Documentos de Académico
Documentos de Profesional
Documentos de Cultura
INDICE
Antecedentes
Caso práctico
Tesis de Hector Hernández S.
Conclusiones
Anexo 1 Tablas
Bibliografía
Tesis de Hector Hernández S.
I. ANTECEDENTES
Con este sistema se corren dos riesgos: el primero es tener que estar
reprocesando gran cantidad de artículos defectuosos y el segundo es
que a pesar de la inspección por muy rigurosa que sea, pueden llegar
productos en mal estado a las manos del consumidor final. En este caso
la probabilidad de incurrir en costos de fallas internas y externas es muy
alto.
1
Black Belt es nombre registrado por Motorola Inc. en U.S.A
Tesis de Hector Hernández S.
II. JUSTIFICACION
III. OBJETIVOS
Objetivo general:
El objetivo general de esta tesis es la elaboración de un manual de
herramientas para la metodología SEIS SIGMA de fácil acceso para los
usuarios; es una guía que facilita la comprensión de las herramientas
estadísticas para la mejora de la calidad.
Objetivos específicos:
Figura 1-1. La figura muestra el número de partes por millón (ppm) que estarían
fuera de los limites de especificación tomando como límite el valor de cada desviación
estándar. 2
LSL USL
6 5 4 3 2 1 X 1 2 3 4 5 6
2
Forrest W. Breyfogle III, Implementing Six Sigma, John Wiley & Sons Inc. pp. 9
Tesis de Hector Hernández S.
LSL USL
6 5 4 3 2 1 X 1 2 3 4 5 6
3
Forrest W. Breyfogle III, Implementing Six Sigma, John Wiley & Sons Inc. pp. 9
4
Análisis y planeación de la calidad, J.M. Jurán Mc. Graw Hill, 1995 pp. 397
Tesis de Hector Hernández S.
proceso proceso
es capaz no capaz
si no
MEJORA
CONTINUA
Tesis de Hector Hernández S.
Definir
Definir Medir
Medir Analizar
Analizar Mejorar
Mejorar Controlar
Controlar
Objetivo
Etapas
Para determinar los CTQ, tenemos que conocer la voz del cliente interno
o externo (VOC), o sea que es lo que espera nuestro cliente acerca del
servicio o producto que le proporcionamos. Mediante la voz del cliente
podemos saber cual es el grado de satisfacción que este tiene.
Ejemplo de CTQ:
Entregas a tiempo
Mantenimiento
Durabilidad
Confiabilidad
Seguridad
Seguridad
Calidad
Entrega
Costo
Nivel de servicio
4. Razón de la Selección
Entre todos los integrantes del equipo pueden evaluar las razones arriba
descritas mediante la matriz de evaluación (Figura 2-1) y enfocarse en
un solo tema.
5. Impacto en el negocio:
En este punto enunciamos como impacta la mejora del proceso al
negocio. Se mencionan cuales serían las consecuencias en caso de no
realizar el proyecto. Debemos conocer cual ha sido la situación en el
negocio debido al proceso actual . Qué nos ha ocasionado: Pérdida de
clientes? Incumplimiento en los niveles de servicio?, Así como cuantificar
(en porcentajes y en pérdidas de dinero).
Es importante describir como se alinea el proyecto con las iniciativas y
metas del negocio. Estas últimas son definidas por la dirección
.
6. Descripción del problema:
Se debe estratificar o preguntar porque? Porque? Porque? hasta definir
el problema que tiene el proceso, el producto o el servicio de forma
específica, indicando cualitativamente de ser posible en cifras, o
porcentajes que demuestren la necesidad de modificar su estado actual.
Es necesario expresar concretamente el grado del problema. (el tema
no deberá ser demasiado amplio). Es mejor no usar la solución para
Tesis de Hector Hernández S.
Evaluación
Problema
Impor- Prior. Política Periodo Facti- Orden
tancia Depto. de Ejec. bilidad
DEVOLUCIONES 12 Puntos
1er. lugar
10 Puntos
ENTREGAS TARDIAS 2o. lugar
10 Puntos
DOCS. INADEC.
2o. lugar
Establecer un objetivo que tenga relación con la selección del tema y razón de la selección.
Tesis de Hector Hernández S.
Ejemplo:
CONDICION ACTUAL
(%) 6
V
5
4
E 3 OBJ. PRIMARIO
N 2
1 OBJ. SECUNDARIO 0%
T
A 0 1 2 3 4 5 6
S OBJETIVO FINAL
PERIODO DE TIEMPO
Recomendaciones:
- Todos los miembros del equipo deben reconocer que la meta que
persiguen como tal es importante para ellos y para la empresa.
- Los miembros deben ser asignados a un grupo de acuerdo con sus
habilidades y potencial.
- Desarrollar un código de conducta, así como reglas para que éste se
cumpla.
- Se debe proporcionar retroalimentación y reconocimiento en forma
oportuna.
Tesis de Hector Hernández S.
La distribución normal es una de las distribuciones más usadas e importantes. Se ha desenvuelto como una
herramienta indispensable en cualquier rama de la ciencia , la industria y el comercio. 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.
X
Existe una relación del porcentaje de población a la desviación estándar. En la figura observamos por
ejemplo que el área bajo la curva para 1 tiene un porcentaje de 68.26%, 2 = 95.46% y
3 99.73%
68.26%
95.46%
99.73%
Población Muestra
X
Figura 3-C.3
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
Figura 3-C.4
El valor de z
Determina el número de desviaciones estándar entre algún valor X y la media de la población . Para
calcular el valor de Z usamos la siguiente fórmula.
X
Z
La distribución de probabilidad f (Z) es una distribución normal con media 0 y desviación estándar 1; esto es
Z se distribuye normalmente con media cero y desviación estándar = 1 Z~N(0,1): La gráfica de densidad de
probabilidad se muestra en la figura.
Figura 3-C.5 Distribución normal estándar.
F(z)
1
0
Tesis de Hector Hernández S.
La distribución f (Z) se encuentra tabulada en la tabla de distribución normal estándar. En esta tabla
podemos determinar los valores de Z o la probabilidad de determinado valor Z.
Ejemplo 1 : El gerente de personal de una gran compañía requiere que los solicitantes a un puesto efectúen
cierta prueba y alcancen una calificación de 500. Si las calificaciones de la prueba se distribuyen normalmente
con media 485 y desviación estándar 30 ¿Qué porcentaje de los solicitantes pasará la prueba?
X 500 485
Z = 0.5
30
Buscamos el valor correspondiente Z en las tabla de distribución normal. Z 0.5 = .69146 = 69.146%. siendo
esta la probabilidad de que la calificación sea menor a 500 P (X<500). Dado que el porcentaje pedido es
P ( X 500) la solución es 1-.69146 =.3085 , 30.85% de los participantes pasarán la prueba.
485
3 0 .8 5 %
Z.0 5
Ejemplo 2:
Encuentre las probabilidades siguientes usando la tabla Z.
-1.23 Z
Solución: Buscamos el valor Z1..23 en las tablas siendo este = .89065. restando .89065-.05 = .3905, este
valor es la probabilidad de 0 a 1.23 que es exactamente la misma de –1.23 a 0 por simetría. Por lo tanto la
probabilidad es .3905
Tesis de Hector Hernández S.
Seleccione la celda que contiene el valor de Z, que en este caso es Z= 1.3 , de clic en aceptar y
aparecerá la probabilidad buscada f(z)= .903199
Tesis de Hector Hernández S.
El valor Z = 1.4999
Ejemplo 3 : Suponga que una distribución normal dada tiene una media de 20 y una desviación estándar de 4.
calcule la probabilidad P (X > 24).
En la barra de herramientas seleccione el icono de funciones fx>Estadísticas>Distr.Norm.Estand.
De clic en aceptar.
Tesis de Hector Hernández S.
El resultado de la fórmula = .97724. , dado que esta es la probabilidad P(X 24), la probabilidad buscada
P (X > 24) = 1-.8413= .1587
3-B PROBABILIDAD
# Favorable E
P E
# Total resultados
1
Ejemplo 1: La probabilidad de que salga 2 al lanzar un dado es: .16
6
1
Ejemplo 2: La probabilidad de lanzar una moneda y que caiga cara es: .5
2
Tesis de Hector Hernández S.
1 1 1 1 1 1
1
6 6 6 6 6 6
Un espacio muestral (S): Es el conjunto Universal; conjunto de todos los “n” elementos relacionados = #
Total de resultados posibles.
Probabilidad Compuesta
Es la probabilidad compuesta por dos eventos simples relacionados entre sí.
En la composición existen dos posibilidades: Unión o Intersección .
Unión de A y B
Si A y B son eventos en un espacio muestral (S), la unión de A y B A B contiene todos los elementos
de el evento A o B o ambos.
Intersección de A y B
Ejemplo 4: En el evento A (día nublado), P(A) = .3, la probabilidad de tener un día despejado será 1-
P(A) = .7
P A .7
P(A)=.3
Figura 3-B.1
Tesis de Hector Hernández S.
