Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Seis Sigma Basico
Seis Sigma Basico
Participante: ___________________________________________________
Junio 2008
Página 1 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
OBJETIVOS:
Al finalizar el curso, el participante será capaz de:
Comprender y analizar las fuentes de variabilidad de los procesos.
Comprender y aplicar métodos estadísticos y Lean para identificar áreas de
oportunidad de mejora en los procesos.
• Identificar y desarrollar proyectos de mejora y de solución de problemas aplicando
la metodología Seis Sigma DMAIC por medio de trabajo en equipo.
CONTENIDO
SOFTWARE DE APOYO
Paquete estadístico Minitab versión 15, Análisis de Datos de Excel y otros
paquetes estadísticos
Página 2 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Es una estrategia de mejora de negocios que busca encontrar y eliminar causas de errores o
defectos en los procesos de negocio enfocándose a los resultados que son de importancia
crítica para el cliente.
Página 3 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Involucramiento de la dirección
Resultados en la rentabilidad
Un método disciplinado utilizado (DMAIC)
Conclusión de proyectos en 3 a 6 meses
Medición clara del éxito
Infraestructura de personal entrenado (black belts, green belts)
Enfoque al proceso y al cliente
Métodos estadísticos utilizados adecuadamente
Pero ellas forman un patrón, tal que si es estable, se denomina distr. Normal
P1
10
Página 4 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Interpretación de Sigma y Zs
LIE LSE
Especificación Especificación
inferior s superior
Z La desviación estándar
sigma representa la
distancia de la media al
punto de inflexión de la
curva normal
_
xi
X
p = porcentaje de mediciones fuera de Especificaciones
P2
Desviación estándar
Definición estadística de
Seis Sigma Con 4.5 sigmas
se tienen 3.4 ppm
Página 5 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
¿Por qué es importante lograr niveles de calidad Seis Sigma?
Un 99% de rendimiento equivale a tener un nivel de 3.86 sigmas y 100 minutos sin energía
eléctrica por semana (10,080 minutos)
Un 99.9% de rendimiento equivale a un nivel de calidad de 4.6 sigmas, representa 10
minutos sin energía eléctrica en una semana.
Con 6 sigma se tiene un nivel de 99.99966% o 3.4 ppm, 2 segundos /semana sin luz
PRACTICA 1.1 Obtener los niveles Sigma con base en rendimiento (tiempo en que se tiene el
servicio disponible / tiempo total) y las partes por millón o partes por millón de oportunidades de
deficiencias, fallas o errores:
Página 6 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Página 7 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Metodología Seis Sigma DMAIC
1.
Definir
5.
2. Medir
Controlar
4. 3.
Mejorar Analizar
Página 8 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
La ruta de la calidad y su relación con Seis Sigma
FASE DE DEFINICIÓN:
o 1. Equipo de trabajo, 2. Selección del problema o área a mejorar
FASE DE MEDICIÓN
o 3. Diagnóstico de la situación actual, 4. Establecer la meta.
FASE DE ANÁLISIS
o 5. Análisis de las causas del problema (potenciales y reales)
FASE DE MEJORA
o 6. Generación, evaluación y selección de alternativas de solución.
o 7. Implementación de soluciones, 8. Verificación de resultados.
FASE DE CONTROL
o 9. Prevenir reincidencia, 10. Reconocimiento al equipo de trabajo
o Paso 11. Lecciones aprendidas y cierre del proyecto
Metodología Lean
Conjunto de métodos enfocados a minimizar el Muda (desperdicios en tiempo, combustibles,
energía, espacio, talento, etc.) para tener flexibilidad y maximizar el aprovechamiento de los
recursos en la empresa, para lograr la satisfacción y lealtad del cliente.
Página 9 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Página 10 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Las 5´s se han definido como Selección u Organización, Orden, Limpieza, Estandarización
y Disciplina. Los dos elementos más importantes son la Organización y el Orden ya que de
ellos depende el éxito de las actividades de Mejora.
Trabajan en medio del polvo, suciedad, desorden, aceite, etc. dificulta la búsqueda de
piezas, útiles, información, requisiciones, herramientas etc. evitando esto se previenen los
accidentes, no se generan defectos y todo se encuentra.
Página 11 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Identificar actividades internas y externas
o Listar cada actividad, clasificarlas en internas y externas
Convertir actividades internas a externas
o Pensar fuera de la caja
Alinear las actividades de preparación y ajuste
o Eliminar / combinar actividades
o Repetir el proceso
La Preparación interna (IED), son las operaciones realizadas con máquina parada.
La Preparación externa (OED), son las operaciones realizadas mientras la máquina está
operando.
Página 12 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
5. Identificar las condiciones donde se ocurren los errores (investigar)
6. Identificar el tipo de dispositivo Poka Yoke requerido para prevenir el error.
7. Desarrollar un dispositivo Poka Yoke
Ejemplo: instalación de Rotámetros para ajustar el flujo de agua fría hacia una máquina,
antes se ajustaba con llaves normales sin calibración.
Trabajo estandarizado
Objetivo: Documentar en instructivos, procedimientos y ayudas visuales, la forma cómo
deben realizarse las operaciones para que todos las realicen de la misma manera, para
tener productos homogéneos.
Página 13 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
• El Mantenimiento Autónomo por los operadores:
• Limpieza del equipo para detectar problemas
• Eliminar las fuentes de suciedad
• Establecer rutinas de limpieza y lubricación en las máquinas
• Inspección de otros aspectos de la máquina (sensores, etc.)
• Inspección autónoma por el operador (lista de verificación)
• Organización y orden en el área de trabajo
• Mantenimiento autónomo pleno
Página 14 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
o Evitar errores humanos
o Enfoque a mejora de la productividad
Tiempo
Variabilidad
Lean Sigma reduce al mismo tiempo la variabilidad y el tiempo de respuesta
Liderazgo
Los programas Seis Sigma no suceden accidentalmente, deben contar con el compromiso y
soporte de la administración en aspectos de recursos y herramientas
Organización para Seis Sigma
Green
Belts
Green
Belts
Página 15 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Papeles/roles en Seis Sigma
Reconocimiento y refuerzo
Se deben lograr reconocimientos tangibles e intangibles por las mejoras alcanzadas a
todos los miembros participantes
El lograr ahorros y publicarlos ayuda a mejorar la moral de los miembros de los equipos de
proyectos
Benchmarking
Compara el desempeño de una empresa con la competencia, o el mejor en su clase, identifica
áreas de oportunidad de mejora a nivel negocio u operativo. Sigue los pasos siguientes:
Página 16 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Análisis del consumo específico de gas natural ó
régimen térmico Kcal/KWh
2700 2646
2650
2600 2542
2550 Promedio Unidad 1
2500 2466
Promedio 3 años CTVM
2450
2376 2388
2400
Promedio CFE
2350
2300 FPL USA P Deming
2250
2200 Nerc USA
Promedio Promedio 3 Promedio FPL USA P Nerc USA
Unidad 1 años CTVM CFE Deming
Reconocimiento al equipo
Al finalizar el proyecto Seis Sigma es conveniente dar un reconocimiento a los participantes:
Materiales: Tangibles, Intangibles, Satisfacción, amistad, aprendizaje, agradecimiento,
prestigio
Ver ejemplos de aplicación en CFE
Página 17 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Página 18 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Matriz de prioridad
Esta matriz identifica los aspectos y preocupaciones clave y permite generar alternativas. La
necesidad es determinar la opción a utilizar. Ejemplos:
Se puede usar una matriz de selección con ponderación de diversos aspectos como la siguiente:
PRÁCTICA 2.1 Hacer una selección de un problema de entre varios problemas atacables,
considerar por ejemplo la importancia, urgencia, costos, beneficio al cliente, facilidad de solución,
dificultad, etc. Como opción se puede seleccionar la mejor solución para una actividad.
Página 19 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Los clientes son los receptores del servicio o producto, se puede escuchar su voz de forma reactiva
(quejas, reclamaciones, etc.) o proactiva (encuestas, entrevistas, grupos focales, etc.).
Las áreas afectadas con el proyecto, son las áreas y departamentos que serán impactados con el
proyecto, también se denominan Stakeholders.
Definición de CTQs
Son las características del producto/servicio que son importantes desde el punto de vista
del cliente
Requerimientos clave
Valor generado cadena
ACC/CENACE ó Factor Crítico Indicador
de valor usuarios finales
clientes y usuarios finales
1. Precio competitivo $/MWh
Precio competitivo a los
(Consumo gas natural ó Kcal / Kwh (De acuerdo
usuarios finales de CFE
control del régimen térmico) a la Unidad)
2. Calidad de la regulación: Frecuencia: 60 Hz ± 0.2
No variaciones en el
Control de frecuencia y
suministro de energía
control de voltaje Voltaje: 230,000 Volts ±
eléctrica
1000
3. Cantidad de energía
100% Cumplimiento Cero interrupciones en el
entregada
programa suministro de EE
Cero interrupciones en el
suministro de EE y
4. Confiabilidad Conf = (100% - % Falla participación en la regulación
propia) = 97.69% de frecuencia y voltaje en el
Sistema Eléctrico Nacional
(SEN)
Cero interrupciones en el
suministro de EE y
Disp= (100% - (%Falla
5. Disponibilidad participación en la regulación
+ % Matto - % ajenos))
de frecuencia y voltaje en el
= 88.50%
Sistema Eléctrico Nacional
(SEN)
Figura 3.1.9.1 Tabla de Factores Críticos del Cliente
Página 20 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
o Reducir los tiempos de ciclo y tiempos muertos por mantto.
o Maximizar el régimen térmico
CTD – críticos para la entrega
o Confiabilidad, disponibilidad,
o Cantidad de energía eléctrica entregada
CTS – críticos para la seguridad
o Proporcionar ayudas visuales e instrucciones claras
o Proporcionar EPP adecuado
CT’s
Costos de calidad
Diagrama de Pareto
En la fase de Definición, el diagrama de Pareto ayuda a seleccionar proyectos y manejar el
alcance de este. Define la oportunidad del proyecto y provee el impacto medible de las
acciones correctivas
Página 21 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Identifica y separa en forma crítica las pocas causas que provocan la mayor parte de los problemas
o fallas. El principio enuncia que aproximadamente el 80% de los efectos de un problema se debe
a solamente 20% de las causas involucradas.
