Modulo3 Fanalisis

Curso
Taller de
Lean
Sigma
básico
Módulo 3. Fase de
Análisis
Primitivo Reyes Aguilar

Noviembre 2009
LEAN SIGMA: MÓDULO 2. FASE DE MEDICIÓN P. Reyes / Nov. 2009
Contenido
5. FASE DE ANÁLISIS ............................................................................................................... 3
Introducción ........................................................................................................................... 3
1. Identificar las fuentes de variación y causas potenciales................................................... 4
Diagrama causa-efecto (ishikawa)...................................................................................... 4
Los cinco Porqués ........................................................................................................... 6
Diagrama de Interrelaciones ............................................................................................ 10
Diagrama de árbol ............................................................................................................ 12
2. Comprobación de causas raíz por pruebas físicas con 5W-1H......................................... 14
3. Comprobación de causas raíz de fuentes de variación .................................................... 17
Pruebas de Hipótesis ........................................................................................................ 17
Introducción: ................................................................................................................ 17
Prueba de Hipótesis de dos poblaciones:..................................................................... 18
Pruebas pareadas ......................................................................................................... 21
Análisis de varianza (ANOVA) ....................................................................................... 23
Análisis Multi-vari ............................................................................................................. 25
Correlación y regresión lineal simple ............................................................................... 28
Diagrama de Dispersión................................................................................................ 28
4. Análisis del modo y efecto de falla (FMEA) ...................................................................... 38
2
5. FASE DE ANÁLISIS
Definir
Definir Medir Analizar
Analizar Mejorar
Mejorar Controlar
Controlar
Introducción
En esta fase se efectuará el análisis de los datos obtenidos en la etapa de Medición, con el
propósito de conocer las relaciones causales. La información de este análisis
proporcionará evidencias de las fuentes de variación y desempeño insatisfactorio, el cual
es de gran utilidad para la mejora del proceso.
PROPÓSITOS:
 Identificar todas las causas potenciales posibles
 Establecer hipótesis sobre posibles Causas Raíz
 Identificar cuáles son las fuentes de variación.
 Refinar, rechazar, o confirmar la Causa Raíz
o Seleccionar las Causas Raíz más importantes: las pocas Xs vitales
El proceso de análisis que se recomienda es el siguiente:
QFD
FASE DE ANÁLISIS
Diagrama de
relaciones
Diagrama
Causa Efecto Diagrama de
Ishikawa
Diagrama
de Árbol
Definición
Y=X1 + X2+. .Xn
CTQs = Ys Medición Y,
Operatividad X1, X2, Xn
X's
Causas
Análisis del Modo y Efecto de potenciales
Falla (AMEF)
Pruebas
de
hipótesis
Diagrama
de Flujo
del X's vitales
proceso No ¿Causa Si Causas raíz
Raíz? validadas
3
Salidas de la Fase de Análisis

 Causas raíz validadas
 Guía de oportunidades de mejora
Resumen de la validación de las causas
# de
Resultados Causa
Causa Causas Raíz
1 Ensamble de ojillos, bloques y SI ES CAUSA RAIZ
X
contrapesos no adecuados en
aspas.
2 Amortiguadores dañados. X
SI ES CAUSA RAIZ
3 Desgaste de bujes en los
carretes. NO ES CAUSA RAIZ
4 Fabricación y reemplazo de NO ES CAUSA RAIZ
ejes y poleas no adecuados en
ensamble de aspas.
Desalineamiento de poleas y
5 bandas de transmisión de SI ES CAUSA RAIZ X
aspas.
Método de Balanceo no
6 SI ES CAUSA RAIZ X
adecuado.
7 Desalineación de pinolas en NO ES CAUSA RAIZ
cuna.
La fase de análisis consta de las siguientes etapas:
1. Identificar las fuentes de variación y causas potenciales

Las herramientas que permiten identificar causas potenciales son las siguientes: Diagrama
de causa efecto, Los cinco porqués, Diagrama de interrelaciones, Diagrama de árbol.
Para comprobar las causas potenciales se puede utilizar el Diagrama 5W-1H.
Las herramientas que permiten identificar fuentes de variación son: histogramas,

Diagramas de dispersión y regresión lineal,
Diagrama causa-efecto (ishikawa)
El diagrama causa-efecto, también llamado “espina de pescado” por la semejanza de su forma,

también es conocido por diagrama de Ishikawa.
Es utilizado para explorar e identificar todas las causas posibles y relaciones de un problema
(efecto) o de una condición específica en las características de un proceso.
Los pasos para elaborar el diagrama de causa- efecto son los siguientes:
4
1. Seleccione el efecto (problema) a analizar. Se puede seleccionar a través de un consenso, un

diagrama de Pareto, otro diagrama o técnica.
2. Realice una lluvia de ideas para identificar las causas posibles que originan el problema
incluyendo a las personas con más experiencia en el proceso.
3. Dibuje el diagrama:
 Coloque en un cuadro a la derecha la frase que identifique el efecto (característica de
calidad)
 Trace una línea horizontal hacia la izquierda del cuadro que contiene la frase. A esta línea
se le conoce como columna vertebral.
 Coloque líneas inclinadas que incidan en la columna vertebral (causas principales –
Métodos, Personal, Equipos, Mediciones, Medio ambiente, Materiales).
 Dibuje líneas horizontales con flechas que incidan en las líneas inclinadas conforme a la
clasificación de las causas (causas secundarias)
 Dibuje líneas inclinadas que incidan en las líneas de las causas secundarias (causas
terciarias)
4. Clasifique las causas derivadas de la lluvia de ideas, de la siguiente manera:
 Causas principales.
 Preguntando después por que suceden para obtener Causas secundarias
 Volviendo a preguntar de nuevo las razones obtener Causas terciarias,
 Se continua este proceso de preguntas de ¿por qué?, ¿por qué? hasta agotar las
respuestas.
5. El equipo analiza cada causa estratificada (secundaria o terciaria) y por medio de eliminación y
consenso determina cuales son las causas potenciales relevantes que pueden estar
ocasionando el problema.
6. Elabore y ejecute un programa de verificación de las causas relevantes por medio de un
diagrama 5W-1H para identificar las causas reales o causas raíz.
Ejemplo
Se detectaron fallas en la separación de residuos sólidos, por lo cual se procedió a realizar una
investigación utilizando el diagrama causa-efecto.
El problema es no cumplimiento de la meta de separación de residuos sólidos.
Primero se determinan las causas principales M’s:

 Máquinas
 Personal
 Métodos
 Materiales
5
 Mediciones
 Medio ambiente
Estas constituyen las causas primarias del problema y es necesario desafiarlas para encontrar
causas más específicas secundarias y terciarias.
Se construye el diagrama espina de pescado con las causas primarias (M´s), a partir de estas
causas se agrupan las causas secundarias y terciarias derivadas de la lluvia de ideas utilizando la
herramienta de los cinco porqués:
Los cinco Porqués
El método de los 5 porqués para el análisis de causa raíz se describe como hacer cinco
veces la pregunta ¿Por qué?, por ejemplo:
Síntoma: Los embarques al cliente no llegan a tiempo:
1. ¿Por qué? nos atrasamos porque fallaron los filtros.

2. ¿Por qué? no se les ha dado mantenimiento durante tres meses.
3. ¿Por qué? no se tenían filtros en existencia.
4. ¿Por qué? no se pidieron a tiempo y son de importación.
5. ¿Por qué? no se tenía experiencia con su vida útil ya que son nuevos
Las cinco preguntas no son obligatorias, si no hay necesidad de preguntar más detener el
proceso y si hay necesidad hacer más preguntas.
Con este proceso se pueden obtener subcausas de varios niveles en cada una de las ramas, como
se muestra en el siguiente ejemplo:
6
Es utilizado para explorar e identificar todas las causas posibles y relaciones de un problema
(efecto) o de una condición específica en las características de un proceso.
En este diagrama el equipo da prioridad a las causas más probables para su comprobación, en este
caso se seleccionan las causas potenciales 1 a 8 en círculo rojo.
Ejemplo en Minitab para un problema de soldadura:
AMBIENTE MATLS. PERSONAL MÉTODO MAQUINAS

Polvo Forma Salud Ajuste Mantto.
Vibraciones Dureza Habilidad Velocidad Deformación
Humedad Almacén Humor Abrasión
Temperatura Herramental
FORMA ALMACÉN HABILIDAD HUMOR

Diámetro Tiempo Selección Horas
Curvatura Ambiente Formación Moral
Experiencia Cansancio
7
Diagrama de Causa Efecto en Minitab
1. Llenar las columnas C1 a C5 con las diferentes causas correspondientes a los conceptos de
2. Seleccione: Stat>Quality Tools>Cause and Effect Diagram

3. Traducir los rótulos de las ramas principales a español.
4. Introducir las columnas de las CAUSAS PRINCIPALES correspondientes a cada una de las
ramas principales en la pantalla de entrada.
5. Introducir las columnas correspondientes a las subcausas
de FORMA y ALMACÉN en la rama de MATLS (seleccionar SUB a la derecha).
8
de HABILIDAD y HUMOR en la rama de PERSONAL (seleccionar SUB a la derecha).
OK
6. Indicando el problema de FALLA DE SOLDADURA en Effect y aceptar con OK.
OK
Cause-and-Effect Diagram
Mediciones Matls. Personal
D Cu
iá rv
m a
et tu Se F o E xp S alud
ro ra rm e
le a c ri en
F orma cc
ió ió cia
n n
A Dureza C Habilidad
Ti m an
em bi H sa
en or M o n
po te as ra cio
l
A lmacén Humor
FALLA DE
SOLDADURA
Temperatura Herramental
Humedad A brasión
V ibraciones V elocidad Deformación
P olv o A juste M antto.
Ambiente Método Máquinas
9
Seleccionar entre las subcausas potenciales las que pueden ser más fáciles de solucionar
con el mayor impacto, para lo que se puede utilizar la matriz de esfuerzo impacto.
http://media.photobucket.com/image/Matriz%20de%20esfuerzo%20beneficio/ogalonzo/blog/matriz.gif
PRÁCTICA: Realizar un Diagrama de Causa Efecto para las causas potenciales de un problema de
la empresa.
Diagrama de Interrelaciones
10
http://www.cyta.com.ar/biblioteca/bddoc/bdlibros/herramientas_calidad/interrelaciones.htm
El diagrama de interrelaciones es una herramienta gráfica que se emplea para organizar

problemas o aspectos complejos y que implican muchas variables, se emplea para estudiar las
relaciones entre los elementos de un problema e identificar las causas raíz o las soluciones, es
similar al diagrama de afinidad en la medida que el proceso de construcción de una gráfica doble
interrelaciones es creativo.
Ayuda a identificar las causas potenciales de un problema. A diferencia del diagrama de causa y
efecto, la gráfica permite que el equipo de solución de problemas observe al mismo tiempo
muchos efectos y trace la relación entre dichos efectos y varias causas.
PASOS
1. Reunir el equipo y elegir un líder.
2. Poner el asunto o problema en forma de pregunta.
a. Es posible elegir dicho asunto o problema de las siguientes fuentes:
11
 El aspecto clave o la tarjeta de encabezado más crítica de un diagrama de