2. Probabilidad condicional: Para que se lleve a cabo un evento A se debe haber realizado el evento B. La
probabilidad condicional de un evento A dado que ha ocurrido el evento B es:
P A B
P A B , si B 0
P B
P A B .2
P A B = .67
P B .3
A
P(A/B)=.67 B
Figura 3-B.2
Se dice que dos eventos A y B son independientes si: P(A/B) = P(A) o P(B/A) = P(B).
La probabilidad de la ocurrencia de uno no está afectada por la ocurrencia del otro. De otra manera los
eventos son dependientes.
Cuando un evento A no contiene elementos en común con un evento B, se dice que estos son mutuamente
excluyentes.
A B
1 1 1
a) P A B .33
6 6 3
Ley aditiva:
P A B P A P B P A B
P A B P A P B
Ejemplo 7.
Ley multiplicativa:
P A B P A P B A
P A B P A P B
Ejemplo 8: Se selecciona una muestra aleatoria n = 2 de un lote de 100 unidades, se sabe que 98 de los 100
artículos están en buen estado. La muestra se selecciona de manera tal que el primer artículo se observa y se
regresa antes de seleccionar el segundo artículo (con reemplazo), a) calcule la probabilidad de que ambos
artículos estén en buen estado, b) si la muestra se toma sin reemplazo, calcule la probabilidad de que ambos
artículos estén en buen estado.
98 98
P A B P A P B = .9604
100 100
A B
b) Si la muestra se toma “sin reemplazo” de modo que el primer artículo no se regresa antes de seleccionar el
segundo entonces:
98 97
P A B P A P B A = .9602
100 99
Se observa que los eventos son dependientes ya que para que para obtener el evento B, se tiene que haber
cumplido antes el evento A.
B
P(B/A)=.97
A
P(A) =.98
TEOREMA DE BAYES
Mediante el teorema de Bayes podemos calcular la probabilidad de que ocurra un determinado evento, cuando
no tenemos datos inmediatos del mismo mediante la información que tenemos de otros eventos.
Cuando existen dos eventos posibles A y B, la probabilidad de que ocurra Z se describe mediante el
“teorema de probabilidad total” el cual es:
P( Z ) P A P Z A P B P Z B
P A P Z A
P A Z
P A P Z A P B P Z B
Ejemplo 9: En cierta universidad 20% de los hombres y 1% de las mujeres miden más de 1.80m de altura.
Asimismo 40% de los estudiantes son mujeres. Si se selecciona un estudiante al azar y se observa que mide
más de 1.80m ¿ Cual es la probabilidad de que sea mujer?
Tesis de Hector Hernández S.
Z > 1.80 m
A = Hombre
HOMBRE MUJER
B = Mujer
P (A) = .60
P (B) = .40 .80 .99
P (Z/A) = .20 < 1.80
P (Z/B) = .01
=Z
Para encontrar la probabilidad de que sea mujer dado que mide más de 1.80,
Utilizando el teorema de Bayes:
P B P Z B
P B Z
P A P Z A P B P Z B
P(B/Z) = (.4 x .01)/ (.6 x .20 +.4 x .01) = .032.
Hombre Mujer
Por lo tanto la probabilidad de que sea mujer dado que mide más de 1.80
es .032 = 3.2 %
Tesis de Hector Hernández S.
ANÁLISIS COMBINATORIO
Supóngase que una persona tiene dos modos de ir de una ciudad A a otra ciudad B; y una vez llegada a B,
tiene tres maneras de llegar a otra ciudad C. ¿De cuántos modos podrá realizar el viaje de A a C pasando por
B?
a pie en avión
en carro
CIUDAD A CIUDAD B CIUDAD C
en bicicleta en trasatlántico
Figura 3-B.6
Evidentemente, si empezó a pie podrá tomar avión, carro o trasatlántico; y si empezó en bicicleta, también
podrá tomar avión, carro o trasatlántico.
Utilizando literales (las iniciales) el viajero tuvo las siguientes oportunidades: pa, pc, pt; ba, bc, bt. Que son
6; cada primera oportunidad contó con tres posibilidades.
PERMUTACIONES: Una permutación es un arreglo ordenado de una parte de los elementos, o de todos los
elementos de un conjunto.
Ejemplo 11: Dado el conjunto de las letras o, p, i , escribir todas las permutaciones empleando las tres
letras cada vez.
Solución: opi, oip, ipo, iop, pio, poi : son seis permutaciones posibles.
Solución: op, oi, io, ip, pi, po: son seis permutaciones.
En la mayoría de los casos resulta muy complicado hacer las permutaciones manualmente por lo cual
utilizamos la siguiente fórmula:
n !
Prn
n r !
donde:
n = número total de elementos del conjunto
P = Permutaciones
r = número de elementos que se toman a la vez.
! = factorial.
Nota: 0! = 1
Ejemplo 13: ¿Se toman 3 números de lotería de un total de 50, de cuantas formas se pueden tomar los
números?
50 ! 50 !
P350 (50 49 48) 117 ,600
50 3 ! 47 !
9!
C59 126
4 ! 5 !
Ejemplo 16: Se extraen 5 cartas de una baraja de 52 cartas. Hallar la probabilidad de extraer (a) 4 ases, (b) 4
ases y un rey (c) 3 dieces y dos jotas, (d) un 9,10, jota, reina, rey en cualquier orden.
4 C4 48 C1 1
a) P(4 ases) = =
52 C5 54145
4 C4 4 C1
1
b) P (4 ases y 1 rey) =
52 C5 649740
4 C3 4 C2
1
c) P (3 dieces y 2 jotas) =
52 C5 108290
4 C1 4 C1 4 C1 4 C1 4 C1
64
d) P(nueve, diez, jota, reina, rey) =
52 C5 162435
Tesis de Hector Hernández S.
xi
x
n
Ejemplo 1: En un equipo de fútbol las estaturas de sus integrantes son las siguientes:
1.70,1.79,1.73,1.67,1.60,1.65,1.79,1.84,1.67,1.82, 1.74. Calcule la media.
xi 19
x 1.73
n 11
Mediana: ( ~x ) Los datos de "n" observaciones son ordenados del más pequeño al más
grande, Si el tamaño de la muestra es "non" la mediana es el valor ordenado en la
posición (n+1)/2,
Cuando el tamaño de la muestra es "par" la mediana es el promedio de los dos valores
que se encuentran al centro del conjunto de valores. Se puede calcular mediante :
n 2 n 2 1
2
Ejemplo 2: Para el ejemplo anterior cual es la mediana? Ordenando los datos de mayor
a menor se obtiene: 1.60,1.65,1.67,1.67,1.70,1.73,1.74,1.79,1.79,1.82,1.84; como
tenemos 11 datos el número es non por lo que (n+1)/2 = 12/2 = 6, buscando el número
que ocupa la sexta posición en los datos ordenados encontramos el valor de la mediana
~
x 1.73
Tesis de Hector Hernández S.
Como tenemos 11 datos, el 20% de 11 es 2.2, por lo cual eliminamos 2 datos el más
bajo y el más alto, ordenado los datos obtenemos:
8.4,31.1,33.2,34.3,42.5,54.2,68.7,71.6,72.3,73.4,80.6,82.2,87.9,97.7,97.9, los valores a
eliminar son: 8.4 y 97.9; calculando la media de los datos restantes obtenemos
x ,.20 63.82
Moda
La moda es el valor que se presenta con mayor frecuencia en la muestra, pueden existir
muestrar que presenten una o màs modas.
1,2,2,3,4,5,5,5,5,6,6,7,7,8,8
Medidas de dispersión.-
Desviación estándar: (s) es una medida que nos ayuda a comprender la variabilidad de
los datos, que tan distanciados están de la media. Para calcularla utilizamos la siguiente
fórmula:
( xi x ) 2
s n 1
Muestra 1: Muestra 2
x 248 x 248
n-1=5 n-1 = 5
790 7510
s= = 12.56 s= = 38.75
5 5
Ejemplo 5:
Se desea hacer un estudio estadístico de la variación del calibre de una película de polietileno, para esto es
necesario tomar una muestra y calcular la media, mediana, media acotada al 5% y la desviación estándar.
1) Calculo de la media:
xi = 41.71
n = 14
xi
= 41.71/4= 2.98
n
2) Mediana:
4) Desviación estándar:
xi - x )2 = 5.63
n - 1 = 13
5.63
s= = .65
13
Media:
Para encontrar la media en tablas de frecuencia agrupada, usamos marcas de clase para
representar las medidas para cada clase. Entendemos por marca de clase, el punto central de
un intervalo.
Ejemplo:
Primero encontramos las marcas de clase, que son el punto medio de cada intervalo, para
encontrar la primera marca de clase sería: (15+25)/2 = 20.
Cada marca de clase se multiplica entonces por su frecuencia correspondiente como lo
muestra la siguiente tabla:
48-58 6 53 318
59-69 5 64 320
TOTALES 25 1061
La media es aproximada ya que los datos originales se desconocen y cada observación está
representada por una marca de clase.