Ejemplo de diagrama de Pareto:
El departamento de mantenimiento tiene registrada una lista de las fallas que se han recibido
durante el último mes como sigue:
Tipo de Falla No
Fallas
A) Falla de motores 1
C) Falla de componentes 7
D) Errores en documentación 1
G) Falla de sensores 25
H) Falla de reguladores 1
Página 22 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Ordenando las cantidades de fallas de mayoy a menor, se determinan las columnas de: fallas
acumuladas, porcentaje relativo de cada tipo de falla y porcentaje acumulado por tipo de falla.
Tipo_Falla No_ Fallas Fallas % relativo % relativo
acumuladas acumulado
B) Componentes mal
6 61 8.57 87.14
ensamblados
B) Componentes mal
6 61 8.57% 87.14%
ensamblados
Página 23 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Se grafican las columnas de tipo de falla y fallas acumuladas o porcentaje relativo y porcentaje
relativo acumulado en Excel quedando como:
120.00%
100.00%
80.00%
60.00%
40.00%
20.00%
0.00% % relativo
% relativo acumulado
Página 24 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
50
Percent
40 60
30 40
20
10
20
0 0
Tipo de Falla s a s s s n s r
o re iad nte
a do r ga ició ore the
l t
ns op ne b ca ed o O
se a pr po a m
d es m e
m
d e in m ns r e d
to co le po
d
lla
a ll a n d e a s ipo a
F pu la m l la eq
u F
G) a al tes Fa e A)
ta F n ) d
es C) ne E s
Pu po a lla
I) m F
) Co F)
B
No Fallas 25 23 7 6 3 2 1 3
Percent 35.7 32.9 10.0 8.6 4.3 2.9 1.4 4.3
Cum % 35.7 68.6 78.6 87.1 91.4 94.3 95.7 100.0
Las fallas G,I y C representan el 78.6%, siendo en estas en las que debemos de enfocarnos primero
a resolver, iniciando con la G.
PRÁCTICA 2.2 Hacer un diagrama de Pareto con los principales defectos en una máquina o
componente que se presentan en un periodo de tiempo:
Tipo de falla Descripción de la falla Frecuencia
A
B
C
D
E
F
Página 25 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
G
H
I
J
K
Etc.
Ordenado y calculando las columnas adicionales queda como:
Identificar CTQs del proceso o X’s para satisfacer CTQs del proyecto Y (Drill Down)
Página 26 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Interrupciones de energía Y = ƒ(X1, X2, X3, X4)
Fallas en los equipos de generación
Falta de suministro de gas
Estratificación
Se utiliza para separar el problema general en los estratos que lo componen, por ejemplo,
por áreas, departamentos, productos, proveedores, turnos, etc. Clasificación de los datos
o factores sujetos a estudio en una serie de grupos con características similares.
Y = f(X1, X2, X3, X4,…….)
Problema de fallas
Estratificación de un problema
Segundo nivel:
Tercer nivel:
Cuarto nivel:
Página 27 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
DEFINICIÓN DEL PROBLEMA
1. ¿Se ha contestado la pregunta que está mal con qué?
2. ¿Se ha hecho varias veces la pregunta ¿sabemos con certeza porqué está ocurriendo esto?
3. ¿Se ha definido el problema en términos de EQUIPO y FALLA?
4. ¿Se ha hecho el análisis ES / NO ES (qué, dónde, cuándo y cuánto)?
5. ¿Se ha definido el flujo del proceso y si ha habido cambios?
6. ¿Se ha identificado en que paso del proceso aparece el problema?
7. ¿Se ha revisado si los componentes similares tienen el mismo problema?
8. ¿Se han colectado y analizado todos los datos?
9. ¿Se ha obtenido evidencia física del problema?
CÀLCULO FINANCIERO
DATOS:
GENERACION BRUTA = 2,042.958 MWH AL AÑO
ENERGIA NO GENERADA = 432,000 MWH (21.14 %)
MTTO 60 DIAS
ENERGIA NO GENERADA = 324,000 MWH (15.86 %)
MTTO 45 DIAS
UTILIDAD = $141.40 MWH AÑO 2004
CONSIDERACIONES:
Un mantenimiento mayor de 60 días nos representan 432,000 MWH de energía no
Página 28 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
generada. Si se logra la Meta de realizar el mantenimiento en 45 días, se tendrá como
resultado 324,000 MWH de energía no generada.
Por lo tanto; 432,000 - 324,000 = 108,000 MWH de diferencia que serian Ventas al
cliente por lo que el Beneficio esperado de este proyecto es:
108,000 x 141.40 = Beneficio = $15’271,200.00 = $ 1,414,000 USA a un t/c $ 10.80/USA
PRÁCTICA 2.4 Aplicación del método del valor presente neto y de la tasa interna de rendimiento
en la justificación de proyectos
VPN = Valor presente neto = VNA – costo del equipo = $3,749.48 - Costo del equipo
Interés 0.15
Inversión -15,000
Año 1 5,000
Año 2 5,000
Año 3 5,000
Año 4 5,000
Año 5 9,000
Página 29 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Contrato de proyecto
Es el compromiso formal del equipo y de la dirección, en la ejecución del proyecto
Caso de negocio Impacto financiero
Beneficios estimados
Descripción general del Costos estimados
problema
Recursos
Alcance Nombre, Rol
Otros participantes
Meta medible
Planes del proyecto
Sigmas Fechas arranque y final por cada
fase DMAIC
Eventos parciales a revisar
Página 30 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Alcance del proyecto
Se refiere a los límites del proyecto o acotaciones. “El proyecto se desarrollará durante el
mes de diciembre”
ES NO ES
QUÉ: QUÉ:
Nombrar el equipo que tiene la falla Nombrar equipos similares que pudieran
tener la falla pero no la tienen
Nombrar la falla o problema que se está Nombrar otras fallas o problemas que el
observando equipo pudiera tener pero no tiene
DÓNDE: DÓNDE:
Lugar donde se encuentra el equipo con falla Otros lugares donde el equipo puede ser
encontrado sin falla
Lugar donde primero se muestra la falla Otros lugares donde el equipo pudiera
mostrar falla pero no tiene
Otros lugares donde el problema ocurre o ha Lugares similares donde el problema nunca
ocurrido ha ocurrido
Página 31 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
CUÁNDO: CUÁNDO:
En qué momento ocurrió el problema (día, Cuando pudo haber ocurrido el problema,
mes, año, hora, etc.) pero no ocurrió
Cuándo ocurrió el problema dentro del ciclo Cuándo dentro del ciclo de vida del ciclo de
de vida del equipo vida del equipo pudo haber ocurrido el
problema pero no ocurrió
CUÁNTO: CUÁNTO:
Describir la magnitud del problema falla o Describir los límites del problema, falla o
defecto defecto
Cuántos equipos tienen o han tenido el Cuántos equipos podrían haber tenido el
problema, falla o defecto problema, pero no lo tienen
Determinar la magnitud del problema en Describir qué pudo haber sido pero no es.
términos de %, rendimiento, etc.
Describir el número de fallas por equipo Describir qué pudo haber sido pero no lo es
Página 32 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
1. Nombre del proyecto
No incluye:
4. Benchmarking
Página 33 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Terminación:
Ejemplo:
Metas intermedias Fecha de revisión
Contrato de proyecto Nov. 1
Reunión inicial del equipo Nov. 1
Caracterización del proceso SIPOC Nov. 4
Métrica de la línea base (actual) Nov. 28
Establecer el enfoque y evaluar situación Feb. 10
Analizar causas Feb. 20
Probar soluciones y verificarlas Mar. 15
Implementar cambios Pend.
Cierre del proyecto Pend.
Página 34 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Obstáculos potenciales:
Champion / Promotor:
Página 35 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Personal de apoyo:
Diagrama SIPOC
Identifica el flujo de las actividades y fuentes de variación en el proceso. Incluye
proveedores, entradas, procesos, resultados y clientes
Provee-
dores
Clientes
Retroalimentación Retroalimentación
Banco de información
Planta de
Insumos Gas Generador Usuario
tratamiento Turbogenerador Subestación Transmisión CENACE
y Agua de Vapor Final
de agua
Página 36 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Programa de Trabajo
Se realiza para planear las actividades para la solución del problema, a continuación se muestran
algunos ejemplos:
Página 37 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
En la Fase de Medición, el mapa del estado actual debe de ser creado para:
Mostrar detalladamente los pasos del proceso específico o series de procesos
Determinar las fuentes de variación y las características de salida para cada paso
o ¿Cuáles son las entradas? ¿Cuanto pueden variar?
o ¿Cuáles son las salidas? ¿Cuánto pueden variar?