afinidad.
 La declaración de efecto de un diagrama de causa y efecto
 El aspecto clave de un diagrama de árbol
 Un aspecto clave identificado por el equipo
3. Realizar una tormenta de ideas respecto al problema o aspecto y registrarla en fichas de
trabajo.
 Si la declaración del problema se originó en un diagrama de afinidad, usar las
tarjetas de encabezado de éste y realizar una tormenta de ideas para buscar
ideas adicionales
 Si la declaración del problema se tomó del efecto en un diagrama de causa y
efecto, copiar las causas más básicas de cada una de las “ramas” del diagrama
en tarjetas de trabajo
 Si la declaración del problema se originó en un diagrama de árbol, usar el nivel
más bajo de detalle de éste
 Si la declaración del problema fue un aspecto clave identificado por el equipo,
es preciso hacer una tormenta de ideas y colocar estas en tarjetas de índice
4. Analizar las relaciones.
5. Revisar el diagrama de interrelaciones.
6. Identificar causas y efectos raíz potenciales a reserva de comprobación.
a. Una causa raíz probable es una categoría de la que sale la gran cantidad de
flechas.
b. Un efecto raíz probable es una categoría a la que llega una gran cantidad de
flechas.
7. Estudiar la gráfica doble de interrelaciones.
Diagrama de árbol
12
http://www.estrategiamagazine.com/administracion/la-tecnica-del-arbol-para-la-toma-de-
decisiones-efectivas-herramientas/
13
http://www.gestiopolis.com/recursos/documentos/fulldocs/ger1/genercal.htm
Un diagrama de árbol (diagrama sistemático) es una técnica que se emplea para buscar la forma
más apropiada y eficaz de alcanzar un objetivo específico. Esta herramienta gráfica de diagrama
los diversos niveles de detalle, estos representan acciones (o tareas) que siguen rutas lógicas para
implantar un objetivo amplio. Al implantar los puntos detallados de acción, se crea un efecto de
dominio que lleva al logro del objetivo principal.
Cuando se trabaja sobre un objetivo amplio, un diagrama de árbol ayuda a orientar tareas
específicas, es posible emplearlo para planear la implantación de una solución detallada en forma
ordenada. El diagrama de árbol funciones para dividir un aspecto u objetivo más complejo.
PASOS
1. Reunir un equipo apropiado.
2. Elegir la declaración de objetivo.
c. Es posible elegir dicho asunto o problema de las siguientes fuentes:
 El aspecto clave o la tarjeta de encabezado más crítica de un diagrama de
afinidad.
 La declaración de efecto de un diagrama de causa y efecto
 El aspecto clave de un diagrama de árbol
 Un aspecto clave identificado por el equipo
3. Generar los encabezados de primer nivel del árbol.
a. Como punto de inicio, usar los siguientes tres encabezados de primer nivel del
árbol
 Si el objetivo es un aspecto clave de un diagrama de afinidad, usar las tarjetas
de encabezado. Si el objetivo es la tarjeta crítica de encabezado, usar las
tarjetas bajo tal encabezado
 Si el objetivo es una causa o efecto raíz de una gráfica doble de
interrelaciones, usar las tarjetas que llevan a ella
 Si el objetivo es un aspecto clave identificado por el equipo, realizar una
tormenta de ideas cuyo enfoque sea la implantación
4. Completar el diagrama de árbol bajo cada encabezado principal.
5. Revisar el diagrama de árbol terminado y comprobar las causas raíz más probables.
2. Comprobación de causas raíz por pruebas físicas con 5W-1H

Del Diagrama de Ishikawa, Diagrama de interrelaciones o Diagrama de árbol:
Para cada causa probable, el equipo deberá por medio del diagrama 5Ws – 1H o equivalente:
 Llevar a cabo una tormenta de ideas para verificar la causa en los procesos.
 Seleccionar la manera que: represente la causa de forma efectiva, y sea fácil y rápida
de aplicar.
14
Ejemplo:
15
16
3. Comprobación de causas raíz de fuentes de variación

Para comprobar las causas raíz que se originan en fuentes de variación de los procesos, se
utilizan herramientas estadísticas tales como las pruebas de hipótesis y el análisis de
regresión.
Pruebas de Hipótesis
Introducción:
Una hipótesis es una afirmación o suposición de una situación. Por ejemplo, al implementar la
solución de un problema se tiene una mejora ya sea en su media o en su varianza (variación).
¿Por qué usar la Prueba de Hipótesis?

Se usa para probar si dos grupos son realmente diferentes (estadísticamente significativo) o si la
diferencia es debida a la variación natural. Se aplica cuando se quiere probar si es significativo el
efecto de una causa en la respuesta, o si hay un cambio significativo en la respuesta después de
realizar una mejora.
¿El primer turno se desarrolla mejor que el segundo turno?
¿La media antes de la mejora (A) es ¿La varianza antes de la mejora (A) es igual
igual a la media después de mejorar (B) a la varianza después de la mejora ( B)
Para realizar la prueba se deben comprender las hipótesis:

 La hipótesis nula H0= No hay diferencia entre los grupos
 La hipótesis alternativa Ha= los grupos son diferentes
 P-Value: Si P 0.05, se rechaza la H0 y se acepta la Ha ( los grupos son diferentes)
El proceso numérico de la prueba de hipótesis se hará con Excel o con paquetes

computacionales Minitab y Statgraphics.
17
Tipos de pruebas de hipótesis

Prueba de hipótesis Propósito
Prueba t – 1 muestra Compara una media muestral a la
media histórica u objetivo
Prueba t – dos muestras Compara las medias de dos
grupos independientes
Prueba Z – 1 muestra Compara una media muestral a la
media poblacional u objetivo
ANOVA (Prueba F) Compara dos o más medias de
grupos
Prueba de igualdad de varianzas Compara dos o más varianzas de
grupos
ANOM Compara dos o más medias de
grupos a la media general de
todos los grupos
Prueba Chi Cuadrada Compara dos o más proporciones
de grupos
Prueba de Hipótesis de dos poblaciones:

Ejemplo: Se evalúan los tiempos de acción para dos formulaciones desincrustantes químicas,
interesa la comparación de las medias de los tiempos para tomar decisiones, probar a un 95% de
nivel de confianza si una formulación tarda menos que la otra (en caso de que P value <= 0):
Form_1 Form_2
650 540
810 610
570 730
660 490
820 550
820 460
670 590
590 640
750 720
700 690
A un 95% de nivel de confianza (alfa es 5% o 0.05),

Realizar una prueba de igualdad de varianzas y sacar conclusiones:
18
Las hipótesis son las siguientes: Test for Equal Variances for Form_1, Form_2
Ho: Varianza form_1 = Varianza form_2 F-Test
Test Statistic 0.98
Ha: son diferentes Form_1 P-Value 0.974
Levene's Test
Instrucciones en Minitab: Test Statistic 0.00
P-Value 1.000
Form_2
Stat > Basic statistics >2- Variances OK
50 75 100 125 150 175 200
Seleccionar 95% Bonferroni Confidence Intervals for StDevs
Samples in different columns First Form_1 Second Form_2

OK Form_1
Resultados:
Form_2
F-Test (Normal Distribution)
Test statistic = 0.98, p-value = 0.974 450 500 550 600 650 700 750 800
Data
Identificar el valor P en la prueba F, si es menor a 0.05 se rechaza Ho y son diferentes:

Como el valor P 0.974 es Mayor que 0.05,
Se concluye que Las varianzas son iguales
Realizar una prueba de igualdad de medias y sacar conclusiones:

Establecimiento de las hipótesis:
Ho: Media form_1 = Media form_2
Ha: son diferentes
Instrucciones de Minitab:
Stat > Basic statistics >2- Samples t
Seleccionar Samples in different columns First Form_1 Second Form_2
Seleccionar Assume equal variances
Options: Conf. Level 95 Test Difference 0.0 Alternative Not equal
Grpahs: Box plots
OK OK
Difference = mu (Form_1) - mu (Form_2)
Estimate for difference: 102.0
95% CI for difference: (14.1, 189.9)
T-Test of difference = 0 (vs not =): T-Value = 2.45 P-Value = 0.025 DF = 17
19
Resultados:
Boxplot of Form_1, Form_2

850
800
750
700
Data
650
600
550
500
450
Form_1 Form_2
Como el valor P =0.025 es menor que 0.05, o el cero NO está en el IC (14.1, 189.9)
Se concluye que Las medias de las formulaciones son diferentes
Ejercicio: Determinar a un nivel de confianza del 90% si hay diferencia entre las medias de
tiempos de sanitización de dos equipos A y B. Se toman muestras para comprobar la afirmación.
Equipo A Equipo B
25.2 18.0
17.4 22.9
22.8 26.4
21.9 24.8
19.7 26.9
23.0 17.8
19.7 24.6
23.0 21.0
19.7
16.9
21.8
23.6
a) Prueba de igualdad de varianzas
Ho: Varianza A = Varianza B;

Ha: Varianza A <> Varianza B
Con Minitab ingles:

Stat > Basic satistics > 2 - variances
20
Samples in different Columns

First: Equipo A Second: Equipo B
Options: Confidence level 95%
OK
Si el valor P de la prueba F es mayor a 0.05 no se rechaza Ho y las varianzas son iguales
b) Prueba de igualdad de medias
Ho: µA - µB = 0
Ha: µA - µB <> 0
Stat > Basic satistics > 2 - Samples t
Samples in different Columns
First: Equipo A Second: Equipo B
Si las varianzas fueron iguales, seleccionar: Assume equal variances
Options: Confidence level 90%, Test Difference 0.0 Alternative Not equal
Graphs: Box plots of data
OK
SI el cero se encuentra en el intervalo de confianza, las medias no son diferentes.
Si el valor P de la prueba t es mayor a 0.05 no se rechaza Ho y las medias no son diferentes
Pruebas pareadas
NOTA: Se utilizan cuando se aplica el mismo tratamiento a los mismos sujetos, como cuando se
prueba el efecto de la capacitación antes y después del curso.
Ejemplo: Los tiempos de terminación para la tarea con un método mejorado y actual son, para el
mismo empleado son los siguientes. Probar a un 90% de nivel de confianza si los métodos dan los
mismos resultados.
Método_1 Método_2
6.0 5.4
5.0 5.2
7.0 6.5
6.2 5.9
6.0 6.0
6.4 5.8
21
Planteamiento de Hipótesis
Ho: µM1 - µM2 = 0

Ha:. µM1 - µM2 <> 0
Stat > Basic statistics > Paired test
Samples in columns
First sample Método_1) Second Sample: Método_2
Options: Confidence level 90% Test Mean 0.0 Alternative: Not equal
Graphs: Box plot of differences
OK OK
Resultados:
95% CI for mean difference:
T-Test of mean difference = 0 (vs not = 0): T-Value = 2.20 P-Value =
Como el cero se encuentra en el intervalo de confianza (-0.051, 0.651), se rechaza Ho y se

acepta Ha, las medias no son diferentes.
Como el valor P de la prueba t es mayor 0.080 a 0.05 se acepta Ho y las medias no son
diferentes.
Ejercicio. Un comprador califica un producto antes y después de ver un comercial: Probar a un 8%

de nivel de significancia (92% de nivel de confianza) si el comercial tiene algún efecto en el
comprador.
Antes Después
5 6
4 6
7 7
3 4
5 3
8 9
5 7
6 6
Ho: Pi1 = Pi 2 Pi1 - Pi2 = 0

Ha: Pi1 <> Pi2 Pi1 - Pi2 <> 0
Ver instrucciones de Minitab en ejemplos anteriores
22
SI el cero se encuentra en el intervalo de confianza, las medias no son diferentes.
Si el valor P de la prueba t es mayor a 0.08 se acepta Ho y las medias son iguales.
Análisis de varianza (ANOVA)

Sirve para probar la igualdad de dos a más medias poblacionales, para probar si las medias de
varios grupos son iguales:
Ho: Media 1 = Media 2 = …. = Media n

