que el contraste del efecto lineal est dado por:
Note que al sumar las pendientes se ignora la curvatura y queda como resultado
el cambio entre los niveles -1 y 1; lo que pas en el nivel intermedio no importa
para fines del efecto lineal de A.
En cualquier experimento pueden existir tres tipos de de efectos: los efectos que
claramente afectan, los que claramente no afectan y los efectos intermedios.
Cuando existen slo efectos de los dos primeros es fcil decidir con cules
243
conformar el error. El problema es que cuando existen efectos intermedios, no
est nada claro si afectan o no a la respuesta.
Las tcnicas para decidir qu efectos mandar al error no funcionan bien cuando
los efectos que tiene el diseo son pocos. Como es el caso de los diseos 22 y 23.
Pero, con frecuencia, estos diseos se corren con rplicas suficientes para
construir el anlisis de varianza directamente. Las tcnicas que se describen a
continuacin tienen mayor utilidad en diseos con cuatro factores en adelante,
en los que existen 10 o ms efectos a investigar 32.
A: T_ Grab
AC
C: T_Agua
B: T_ Pira
ABC
BC
AB
0 2 4 6 8
Efecto estandarizado
32
Sobre los diseos con dos factores y tres niveles (32) los autores Gutirrez Pulido & De la Vara Salazar no
hacen observacin alguna, sin embargo, para fines del presente estudio de caso se considerarn como viables
cualquiera de las tcnicas.
33
Un diagrama similar al referido es el Pareto estandarizado, en el cual se representan los efectos divididos
entre su error estndar. Para un diseo 3k el efecto estandarizado podra expresarse de la siguiente manera:
244
Regresin Lineal Mltiple
donde los son los parmetros del modelo que se conocen como coeficientes
de regresin y es el error aleatorio, con media cero, E() = 0 y V() = 2. Si en la
ecuacin anterior k = 1, estamos en el caso de regresin lineal simple y el modelo
es una lnea recta; si k = 2, tal ecuacin representa un plano. En general, la
ecuacin del polinomio de primer orden representa un hiperplano en el espacio
de k dimensiones generado por las variables .
El trmino lineal del modelo de regresin se emplea debido a que la ecuacin del
polinomio de primer orden es funcin lineal de los parmetros desconocidos
. La interpretacin de estos es muy similar al caso de regresin lineal
simple: es la ordenada al origen, y mide el cambio esperado en Y por
cambio unitario de cuando el resto de las variables regresoras se mantienen
fijas o constantes.
245
Este tambin es un modelo de regresin lineal mltiple, ya que la ecuacin
anterior es una funcin lineal de los parmetros desconocidos . Pero si
adems definimos y ; entonces
la ecuacin del polinomio de segundo orden puede escribirse as:
la cual tiene la misma forma que el modelo general de regresin lineal mltiple de
la expresin del polinomio de primer orden. Con lo visto antes, estamos en
posibilidades de abordar el problema de estimacin de los parmetros del
modelo de regresin mltiple, que ser aplicable a una amplia gama de modelos
que pueden reducirse a la forma general de la expresin del polinomio de primer
orden.
Para estimar los parmetros de la regresin lineal mltiple se necesita contar con n
datos (n > k), que tienen la estructura descrita en la Tabla AI.3. En esta se aprecia
que para cada combinacin de valores de las variables regresoras, (x1i, . . ., xki) se
observa un valor de la variable dependiente, yi.
Y X1 X2 ... Xk
y1 x11 x21 ... xk1
y2 x12 x22 ... xk2
. . . .
. . . ... .
. . . .
yn x1n x2n ... xkn
donde,
247
esto implica que:
34
El residuo o residual se define como la diferencia entre el valor observado en cierto tratamiento y la
respuesta predicha por el modelo para tal tratamiento. Los residuos permiten evaluar varios aspectos de
calidad del modelo (sea un modelo de anlisis de varianza o de regresin) que se propone para los datos, ya
que en la medida en que los residuos sean pequeos, el modelo describir de mejor manera el comportamiento
de la respuesta (Gutirrez Pulido & De la Vara Salazar, 2008, pg. 180).