Identifica cuales son los datos que necesitan ser recopilados
Página 38 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Se utiliza para identificar los procesos, las características críticas en cada uno, la forma de
evaluación, los equipos a usar, los registros y plan de reacción, se tienen los tipos
siguientes:
Diagramas de flujo de proceso detallados
Diagramas físicos de proceso
Diagramas de flujo de valor
Descripción de símbolos
En la construcción de diagramas de flujo de procesos se utilizan los símbolos descritos a
continuación:
Página 39 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Página 40 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
PRACTICA 3.1 Diagrama de flujo de un proceso pequeño o subproceso
Página 41 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Recolección de datos
Tipos de información
Datos Continuos Datos Discretos
Se obtienen a través de un Incluye
sistema de medición, su porcentajes, conteos, atrib
utilidad depende de la utos y ordinales
capacidad del sistema de
medición. Las ocurrencias deben ser
Las ocurrencias independientes
consistentes se pueden
manejar como datos
continuos
Continuos Discretos
87
Datos Tipo
Temperatura de vapor Continuo
Fallas de la bomba Discreto: Porcentaje o cuenta
Tiempo de mantenimiento Continuo
Cantidad de contaminantes Continuo
Fallas de Maquinaria Discreto: Porcentaje o cuenta
Tiempo del ciclo de arranque Continuo
Perdida de clientes Discreto: Porcentaje o cuenta
Errores en reportes Discreto: cuenta
Cambios en la agenda o el plan Discreto: cuenta
Porcentaje de reportes que Discreto: Porcentaje
tienen que ser rectificados
Página 42 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Operación || ||| | | || 9
Atmósfera ||| | || ||| | 10
TOTAL 17 13 15 14 16 75
Comprendiendo la variación
¿Qué es la variación?
La diferencia entre las cosas
La mayoría de las veces la variación es natural
Factores que causan la variación
o Material
o Maquinaria
o Mano de obra o personal
o Método
o Naturaleza
o Mediciones
o La variación es inherente a todos los procesos
Se tienen causas comunes y causas especiales
Estadística Descriptiva:
Población (N)– Es el conjunto de todos los elementos de interés para determinado estudio
Parámetro – Es una característica numérica de la población, se identifica con letras griegas
(Media = µ, Desviación estándar = σ, Proporción = π, Coeficiente de correlación = ρ)
Muestra (n) – Es una parte de la población, debe ser representativa de la misma.
Estadístico – Es una característica numérica de una muestra, se identifica con letras latinas
(Media = X, Desviación estándar = s, Proporción = p, Coeficiente de correlación = r)
Página 43 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Para poder obtener consecuencias y deducciones válidas de los datos de un estadístico, es muy útil
contar con información sobre los valores que se agrupan hacia el centro y sobre que tan
distanciados o dispersos estén unos respecto a otros. Comenzaremos por definir estas medidas:
Medidas de dispersión
Para comprender el concepto de varianza, supóngase que tenemos los datos siguientes de los
cuales queremos saber que tan dispersos están respecto a su media:
2, 3, 4, 5, 6 con media = 20/5 = 4
Si tomamos la suma de diferencias de cada valor respecto a su media y las sumamos se tiene:
(-2) + (-1) + (0) + (1) +(2) = 0
Por lo que tomando diferencias simples no es posible determinar la dispersión de los datos.
Si ahora tomamos esas mismas diferencias al cuadrado y las sumamos se tiene:
4 + 1 + 0 + 1 + 4 = 10
Página 44 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Desviación estándar: Es la raíz cuadrada de la varianza:
(xi − x̄ )2
Para el caso de una población
σ=
√ ∑ n
muestra
( xi− x̄ )2
s=
√ ∑ n−1
Rango ( R ): es la diferencia positiva entre el valor mayor y el valor menor de un conjunto
de datos.
Coeficiente de Variación (CV): Se utiliza para comparar la dispersión de dos conjuntos de
datos con unidades diferentes.
s
Coeficiente. de . var iación=CV = (100)
X̄
Ejemplo: Se toman muestras de la temperatura de vapor de dos equipos como sigue:
Muestra 1: 230 250 245 258 265 240
Muestra 2: 190 228 305 240 265 260
Aunque la media en ambas muestras es la misma, la desviación estándar (s), rango y coeficiente de
variación, son menores en la muestra 1, por lo cual deducimos que presenta menor variabilidad.
PRÁCTICA 3.3
Página 45 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Se desea hacer un estudio estadístico del flujo de agua, para esto es necesario tomar una muestra
y calcular la media, mediana, media acotada al 15%, desviación estándar, rango y coeficiente de
variación. Se realizan 14 observaciones arrojando los siguientes resultados en ºC:
(Xi- Xi
Xi Xmedia) (Xi-Xmedia)^2 ordenado
2.1 2.0
3.8 2.1
4.0 2.4
4.0 2.5
3.1 2.6
2.9 2.8
2.5 2.9
3.6 2.9
2.0 3.0
2.4 3.1
2.8 3.6
2.6 3.8
2.9 4.0
3.0 4.0
Xmedia Varianza Suma
3.0
Media
Mediana
Moda
Rango
Varianza
Desviación estándar
Coeficiente de variación
Cada conjunto de datos ordenado tiene tres cuartiles que lo dividen en cuatro partes iguales. El
primer cuartil es ese valor debajo del cual clasifica el 25% de las observaciones y sobre el cual se
encuentra el 75% restante. El segundo cuartil divide a los datos a la mitad similar a la mediana.
Los deciles separan un conjunto de datos ordenado en 10 subconjuntos iguales y los percentiles en
100 partes, la ubicación de un percentil se encuentra en:
P
L p =(n+1 )
100
Página 46 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Donde:
35
L35=(50+1 ) =17 . 85
100
O sea que el percentil 35 está al 85% del trayecto comprendido entre la observación 17 que es 29
y la observación 18 que es 31 o sea L35 = 29 + (0.85)(31-29) = 30.7. Por tanto el 35% de las
observaciones están por debajo de 30.7 y el 65% restante por encima de 30.7.
De la misma forma los percentiles 25, 50 y 75 proporcionan la localización de los cuartiles Q1, Q2 y
Q3 respectivamente.
Q1: es el número que representa al percentil 25 (hay 25% de los datos por debajo de este).
Q2 o Mediana: es el número que representa al percentil 50 (hay 50% de los datos por
debajo de este).
Q3: es el número que representa al percentil 75 (hay 75% de los datos por debajo de este).
Rango o Recorrido intercuartílico: es la diferencia entre Q1 y Q3.
Página 47 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
DIAGRAMA DE CAJA
Es la representación gráfica de los datos en forma de caja:
Bigote sup.
Q3 + 1.5 RIC
1050
Máximo
Q3
Weight
950
Q2 Mediana
Q1
850
Mínimo
Q1 – 1.5RIC
Bigote inf.
Rango
intercuartílico = Valores
RIC = Q3 – Q1 atípicos
En Excel:
Indicar rango de datos con rótulo, rango donde se desea la salida y resumen de estadísticas
1. En el menú Herramientas seleccione la opción Análisis de datos. Datos de ejemplo anterior
2. Seleccione la opción Estadística descriptiva.
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 esta celda serán insertados los resultados
Datos
Mean 40.96
Standard Error 3.21983141
Median 38
Mode 34
Standard Deviation 22.7676462
Sample Variance 518.365714
Kurtosis -1.1552822
Skewness 0.08139928
Range 77
Página 48 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Minimum 3
Maximum 80
Sum 2048
Count 50
Q1 = 22 Q2 = 38 Q3 = 61.25
En Minitab:
Para la obtención de las estadísticas descriptivas con Minitab las instrucciones son:
Stat > Basic statistics > Display descriptive statistics
Indicar las variables de las cuales se quieren obtener las estadísticas básicas y la variable
categórica si se desean varios grupos.
Seleccionar las gráficas opcionales para los datos: Histograma, diagrama de caja y de puntos.
Seleccionar los estadísticos específicos que se desean obtener (variance, Mode, Interquartilic
range:
Página 49 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
N for
Variable Q3 Maximum IQR Mode Mode Skewness Kurtosis
Datos 62.25 80.00 41.50 34 3 0.08 -1.16
Boxplot of Datos
90
80
70
60
50
Datos
40
30
20
10
Página 50 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
PRÁCTICA 3.5. Determinar los cuartiles 1, 2, y 3, el rango intercuartílico, los bigotes superior e
inferior y el diagrama de caja del conjunto de datos siguente:
Página 51 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Q1
Q2 = mediana
Q3=
RIC
Q1-1.5*RIC
Q3+1.5*RIC
Diagrama de caja.