Ha: Alguna de las medias es diferente
Ejemplo: Las calificaciones de un curso de liderazgo para 18 participantes de tres diferentes

departamentos fueron las mostradas en la tabla siguiente. Probar a un 5% de nivel de significancia
si el aprovechamiento fue similar en los tres departamentos o en su caso cuál fue el peor.
DEPARTAMENTO
Depto_A Depto_B Depto_C

8 7 5
7 8 6
8 7 6
6 7 7
7 6 7
8 8 6
Stat > ANOVA One way (Unstacked)
Responses (in separate columns) Depto_A Depto_B Depto_C
Comparisons: Tukey’s, family error rate 5
Graphs: Box plot of data
OK
Resultados:
Source DF SS MS F P
Factor 2 4.778 2.389 3.98 0.041
Error 15 9.000 0.600
Total 17 13.778
23
Como el valor P de 0.041 es menor que 0.05, se concluye que las medias no son iguales.
El peor aprovechamiento lo tuvo el departamento C:

Individual 95% CIs For Mean Based on
Pooled StDev
Level N Mean StDev --+---------+---------+---------+-------
Depto_A 6 7.3333 0.8165 (---------*--------)
Depto_B 6 7.1667 0.7528 (--------*---------)
Depto_C 6 6.1667 0.7528 (---------*---------)
--+---------+---------+---------+-------
5.60 6.30 7.00 7.70
De las gráficas de diferencias de Tukey, las medias de los procesos que son diferentes son (dado
que el cero no se encuentra en el intervalo de confianza de la diferencia de medias – Pairwise
comparisons):
Si son diferentes o no estadísticamente, se comprueba con la Prueba de Tukey con las gráficas:
 Si el cero se encuentra en el intervalo de la diferencia entre dos medias, estas son iguales,
 Si no se encuentra el cero en el intervalo, las medias son diferentes.
Depto_A subtracted from: El Depto_C es diferente del Depto_A.

Lower Center Upper ---------+---------+---------+---------+
Depto_B -1.3272 -0.1667 0.9939 (---------*--------)
Depto_C -2.3272 -1.1667 -0.0061 (--------*---------)
---------+---------+---------+---------+
-1.2 0.0 1.2 2.4
Depto_B subtracted from:
Lower Center Upper ---------+---------+---------+---------+

Depto_C -2.1606 -1.0000 0.1606 (---------*--------)
---------+---------+---------+---------+
-1.2 0.0 1.2 2.4
Ejercicio:
Probar a un 95% de nivel de confianza si hay diferencia significativa entre los tiempos de respuesta
de tres diferentes técnicos A, B y C usados para reparar un equipo. Comparar las diferencias entre
medias por el método de Tukey. Los datos ejemplo se muestran a continuación:
A B C
9 20 6
12 21 5
10 23 8
8 17 16
15 30 7
24
Instrucciones en Minitab:
Stat > ANOVA One way (Unstacked) Un solo factor desapilado
Responses (in separate columns) A B C
Graphs Box Plots
Comparisons: Tukey’s family error rate 5
OK
De los resultados, se tiene:

Como el valor P de Fc de la ANOVA es que 0.05, se concluye que
De las gráficas de caja o Box Plots, se observa que:
De las gráficas de diferencias de Tukey, las medias de los procesos que son diferentes son (dado
que el cero no se encuentra en el intervalo de confianza de la diferencia de medias – Pairwise
comparisons):
Análisis Multi-vari
En el caso de algunas variables como la temperatura de tanques varía dependiendo del
lugar donde se tomen.
La variación puede ser lote a lote, tiempo a tiempo o dentro del lote, para analizar estos
tres tipos de variación se utiliza la carta Multi-vari. También sirven para investigar la
consistencia de un proceso.
Procedimiento de muestreo
 Seleccionar el proceso y la característica a ser investigada
 Seleccionar los lotes y frecuencia en el tiempo
 Usar una hoja tabular para registrar el tiempo y los valores para cada lote
 Graficar la carta con el tiempo o secuencia en el eje horizontal
 Graficar los valores medidos en el eje vertical
 Unir los valores observados con líneas apropiadas
 Analizar la carta identificando la variación dentro del lote, entre lotes y en el
tiempo
 Realizar estudios adicionales para concentrarse en las áreas problema
 Después de la mejora, repetir el estudio para confirmar los resultados
A continuación se muestran las mediciones tomadas en cinco puntos de los tanques o
lotes, diferentes lotes secuenciales y su comportamiento en el tiempo.
25
Temperatura
Temp. en 4 puntos
Número de lote
La interpretación de la carta es aparente una vez que se grafican los valores. Las ventajas
de las cartas Multi-vari son:
 Puede resaltar la variación dentro del tanque o lote (posicional)

 Puede resaltar la variación entre lotes (cíclica)
 Sigue cualquier cambio relacionado con el tiempo (temporal)
 Ayuda a minimizar la variación al identificar áreas donde buscar la mayor variación
 También identifica áreas donde no buscar la variación
Por ejemplo:
Producto / Proceso bajo consideración