Mediana
Determinamos las marcas de clase para cada intervalo, en el primero la marca de clase es
(1+5)/2 = 3. Calculando las siguientes marcas de clase tenemos
19 esta contenido en la clase 16-20, en este intervalo la marca de clase es 18. por lo cual la
mediana aproximada es 18.
Tesis de Hector Hernández S.
Moda
La moda o clase modal corresponde a la marca de clase para una clase que contenga la
frecuencia mayor.
Usando los datos de la tabla anterior la moda son las clases (16-20) y (26-30) ya que la
frecuencia en ambos casos es mayor f =10.
Desviación estándar
La tabla siguiente contiene los costos de reparación de un automóvil para los reclamos de
categoría menor presentados ante una compañía de seguros:
fixi 2
Mediante la fórmula
s
fixi 2
n calculamos la desviación estándar.
n 1
s^2= 13.288,66
s= 115,28
Histograma.-
Cuando tenemos una cantidad grande de datos es difícil poder analizarlos, a menos que
hagamos uso de herramientas que nos permitan hacerlo con mayor facilidad y claridad. El
histograma es una de ellas, consiste en un diagrama de barras donde las bases corresponden
Tesis de Hector Hernández S.
a los intervalos y las alturas a las frecuencias. Para construir un histograma es necesario
tener un mínimo de 50 a 100 datos.
Ejemplo 6
Construir un histograma con la siguiente serie de datos:
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 5: Calcular los limites de cada intervalo: [0-9),[ 9-18), [18-27) etc.
Tesis de Hector Hernández S.
NOTA: El corchete “[ ó ]” indican que se incluye el número, el paréntesis “( ó )” indica que el número
no está incluido en el intervalo. Por ejemplo en el intervalo [9-18) se incluyen los valores que van desde
el 9 hasta el 17.99.
Paso 6: Contar el número de valores que caen en cada intervalo utilizando el registro , de esta manera
se obtiene la frecuencia para cada intervalo.
Tabla 1.
Columna Intervalo Registro de frecuencias
1 [ 0 -9) IIIII 5
2 [ 9-18) IIIII IIII 9
3 [18-27) IIIII I 6
4 [27-36) IIIII IIIII I 11
5 [36-45) IIIII IIIII II 17
6 [45-54) IIIII IIIII IIIII IIIII IIIII III 28
7 [54-63) IIIII IIIII IIIII III 18
8 [63-72) IIIII IIIII III 13
9 [72-81) IIIII IIIII 10
10 [81-90) IIIII III 8
11 [90-99) IIIII 5
Cuartiles
Son los valores que dividen al conjunto de datos en cuatro subconjuntos de igual
cardinalidad. Son: Q1, Q2, Q3. que se leen: cuartil 1, cuartil 2, cuartil 3.
Para calcularlos se ordenan los datos de n observaciones de mayor a menor, la observación
n n
en la posición corresponde al primer cuartil (Q1),la observación en la posición
4 2
corresponde al segundo cuartil (Q2) siendo este el valor de la mediana de la mediana ~
x ,
3(n)
la observación en la posición corresponde al tercer cuartil (Q3).
4
Ejemplo 7: Calcule Q1, Q2, Q3 para la siguiente serie de datos del ejemplo 6:
n
Q1= 32.5 , el cuartil es el valor en esta posición, debido a que el número obtenido no
4
es entero realizamos interpolación lineal de la siguiente manera:5
5
Acheson J. Duncan,Control de Calidad y estadística industrial, Alfaomega, 1996
Tesis de Hector Hernández S.
La frecuencia acumulada hasta el intervalo [27-36) nos da 31 casos, quedando 1.5 casos del
1. 5
siguiente intervalo [36-45), Por tanto Q1 cae en 36 9 36.79 , Q1 = 36.79
17
3130 3.5 9
97.5 63 65.42
Q3 = 4 , realizando el cálculo 13 , Q3= 65.42.
Seleccione:
Nota: El error típico, curtosis, coeficiente de asimetría, no son objeto de estudio de está
sección por lo cual hacemos caso omiso de los mismos
Gráficas de Caja: Una gráfica de caja es un diagrama que proporciona información sobre
el centro, la dispersión y la asimetría o sesgo; utiliza cuartiles, y así, es resistente a las
observaciones aberrantes.
Los pasos para realizar una gráfica de caja son los siguientes2:
Ejemplo
5 7 8 9 9 11 12 12 13 14 15 16 17 18 19 20 22
5 9 13 17 22
Como la mediana está un poco a la izquierda de la mitad de la caja y la extensión más larga está a la
derecha, la distribución está sesgada a la derecha.
6
Richard C. Weimer, Estadística, CECSA, segunda edición
Tesis de Hector Hernández S.
Definir
Definir Medir
Medir Analizar
Analizar Mejorar
Mejorar Controlar
Controlar
Objetivos:
Conocer el uso de las herramientas de la fase de medición
Determinar que mediciones son importantes para el proyecto
Recolectar datos relevantes
Convertir los datos en números para conocer su comportamientos
Detectar cual es la frecuencia con la que ocurren los defectos
Monitoreable
What? ¿Qué?
Why? ¿Por qué?
Who? ¿Quién? RECOLECCION DE DATOS
Where? ¿Dónde?
When? ¿Cuando?
How? ¿Cómo?
Ejemplo
Definición operacional.-
p pq
n
50 * 50
n 100
25
8
Introducción al estudio del trabajo. Oficina internacional del trabajo Ed. Limusa
Calibración
Tesis de Hector Hernández S.
DefinicionesDefiniciones
Reproducibilidad: Es la variación, entre promedios de las mediciones hechas por diferentes operadores
que utilizan un mismo instrumento de medición cuando miden las mismas características en una misma
parte.
Operador-B
Operador-C
Operador-A
REPETIBILIDAD
Valor verdadero:
Valor correcto teórico / estándares NIST9
Precisión: Es la habilidad de repetir la misma medida cerca o dentro de una misma zona
9
·En EUA se tiene el NIST (National Institute of Standards ando Technology),En México se tiene el
CENEAM o el Centro Nacional de Metrología
Tesis de Hector Hernández S.
Exactitud :
Es la diferencia entre el promedio del número de medidas y el valor verdadero.
Resolución: La medición que tiene exactitud y precisión.
Exacto y preciso
Preciso pero
Preciso noexacto
pero no exacto Exacto pero
Exacto perono preciso
no preciso Exacto y preciso
(resolución)
(resolución)
- Estabilidad: es la variación total de las mediciones obtenidas con un sistema de medición, hechas sobre el
mismo patrón o sobre las mismas partes, cuando se mide una sola de sus características, durante un período de
tiempo prolongado.Exactitud : desviación respecto del valor verdadero del promedio de las mediciones
Valor verdadero:
Valor correcto teórico / estándares NIST
Sesgo: d
istancia entre el valor promedio de todas las mediciones y el valor verdadero.
Error sistemático o desviación
Estabilidad: la variación total en las mediciones obtenidas durante un período de tiempo prolongado.
Tiempo 2
Tiempo 1
Linealidad: diferencia en los valores de la escala, a través del rango de operación esperado del
instrumento de medición.
Valor Valor
verdadero verdadero
Sesgo Sesgo
Menor mayor
(rango inferior)
(rango inferior) (rango superior)
superior)
RangoRango de Operacióndel
de Operación delequipo
equipo
Tesis de Hector Hernández S.
Sesgo: distancia entre el valor promedio de todas las mediciones y el valor verdadero. Error sistemático o
desviación.
Valor
Verdadero
Sesgo
Calibración: Es la comparación de un estándar de medición con exactitud conocida con otro instrumento
para detectar, reportar o eliminar por medio del ajuste, cualquier variación en la exactitud del
instrumento.Precisión: medición de la variación natural en mediciones repetidas
Variación
Variación deldel proceso,
proceso, real
real Variación de la medición
Importante: para que el equipo de medición tenga una discriminación adecuada en la evaluación
de las partes, su
resolución debe ser al menos 1/10 de la variabilidad del proceso.
Calibración
<10% Aceptable
Tesis de Hector Hernández S.
10-30%. Puede ser aceptable, dependiendo qué tan crítico es el grado de la medición.
>30%. ¡Inaceptable!
En cualquier problema que involucre mediciones, algunas de las variaciones observadas son debidas al
proceso y otras son debidas al error o variación en los sistemas de medición. La variación total es expresada
de la siguiente manera:
Estudio de R&R
Las partes deben seleccionarse al azar, cubriendo el rango total del proceso. Es importante que dichas
partes sean representativas del proceso total (80% de la variación)
10 partes NO son un tamaño de muestra significativo para una opinión sólida sobre el equipo de
medición a menos que se cumpla el punto anterior.
I.
Método de Promedios- Rango
Permite separar en el sistema de medición lo referente a la Reproducibilidad y a la Repetibilidad.
Los cálculos son más fáciles de realizar.