Página 52 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Representación gráfica de los datos
Las gráficas de barras pueden ser usados para mostrar una variable vs el “Tiempo”
Las gráficas de series de tiempo pueden ser usadas para mostrar la variación vs el “Tiempo” e
identificar si se presenta cierta tendencia o estacionalidad
Variable dependiente del tiempo
Página 53 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Minitab:
1 File > Open worksheet > NEWMARKET.MTW.
2 Graph > Time Series Plot or Stat > Time Series > Time series plots
3 Simple, click OK.
4 En Series, SalesB.
5 Click Time/Scale.
6 En Time Scale, seleccionar Calendar. Y seleccionar Quarter Year.
7 Para valores iniciales en Quarter, 1. En Year, 2000.
8 Click OK en cada cuadro de diálogo.
220
200
180
SalesB
160
140
120
100
Quarter Q1 Q2 Q3 Q4 Q1 Q2 Q3 Q4 Q1 Q2 Q3 Q4
Year 2000 2001 2002
Otras graficas:
Con los datos siguientes representar las diferentes gráficas:
Mes Dato
Ene 40
Feb 50
Mar 35
Abr 65
May 27
Jun 85
Jul 46
Ago 33
Sep 20
Página 54 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Gráficas de barras
En Minitab: Graph > Bar chart > simple
Categorical variables – Mes
Data options > Frequency Dato OK
Chart of Mes
90 Jun
80
70 Abr
60
Feb
50
Count
Jul
Ene
40 Mar
Ago
30 May
Sep
20
10
0
Ene Feb Mar Abr May Jun Jul Ago Sep
Mes
Gráfica de pastel
En Minitab: Graph > Pie chart > simple
Categorical variables – Mes
Data options > Frequency Dato
Labels > Slide labels marcar Category name / Frequency / Percent OK
Mar
35, 8.7%
Jun
85, 21.2%
Abr
65, 16.2%
May
27, 6.7%
Página 55 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Gráfica de caja
En Minitab: Graph > Box Plot > Simple
Graph variables Dato OK
Boxplot of Dato
90
80
70
60
Dato
50
40
30
20
A ccuracy Measures
70 MA PE 36.860
MA D 14.732
60 MSD 345.578
Dato
50
40
30
20
Ene Feb Mar Abr May Jun Jul Ago Sep
Mes
Página 56 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Gráfica de dispersión:
En Minitab:
File > Open worksheet > Exh_regr.mtw
Graph > Scatterplot > Simple
Y variables Time X variables South OK
16
15
14
Time
13
12
11
10
32 33 34 35 36 37 38 39 40 41
South
PRÁCTICA 3.6a Con los datos del grupo hacer una gráfica de cada una
Página 57 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Edad del grupo DATOS NUMERICOS
25 – 29.9 años
30 – 34.9 años
35 – 39.9 años
40 – 44.9 años
45 – 49.9 años
50 en adelante
Escala
50
25- 30- 35- 40- 45- y
29. 34. 39. 44. 49. má
9 9 9 9 9 s
Página 58 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Ejemplo
2.41 17.87 33.51 38.65 45.70 49.36 55.08 62.53 70.37 81.21
3.34 18.03 33.76 39.02 45.91 49.95 55.23 62.78 71.05 82.37
4.04 18.69 34.58 39.64 46.50 50.02 55.56 62.98 71.14 82.79
4.46 19.94 35.58 40.41 47.09 50.10 55.87 63.03 72.46 83.31
8.46 20.20 35.93 40.58 47.21 50.10 56.04 64.12 72.77 85.83
9.15 20.31 36.08 40.64 47.56 50.72 56.29 64.29 74.03 88.67
11.59 24.19 36.14 43.61 47.93 51.40 58.18 65.44 74.10 89.28
12.73 28.75 36.80 44.06 48.02 51.41 59.03 66.18 76.26 89.58
13.18 30.36 36.92 44.52 48.31 51.77 59.37 66.56 76.69 94.07
15.47 30.63 37.23 45.01 48.55 52.43 59.61 67.45 77.91 94.47
16.20 31.21 37.31 45.08 48.62 53.22 59.81 67.87 78.24 94.60
16.49 32.44 37.64 45.10 48.98 54.28 60.27 69.09 79.35 94.74
17.11 32.89 38.29 45.37 49.33 54.71 61.30 69.86 80.32 96.78
Paso 4: Calcular el tamaño del intervalo de clase ( C ), dividiendo el rango entre el número de
94 . 37
=8 .58≈9
columnas: C = 11 , resultando el tamaño del intervalo 9.
Otra manera de calcular el tamaño del intervalo es el siguiente:
Dividir el valor del rango entre un cierto número de clases (K). La tabla de abajo es una guía que
nos muestra para diferentes cantidades de datos el número recomendado de clases a utilizar.
Página 59 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Paso 5: Calcular los limites de clase de cada intervalo: [0-8], [ 9-17], etc., considerando que el
tamaño del intervalo representa la diferencia entre dos límites de clase adyacentes ya sean
inferiores o superiores.
Paso 6: Contar el número de valores que caen en cada intervalo utilizando una hoja de registro, de
esta manera se obtiene la frecuencia para cada intervalo.
Tabla 1.
Columna Intervalo Registro de frecuencias
1 0 -8 5
IIIII
2 9-17 IIIII IIII 9
3 18-26 IIIII I 6
4 27-35 IIIII IIIII I 11
5 36-44 IIIII IIIII II 17
6 45-53 IIIII IIIII IIIII IIIII IIIII III 28
7 54-62 IIIII IIIII IIIII III 18
8 63-71 IIIII IIIII III 13
9 72-80 IIIII IIIII 10
10 81-89 IIIII III 8
11 90-98 IIIII 5
Histogramas en Minitab:
1. Capture los datos en la hoja de trabajo:
2. Seleccione la opción: Graph> Histogram (simple)
3. Seleccione la variable C1 y presione clic en ok
Página 60 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
4. Seleccionado las barras dos veces en Binning se puede cambiar el número de celdas
con Number of intervals (6 – 8)
5. A continuación se muestra el Histograma:
Histogram of DATOS
40
30
Frequency
20
10
0
-10 20 50 80 110
DATOS
60
50
40
30
20
10
5
0.1
0 30 60 90 120
DATOS
Página 61 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
PRÁCTICA 3.8
Las empresas de generación de energía eléctrica están interesadas en los hábitos de consumo de
los clientes para obtener pronósticos exactos de las demandas de energía. Una muestra de
consumidores de 90 hogares con calefacción de gas arrojó lo siguiente (FURNACE.MTW):
BTU.In_1
2.97 7.73 9.60 11.12 13.47
4.00 7.87 9.76 11.21 13.60
5.20 7.93 9.82 11.29 13.96
5.56 8.00 9.83 11.43 14.24
5.94 8.26 9.83 11.62 14.35
5.98 8.29 9.84 11.70 15.12
6.35 8.37 9.96 11.70 15.24
6.62 8.47 10.04 12.16 16.06
6.72 8.54 10.21 12.19 16.90
6.78 8.58 10.28 12.28 18.26
6.80 8.61 10.28 12.31
6.85 8.67 10.30 12.62
6.94 8.69 10.35 12.69
7.15 8.81 10.36 12.71
7.16 9.07 10.40 12.91
7.23 9.27 10.49 12.92
7.29 9.37 10.50 13.11
7.62 9.43 10.64 13.38
7.62 9.52 10.95 13.42
7.69 9.58 11.09 13.43
Paso 4: Calcular el tamaño del intervalo de clase ( C ), dividiendo el rango entre el número de
columnas: C =Rango / 8, resultando el tamaño del intervalo = I = .
Paso 5: Calcular los limites de clase de cada intervalo: considerando que el tamaño del intervalo
representa la diferencia entre dos límites de clase adyacentes ya sean inferiores o superiores.
Página 62 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Paso 6: Contar el número de valores que caen en cada intervalo utilizando una hoja de registro, de
esta manera se obtiene la frecuencia para cada intervalo.
2 9
3 6
4 11
5 17
6 28
7 18
8 13
9 10
10 8
11 5
Histogramas en Minitab:
1. File > Open worksheet > Furnace.mtw
2. Seleccione la opción: Graph> Histogram (simple)
3. Seleccione la variable Btu.In y presione clic en ok
4. Seleccionado las barras dos veces en Binning se puede cambiar el número de celdas
con Number of intervals 8 OK
5. Obtener el Histograma:
Distribución normal
Un proceso opera en condiciones normales, si tiene los materiales dentro de especificaciones y del
mismo lote, un método consistente, un medio ambiente adecuado, el operador capacitado, y el
equipo ajustado correctamente, si se toman mediciones en alguna característica del producto,
mostrará un comportamiento normal:
Muchos eventos reales y naturales tienen una distribución de frecuencias cuya forma es muy
parecida a la distribución normal. La distribución normal es llamada también campana de Gauss
por su forma acampanada.
Página 63 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Cuando se incluyen todos los datos de un proceso o población, sus parámetros se indican con
letras griegas, tales como: promedio o media = (mu), y desviación estándar (indicador de la
dispersión de los datos) = (sigma).
La desviación estándar
sigma representa la
distancia de la media al
punto de inflexión de la
curva normal
X
x-3 x-2 x- x x+ x+2 x+3
z
-3 -2 -1 0 1 2 3
Distribution Plot
Normal, Mean=20
0.14 StDev
3
6
0.12
12
0.10
0.08
Density
0.06
0.04
0.02
0.00
-20 -10 0 10 20 30 40 50 60
X
Página 64 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
LIE LSE
Distribution Plot
Normal
0.14 Mean StDev
5 3
5 12
0.12
18 3
18 12
0.10
0.08
Density
0.06
0.04
0.02
0.00
-40 -20 0 20 40 60
X
LIE LSE
Distribuciones normales con varias medias y desviaciones estándar
Existe una relación del porcentaje de probabilidad o área bajo la curva normal a la desviación
estándar. En la figura observamos por ejemplo que el área bajo la curva para ±1σ tiene un
porcentaje de 68.26%, ±2 σ = 95.46% y ±3 σ=99 .73 % .