Áreas de variación Tanque Lote
Posicional Dentro del tanque Dentro del lote
Cíclica Tanque a tanque Lote a lote
Temporal En el tiempo En el tiempo
Ejemplo descriptivo:
Un fabricante de láminas planas de aluminio lleva control del espesor después del rolado
en caliente. La especificación es de 0.245” ± 0.005”. El proceso ha producido desperdicio
ya que su Cp es de 0.8, el costo del desperdicio es de $20,000 por mes. Se ha pensado en
adquirir otra máquina con un costo de $800,000 y 6 meses de instalación.
Se hace un estudio Multi-vari para analizar el problema. Se hacen 4 mediciones dentro de

la pieza y se toman tres piezas cada hora, con el correspondiente resultado.
26
8 AM 9 AM 10 AM 11 AM 12 AM
.0.2510”
0.2500”
0.2490”
Izquierda
Máximo
Derecha
Mínimo
Parece que la variación en el tiempo es la mayor, las contramedidas se muestran a

continuación.
Tipo de % de variación Variación y Corrección de la % de reducción

variación causa variación de la variación
Tiempo a tiempo 50% Bajo nivel de Alimentador Cerca del 50%
refrigerante automático
Dentro de la 30% Ajustes no Respaldo del Cerca del 30%
pieza paralelas rollo renivelado
Dentro de la 10 – 15% Enfriamiento Se agregan más 10%
pieza inadecuado del espreas de
rollo rociado
Pieza a pieza 5 – 10% Desconocido Ninguna Ninguna
El costo total de las mejoras fue de $8,000 tomando dos semanas para el proyecto y el Cp >1
cumpliendo con las especificaciones establecidas.
En Minitab:
File > Open worksheet > Sinter.mtw
Stat > Quality tools > Multi-Vari chart
Response Strenght Factor 1: Sinter time Factor 2: Metal type
OK
27
Multi-Vari Chart for Strength by SinterTime - MetalType

24 SinterTime
100
150
23
200
22
Strength
21
20
19
18
17
1 2 3
MetalType
Se observa que hay interacción entre el tiempo de templado (Sinter time) y el tipo de
metal templado (MetalType) que le proporciona una cierta resitencia.
Correlación y regresión lineal simple
Diagrama de Dispersión
El diagrama de dispersión es una técnica estadística utilizada para estudiar la relación entre dos
variables. Por ejemplo, entre dos parámetros o variables del proceso.
La variable del eje horizontal x normalmente es la variable causa, y la variable del eje vertical y es
la variable efecto.
La relación entre dos variables puede ser: positiva o negativa. Si es positiva, significa que un
aumento en la variable causa x provocará una aumento en la variable efecto y y si es negativa
significa que una disminución en la variable x provocará una disminución en la variable y.
Por otro lado se puede observar que los puntos en un diagrama de dispersión pueden estar muy
cerca de la línea recta que los atraviesa, o muy dispersos o alejados con respecto a la misma. El
índice que se utiliza para medir ese grado de cercanía de los puntos con respecto a la línea recta es
el índice de correlación r. En total existen cinco grados de correlación: positiva evidente (r = 1),
positiva, negativa evidente (r = -1), negativa y nula (r = 0).
28
Correlación Positiva Correlación Negativa

25
Evidente 25
Evidente
20 20
15 15
10
Y
Y
10
5
5
0
0 5 10 15 20 25 Sin Correlación 0
0 5 10 15 20 25
X 25 X
20
15
Correlación Y
10
Correlación
5
25
Positiva 0 Negativa
0 5 10 15 20 25 25
20
X 20
15
15
Y
10
Y
10
5
5
0
0 5 10 15 20 25 0
0 5 10 15 20 25
X
X
La correlación se utiliza para cuantificar el grado en que una variable influye en el comportamiento
de otra. Por ejemplo si se encuentra que la variable presión tiene una correlación positiva con el
rendimiento de una caldera, se deben buscar soluciones al problema mediante acciones asociadas
con la variable presión; de lo contrario, sería necesario buscar la solución por otro lado.
 Correlación: es una
medida de que tanto
están dos variables
correlacionadas
 Regresión: Es la
ecuación matemática
que describe la relación
29
Regresión por el método de mínimos cuadrados
Es el procedimiento para encontrar la línea recta que mejor “ajuste” a los datos, esto se
puede intentar hacer visualmente, tratando de minimizar la diferencia entre los puntos y
la línea, la ecuación de la recta de predicción es:
Fitted Line Plot

Resultados de prueba (%) = 31.21 + 0.6955 Tiempo de estudio (horas)
S 4.47182
80
R-Sq 77.0%
R-Sq(adj) 74.2%
75
Resultados de prueba (%)
70
65
60
55
50
30 40 50 60 70
Tiempo de estudio (horas)
Otros ejemplos de regresión:
30
Ejemplo: Se sospecha que el tiempo requerido para hacer un mantenimiento preventivo está
relacionado con su número. Calcular el coeficiente de correlación y graficar. Los datos de tiempo
tomados para n = 25 servicios se muestran a continuación:
X Y
Servicios Tiempo
1.2 101
0.8 92
1 110
1.3 120
0.7 90
0.8 82
1 93
0.6 75
0.9 91
1.1 105
Si todos los puntos estuvieran completamente sobre la recta la ecuación lineal sería
y = a + bx. Como la correlación no siempre es perfecta, se calculan a y b de tal forma que se
minimice la distancia total entre puntos y la recta. Los cálculos tomando las sumas de cuadrados
siguientes se muestran a continuación:
USO DE EXCEL
1. En el menú Herramientas seleccione la opción Análisis de datos. Datos de ejemplo anterior.
2. Seleccione la opción Regresión.
3. Seleccione el rango de entrada, estos corresponden a los datos numéricos de la tabla.
4. Seleccione Resumen de estadísticas.
5. En opciones de salida seleccione en Rango de salida, una celda de la hoja de cálculo que este en
blanco ( a partir de está celda serán insertados los resultados).
Resumen
Estadísticas de la regresión
Coeficiente de correlación
múltiple 0.981811778
Coeficiente de
determinación R^2 0.963954368
R^2 ajustado 0.962387167
Error típico 3.093419627
ANÁLISIS DE VARIANZA Suma de Promedio de

Grados de Cuadrados cuadrados F Valor crítico de
31
libertad F
Regresión 1 5885.852069 5885.852069 615.0800898 4.24118E-18
Residuos 23 220.0926348 9.569244992 Significativa
Total 24 6105.944704 Si es < 0.05
Coeficientes Error típico Estadístico t Probabilidad Inferior 95%

Intercepción (bo) 5.114515575 1.145804127 4.463691004 0.000177215 2.744239161
XServicios (b1) 2.902704421 0.117040719 24.80080825 4.24118E-18 2.660587249
Observaciones: Ecuación Y = 5.11 + 2.9*X
En la gráfica observamos que al aumentar el número de servicios el tiempo de atención aumenta.