248
De acuerdo con la ecuacin , entonces esta ltima ecuacin toma la
siguiente forma:
La suma de cuadrados del error dada por esta ltima expresin tiene n k 1
grados de libertad, donde k + 1 es igual al nmero de parmetros estimados en el
modelo. Entonces, el cuadrado medio del error es:
Se puede demostrar que el valor esperado de CME es 2, por lo que es natural que
el estimador de 2 est dado por:
La raz cuadrada del CME se conoce como error estndar de estimacin del
modelo (Gutirrez Pulido & De la Vara Salazar, 2008, pgs. 360-364).
VERIFICACIN DE SUPUESTOS
El supuesto de varianza constante se puede verificar graficando los residuos
contra los valores estimados o predichos, y los puntos deben caer aleatoriamente
en el sentido vertical dentro de una banda horizontal (Figura A1.3a). Otro grfico
que sirve para comprobar el supuesto de varianza es el de residuos contra cada
factor (Figura A1.3b), en este grfico se busca tener ms o menos la misma
dispersin en las columnas (niveles) de puntos de cada factor.
249
El supuesto de normalidad se verifica realizando un grfico en formato de papel
probabilstico normal (Figura A1.3c), el cual muestra como se apegan los valores
residuales a una lnea diagonal (no es lnea de regresin) respecto al cuadrante
que conforman las escalas de la variable de respuesta y la de residuos.
2 2
Residuos
Residuos
0 0
-2 -2
-4 -4
12 22 32 42 52 -1.0 1.0
Predichos Niveles
95 2
Residuos
80
50 0
20
5 -2
1
0.1 -4
-4 -2 0 2 4 0 4 8 12 16
Residuos Nmero de corrida
PRUEBA DE DURBIN-WATSON
Esta prueba permite diagnosticar la presencia de correlacin (autocorrelacin)
entre los residuos consecutivos (ordenados en el tiempo), que es una posible
manifestacin de la falta de independencia. La autocorrelacin se presenta en
experimentos en los cuales cada medicin tiene una contaminacin de la
medicin inmediata anterior, lo cual contradice el supuesto de independencia.
Sea el parmetro que presenta la correlacin entre residuos consecutivos
(Corr(et, et-1) = ; t = 2, 3, . . ., n). La hiptesis en la prueba de Durbin-Watson es:
250
H0: = 0
HA: >0
ANLISIS DE VARIANZA
La hiptesis ms importante sobre un modelo de regresin mltiple consiste en ver
si la regresin es significativa. Esto se logra probando la siguiente hiptesis:
251
que bajo tiene una distribucin . As, se rechaza si o
tambin si el valor-p = .
Total n-1
Tabla AI.4. ANOVA para la significancia del modelo de regresin lineal mltiple.
252
COEFICIENTE DE DETERMINACIN
El que un modelo sea significativo no necesariamente implica que sea bueno en
trminos de que explique la variacin de los datos. Por ello es importante tener
mediciones adicionales de la calidad del ajuste del modelo, como las grficas de
residuales y el coeficiente de determinacin. Con la informacin del anlisis de
varianza de la Tabla AI.4 es muy sencillo calcular el coeficiente de determinacin,
, y el coeficiente de determinacin ajustado, :
253
ajuste de un modelo. El error estndar es una estimacin de la desviacin
estndar del error, . Es claro que a medida que el modelo ajusta mejor, la SCE
ser menor y en consecuencia el error estndar de estimacin tambin ser
menor.
Con respecto a la media del error, es claro que mientras mejor sea el ajuste, los
residuos sern ms pequeos y, en consecuencia, tambin la mea tender a ser
ms pequea. La mea se puede ver como una medicin para ver cunto falla
en promedio el modelo al hacer la estimacin de la variable de respuesta. En
cuanto al clculo en el caso mltiple, la y el error estndar de
estimacin, .