68.26%
95.46%
99.73%
Lo anterior se puede calcular con la Tabla de distribución normal o con Excel (Fx
=distr.norm.estand(Z) proporciona el área desde menos infinito hasta Z).
Página 65 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Página 66 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Ejemplos:
Ejemplo
a) Determinar el área bajo la curva de menos infinito a Z = - 1 : P(Z<= -1) =
b) Determinar el área bajo la curva de menos infinito a Z = - 2 : P(Z<= - 2) =
c) Determinar el área bajo la curva entre Z >= -2. hasta Z <= -1 : P(- 2 <= Z<= -1) =
Ejemplo
a) Determinar el área bajo la curva de menos infinito a Z = 1 : P(Z <= 1) =
b) Determinar el área bajo la curva de menos infinito a Z = 2 : P(Z <= 2) =
c) Determinar el área bajo la curva de menos Z = 1 a Z = 2
P(1 <= Z <= 2) = 0.9772 – 0.8413 = 0.1369
a) Área menor a Z1 = -3.1 más área mayor a Z2 = 2.9 representando una fracción defectiva,
expresarla en decimal, ppm y porcentaje:
En Minitab: Calc> Probability Distributions > Normal Input constant (Z) OK (cumulative prob)
Distribution Plot
Normal, Mean=0, StDev=1
0.4
0.3
Density
0.2
0.1
0.0
-2.4 0 2.8
Z
Página 67 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
b) Área entre Z1 = -1.4 y Z2= 1.9, expresarla en decimal y porcentaje:
= distr.norm.estand(Z2) - distr.norm.estand(Z1)
PRÁCTICA 3.10:
¿Qué porcentaje del área bajo la curva normal estándar o probabilidad está incluido dentro de los
siguientes rangos?
a) P(1.2 <= Z <= 2.2) = P(Z <= 2.2) – P(Z <= 1.2) =
b) P(-2.1 <= Z <= -0.4) = P(Z <= - 0.4) – P(Z <= -2.1) =
c) P( -1.3 <= Z <= 2.7) = P(Z <= 2.7) – P(Z <= -1.3) =
d) P( Z >= 2.4) = P(Z <= -2.4) =
e) P( Z<=-2.9) + P(Z>= 3.1) = P(Z <= -2.9) + P(Z <= -3.1) =
f) P(Z>= 1.9) = P(Z <= -1.9) =
En la práctica, se tienen valores reales de promedio diferentes de cero y con desviación estándar
diferentes de uno, para determinar la probabilidad o área bajo la curva, se determina el número
de desviaciones estándar Z σ entre algún valor X y la media de la población μ o de la
muestra X como sigue:
X−μ
Z=
σ sí se consideran los datos completos del proceso.
X− X̄
Z=
s sí se consideran sólo los datos de una muestra.
Ejemplo El departamento de personal de una empresa requiere que los solicitantes a un puesto en
cierta prueba alcancen una calificación de 500. Si las calificaciones de la prueba se distribuyen
normalmente con media μ= 485 y desviación estándar σ= 30 ¿Qué porcentaje de los
solicitantes pasará la prueba?
Página 68 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
X−μ 500−485
Z= =0. 5
σ = 30
Buscamos el valor correspondiente Z en las tablas de distribución normal estándar o por medio de
Excel =distr.norm.estand(0.5). Z0.5 = 0.69146 = 69.146%. donde la probabilidad de que la
calificación sea menor a 500 es P (X <= 500). Dado que el porcentaje pedido es P( X≥500)
la solución es 1-0.69146 =0.3085, por tanto sólo 30.85% de los participantes pasarán la prueba.
Otra forma es tomando la Z como negativa con P(Z <= -0.5) = 0.3085.
485
3 0 .8 5 %
Z.0 5
Área bajo la curva de Distribución normal
Ejemplo Suponga que un proceso tiene una distribución normal dada tiene una media de 20 y una
desviación estándar de 4. Calcule la probabilidad de que X sea mayor a 24.
P (X >=24) = 1 – P(X <= 24) =
PRÁCTICA 3.11 Un proceso tiene un límite de especificación inferior de 9 psi. Tiene un promedio
de 10.50 psi una desviación estándar de 0.5 psi determinar lo siguiente:
Página 69 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
PRÁCTICA 3.12:
Un producto tiene un peso promedio de 75 Kgs. con una desviación estándar de 10Kgs.
a) ¿Cuál es la probabilidad de que un producto pese más de 85Kgs.?
b) ¿Cuál es la probabilidad de que un producto pese menos de 55Kgs.?
c) ¿Cuál es la probabilidad de que el producto pese entre 60 y 80 Kgs.?.
d) ¿Cuál es la probabilidad de que el producto pese entre 55 y 70 Kgs.?
e) ¿Cuál es la probabilidad de que el producto pese entre 85 y 100Kgs.?
Sirven para monitorear el proceso, prevenir defectivos y facilitar la mejora. Hay dos tipos
de cartas de control: por atributos (juzga productos como buenos o malos) y por variables
(variables como, temperaturas).
Página 70 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Cartas de control
12.5 Límite
Superior de
11.5 Control
10.5
9.5 Línea
Central
8.5
Límite
7.5 Inferior de
Control
0 10 20 30
Tipos de Variación
12.5 Límite
Superior de
11.5 Control
9.5 Línea
Central
8.5
Límite
Límite
Límite Inferior de
inf. de
sup. de 7.5
especs. Control
especs.
0 10 20 30
102
Variación – Causas especiales
Objetivo
Límite
inf. de
especs.
Límite
sup. de
especs.
Objetivo
100
94
Página 71 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Patrones de anormalidad
en la carta de control
“Escuche la Voz del Proceso” Región de control,
M captura la variación
E
natural del proceso
D
I original
D LSC
A
S
C
A LIC
L Tendencia del proceso (7P)
I
D Corrida del Proceso (7P)
A
Causa Especial
identifcada
D
TIEMPO
2655
_
X=2644.28
2640
2625
LC L=2616.87
2610
3 6 9 12 15 18 21 24 27 30
O bser v ation
U C L=33.68
30
M oving Range
20
__
10 M R=10.31
0 LC L=0
3 6 9 12 15 18 21 24 27 30
O bser v ation
Página 72 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Gráfica de Control Régimen Térmico Kcal/KWh U-1 CTVM (Jul-07
a Feb-08)
2740
2720 LCS
RégimentérmicoKcal/KW h
2700
2680
Promedio
2660
2640
2620
LCI
2600
2580
2560
Diseño de la
2540 Unidad 50%
2520 carga
2500
En este caso:
Para el régimen térmico el proceso es normal y está en control estadístico
La Unidad 1 de la Central Termoeléctrica Valle de México, en el período observado (50%
de carga), no está cumpliendo con las especificaciones de diseño del Régimen Térmico de
2,560 Kcal/KWh.
Se comprueba la definición del proyecto ó área de oportunidad de mejorar la eficiencia
térmica de la Unidad 1 de la CTVM buscando alcanzar los niveles de diseño.
MRi = |X i −X i−1| .
Ejemplo: Se toman varios datos de viscosidades y se construye una carta de lecturas
individuales, donde el rango se calcula tomando cada dos valores consecutivos, por tanto
el valor de n = 2 y habrá (m – 1) rangos en total. Con m = número de valores individuales.
Por ejemplo:
Rang
Valores individuales o
12 -
15 3
11 4
14 3
8 6
9 1
Página 73 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Al final se hace un promedio de los valores individuales X y un promedio de rangos
móviles R, los límites de control para la carta I-MR se calculan con las fórmulas siguientes:
600
_
X=599.548
599
598 LC L=597.920
1
1 10 20 30 40 50 60 70 80 90 100
O bser vation
2.4
1
U C L=2.000
M oving Range
1.8
1.2
__
0.6 M R=0.612
0.0 LC L=0
1 10 20 30 40 50 60 70 80 90 100
O bser vation
Página 74 de 134
No. DE GRAFICA FECHA DE INICIO FECHA DE TERMINO
GRAFICA DE CONTROL DE LECTURAS INDIVIDUALES
Cp. : CPK:
NOMBRE DE PARTE No. DE PARTE ÁREA OPERACIÓN MAQUINA CARACTERÍSTICA CALIBRADOR T. MUESTRA FRECUENCIA TIPO DE EVALUA.