Ejemplo 110:
Un equipo de mejora de la calidad involucrado en el diseño de CEP (Control Estadístico del Proceso) , desea
realizar un cálculo de la capacidad del sistema de medición. Se tienen veinte unidades de producto, el
operador que toma las mediciones para el diagrama de control usa un instrumento para medir cada unidad dos
veces. Los datos son mostrados en la tabla siguiente:
x 22.3
R 1 .0
La desviación estándar del error de medición, mediciòn , es calculada mediante la siguiente fórmula:
R 1
mediciòn = 0.887
d 2 1.128
donde:
R = Rango promedio
10
Ejemplo adaptado de: Statistical Quality Control. Douglas C. Montgomery. Willey. Second Edition
Tesis de Hector Hernández S.
d2 = Valor de tablas.
Para obtener una buena estimación de la capacidad del error de medición utilizamos :
P 6 mediciòn
T USL LSL
P 5.32
0.097 .
T 55
Como se mencionó anteriormente los valores P/T de 0.1 o menores generalmente implican una capacidad de
error de medición adecuada.
medicion .79
100 25.73%
total 3.07
Al ser el error de medición mayor al 10%, concluimos que no tenemos un sistema de medición confiable, por
lo cual tenemos que realizar las acciones correctivas correspondientes.
Ejemplo 2 (MINITAB)
Método ANOVA
Se seleccionan 10 muestras de un proceso de manufactura, cada parte es medida dos veces por tres
operadores. Realice un estudio R&R mediante el método ANOVA.
Parte Operador 1 Operador 2 Operador 3
Parte Operador 1 Operador 2 Operador 3
1 0,65 0,60 0,55 0,55 0,50 0,55
1 0,65 0,60 0,55 0,55 0,50 0,55
2 1,00 1,00 1,05 0,80 1,05 1,00
2 1,00 1,00 1,05 0,80 1,05 1,00
3 0,85 0,80 0,95 0,80 0,80 0,80
3 0,85 0,80 0,95 0,80 0,80 0,80
4 0,85 0,95 0,75 0,40 0,80 0,80
4 0,85 0,95 0,75 0,40 0,80 0,80
5 0,55 0,45 0,75 1,00 0,45 0,50
5 0,55 0,45 0,75 1,00 0,45 0,50
6 1,00 1,00 0,40 0,95 1,00 1,05
6 1,00 1,00 0,40 0,95 1,00 1,05
7 0,95 0,95 1,05 0,75 0,95 0,95
7 0,95 0,95 1,05 0,75 0,95 0,95
8 0,85 0,80 0,90 1,00 0,80 0,80
8 0,85 0,80 0,90 1,00 0,80 0,80
9 1,00 1,00 0,70 0,55 1,05 1,05
9 1,00 1,00 0,70 0,55 1,05 1,05
10 0,60 0,70 0,95 0,50 0,85 0,80
10 0,60 0,70 0,95 0,50 0,85 0,80
Tesis de Hector Hernández S.
Capture los datos en la hoja de trabajo de Minitab en tres columnas C1, C2, C3
Definición de Repetibilidad
Definición de la Reproducibilidad
Reproducibilidad es la variación, entre promedios de las mediciones hechas por diferentes operadores
que utilizan un mismo instrumento de medición cuando miden las mismas características en una
misma parte
Estándares Internacionales
11.En México se tiene el CENEAM o el Centro Nacional de Metrología
12.En EUA se tiene el NIST (National Institute of Standards and Technology)
13.Un Estándar primario es certificado por NIST o por una organización alterna que use
procedimientos de calibración actualizados
14.Los Estándares secundarios son calibrados por el departamento de Metrología de las empresas en
base a los estándares primarios, para efectos de calibración
15.Los Estándares secundarios se transfieren a Estándares de trabajo en producción.
16.Para determinar la exactitud de los sistemas de medición se debe conocer su rastreabilidad a
Estándares nacionales e internacionales.
Resolución
Para que el equipo de medición tenga una discriminación adecuada en la evaluación de las partes, su
resolución debe ser al menos 1/10 de la variabilidad del proceso.
(LTNS-LTNI= 6s )
Donde: LTNS = Limite de tolerancia natural superior, LTNI = Limite de tolerancia natural inferior.
Definición del Sesgo
Sesgo es la diferencia entre el promedio observado de las mediciones y el valor verdadero
Definición de la Estabilidad
Definición de la Linealidad
Linealidad es la diferencia en los valores verdadero y observado, a través del rango de operación
esperado del equipo.
Cómo Calcularla…
Para calibradores que normalmente se utilizan sin ajuste, durante periodos de tiempo
relativamente largos.
Realizar un segundo estudio R&R del Calibrador justo antes de que venza el tiempo de
recalibración.
La estabilidad del calibrador es la diferencia entre los promedios sobresalientes de las
mediciones resultantes de los dos estudios.
R&R
%R & R 100
6s
6 Identificar qué porcentaje de la variación total debe absorberse como error de medición.
<10% Aceptable
10-30%. Puede ser aceptable, dependiendo qué tan crítico es el grado de la medición.
>30%. ¡Inaceptable!
7 Para la fase de control del proyecto, sólo substituya la Tolerancia por Variación Total
TV= R&R + PV
PV= variación de parte = Rp x K3
Mientras más mayor sea el % del R&R, mayor será el área de incertidumbre para conocer la
dimensión verdadera de las partes.
8 ERROR TIPO 1: Pueden estarse aceptando partes que están fuera de especificaciones
9 ERROR TIPO 2: Pueden estarse rechazando partes que están dentro de especificaciones
Estudio de R&R
Las partes deben seleccionarse al azar, cubriendo el rango total del proceso. Es importante que
dichas partes sean representativas del proceso total (80% de la variación)
10 partes NO son un tamaño de muestra significativo para una opinión sólida sobre el equipo de
medición a menos que se cumpla el punto anterior.
–Repetibilidad
–Reproducibilidad
Tesis de Hector Hernández S.
–%R&R
–Desviaciones estándar de cada uno de los conceptos mencionados
–Análisis del % de tolerancia
I.
Método de Promedios- Rango
- Permite separar en el sistema de medición lo referente a la Reproducibilidad y a la
Repetibilidad.
- Los cálculos son más fáciles de realizar.
Ejemplo:
Planteamiento del problema:
Las partes producidas en el área de producción, fallaron por errores dimensiónales 3% del tiempo.
Característica Crítica de Calidad(CTQ): Mantener una tolerancia ± 0.125 pulgadas.
Sistema de Medición: Se miden las partes con calibradores de 2”.
Estudio R&R del calibrador: La dimensión A es medida por dos operadores, dos veces en 10 piezas.
Operador A Operador B
Serie # 1er. Ensayo 2o. Ensayo Rango 1er. Ensayo 2o. Ensayo Rango Porción Xbar
1 9.376 9.358 9.354 9.361
2 9.372 9.320 9.372 9.372
3 9.378 9.375 9.278 9.277
4 9.405 9.388 9.362 9.370
5 9.345 9.342 9.338 9.339
6 9.390 9.360 9.386 9.370
7 9.350 9.340 9.349 9.349
8 9.405 9.380 9.394 9.381
9 9.371 9.375 9.384 9.385
10 9.380 9.368 9.371 9.376
8. Cálculo de las X-medias
Totales
X-barA X-barB
R-barA R-barB
Porción R
Tesis de Hector Hernández S.
Operador A Operador B
Serie # 1er. Ensayo 2o. Ensayo Rango 1er. Ensayo 2o. Ensayo Rango Porción Xbar
1 9.376 9.358 9.354 9.361 9.362
2 9.372 9.320 9.372 9.372 9.359
3 9.378 9.375 9.278 9.277 9.327
4 9.405 9.388 9.362 9.370 9.381
5 9.345 9.342 9.338 9.339 9.341
6 9.390 9.360 9.386 9.370 9.377
7
2. Cálculo 9.350
de los Rangos 9.340 9.349 9.349 9.347
8 9.405 9.380 9.394 9.381 9.390
9 9.371 Operador
9.375 A 9.384 Operador B
9.385 9.379
10Serie # 9.380
1er. Ensayo 9.368
2o. Ensayo Rango 9.3711er. Ensayo9.376
2o. Ensayo Rango 9.374
Porción Xbar
1
Totales 93.772 9.376 9.358
93.606 0.018 9.354
93.588 9.361
93.580 0.007 9.362
2 X-bar 9.372
A 9.320
9.3689 0.052X-bar9.372
B 9.372
9.3584 0.000 9.359
3 9.378 R-bar 9.375
A
0.003 9.278 R-bar9.277
B
0.001 9.327
4 9.405 9.388 0.017 9.362 9.370 Porción0.008
R
9.381
5 9.345 9.342 0.003 9.338 9.339 0.001 9.341
6 9.390 9.360 0.030 9.386 9.370 0.016 9.377
7 9.350 9.340 0.010 9.349 9.349 0.000 9.347
8 9.405 9.380 0.025 9.394 9.381 0.013 9.390
9 9.371 9.375 0.004 9.384 9.385 0.001 9.379
10 9.380 9.368 0.012 9.371 9.376 0.005 9.374
Totales 93.772 93.606 0.174 93.588 93.580 0.052
X-barA 9.3689 X-barB 9.3584
3. Identificación de Parámetros del Estudio y Cálculos
R-barA 0.0174 R-barB 0.0052
Porción R 0.0630
Cálculo de R&R
Repetibilidad: La variación del dispositivo de medición (VD) se calcula sobre cada grupo de
mediciones tomadas por un operador, en una sola parte.