254
donde se rechaza si o en forma equivalente si el valor-p =
. En la Tabla AI.5 se muestra un resumen del anlisis sobre el modelo
de regresin basado en la prueba antes descrita.
Intercepcin Pr(T>|t0|)
Pr(T>|t0|)
. . . . .
. . . . .
. . . . .
Pr(T>|tk|)
255
Al modelo ajustado sin el trmino eliminado en el primer paso, se le aplica
el paso anterior. Este proceso contina hasta que slo queden en el
modelo trminos significativos.
256
Anexo II
Grficas de control y R formato hoja
de clculo Microsoft Excel
Grficas de control y R formato hoja de clculo Microsoft Excel
n = nmero de comprimidos o
tamao de muestra
Promedio
= peso o dureza de cada uno de los
comprimidos muestreados
m = nmero de muestras
Media = promedio de los promedios de las
muestras de comprimidos
La expresin de la desviacin
Muestral usual estndar muestral usual se utiliza
cuando el proceso se encuentra fuera
de control por causas asignables
Desviacin Cuando no existen causas asignables
36 a la variacin del proceso, se
estndar muestral
Muestral insesgada recomienda utilizar una expresin
insesgada de la desviacin estndar
muestral, la cual incluye el factor c4 y
cuyo valor es determinado por el
tamao de muestra utilizado
35
Referencia: (Montgomery, Control Estadstico de la Calidad, 2007, pgs. 207-210, 240-242, 372, 751).
36
Para un proceso controlado la desviacin estndar es una estimacin de la poblacin, la cual es representada
y calculada de la siguiente manera: para grficas de control y R, ; para grficas de control y S,
. En ambos casos el valor de los factores d2 y c4 depende del tamao de muestra utilizado.
259
Tabla AII.1. Formulas para el desarrollo de grficas de control y R empleando Microsoft Excel.
Funcin de Si x = LES:
densidad normal Si x = LEI:
para fraccin = media
defectiva de lmites e = 2.7183
37
de especificacin = 3.1416
Tabla AII.1. Formulas para el desarrollo de grficas de control y R empleando Microsoft Excel
37
La desviacin estndar muestral usual (s) puede ser sustituida por su expresin insesgada (s) cuando no
existan cusas asignables a la variacin del proceso.
260
A continuacin se presentan las frmulas utilizadas en las grficas de control para los primeros 3 lotes piloto del proceso de compresin del producto CT25/100. Como se puede apreciar, se
calculan los lmites de control para promedios y rangos, la desviacin estndar muestral usual para un total de 20 tiempos, el desempeo del proceso y el nivel de calidad a travs del clculo de la
fraccin defectiva para los lmites de especificacin de los comprimidos obtenidos.
0.577 es el valor
=PROMEDIO(F22:Y22) que representa
el factor A2 para
un tamao de
muestra de 5
=K12+0.577*Q12 comprimidos.
=K12-0.577*Q12
Clculo de fracciones defectivas
con base en la funcin de densidad
normal para el total de los datos de
acuerdo a lmites de especificacin
=(G12-I12)/(6*W12) (superior e inferior), media del
VALORES PARA GRAFICAR LMITES DE ESPECIFICACIN Y CONTROL proceso y desviacin estndar
muestral usual.
=(G12-K12)/W12
=DISTR.NORM(G12,K12,W12,FALSO)
=DISTR.NORM(I12,K12,W12,FALSO)
=(K12-I12)/W12
=100-((AL6+AL8)*100)
=0
2.115 es el valor que
representa el factor D4 para
un tamao de muestra de 5
=Q12*2.115 comprimidos.
=PROMEDIO(F23:Y23)
=PROMEDIO(Y16:Y20)
=(MAX(Y16:Y20)-MIN(Y16:Y20))
261
A continuacin se presentan las frmulas utilizadas en las grficas de control para los ltimos 3 lotes piloto del proceso de compresin del producto CT25/100. Como se puede apreciar, se calculan
los lmites de control para promedios y rangos, la desviacin estndar muestral insesgada para un total de 20 tiempos, el desempeo del proceso y el nivel de calidad a travs del clculo de la
fraccin defectiva para los lmites de especificacin de los comprimidos obtenidos.