% Z Sup.: % Z Inf.:
UNIDADES NOMINAL L.S.E. L.I.E. X L.S.C.x L.I.C.x R L.S.C. R L.I.C. R % NC:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
INSTRUCCIONES
LECTURAS
SEIS SIGMA BÁSICO DMAIC
Página 75 de 134
R
RANGOS
FECHA
CONSTANTES
HORA
X E2 D2 D3 D4
VALORES
R 2.67 1.13 0 3.27
P. Reyes /junio 2008
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
PRACTICA 3.14. Carta de control de lecturas individuales para parámetros del proceso I-MR:
Minitab:
1 File > Open worksheet > Exh_qc.MTW.
2 Stat > Control charts > variable chart for Individuals > I-MR.
3 Variable Weight, click OK.
1000
950 _
X=936.9
900
LC L=862.8
850 1 1
1 5 9 13 17 21 25 29 33 37 41 45
O bser vation
100
U C L=91.0
Moving Range
75
50
__
25 M R=27.8
0 LC L=0
1 5 9 13 17 21 25 29 33 37 41 45
O bser vation
Página 76 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Ejemplo del consumo de Gas
2655
_
X=2644.28
2640
2625
LC L=2616.87
2610
3 6 9 12 15 18 21 24 27 30
O bser v ation
U C L=33.68
30
Moving Range
20
__
10 M R=10.31
0 LC L=0
3 6 9 12 15 18 21 24 27 30
O bser v ation
2740
2720 LCS
RégimentérmicoKcal/KW h
2700
2680
Promedio
2660
2640
2620
LCI
2600
2580
2560
Diseño de la
2540 Unidad 50%
2520 carga
2500
En este caso:
Para el régimen térmico el proceso es normal y está en control estadístico
La Unidad 1 de la Central Termoeléctrica Valle de México, en el período observado (50%
de carga), no está cumpliendo con las especificaciones de diseño del Régimen Térmico de
2,560 Kcal/KWh.
Se comprueba la definición del proyecto ó área de oportunidad de mejorar la eficiencia
térmica de la Unidad 1 de la CTVM buscando alcanzar los niveles de diseño.
Página 77 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
CARTAS DE CONTROL DE MEDIAS-RANGOS (X-R)
Para elaborar la carta, inicialmente se toman al menos 25 subgrupos con muestras de
cinco valores cada cierto periodo (por ejemplo cada hora).
Ejemplo: Se toman varios datos y se construye una carta de medias – rangos con m =
subgrupos, donde el rango se calcula tomando el valor mayor menos el valor menor del
subgrupo, con n = 5.
Por ejemplo:
Subgrupo
Variables Subgrupo 1 Subgrupo 2 m
X1 2 5 3
X2 4 3 4
X3 3 6 1
X4 5 7 5
X5 1 4 2
09:00 a.m. 10:00 a.m. 11:00 a.m.
Media 3 5 3
Rango 4 4 4
Se obtiene una media de medias X y un rango promedio R, para proceder a determinar los
límites de control como sigue:
LSC = X + 0.577x R
LIC = X - 0.577x R
Para el caso de los rangos, la línea central es R . los límites de control para el rango son:
LSC = 2.114x R
LIC = 0
Página 78 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Xbar-R Chart of Supp2
1
1
U C L=602.474
602
Sample M ean
_
_
X=600.23
600
598 LC L=597.986
2 4 6 8 10 12 14 16 18 20
Sample
8 U C L=8.225
Sample Range
_
4 R=3.890
0 LC L=0
2 4 6 8 10 12 14 16 18 20
Sample
Después de identificar las causas de las situaciones fuera de control en los subgrupos 2 y
14 y tomando acciones preventivas para evitar la reincidencia, se eliminan los subgrupos
fuera de control y se recalculan los límites de control.
601
Sample M ean
_
_
600 X=599.938
599
598
LC L=597.629
2 4 6 8 10 12 14 16 18
Sample
U C L=8.465
8
Sample Range
_
4 R=4.003
0 LC L=0
2 4 6 8 10 12 14 16 18
Sample
PRÁCTICA 3.15 Hacer una carta X-R utilizando las fichas de ejemplo por equipos.
Página 79 de 134
No. DE GRAFICA FECHA DE INICIO FECHA DE TERMINO
GRAFICA DE CONTROL DE PROMEDIOS Y RANGOS
Cp. : CPK:
NOMBRE DE PARTE No. DE PARTE ÁREA OPERACIÓN MAQUINA CARACTERÍSTICA CALIBRADOR MUESTRA FRECUENCIA TIPO DE EVALUACIÓN
% Z Sup.: % Z Inf.:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
INSTRUCCIONES
PROMEDIOS
subgrupo correspondiente, las
causas por las cuales se deja
de graficar de acuerdo a la
frecuencia indicada, si es que
se presentan el caso. Utilice
las siguientes claves:
A) Fin de corrida de
Página 80 de 134
INICIALES
producción
B) Falta de material
C) Ajuste de línea / máquina
D) Cambio de modelo
R
E) Fin de turno
F) Otro (indicar)
RANGOS
FECHA
HORA
CONSTANTES
1 n A2 D4 D3 d2 B4 B3
2 2 1.88 3.27 0 1.13 3.27 0
LECTURAS
3 3 1.02 2.57 0 1.70 2.57 0
4 4 0.73 2.28 0 2.06 2.27 0
5 5 0.58 2.11 0 2.33 2.09 0
P. Reyes /junio 2008
SUMA
X
R
CAUSAS DE NO
REGISTRO
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
PRACTICA 3.16. Carta de control de medias rangos para valores del proceso X-R:
Minitab:
1 File > Open worksheet > Exh_qc.MTW.
2 Stat > Control charts > variable chart for Subgroups > I-MR.
3. Variable Weight
4. Subgroup size 5, click OK.
Página 81 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Ancho 9´
Nigel´s Trucking Co.
LSE
LIE LSE Fuera de
Fuera de especs.
especs.
Dentro de Fuera de Dentro de
especs.
de especs. especs.
especs.
120
La capacidad potencial (Cp) es función de que tan disperso esté el proceso,
independientemente del centrado
Página 82 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
La capacidad real (Cpk) es una función de que tanto está centrada el proceso y de su
dispersión
Página 83 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
PRACTICA 3.17 Capacidad del proceso con base en carta de control de Medias Rangos X-R para
variables del proceso:
Minitab:
1 File > Open worksheet > Exh_qc.MTW.
2 Stat > Quality tools > Capability analysis > Normal
3 Single column > Weight, Subgroup size 5,
4 Lower Spec 800 Upper Spec 1100
5 Estimate seleccionar Rbar OK.
49
LSL USL
P rocess Data Within
LSL 800 Overall
Target *
U SL 1100 Potential (Within) C apability
Sample M ean 936.889 Cp 1.59
Sample N 45 C P L 1.45
StDev (Within) 31.5277 C P U 1.72
StDev (O v erall) 45.8045 C pk 1.45
O v erall C apability
Pp 1.09
PP L 1.00
PP U 1.19
Ppk 1.00
El proceso es capaz
C pm *
de cumplir especificaciones
Su Cpk es mayor a 1.33
800 850 900 950 1000 1050 1100
O bserv ed P erformance Exp. Within P erformance E xp. O v erall P erformance
Página 84 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Métricas Seis Sigma
Motorola notó que muchas operaciones en productos complejos tendían a desplazarse ±1.5 s
sobre el tiempo, por tanto un proceso de ± 6 s a la larga tendrá 4.5 s hacia uno de los límites
de especificación, generando 3.4 DPMOs (defectos por millón de oportunidades)
Página 85 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Análisis del sistema de medición
Variación del sistema de medición
Un error significante puede ser introducido en la medición de un proceso por medio del sistema de
medición
El proceso puede estar en control estadístico pero no así el sistema de medición y puede introducir
una variación inaceptable
Variación
Variación deldel proceso,
proceso, real
real Variación de la medición
Calibración
Errores de medición
Repetibilidad
o La variación en las mediciones obtenidas con un instrumento de medición cuando es
usado muchas veces por un evaluador mientras mide una característica idéntica de la
misma parte
Patrón
Valores
medidos
Página 86 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Reproducibilidad
o La variación en la medición obtenida con un instrumento de medición cuando es
usado por varios evaluadores mientras miden una característica idéntica de la misma
parte.
Diferencia entre
operadores
Reproducibilidad
Minitab:
File > Open worksheet > gageaiag.mtw
Stat > quality tools > Gage study > Gage R&R study (crossed)
Seleccionar Part_numbers Operator Response – mediciones
Options: Study variation 5.15 (99% de area bajo la curva)
Process tolerance: Upper – lower 20
OK
Página 87 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
El error de R&R vs tolerancia es 64.03% y vs variación total del proceso es 21.25% lo que
hace que el equipo de medición no sea adecuado para la medición.
Por otro lado el número de categorías es sólo de 1 cuando debe ser al menos 4 indicando
que el instrumento discrimina las diversas partes diferentes.
% Tolerance
40 0.005
0.004
0
Gage R&R Repeat Reprod Part-to-Part 1 2 3 4 5 6 7 8 9 10
Partes
R Chart by Operadores
1 2 3 Datos by Operadores
UCL=0.001073 0.006
0.0010
Sample Range
_ 0.005
0.0005
R=0.000417
0.004
0.0000 LCL=0
1 2 3
Operadores
Xbar Chart by Operadores
1 2 3 Operadores * Partes Interaction
O peradores
UCL=0.005143
Sample Mean
0.0050 1
0.0050
Average
_ 2
X=0.004717 3
0.0045
0.0045
LCL=0.004290
0.0040
0.0040 1 2 3 4 5 6 7 8 9 10
Partes
P10
Página 88 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Salidas:
Causas raíz validadas
Factores de variabilidad identificados
Página 89 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Muestra la relación entre una característica de calidad y los factores de influencia, para
encontrar las causas posibles. Se usa la lluvia de ideas, debe hacerse sin juicios previos y
respetando las opiniones.