DV = R x K1 =
0.0515
Reproducibilidad: La variación en el promedio de las mediciones (AV) se calcula sobre el rango de los
promedios de todas las mediciones, para cada operador, menos
el error del calibrador.
2
AV Xdif k 2 2 DV .0259
mn
El componente de varianza para las partes (PV), se calcula sobre el rango de los promedios de todas las
mediciones, para cada parte.
PV Rpart K 3 0.1021
TV R % R 2 PV 2 0.1172
Source DF SS MS F P
Gage R&R
En la tabla de Anova observamos que tanto Parte, Operador y la interacción Operador * parte son
significativas debido a que el P-Value es menor a 0.05 en todos los casos
Gage name:
En la ultima tabla bajo el porcentaje de contribución, observamos queDate el porcentaje
of study : Parte a Parte = 89.33%
Gage R&R (ANOVA) for Medición
siendo más grande que el total del sistema de medición Gage R&R Reported= 10.67%.by :
Esto significa que la mayor
Tolerance:
parte de la variación es debida a la diferencia entre las partes, un porcentaje
Misc: muy pequeño es debido al error
en el sistema de medición. Por lo cual concluimos que el sistema de medición es adecuado.
Xbar Chart by Operador Operador*Parte Interaction
1,1 1 2 3 1,1 Operador
1,0 1,0 1
Sample Mean
0,8 X=0,8075
-3,0SL=0,7354 0,8 3
0,7 0,7
La mayoría de los puntos en el diagrama Xbar-operador se encuentran fuera de los limites de control,
0,6
0,6
0,5
indicando que la variación es principalmente debida a las diferencias entre partes. La interacción
0,4 0,5
Operador*Parte es una visualización de el p-value = 0.00016 en este caso indica una interacción significativa.
0,3 0,4
0 Parte
En los componentes del diagrama de variación, observamos que el porcentaje
1 2 de
3 contribución
4 5 6 7 parte
8 9a parte
10 es
más grande queRelChart sistema
by de medición R&R, lo cual nos indica que la mayor parte
Operador Byde la variación es debida a
Operador
las0,15diferencias en las
1 partes, como
2 ya se trato
3 en el análisis anterior.
1,1 Un porcentaje muy pequeño es debido al
1,0
Sample Range
3,0SL=0,1252
sistema de medición. 0,9
0,10
En el diagrama de operador, existen diferencias pequeñas entre 0,8 los operadores.
En0,05el diagrama de partes, existen diferencias grandes entre las partes.
0,7
R=0,03833 0,6
0,5
0,00 -3,0SL=0,00E+00 0,4
0 Operador 1 2 3
0,8
50 0,7
0,6
0,5
0 0,4
Gage R&R Repeat Reprod Part-to-Part Parte 1 2 3 4 5 6 7 8 9 10
Tesis de Hector Hernández S.
Figura 3-18.2 Gráficos del estudio del sistema de medición R&R. (Método ANOVA)
Ejemplo 3
Método: Medias-Rangos
Capture los datos en la hoja de trabajo de Minitab en tres columnas C1, C2, C3,C4
Tesis de Hector Hernández S.
se encuentran dentro de los limites de control, la mayor parte440de la variación observada es principalmente 2
Average
450
debida al sistema de medición. También vemos que la repetitibilidad tiene un alto porcentaje de variación 3
X=406,2
78%
350 que representa la variación total del sistema de medición (debido
390 al equipo de medición).
Part 1 2 3
300 500
200 400
R=146,3
100 300
200
0 -3,0SL=0,00E+00
Operator 1 2 3
400
50
300
200
0
Gage R&R Repeat Reprod Part-to-Part Part 1 2 3
Tesis de Hector Hernández S.
Figura 3-18.3 Gráficos del estudio del sistema de medición R&R. (Método Medias-
Rangos)
3-17 BENCHMARKING
Herramienta que ayuda a comparar los productos o servicios con aquellos productos o servicios “mejores en
su clase” para identificar oportunidades de mejora.
Generalmente es usado en las fases de medición y análisis, una vez que se ha decidido mejorar el producto o
servicio.
Propósitos
Causas de fracaso
Proceso de Benchmarking
• Identifique las industrias / funciones que trabajen en los mismos productos / procesos.
• Formule una lista de productores / servicios “mejores en su clase”.
• Contacte las organizaciones a través de las personas clave.
Preparar la visita
• Investigue la organización, basándose en sus productos o servicios
• Desarrolle un cuestionario detallado
• Establezca la logística y envíe la documentación preliminar a la organización
Visitar la Organización
Ejemplo:
Tema: Las encuestas revelaron que los clientes preferían cachas de pistolas más brillantes.
Resultados: La empresa aprendió de los tubos de lápiz labial brillantes y pudo incorporar los resultados para
mejorar la satisfacción de sus clientes
Tesis de Hector Hernández S.
Métodos de Benchmarking
Junta / visita in situ Establece una mejor relación Caro (costo de viajes)
Proporciona tiempo de mejor Se lleva mucho tiempo
calidad. Dificultades de horario
Puede conllevar un buen grado
de información.
Permite una visión más clara de
los procesos a través de visitas
guiadas, distr. de oficinas, etc.
Encuestas Provee información de una Baja probabilidad de respuesta
población mayor. Impersonal
Fácil de diseñar. Dificultad para dar seguimiento a las
Tesis de Hector Hernández S.
Categorías:
Preguntas Sugeridas:
• ¿Qué cosas específicas realiza esta empresa para alcanzar este alto nivel?
• ¿Qué se podría hacer en nuestra empresa para incrementar nuestro nivel en esta
Categoría?
Referencia y Transferencia
La referencia utiliza el conocimiento adquirido para mejorar un proceso, observar otra área con un
proceso similar y determinar si las mismas mejorías son aplicables
puede ser utilizada por toda la compañía. Su flexibilidad y adaptabilidad permite un buen desempeño en las
industrias manufactureras y de servicios.
QFD utiliza un método gráfico en el que se expresan relaciones entre deseos de los clientes y las
características del diseño. Es una matriz que enlista las necesidades de los clientes
“ atributos” comparándolas con las “características de diseño”
Las expectativas y necesidades de los clientes son recolectadas mediante técnicas de investigación de
mercados: entrevistas, encuestas, exposiciones, etc. Mediante la casa de la calidad se organizan los datos
obtenidos. El uso de matrices es la clave para poder construir la casa. En la matriz se muestran las relaciones
entre las necesidades de los consumidores y las características de diseño.
Beneficios
Procedimiento general:
1. Definición del objetivo del análisis: a partir del cual se busca identificar los atributos del producto
requeridos por los clientes, así como sus características técnicas, para después relacionar ambos en
una matriz.
2. Evaluación competitiva del producto y las características técnicas: Estas dos se correlacionan entre sí
para establecer metas.
3. Determinación de los requerimientos de diseño del producto o las características técnicas a desplegar
en el proceso productivo.
Fase 1 diseño global: Se enfoca en el diseño general del producto, se relacionan y evalúan los atributos
requeridos por el cliente con las características técnicas del producto, lo cual da como resultado las
especificaciones de diseño
Tesis de Hector Hernández S.
Fase 2 diseño en detalle: Se lleva a cabo la correlación y evaluación entre las especificaciones de diseño y
las características de los principales componentes o parte del producto, de lo que resultan las especificaciones
convenientes para éstas.
Fase 3 Proceso: Las especificaciones de los componentes se correlacionan y evalúan con las características
del proceso de producción, obteniendo como resultado las especificaciones de este.
Fase 4 Producción: Se correlacionan las especificaciones del proceso con las características de producción
para obtener las especificaciones de producción más apropiadas.
NIVEL DE PARTES
NIVEL DE
PROCESO
Figura 3-16.1
Su propósito es relacionar las necesidades básicas del cliente con las características de diseño del producto.
Figura 3-16.2
Correlaciones
Técnicas
Características de diseño
Desempeño de la competencia.
del producto
Dificultad para lograr la meta
Importancia para el cliente
Relación de mejoramiento
Desempeño actual
Peso normalizado
Peso Ponderado
punto de venta
Relaciones
Necesidades
del cliente
Prioridades
Tesis de Hector Hernández S.
MODELO
KANO
•Categorías de necesidades primarias del cliente :
Desempeño: Esta es la razón principal por la cual los clientes compran los productos.
Capacidad: Capacidad del proveedor
Calidad percibida: Incluye aspectos sensoriales del producto (cómo se siente, cómo se ve).
Conveniencia: Incluye la facilidad de uso, manejo durante la operación y accesibilidad del
equipo.
Apariencia: Forma y detalles del producto.
Confiabilidad y durabilidad: Producto libre de fallas durante su uso.
Seguridad y conformidad: El producto se diseña tomando en cuenta la seguridad como el
factor más importante, no sólo para el cliente, sino para todo aquél que esté en contacto con
el.