USO DE MINITAB
Para obtener la línea de mejor ajuste de la regresión, se procede como sigue en Minitab:
Stat > Regression > Fitted Line Plot ... Indicar la columna de Respuestas Y y la de predictores X,
seleccionar si se quiere ajustar con los datos con una línea, una función cuadrática o cúbica y
aceptar con OK. Observar el mayor valor del coeficiente de correlación que indica el mejor ajuste.
32
Fitted Line Plot

Y Tiempo = 5.115 + 2.903 X Servicios
70 S 3.09342
R-Sq 96.4%
R-Sq(adj) 96.2%
60
50
Y Tiempo
40
30
20
10
0
0 5 10 15 20
X Servicios
Stat > Regression > Regression

Response Y Tiempo Predictors X Servicios OK
Resultados:
The regression equation is
Y Tiempo = 46.5 + 52.6 X Servicios
Predictor Coef SE Coef T P

Constant 46.486 9.885 4.70 0.002
X Servicios 52.57 10.26 5.12 0.001
S = 6.83715 R-Sq = 76.6% R-Sq(adj) = 73.7%
Analysis of Variance
Source DF SS MS F P
Regression 1 1226.9 1226.9 26.25 0.001
Residual Error 8 374.0 46.7
Total 9 1600.9
Coeficiente de determinación
Es el cuadrado del coeficiente de correlación lineal, o sea:
Con los datos del ejemplo anterior:
𝑟 2 = 0.766
Por tanto se decir que el 77% de la variación en calificaciones puede ser explicada por la
variación en horas de estudio. r2 se encuentra en el intervalo entre 0 y 1.
Coeficiente de correlación
Es un indicador de la fuerza de la relación lineal entre dos variables Y y X denominado el
coeficiente de correlación de Pearson.
𝑟 = 0.875
33
Ejercicio: Los siguientes datos corresponden a la resistencia a la tensión de un producto de papel

relacionado a la cantidad de fibra en la pulpa. Se toman 10 muestras en una planta piloto y los
datos obtenidos se muestran a continuación:
Y_Resistencia X_%Fibra
160 10
171 15
175 15
182 20
184 20
181 20
188 25
193 25
195 28
200 30
Determinar el análisis de regresión siguiente:
Stat > Regressión > Fitted line plot

Indicar Response (Y_Resistencia) y Predictor (X_%Fibra) Linear OK
El coeficiente de determinación R-Sq es:
Conclusión:
La ecuación de regresión es:
34
Ejemplo:
35
Aplicaciones en la comprobación de causas raíz:
36
37
4. Análisis del modo y efecto de falla (FMEA)
El Análisis Efecto Modo Falla es una metodología para evaluar un sistema, diseño, proceso o
servicio, las posibles maneras en las que pueda fallar, los problemas, errores, fallas, riesgos que
puedan ocurrir.
El AMEF o FMEA ( Failure Mode and Effect Analisis) es una técnica de prevención, utilizada para
detectar por anticipado los posibles modos de falla, con el fin de establecer los controles
adecuados que eviten la ocurrencia de defectos.
 Identificar los modos de falla potenciales, y calificar la severidad de su efecto.

 Evaluar objetivamente la ocurrencia de causas y la habilidad de los controles para detectar la
causa cuando ocurre.
 Clasifica el orden potencial de deficiencias de producto y proceso.
 Se enfoca hacia la prevención y eliminación de problemas del producto y proceso
Modo de Falla
- La forma en que un producto o proceso puede fallar para

cumplir con las especificaciones.
- Normalmente se asocia con un Defecto o falla.

Efecto
ejemplos: Diseño Proceso - El impacto en el Cliente cuando el Modo de Falla no se
roto Flojo previene ni corrige.
fracturado de mayor tamaño
Flojo equivocado - El cliente o el siguiente proceso puede ser afectado.
Ejemplos: Diseño Proceso

ruidoso Deterioro prematuro
operación errática Claridad insuficiente
Causa
- Una deficiencia que genera el Modo de Falla.
- Las causas son fuentes de Variabilidad asociada con
variables de Entrada Claves
Ejemplos: Diseño Proceso .

material incorrecto error en ensamble
demasiado esfuerzo no cumple las
especificaciones
38
Los efectos pueden ser:

• Efectos Locales: Efectos en el área Local, impactos Inmediatos
• Efectos Mayores Subsecuentes: entre Efectos Locales y Usuario Final
• Efectos Finales: efecto en el Usuario Final del producto
Existen tres componentes que ayudas a priorizar las fallas o problemas:

 Ocurrencia (O): Frecuencia de la falla.
 Severidad (S): Los efectos de la falla.
 Detección (D: Es la habilidad para detectar la falla antes de que llegue al cliente.
ANALISIS DEL MODO Y EFECTO DE FALLA

AMEF de Diseño / Proceso
Componente ______________________ Responsable del Diseño ____________ AMEF Número _________________
Ensamble ________________ Preparó _______________ Pagina _______de _______
Equipo de Trabajo ___________ FECHA (orig.) de AMEF ______(rev.) ______
Resultados de Acción
O D
S Causa(s)
Función Efecto (s) c e R Responsable S O D R
Modos de Falla e Potencial(es) Controles de Acción Acción
de Potencial (es) c t P y fecha límite e c e P
Potenciales v de los Mecanismos Diseño Actual Sugerida Adoptada
Artículo de falla u e N de Terminación v c t N
. de falla
r c
Factura Datos LOCAL:

incorrecta incorrectos Rehacer
la factura
Riesgo = Severidad x
MAXIMO PROXIMO Ocurrencia x Detección
Contabilidad 7 3 5 105
erronea
CON CLIENTE
Molestia
Insatisfacción
El resultado de un AMEF es:

 Una lista de modos de falla potencial calificados por un RPN.
 Una lista de características críticas y/o significativas potenciales.
 Una lista de acciones recomendadas dirigidas a las características críticas o significativas
potenciales para cumplir con los CTQs.
39
 Una lista de eliminación de causas de modo de falla potenciales, reducción de la

ocurrencia, mejora de la detección de defectos.
o Listar todas las acciones sugeridas, qué persona es la responsable y fecha de
terminación.
o Describir la acción adoptada y sus resultados.
o Recalcular número de prioridad de riesgo.
Ejercicio: Desarrollar un AMEF de un proceso real
40
41
QFD
FASE DE ANÁLISIS
Diagrama de
relaciones
Diagrama
Causa Efecto Diagrama de
Ishikawa
Diagrama
de Árbol
Definición
Y=X1 + X2+. .Xn
CTQs = Ys Medición Y,
Operatividad X1, X2, Xn
X's
Causas
Análisis del Modo y Efecto de potenciales
Falla (AMEF)
Llenar columnas del FMEA

Pruebas Hasta sol. Propuesta y
de
hipótesis comprobar causas con
Diagrama Pruebas de Hipótesis
de Flujo
del X's vitales
proceso No ¿Causa Si Causas raíz
Raíz? validadas
Resumen de la validación de las causas
# de
Resultados Causa
Causa Causas Raíz
1 Ensamble de ojillos, bloques y SI ES CAUSA RAIZ
X
contrapesos no adecuados en
aspas.
2 Amortiguadores dañados. X
SI ES CAUSA RAIZ
3 Desgaste de bujes en los
carretes. NO ES CAUSA RAIZ
4 Fabricación y reemplazo de NO ES CAUSA RAIZ
ejes y poleas no adecuados en
ensamble de aspas.
Desalineamiento de poleas y
5 bandas de transmisión de SI ES CAUSA RAIZ X
aspas.
Método de Balanceo no
6 SI ES CAUSA RAIZ X
adecuado.
7 Desalineación de pinolas en NO ES CAUSA RAIZ
cuna.
42

Modulo3 Fanalisis

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Modulo3 Fanalisis

Cargado por

Copyright:

Formatos disponibles

Curso

Primitivo Reyes Aguilar

Salidas de la Fase de Análisis

Resumen de la validación de las causas

La fase de análisis consta de las siguientes etapas:

1. Identificar las fuentes de variación y causas potenciales

Para comprobar las causas potenciales se puede utilizar el Diagrama 5W-1H.

Las herramientas que permiten identificar fuentes de variación son: histogramas,

Diagrama causa-efecto (ishikawa)

El diagrama causa-efecto, también llamado “espina de pescado” por la semejanza de su forma,

1. Seleccione el efecto (problema) a analizar. Se puede seleccionar a través de un consenso, un

El problema es no cumplimiento de la meta de separación de residuos sólidos.

Primero se determinan las causas principales M’s:

Los cinco Porqués

Síntoma: Los embarques al cliente no llegan a tiempo:

1. ¿Por qué? nos atrasamos porque fallaron los filtros.

Ejemplo en Minitab para un problema de soldadura:

AMBIENTE MATLS. PERSONAL MÉTODO MAQUINAS

FORMA ALMACÉN HABILIDAD HUMOR

Diagrama de Causa Efecto en Minitab

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

5. Introducir las columnas correspondientes a las subcausas

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

de HABILIDAD y HUMOR en la rama de PERSONAL (seleccionar SUB a la derecha).

V ibraciones V elocidad Deformación

P olv o A juste M antto.

Ambiente Método Máquinas

El diagrama de interrelaciones es una herramienta gráfica que se emplea para organizar

 El aspecto clave o la tarjeta de encabezado más crítica de un diagrama de

2. Comprobación de causas raíz por pruebas físicas con 5W-1H

3. Comprobación de causas raíz de fuentes de variación

¿Por qué usar la Prueba de Hipótesis?

¿El primer turno se desarrolla mejor que el segundo turno?

Para realizar la prueba se deben comprender las hipótesis:

El proceso numérico de la prueba de hipótesis se hará con Excel o con paquetes

Tipos de pruebas de hipótesis

Prueba de Hipótesis de dos poblaciones:

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

Samples in different columns First Form_1 Second Form_2

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

Realizar una prueba de igualdad de medias y sacar conclusiones:

Boxplot of Form_1, Form_2

a) Prueba de igualdad de varianzas

Ho: Varianza A = Varianza B;

Con Minitab ingles:

Samples in different Columns

Si el valor P de la prueba F es mayor a 0.05 no se rechaza Ho y las varianzas son iguales

b) Prueba de igualdad de medias

SI el cero se encuentra en el intervalo de confianza, las medias no son diferentes.

Si el valor P de la prueba t es mayor a 0.05 no se rechaza Ho y las medias no son diferentes

Ho: µM1 - µM2 = 0

Como el cero se encuentra en el intervalo de confianza (-0.051, 0.651), se rechaza Ho y se

Ejercicio. Un comprador califica un producto antes y después de ver un comercial: Probar a un 8%

Ho: Pi1 = Pi 2 Pi1 - Pi2 = 0

Ver instrucciones de Minitab en ejemplos anteriores

SI el cero se encuentra en el intervalo de confianza, las medias no son diferentes.

Si el valor P de la prueba t es mayor a 0.08 se acepta Ho y las medias son iguales.

Análisis de varianza (ANOVA)

Ho: Media 1 = Media 2 = …. = Media n

Ejemplo: Las calificaciones de un curso de liderazgo para 18 participantes de tres diferentes

Depto_A Depto_B Depto_C

El peor aprovechamiento lo tuvo el departamento C:

Depto_A subtracted from: El Depto_C es diferente del Depto_A.