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.
Fácil de implementar
Página 90 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Diagrama de Causa Efecto en Minitab
1. Llenar las columnas C1 a C5 con las diferentes causas correspondientes a los conceptos de
Personal, Máquinas, Materiales, Métodos, Mediciones y Medio ambiente.
2. Seleccione: Stat>Quality Tools>Cause and Effect Diagram
3. Introducir los datos en la pantalla de entrada, indicando el problema en Effect y aceptar
con OK.
AMBIENTE MATLS. PERSONAL MÉTODO MAQUINAS
Polvo Forma Salud Ajuste Mantto.
Vibraciones Dureza Habilidad Velocidad Deformación
Humedad Almacén Humor Abrasión
Temperatura Herramental
Cause-and-Effect Diagram
Measurements Material Personnel
Polv o
F orma S alud
V ibraciones
D ureza H abilidad
H umedad
A lmacén Humor
Temperatura
Problema de
soldadura
Herramental
V elocidad
A brasión
D eformación
A juste
M antto.
Methods Machines
PRÁCTICA 4.1 Realizar un Diagrama de Causa Efecto para las causas potenciales de un problema
de mantenimiento.
Página 91 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Diagrama de relaciones – Interrelationship diagraph (I.D.)
Diagramas de relaciones relaciona los hechos e ideas para tener un proceso creativo de solución
de problemas que eventualmente indique causas clave. Los pasos son:
Desarrollar aprox. 50 conceptos del problema (post its)
Colocar en forma aleatoria los conceptos
Diagrama de relaciones
Relacionar los conceptos con flechas causa efecto
Se requieren varias revisiones al diagrama por los miembros del equipo
El equipo llega a un consenso sobre los conceptos sobre los que necesita trabajar
Causa raíz = más flechas de salida; Resultado= más flechas de llegada
Página 92 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Diagrama de árbol o diagrama sistemático
Es un método sistemático para delinear todos los detalles requeridos para completar un objetivo
dado.
Los pasos para organizar el diagrama de árbol son (utilizando Post Its):
Identificar el objetivo a lograr
Determinar el segundo nivel de medios que deberían lograr el objetivo, o “cómo” se
puede lograr el “porqué” de la tarjeta a la izquierda
Definir varios niveles de cuestionamientos sobre cómo lograr el objetivo, hasta llegar a un
nivel final
Después de terminar el diagrama, confirmar que todos los medios orientan hacia un
objetivo exitoso
Se pueden utilizar las causas para realizar un diagrama de causa – efecto o de afinidad
Para resolver un problema, necesita hacer un plan para eliminar los factores que impiden la
solución del mismo. Presentamos un procedimiento para crear un diagrama sistemático de
desarrollo de planes.
Meta Medio
Meta Medio
Meta Medio
Segundo Tercer Cuarto
Primer nivel nivel nivel
nivel
Medios
Medios
Medios
Medios
o planes
Meta u
objetivo
Medios
o planes
Página 93 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Ejemplos de diagramas de causa efecto y comprobación de causas raíz:
Volumen de energía
Auxiliares principales Turbina eléctrica entregada
Página 94 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Inclinación de quemadores 0
Porcentaje de exceso de O2 1.2
Compuertas auxiliares N2 40
Compuertas auxiliares N3 40
Compuertas auxiliares N1 40
Compuertas auxiliares N4 40
Temperatura de vapor 542
Otro Ejemplo:
Página 95 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
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).
15 15
10
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 10
Y
5
Correlación
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.
Página 96 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Correlación: es una
medida de que tanto
están dos variables
correlacionadas
Regresión: Es la
ecuación matemática
que describe la relación
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 Xmedia (Xi-Xmedia) (Xi-X)^2 Ymedia (Yi-Ymedia) (Yi-Y)^2 (Xi-X)*(Yi-Y)
1.2 101 0.94 0.26 0.0676 95.9 5.10 26.0100 1.3260
0.8 92 0.94 -0.14 0.0196 95.9 -3.90 15.2100 0.5460
1 110 0.94 0.06 0.0036 95.9 14.10 198.8100 0.8460
1.3 120 0.94 0.36 0.1296 95.9 24.10 580.8100 8.6760
Página 97 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
0.7 90 0.94 -0.24 0.0576 95.9 -5.90 34.8100 1.4160
0.8 82 0.94 -0.14 0.0196 95.9 -13.90 193.2100 1.9460
1 93 0.94 0.06 0.0036 95.9 -2.90 8.4100 -0.1740
0.6 75 0.94 -0.34 0.1156 95.9 -20.90 436.8100 7.1060
0.9 91 0.94 -0.04 0.0016 95.9 -4.90 24.0100 0.1960
1.1 105 0.94 0.16 0.0256 95.9 9.10 82.8100 1.4560
9.4 959 0.44 1,600.90 S (Xi-X)*(Yi-Y)
23.34
S (Xi-X)^2 S (Yi-Y)^2
Syy = SST
Suma Suma Sxy
Xmedia Ymedia Sxx
0.94 95.9 Syy Sxy
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:
Xmedia = 0.94
Ymedia = 95.9
Sxy = 2027.71
Sxx = 698.56
Syy = 6105.94
b1 = β^ 1=
∑ ( Xi− X̄ )(Yi−Ȳ ) = S XY
∑ ( Xi− X̄ )2 S XX = 2027.71 / 698.56 = 2.9027
∑ Y i− β^ 1 ∑ X i
^
b0 = β 0 = =Ȳ − β^ 1 X̄
n = 95.9 -2.9027* 0.94= 5.1145
Por tanto la ecuación de regresión es: Y = 5.1145 + 2.907*Xi
Sxy
r=
√ Sxx∗Syy
r = 6105.94 / raíz(698.56*6105.94) = 0.981812
0.98181
r= 2
r^2 = 0.96395
Página 98 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
4
El coeficiente de determinación r^2 indica el porcentaje de la variación total que es explicada por
la regresión.
r= √ r 2 = 0.9818
El coeficiente de correlación r = 0.98 por lo cual tenemos suficiente evidencia estadística para
afirmar que el tiempo de atención está relacionado con el número de servicios atendidos.
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
Página 99 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
Observaciones 25
80.00
70.00
60.00 Y Tiempo
50.00
Y Tiempo
Pronóstico Y Tiempo
40.00
30.00 Lineal (Pronóstico Y
20.00 Tiempo)
10.00
0.00
0 5 10 15 20 25
X Servicios
USO DE MINITAB
Para determinar la función de regresión y correlación en Minitab se siguen los pasos siguientes
(después de cargar los datos correspondientes a X y a Y en las columnas C1 y C2):
Analysis of Variance
Source DF SS MS F P
Regression 1 5885.9 5885.9 615.08 0.000
Residual Error 23 220.1 9.6
Total 24 6105.9
Unusual Observations
Obs X Servicios Y Tiempo Fit SE Fit Residual St Resid
9 9.0 24.350 31.239 0.625 -6.889 -2.27R
17 20.0 69.000 63.169 1.509 5.831 2.16R
R denotes an observation with a large standardized residual.
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.
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
Xmedia =
Sxy
r=
√ Sxx∗Syy =
R^2 =
r=
r^2 =
Hacer el diagrama de dispersión, dibujar la recta de regresión que mejor ajuste a los puntos e
identificar en la misma el punto donde corta el eje Y (bo) y su pendiente aproximada b1 (Intervalo
de Y / Intervalo de X):
110
100
Con Minitab se puede
Y
1.2
1.1
Presión
1.0
0.9
0.8
0.7
0.6
Pruebas
de
hipótesis
Diagrama
de Flujo
del
Página 103 de 134 X's vitales
proceso No ¿Causa Si Causas raíz
Raíz? validadas
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
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.
Pruebas de Hipótesis
¿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
o ¿El primer turno se desarrolla mejor que el segundo turno?
Con una prueba de análisis de varianza en Minintab (ANOVA – Unstacked), también se pueden
probar las medias:
Minitab: Ho: Media form_1 = Media form_2 Ha: son diferentes
Stat > ANOVA >One Way (Unstacked)
Response in separate columns Seleccionar Form_1 Form_2
Confidence Level 95%
Comparisons Seleccionar Tukey 5%
Como el valor P es menor que 0.05, o el cero NO está en el IC
Se concluye que Las medias de las formulaciones son
Para cada causa probable , el equipo deberá por medio del diagrama 5Ws – 1H:
Llevar a cabo una tormenta de ideas para verificar la causa.
Seleccionar la manera que: represente la causa de forma efectiva, y sea fácil y rápida de
aplicar.
4 Poleas de 4.1 Puede generar 4.1.1 Verificar alineación, entre poleas de Abril’04 1804 J. R.
transmisión de vibración excesiva ejes principales y polea de transmisión del Embob. U. P.
ejes durante el ciclo de motor.
embobinadores cambio. 4.1.2 Tomar dimensiones de poleas(dientes
. de transmisión).
4.1.3 Tomar dimensiones de bandas (dientes
de transmisión)
4.1.4 Verificar valor de tensión de bandas.
# de
Causa Causas Resultados Causa
Raíz
1 Ensamble de ojillos, bloques y SI ES CAUSA RAIZ X
contrapesos no adecuados en
aspas.