Instalación y distribución: Condiciones a considerar para estos aspectos
Facilidad de mantenimiento: Si se descompone, ¿se puede arreglar?
Una vez determinadas las necesidades primarias, es necesario desglosarlas en necesidades secundarias
y esta a su vez en terciarias y así sucesivamente.
–Café caliente
–Buena apariencia
–Rico sabor
–Buen aroma
–Bajo precio
–Cantidad suficiente
–Se mantiene caliente
Etc.
Paso 2: Llenado de la Matriz de Planeación .Se consideran varios factores para cada
necesidad del cliente, para identificar las más importantes.
Figura 3-16.3
Importancia absoluta:
Cada necesidad del cliente es jerarquizada en una escala de 1 a 5 (5 es lo más importante).
Ventaja: se tiene un buen rango de valores.
Desventajas: sólo cinco jerarquías disponibles
Importancia ponderada:
Tesis de Hector Hernández S.
LA META: debe establecerse en consenso, balanceando los intereses de todas las áreas por medio del equipo
multidisciplinario
RELACION DE MEJORAMIENTO:
META
RELACION DE MEJORAMIENTO
DESEMPEÑO ACTUAL
DIFICULTAD PARA LOGRAR LA META:
PUNTO DE VENTA: Al alcanzar la meta en esta necesidad del cliente.¿se pueden incrementar las ventas?
PESO PONDERADO :
Im por tan cia para el cliente relación de mejora punto de venta
peso ponderado
dificultad para log rar la mejora
PESO NORMALIZADO:
peso ponderado
peso normalizado
suma de pesos ponderados individuales
Tesis de Hector Hernández S.
Figura 3-16.4
Correlaciones
Técnicas
Características de
diseño del producto
Desempeño de la competencia
Relación de mejoramiento
Importancia del cliente
Peso normalizado
Relaciones
Necesidades
Peso ponderado
punto de venta
del cliente
Meta
del cliente y los req.
del sistema
Prioridades
Propósito: Determinar las características de diseño necesarias para satisfacer los requisitos del cliente.
Proactiva ¿se puede medir antes de que el producto final sea entregado?
Práctica ¿su medición es fácil, rápida y económica?
3. Consolidar características haciendo la lista lo más pequeña y completa posible.
4. Considerando las ideas restantes, se plantea “Si logramos obtener estas características con límites
adecuados, ¿quedará satisfecho el cliente?
5. Si la respuesta a lo anterior es SI, entonces ya se terminó. Si es, NO, agregue lo necesario y regrese
al paso
6. La lista no deberá ser mayor de 30 a 35 características.
Figura 3-16.5
Cómo Correlaciones
se satisfacen Técnicas
y cubren las Características de
necesidades diseño del producto
Desempeño de la competencia
del cliente
Relación de mejoramiento
Importancia del cliente
Peso normalizado
Desempeño actual
Relaciones
Peso ponderado
Necesidades
punto de venta
del cliente
Prioridades
Correlaciones
Paso 4: Definición de la relación entre necesidades
Técnicas del cliente y características de diseño del producto.
Dirección de
Mejoramiento
Figura 3-16.6
Características de diseño
del producto
Desempeño de la competencia.
Relación de mejoramiento
Desempeño actual
Peso normalizado
Peso Ponderado
punto de venta
Relaciones
Necesidades
del cliente
Prio ridades
Tesis de Hector Hernández S.
Relaciones:
• Determinar el grado de relación entre las necesidades del cliente y las características de diseño del producto.
• Usar una escala ponderada no lineal para enfatizar claramente la importancia de los valores
9 = Relación fuerte
3 = Relación moderada
Figura 3-16.7
Correlaciones
Técnicas
Características de diseño
Desempeño de la competencia.
del producto
Dificultad para lograr la meta
Importancia para el cliente
Relación de mejoramiento
Desempeño actual
Peso normalizado
Necesidades
Relaciones
Peso Ponderado
punto de venta
del cliente
Números de Prioridad
Esto da como resultado la prioridad de de
% Relativo las Núm.
características
de Prioridad
de diseño del producto en relación con los CTQ’s.
Paso 6: Determinación de las especificaciones técnicas de la empresa y de la competencia en relación
con los requerimientos de diseño. También se establece una meta técnica.
Para cada requerimiento o característica de diseño, se determina la especificación actual de la empresa.
Se determina la especificación que ofrece cada competidor.
Tesis de Hector Hernández S.
Figura 3-16.8
Correlaciones
Técnicas
Características de diseño
Desempeño de la competencia.
del producto
Relación de mejoramiento
Desempeño actual
Peso normalizado
Necesidades
Relaciones
Peso Ponderado
punto de venta
del cliente
Meta
del cliente y las caract.
de diseño del producto
Números de Prioridad
% Relativo Nums. De Prioridad
Especs. de la empresa
Especs. de la competencia
Meta de la empresa
Correlaciones
Técnicas
Características del producto
Desempeño de la competencia
Relación de mejoramiento
Dificultad de la mejora
Importancia para el cliente
Desempeño actual
Peso normalizado
Punto de venta
del cliente
y los requerimientos/
mediciones del sistema
CORRELACIONES TÉCNICAS:
• Muestran las características que estánPrioridades
estrechamente relacionadas
• Muestran el impacto de una característica en cualquier otra
• Rápidamente muestran qué características tendrán un mayor impacto cuando cambian.
sin relación.
Dentro de los sistemas de calidad resulta de gran utilidad representar la estructura y relaciones de los
sistemas mediante diagramas de flujo.
Proveen una secuencia gráfica de cada uno de los pasos que componen una operación desde el inicio
hasta el final. Permitiendo una mejor visualización y comprensión del proceso.
Los diagramas de flujo pueden minimizar grandes volúmenes de documentación, incluyendo la
documentación ISO 9000.
Facilitan el desarrollo de Procedimientos Estándar de Operación.
Al tener un procedimiento de operación estándar se reduce en gran medida la variación y el tiempo de
ciclo.
Los diagramas de flujo permiten detectar áreas de mejora en los procesos.
Descripción de símbolos
En la construcción de diagramas de flujo de procesos se utilizan los símbolos descritos a continuación:
1. Describir el proceso a evaluar: Es importante comenzar con los procesos que se consideran de
mayor impacto en la organización.
2. Definir todos los pasos que componen un producto o servicio: Existen diferentes maneras de
hacerlo. Una de ellas consiste en que el equipo de trabajo anote en tarjetas los diferentes pasos que
conforman el proceso, con este método el equipo puede arreglar y ordenar los pasos del proceso.
Otra manera de hacerlo es mediante el uso de programas de diagramas de flujo en computadoras, de
esta manera se tiene mayor flexibilidad que en el método anterior y se ahorra bastante tiempo.
Cada paso deberá de ser discutido y analizado a detalle utilizando la pregunta “¿por qué se hace de
esta manera?”
3. Conectar las actividades: Cuando los pasos que componen el proceso han sido descritos se
construye el diagrama de flujo, conectando las actividades mediante flechas, cada símbolo debe
describir la actividad que se realiza con pocas palabras.
4. Comparar el proceso actual con el proceso considerado como “ideal” las siguientes preguntas
pueden servir de guía:
¿Existen pasos demasiado complejos?
¿Existe duplicidad o redundancia?
¿Existen puntos de control para prevenir errores? ¿deberían de existir?
¿El proceso funciona en la manera en la cual debería de hacerse?
¿Se puede realizar el proceso de diferente manera?
5. Mejoras del proceso: Una vez que se contestan las preguntas mediante tormenta de ideas se realizan
mejoras. Definiendo los pasos que agregan valor y los que no agregan se puede llevar a cabo una
simplificación sustancial del proceso.
Las mejoras son priorizadas y se llevan a cabo planes de acción.
6. Implementar el nuevo procedimiento: Una vez realizadas las mejoras se dan a conocer a las
personas involucradas en el proceso y se verifica su efectividad.
Es utilizado para detectar cuales son las actividades que agregan valor al proceso y las que no agregan valor.
• Dibujar una línea horizontal para representar el tiempo total que se ocupa en el proceso.
• Relacione todos los pasos del proceso detalladamente, después decida si el paso tiene valor para el cliente.
• Dibujar una línea vertical fina que represente el tiempo que se requiere para completar el paso.
• Dibújela arriba de la línea, si representa valor agregado, o debajo si no lo representa.
• En cada línea vertical señale el paso del proceso.
• Puede dibujar una barra con el tiempo de valor agregado como porcentaje de tiempo total del proceso.
Ventajas:
• Delinea gráficamente la cantidad de tiempo sin valor que se usa en el proceso.
• Ayuda a reducir el tiempo sin valor y eliminar pasos innecesarios.
me
s
es
ny n
ión
Pe gu í
Sa
ó
so nea
n
Espera Espera
Se min
Sa gar
Ll enf
Ca a de a
Se istr
Pa inar
Ca inar
Ca
Re
am er m
nt a r
lir
la
m
nt ars
ar
11
Adaptado de Hamid Noori/Russell Radford, Administración de Operaciones y producción, Ed. Mc.Graw
m
g
de
ad
ar e
se
se
lc
Hill Pp.282
on
er
su
lto
ior
Tesis de Hector Hernández S.