0.577 es el valor
=PROMEDIO(F22:Y22) que representa
el factor A2 para
un tamao de
muestra de 5
=K12+0.577*Q12 comprimidos.
=K12-0.577*Q12
Clculo de fracciones defectivas
con base en la funcin de densidad
normal para el total de los datos de
acuerdo a lmites de especificacin
=(G12-I12)/(6*W12) (superior e inferior), media del
VALORES PARA GRAFICAR LMITES DE ESPECIFICACIN Y CONTROL proceso y desviacin estndar
muestral insesgada.
=(G12-K12)/W12
=DISTR.NORM(G12,K12,W12,FALSO)
=DISTR.NORM(I12,K12,W12,FALSO)
=(K12-I12)/W12
=100-((AL6+AL8)*100)
Expresin de la desviacin estndar
muestral insesgada, la cual es calculada
para el total de los datos considerados en
=MIN(AH6:AI8)/3 los 20 tiempos de muestreo del proceso de
compresin realizado en los lotes piloto 4,
5 y 6 del producto CT25/100. El valor de
0.94 representa el factor c4 para un tamao
=DESVEST(F16:Y20)/0.94 de muestra de 5 comprimidos.
=0
2.115 es el valor que
representa el factor D4 para
un tamao de muestra de 5
=Q12*2.115 comprimidos.
=PROMEDIO(F23:Y23)
=PROMEDIO(Y16:Y20)
=(MAX(Y16:Y20)-MIN(Y16:Y20))
262
Anexo III
Evaluacin de la repetibilidad y la
Reproducibilidad (r&R)
Evaluacin de la repetibilidad y la reproducibilidad
1 operador
gage
1 pieza medida varias veces
VR
Repetibilidad
38
Un sistema de medicin es la coleccin de instrumentos, estndares, operaciones, mtodos, accesorios,
software, personal, medio ambiente y adjudicaciones utilizadas para cuantificar una unidad de medida o
asegurar la evaluacin de la caracterstica principal que est siendo medida; el proceso completo utilizado
para obtener mediciones (Down, Benham, Cvetkovski, Gruska, Martin, & Stahley, 2002, pg. 5).
265
Reproducibilidad. Es la variacin entre los valores de las mediciones hechas por
varios operarios con las mismas piezas y con el mismo instrumento de medicin.
Ver definicin grfica en la Figura AIII.2 (Escalante Vzquez, 2003, pg. 67).
1 gage
2 3 operadores
10 piezas
VR X A X B X C
Reproducibilidad
266
c. Se obtiene mayor informacin de los datos experimentales.
d. Permite conocer la interaccin entre la repetibilidad y la
reproducibilidad.
e. La desventaja es que su computacin numrica es ms compleja,
misma que puede ser resuelta mediante el uso de herramientas de
anlisis de datos, como las que proporciona el programa Minitab,
Statgraphics, Microsoft Excel o Lotus, entre otros (MetAS &
Metrlogos Asociados, 2003, pgs. 2-3).
f. Una desventaja adicional es que al ser clculos numricos ms
complejos, los usuarios requieren de cierto grado de conocimiento
estadstico para interpretar los resultados (Down, Benham,
Cvetkovski, Gruska, Martin, & Stahley, 2002, pg. 117)
267
operadores, tal como se muestra a continuacin (Escalante Vzquez, 2003, pg.
68).