2 Amortiguadores dañados. SI ES CAUSA RAIZ X
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
SI ES CAUSA RAIZ X
5 bandas de transmisión de
aspas.
Método de Balanceo no
6 SI ES CAUSA RAIZ X
adecuado.
7 Desalineación de pinolas en NO ES CAUSA RAIZ
cuna.
FASE DE MEJORA
Causas
raíz Técnicas de
Diseño de creatividad
experimentos Tormenta de
ideas
Optimización Ideas Metodología
TRIZ
Evaluación de soluciones
(Fact., ventajas, desventajas)
¿Solución
No factible?
Si
Implementación de
soluciones y verificación
de su efectivdad
Soluciones
verificadas
Diseño de Experimentos
El cambiar un factor a un tiempo presenta las desventajas siguientes:
o Se requieren demasiados experimentos para el estudio
o No se puede encontrar la combinación óptima de variables
o No se puede determinar la interacción
o Se puede llegar a conclusiones erróneas
o Se puede perder tiempo en analizar las variables equivocadas
Cambios deliberados y sistemáticos de las variables de entrada (factores) para observar los
cambios correspondientes en la salida (respuesta).
Proceso
Diseño de experimentos
Factores conocidos no controlados
w1 w2 w3 w4 ... ws
E y1 S
x1
N A
T x2 y2
.. PROCESO .. L
R . . I
A ym D
xa
D A
A Variables de
Factores
S respuesta (y’s) S
de control
z 1 z2 z 3 z4 . . . z n (CTQ’s)
con niveles
(x’s) Factores desconocidos
147
Factorial completo incluye todas las combinaciones posibles, para 3 factores con 2 niveles,
hay 2x2x2 = 8 combinaciones. 2 x 2 x 2 es escrito 2 3. El 3 indica el número de 2s
multiplicados juntos.
Para 3 factores hay 23 = 8 posibles combinaciones de factores
Las interacciones son importantes el efecto del factor A depende del factor B y C
90
88
Res
86
84
82
A B
A
-1
1
90
Mean
85
80
-1 1
B
Nota: No es significativo
Interacción significativa Cuando las líneas son
Casi paralelas
El factor A y el B indican interacción significativa, dadas las diferentes pendientes de las líneas
rectas que unen sus niveles.
Dar prioridad a los factores principales, ya que las interacciones son difíciles de manejar y
por eso deben de considerarse como factores de ruido.
Las interacciones a probar deben de ser conocidas ó altamente probables. Si las
interacciones altamente significativas no son incluidas, se generará una confusión
Se deben de analizar los datos mediante la razón señal a ruido, detectando con ello las
combinaciones de los factores de control que generan un proceso robusto.
Compuertas auxiliares N1 20 40
Compuertas auxiliares N2 20 40
Compuertas auxiliares N3 20 40
Compuertas auxiliares N4 20 40
1 1 1 1 1 1 1
1 1 1 2 2 2 2
1 2 2 1 1 2 2
1 2 2 2 2 1 1
2 1 2 1 2 1 2
2 1 2 2 1 2 1
2 2 1 1 2 2 1
2 2 1 2 1 1 2
Figura 3.3.1.4.2 Tabla del arreglo ortogonal
Paso 1. Para darlo de alta en Minitab, se copia la tabla de los factores únicamente, o sea:
Inclinación
Quemadore Temperatura
% O2 C.A. N1 C.A. N2 C.A. N3 C.A. N4 s Vapor
0.8 20 20 20 20 -30 537
0.8 20 20 40 40 0 542
0.8 40 40 20 20 0 542
0.8 40 40 40 40 -30 537
1.2 20 40 20 40 -30 542
1.2 20 40 40 20 0 537
1.2 40 20 20 40 0 537
1.2 40 20 40 20 -30 542
Inclinación Temperatura
% O2 C.A. N1 C.A. N2 C.A. N3 C.A. N4 Resultados
Quemadores Vapor
Resultados
0.8 20 20 20 20 -30 537
1 1 1 1 1 1 1 2668.02
2668.02
0.8 20 20 40 40 0 542
2600.72
2600.72
1 1 1 2 2 2 2
2612.76
0.8 40 40 20 20 0 542
1 2 2 1 1 2 2 2612.76
2640.88
0.8 40 40 40 40 -30 537
2640.88 2627.36
1 2 2 2 2 1 1
1.2 40 20 20 40 0 537
2 2 1 1 2 2 2 2591.12
En Analysis seleccionar en Fit linear model for Signal to noise ratios y means
En Options seleccionar Smaller is Better ya que se busca minimizar la respuesta
-68.35
-68.40
Mean of SN ratios
0.8 1.2 20 40 20 40
C .A . N 3 C .A . N4 Inclinación Q uemadores
-68.30
-68.35
-68.40
20 40 20 40 -30 0
Temperatura V apor
-68.30
-68.35
-68.40
537 542
En esta se seleccionan los niveles que proporcionen la mayor S/N (%O2 = 1.2 y Inclinación
quemador = 0).
Y para las medias coinciden los mismos niveles que para S/N:
2620
2600
0.8 1.2 20 40 20 40
Mean of Means
C .A . N 3 C .A . N 4 Inclinación Q uemadores
2640
2620
2600
20 40 20 40 -30 0
Temperatura V apor
2640
2620
2600
537 542
Factor Condición
Inclinación de quemadores 0
Porcentaje de exceso de O2 1.2
Compuertas auxiliares N2 40
Compuertas auxiliares N3 40
Compuertas auxiliares N1 40
Compuertas auxiliares N4 40
Temperatura de vapor 542
Figura 3.4.2.3 Tabla de los parámetros recomendados
Ecuación de predicción
μopt = ȳ +( Ā 2− ȳ )+( B̄2 − ȳ )+( C̄ 2 − ȳ )+( D̄ 2− ȳ )+( Ē2 − ȳ )+( F̄2 − ȳ )+( Ḡ2− ȳ )
mopt = 2619.21 + (2607.82 - 2619.21) + (2618.4 - 2619.21) + (2616.25- 2619.21) + (2613.6 -2619.21) + (2615
- 2619.21) + (2597.15 - 2619.21) + (2617.42 - 2619.21)
mopt = 2570.4
Predicted values
Técnicas de creatividad
SCAMPER
Sustituir, Combinar, Adaptar, Modificar o ampliar, Poner en otros usos, Eliminar, Revertir o
re arreglar
Involucrar al cliente en el desarrollo del producto
¿qué procedimiento podemos sustituir por el actual?
¿cómo podemos combinar la entrada del cliente?
¿Qué podemos adaptar o copiar de alguien más?
¿Cómo podemos modificar nuestro proceso actual?
¿Qué podemos ampliar en nuestro proceso actual?
¿Cómo puede apoyarnos el cliente en otras áreas?
¿Qué podemos eliminar en la forma de inv. Del cliente?
¿qué arreglos podemos hacer al método actual?
Análisis morfológico
Conexiones morfológicas forzadas
En forma de Repuesto de
Madera Retrác til
c uentas papel
En forma de Tapa Repuesto
Papel
esc ultura desec hable hec ho de tinta
162
Implantación de soluciones
Verificando mejoras
Una vez que las mejoras han sido identificadas e implementadas, los resultados deben ser
verificados usando datos del estado anterior y del estado posterior de la implementación.
Prueba de hipótesis
o Prueba t 2 muestras
o Prueba de igualdad de varianzas
Las cartas de control pueden ser estratificadas para mostrar procesos de control para
diferentes “factores”
La capacidad del Proceso y las Sigmas del Proceso pueden ser recalculados para verificar
mejoras:
Diagrama de Pareto
Diagrama de Pareto del antes y después puede ser usada para mostrar las mejoras
Verificación de soluciones
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
Salidas:
Plan de control y métodos de control implementados
Capacitación en los nuevos métodos
Documentación completa y comunicación de resultados, lecciones aprendidas y
recomendaciones
Controles automáticos
Ayudas visuales / Poka Yokes
Procedimientos de operación estándar
Especificaciones
Capacitación
¿Es costoso?
Controles visuales
Siempre que sea posible tratar de encontrar los sistemas visuales para mantener los
cambios
Ejemplos de controles visuales
o Pegar métricas (diagramas de Pareto, semáforos, cartas de tendencia)
o Contenedores de colores con código
o Poner niveles min / máx.
o Ubicación de materiales/ herramientas (5S)
Los sistemas visuales hacen mucho más fácil determinar el camino correcto para hacer o
identificar algo cuando algo está fuera de lugar.
Poka – Yokes son dispositivos o métodos que hacen un proceso “A prueba de error” o “A
prueba de equivocaciones”, principalmente ante errores humanos
DETECCIÓN PREVENCIÓN
La computadora La computadora no
suena cuando se permite que se
introduce un introduzcan ciertos
comando no caracteres en
válido pero no campos específicos
evita que el (v. gr. No números)
usuario ejecute
un comando
erróneo
Capacitación
La capacitación debe ser siempre parte del proyecto
Cuando vaya a capacitar considere:
o ¿los capacitados pueden demostrar el proceso correcto?
o ¿No asuma que todo mundo entiende a la primera?
Lecciones aprendidas
Es uno de los últimos pasos en el análisis post mortem (también llamado lecciones
aprendidas, evaluación post proyecto).
Es una revisión formal y crítica documentada realizada por un comité de personal
calificado, se incluyen todas las fases del desarrollo del proyecto