•Dibuje el esquema físico de su área de trabajo, incluyendo estaciones de trabajo, áreas de espera, áreas de
máquinas, etc.
•Use flechas para delinear el flujo de la parte dentro del área. Cada flecha debe delinear un paso del proceso.
Ventajas
• Muestra el número de movimientos para completar el proceso.
• Muestra la complejidad del flujo y las curvas.
• Puede añadir tiempo a cada paso, para mostrar cuellos de botella y tiempo sin valor agregado Vs tiempo con
valor agregado.
Edificio A
Edificio B
El diagrama de dispersión es una técnica estadística utilizada para estudiar la relación entre dos variables. Por
ejemplo, entre una característica de calidad y un factor que le afecta.
La ventaja de utilizar este tipo de diagramas es que al hacerlo se tiene una comprensión más profunda del
problema planteado.
La relación entre dos variables se representa mediante una gráfica de dos dimensiones en la que cada relación
está dada por un par de puntos (uno para cada variable).
La variable del eje horizontal x normalmente es la variable causa, y la variable del eje vertical y es la variable
efecto.
Tesis de Hector Hernández S.
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 la correlación. En total existen
cinco grados de correlación: positiva evidente, positiva, negativa evidente, negativa y , nula. (figura 3-14.2)
Accidentes laborales
• • •
•
•
•
• Correlación
• •
• •
•
• • positiva,
•
•
•
•
•
•
posible
• • •
• • •
•
• •
Figura 3-14.1
Tesis de Hector Hernández S.
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 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
Tesis de Hector Hernández S.
Tesis de Hector Hernández S.
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 son:
a
y x 2
x xy
n x x
2 2
n xy x y
b
n x 2 x
2
El índice de correlación (r) se puede calcular estadísticamente mediante las ecuaciones que a continuación se
presentan
SCxy
r
SCx SCy
xy
xy
SCxy
n
SCx x 2
x 2
SCy y 2
y 2
n
Donde:
r = Coeficiente de correlación lineal
SCxy = Suma de cuadrados de xy
SCx = Suma de cuadrados de x
SCy = Suma de cuadrados de y
x 2 Sumatoria de los valores de la variable x al cuadrado
y Sumatoria de los valores de la variable y al cuadrado
2
Ejemplo 1:
Tesis de Hector Hernández S.
Un ingeniero que trabaja con botellas de refresco investiga la distribución del producto y las operaciones del
servicio de ruta para máquinas vendedoras. El sospecha que el tiempo requerido para cargar y servir una
máquina se relaciona con el número de latas entregadas del producto. Se selecciona una muestra aleatoria de
25 expendios al menudeo que tienen máquinas vendedoras y se observa para cada expendio el tiempo de
solicitud- entrega (en minutos) y el volumen del producto entregado (en latas). Calcular el coeficiente de
correlación y graficar. Los datos se muestran a continuación:
SCxy = 2027.71
SCx = 698.56
SCy = 6105.94
r = 0.98
El coeficiente de correlación r = 0.98 por lo cual tenemos suficiente evidencia estadística para afirmar que el
tiempo de entrega esta relacionado con el número de latas.
Tesis de Hector Hernández S.
Diagrama de dispersion
80.00
70.00
tiempo de entrega ( y )
60.00
50.00
40.00
30.00
20.00
10.00
-
- 5.00 10.00 15.00 20.00 25.00
Numero de latas (x)
Figura 13-14.3
En la gráfica 13-14.3 observamos que al aumentar el número de latas el tiempo de entrega aumenta.
Definición:
•Es una ayuda gráfica para el control de las variaciones de los procesos administrativos y de manufactura.
Usos:
•Saber el comportamiento de un sistema o proceso durante el tiempo.
• Tomar las acciones correctivas a tiempo si la tendencia afectará en forma negativa.
Ejemplo:
Se tienen los datos siguientes de errores de planeación de la producción durante 15 semanas:
Tesis de Hector Hernández S.
Carta de tendencia
0.2
% errores
0.15
0.1
0.05
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Sem ana
Se utiliza para reunir datos basados en la observación del comportamiento de un proceso con el fin de detectar
tendencias, por medio de la captura, análisis y control de información relativa al proceso. Básicamente es un
formato que facilita que una persona pueda tomar datos en una forma ordenada y de acuerdo al estándar
requerido en el análisis que se esté realizando. Las hojas de verificación también conocidas como de
comprobación o de chequeo organizan los datos de manera que puedan usarse con facilidad más adelante.
1. Determinar claramente el proceso sujeto a observación. Los integrantes deben enfocar su atención hacia
el análisis de las características del proceso.
2. Definir el período de tiempo durante el cuál serán recolectados los datos. Esto puede variar de horas a
semanas.
3. Diseñar una forma que sea clara y fácil de usar. Asegúrese de que todas las columnas estén claramente
descritas y de que haya suficiente espacio para registrar los datos.
4. Obtener los datos de una manera consistente y honesta. Asegúrese de que se dedique el tiempo necesario
para esta actividad.
Tesis de Hector Hernández S.
DIA
DEFECTO 1 2 3 4 TOTAL
Tamaño erróneo IIIII I IIIII IIIII III IIIII II 26
Forma errónea I III III II 9
Depto. Equivocado IIIII I I I 8
Peso erróneo IIIII IIIII I IIIII III IIIII III IIIII IIIII 37
Mal Acabado II III I I 7
TOTAL 25 20 21 21 87
Los pasos a seguir para realizar el diagrama de afinidad son los siguientes:
Se dice que el diagrama de afinidad es la recopilación de las posibles causas del problema,
mediante una lluvia de ideas basadas en la experiencia, cuyo objetivo es agrupar en
categorías afines las posibles causas que ocasionan dicho problema.
Tesis de Hector Hernández S.
Ejemplo
Problema: Falta de llenado en tubos de pasta dental
Tabla 1. Lluvia de ideas
Del diagrama de afinidad se encontró el título del problema a resolver que es: FALTA DE
PESO EN TUBOS.
Esta técnica es utilizada para la resolución de problemas complejos o diferentes situaciones que enfrenta la
gerencia. Si el problema es complejo, las relaciones pueden ser difíciles de determinar. Probablemente se
encuentren involucradas relaciones causales. La idea es llevar a cabo un proceso creativo de solución de
problemas, que nos conduzcan a algunas de las causas clave. La “solución” del problema será determinada
cuando el equipo haya analizado el diagrama de las causas clave.
1. Anotar todos los posibles factores relacionados con el problema. (una opción es utilizar cartas).
2. Se hace una selección de los factores que están relacionados mediante algún patrón.
3. Identificar las relaciones (causa efecto) y unirlas utilizando flechas en el diagrama de relaciones.
12
GMP`S significa Buenas prácticas de manufactura.
Tesis de Hector Hernández S.
4. Debido a que en está técnica se lleva algún tiempo en el estudio del problema, se deben hacer varias
revisiones por diferentes personas.
6. Aquellos elementos que tienen mayor cantidad de flechas (que entran o salen) son los factores
críticos, mediante los cuales se determina la verdadera causa raíz del problema, el equipo hace un
consenso y comienza a trabajar en ellos.
FALTA DE
CAPACITACION
PRONOSTICOS NO
MAL USO DEL MRP
REALISTAS
MALA
ADMINISTRACION DEL
CERTIFICACION DE ORDENES DE DEPTO. DE
PROVEEDORES COMPRA FUERA MATERIALES
DE TIEMPO
FALTA DE
MATERIALES
Tesis de Hector Hernández S.
En el diagrama observamos que los Factores críticos son: Falta de capacitación, mal uso del MRP 13.
Relaciona las entradas claves a los CTQs y el diagrama de flujo del proceso como su
principal fuente.
Resultado:
Pareto de las entradas clave a usar en AMEF’s y Planes de Control del proceso.
Entrada para los Estudios de Capacidad.
ELEMENTOS DE UN PROCESO
13
MRP (Material Requirement Planning) Planeación de Requerimientos de Materiales
Tesis de Hector Hernández S.
SALIDAS:
ENTRADAS:
OPERACIÓN X
INSUMOS PRODUCTO
TERMINADO
MAQUINAS
HERRAMIENTAS
OPERADORES
MECANISMOS: E. MEDICIÓN
METODOS
1 2 3 4 5
A - OP . 3
1. Identificar los requerimientos (salidas) clave del cliente en el Diagrama de flujo del
Proceso.
2. Ordenar por categorías y asignar el factor de prioridad a cada salida (en escala del 1 al
10).
3. Identificar todos los pasos del proceso y los materiales (entradas) del diagrama de flujo
del proceso.
-Puntuación baja: Los cambios en las variables de entrada (cantidad, calidad, etc.) tienen
un efecto pequeño en la variable de salida.
-Puntuación alta: Los cambios en la variable de entrada pueden afectar drásticamente la
variable de salida.