Pieza
Operador Rplica Suma
1 2 3 4 5 6 7 8 9 10
1 0.650 1.000 0.850 0.850 0.550 1.000 0.950 0.850 1.000 0.600
A 16.700 A
2 0.600 1.000 0.950 0.950 0.450 1.000 0.950 0.800 1.000 0.700
1 0.550 1.050 0.800 0.800 0.400 1.000 0.950 0.750 1.000 0.550
B 15.350 B
2 0.550 0.950 0.750 0.750 0.400 1.050 0.900 0.700 0.950 0.500
1 0.500 1.050 0.80 0.800 0.450 1.000 0.950 0.800 1.050 0.850
C 16.500 C
2 0.500 1.000 0.800 0.800 0.500 1.050 0.950 0.800 1.050 0.800
Suma 3.350 6.050 4.950 4.950 2.750 6.100 5.650 4.700 6.050 4.000 48.550 Total
P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 Total
donde:
r = nmero de ensayos por operador
o = nmero de operadores
n = nmero de partes medidas
268
Origen de las Suma de Grados de Promedio de los Valor crtico
F 39 Probabilidad
variaciones cuadrados libertad cuadrados para F 40
Pieza (p) 2.0845 9 0.2316 35.1574 0.000 2.2107
Operador (op) 0.0531 2 0.0265 4.0288 0.036 3.3158
Pieza*Operador (p.op) 0.1186 18 0.0066 4.7912 0.000 1.9601
Repetibilidad (error) 0.0413 30 0.0014
Total 2.2975 59
CM = SC/gl 41
gl: grados de libertad
gl(p) = n-1 41
gl(op) = o-1
gl(p.op) = gl(p)*gl(op)
41
gl(T) = nro-1
gl(error) = gl(Total) - gl(p) - gl(op) - gl(p.op)
39
Valores de F calculados por Minitab, sin embargo al realizar el Anova por Microsoft Excel, los valores
de F y los valores de Probabilidad son los siguientes:
Al parecer Microsoft Excel considera componentes de varianza negativos en su clculo y obtiene todas las
Fs dividiendo el CM correspondiente entre el CMerror.
40
Valores crticos de F calculados por Microsoft Excel.
41
Valores crticos de F obtenidos de acuerdo a tablas contenidas en el libro: Introduccin a la Probabilidad y
Estadstica (Mendenhall, Beaver, & Beaver, 2008, pgs. 696, 699).
42
Los valores de probabilidad son menores de 0.05, es decir, se rechazara la hiptesis nula (Ho) que
establece la igualdad entre piezas y operadores respecto al proceso de medicin. La hiptesis alterna (Ha)
establecera la diferencia entre piezas y operadores.
269
El estudio completo se muestra en la tabla siguiente 43:
43
En caso de tener componentes de varianza negativos, particularmente el trmino de la interaccin entre
piezas y operadores, se descarta este factor y se recalcula el Anova con los dems componentes, agregando al
error los grados de libertad (gl) y la suma de cuadrados (SC) del trmino eliminado. En este caso todas las Fs
se obtienen dividiendo el CM correspondiente entre el CMerror (Escalante Vzquez, 2003, pg. 80).
Las frmulas para estimar los componentes de variacin son:
270
%Variacin Tot.
Fuente de variacin ANOVA r&R
Total R&R 34.23 25.16
Repetibilidad 17.99 18.70
Reproducibilidad 29.13 16.82
Operador 15.32 16.82
Pieza*Operador 24.77 NA
Pieza 93.96 96.78
44
Mayor o igual a 5 es aceptable, si r = 2, 4 ms es aceptable (Escalante Vzquez, 2003, pg. 71).
271
El porcentaje de la tolerancia se calcula utilizando la siguiente ecuacin:
0.75
100
0.50
0
Gage R&R Repeat Reprod Part-to-Part 1 2 3 4 5 6 7 8 9 10
Pieza
R Chart by Operador
Espesor by Operador
A B C
UCL=0.1252 1.00
Sample Range
0.10
0.75
0.05 _
R=0.0383
0.50
0.00 LCL=0
A B C
Operador
Xbar Chart by Operador
A B C Operador * Pieza Interaction
1.00 1.00 Operador
Sample Mean
_
UCL=0.8813
_
A
Average
B
X=0.8092
0.75 LCL=0.7371 0.75 C
0.50
0.50
1 2 3 4 5 6 7 8 9 10
Pieza
Grfica AIII.1. Conjunto de grficas generadas en Minitab para estudio de r&R por ANOVA.
272