5. Multiplicar los valores de relación por los factores de prioridad y sumar el total para
cada entrada.
Tesis de Hector Hernández S.
1. Anote los
Requerimientos
Clave del Cliente Matriz de
Causa y Efecto
Rango de
Importancia
Del Cliente
Salidas, Req. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Resistencia
Requisito
Requisito
Requisito
o CTQ’s
Tierra
Corto
Entradas 2. Clasificar
del Proceso requerimientos
Total
1
Matriz de en orden de
2 Causa y Efecto importancia para
3
4 el cliente
Rango 5
Importanc
de 10 9 8
6
ia Cient
al 7
e 4 5 6 7 8 9 10 11 12 13 14 15
1 2 3
Salidas o
CTQ’s
Estos datos se toman del
IResistencia
sRequistito
Requistito
iRequistito
Entrada
TIERRA
sdel
R
T
Proceso l
o
R
R
E
A
q
e
q
q
s
t
1
2
3
4
5
6
7
8
Matriz de
Causa y Efecto
3. Anotar
entradas Rango de
Importancia
clave al Ciente
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Resistencia
Salidas o CTQ’s
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Tierra
Corto
Entradas
del Proceso Total
1 Ensamble A
2 Operación B
3 Ensamble C
4 Ensamble D
5 Ensamble E
6
7
Prueba Final
8
9
10
Matriz de
Causa y Efecto
4. Relacionar Rango de
Importancia 10 9 8
las Entradas al Ciente
1 2 3 4 5 6 7 8 9 10 11 12 13 14
con los
Resistencia
Salidas o CTQ’s
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
requerimientos
Tierra
Corto
Entradas
del Proceso
Total
1 Ensamble de A 10 10 9
2 Operación B 9 10 9
3 Ensamble de C 10 6 8
4 Ensambled de D 6 7 6
5 Ensamble de E 4 8 7
6 Prueba Final 4 0 8
7
8
9
10 Matriz de
11
Causa y Efecto 5. Multiplicar
12
13
14
e identificar
Rango de 15 prioridad
Importancia 10 9 8
al Ciente
Hacer una estimación
1 2 3 4
subjetiva
5 6 7
de
8
qué
9
tanto influyen las variables de
10 11 12 13 14
Salidas o CTQ’s entrada en los requerimientos o salidas CTQs
Resistencia
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Tierra
Corto
Entradas
del Proceso Total
Salidas o CTQ’s
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Tierra
Corto
Entradas
del Proceso Total
El ensamble A,
Operación B y
1 Ensamble A 10 10 9 262 Ensamble de C
2 Operación B 9 10 9 252
3 Ensamble C 10 6 8
218 son importantes.
5 Ensamble D 6 7 6 171
10 Ensamble E 4 8 7 168
9 Prueba Final 4 0 8 104 Ahora se evalúan
11
13 los planes de
15
12 control para sus
14
4
variables clave
7
8
(KPIV’s)
6
Tesis de Hector Hernández S.
El diagrama matriz es un método utilizado par mostrar las relaciones que existen entre los objetivos y
métodos, resultados y causas, tareas y gente etc. El objetivo es determinar la fuerza de las relaciones que Matriz de C-E
existen entre la red de columnas y renglones formadas en la matriz. La intersección de la red provee
elementos para ver con claridad la fuerza del problema. Rating of
9 9 7 10 10 9 3 2 6
Importance t o
Customer
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Facilitan la identificación de la relación que eventualmente puede existir entre los factores de un
Homogeneity
Temperature
Consistency
Cleanliness
Digets Time
Viscosity
Gel Time
problema, ya que son esquemas que permiten relacionar mediante arreglos de columnas y renglones, los
Solids
Color
P rocess Inputs Total
Mediante estos diagramas logramos conocer la fuerza de la relación que existe entre los factores de causa
Accuracy
Preheat ing
2 1 1 1 1 1 1 1 1 1 65
DICY T K
y efecto de un proceso. 3
DMF Load
Accuracy
DMF
3 8 1 1 1 8 1 3 8 255
El análisis se hace para identificar las medidas más convenientes a tomar para solucionar el caso que se
4 1 1 4 2 1 2 1 1 1 105
Cl eanliness
DMF Raw
5 1 1 1 1 1 2 1 1 1 74
M at erials
estudia. 6
DI CY Load
Accuracy
9 7 1 1 1 9 1 1 2 269
DICY Envir.
7 8 5 3 1 1 8 1 1 2 247
Factors
DICY Raw
8 8 5 1 1 1 9 1 1 2 242
Procedimiento de elaboración: 9
M at erials
DI CY Mixer
Speecd
1 1 1 1 7 1 1 1 1 125
4.rocess Al
Out putfinal
Variable de los renglones y columnas se realiza la suma de acuerdo a la escala de valores.
AMEF
C ontrol Plan
Produ ct: Co re Te am: Da te (O rig ):
Key P Key Co nta ct:
Ph o ne: D ate (Rev):
Capabilit y S tat us S heet
5. Se analiza la relación resultante.
Up p er Lo w er Proce ss Proc es s Step Input Output
Pr oce ss
Spec ifica tion (LSL, Cpk /Date
Me as urem ent % R&R Sa mple Sa m ple C ontrol
Re ac tion Pla n
DMF
Ho m o ge ne it y (FMEA) D MF Loa dD MF
Ejemplo diagrama-matriz
C le a nliness
Co ns ist en c y
Dig e ts Ti m e
T em p e ra tu r e
16 17 17 18 19 17 18 DICY Load DICY D IC YEn v ir.
Fac tors
Deficiente relación laboral Respon sible: FM EA Date (Orig) ___ _____ ____ __ ( Re v) __ _____ ____ __
DICY 15Load DICY DICY Ra w
Ma teri als
Deficiente supervisión 15
Las salidas
Demora claves
Spe ecd
D MF Loa dD MF DMF Ra w
Pr oces s Ma teri als
S O D R
en conexión de servicios 15
Ste p/Part E C E P DICY Tur nSte a m on Prehe ati ng
Number Pot ent ial F ailu re M od e Pot en tial F ailu re Ef fect s V Po ten tia l Caus es C Curre nt Co nt ro ls T N DICY TK
Spin Dr aw Fiber Breako uts Und ersized packag e, High SD Dir ty Spinner et Visual Dete ction of Wr aps an d
se anotan Mala
y orientación
evalúan.
Pro cess panel- hour s lost 2 8 b roken Filame nts 9 1 44
al cliente
Falta de materiales y equipo
8
Polyme r def ects
2
F uzzball L ig ht
9 1 44
0
Las
15
16
entradas claves
Demasiada carga de trabajo 12 se evalúan
Baja productividad
Herramienta utilizada para el mejoramiento de la calidad para identificar y separar en forma 21 crítica los pocos
P L D R P E B L A F C M D D
proyectos que provocan la mayor parteOdeI los
E
problemas
E R
de calidad.
X U I U A O O E E
El principioDescentralizar
enuncia que aproximadamente
L M el 80% S E de los
C Refectos
D T de un
L Mproblema
T Fse debe a solamente 20%
de las causas involucradas. I I G T S E O E O T U I I O
la toma T T E R U S C R C A N V N B
El diagrama de Pareto es una gráfica deI dos
A S
dimensiones
I P
que seA construye
O R R I
listando
A
las
I J
causas de un problema
en el eje horizontal, empezando por laCizquierda
T T Cpara
U colocar
A aZaquellas
A Cque CtienenC un E mayor efecto sobre el
problema, de demanera
decisiones
que vayan disminuyendo
A I I enC orden
E DdeC magnitud.
G T El
D Aeje vertical
I I se
T dibuja en ambos lados
S V Ó I S E I O I E C O O I
del diagrama: el lado izquierdo representaA N
la magnitud
O T
del
A
efectoC
provocado
I N
por las
N V
causas, mientras que el
lado derecho refleja el porcentaje acumulado
S de efecto
N A de las causas,
O empezando
O por la
O de mayor magnitud.
L N S
PasosCapacitar
para desarrollar
al personal el diagrama de Pareto: 15
Políticas y normas de actuación 17
1. Seleccione qué clase de problemas se van a analizar.
Trabajo en equipo 17
Asignar funciones y responsabilidades 12
2. Decida
Determinarqué datos de
el alcance vafacultades
a necesitar y cómo clasificarlos. Ejemplo: Por tipo de defecto, localización,
13 proceso,
máquina, trabajador,
Propiciar el liderazgo método.
participativo 8
Manual de organización básica 7
3. Defina el método
Implementar de recolección de los datos y el período de duración de la recolección.
la organización 13
establecer indices de desempeño 12
18 4 20 19 24 12 17
SIMBOLOGIA VALOR
Relación fuerte 3
Relación 2
Probable relación 1
Tesis de Hector Hernández S.
4. Diseñe una tabla para el conteo de datos con espacio suficiente para registrarlos.
5. Elabore una tabla de datos para el diagrama de Pareto con la lista de categorías , los totales individuales,
los totales acumulados, la composición porcentual y los porcentajes acumulados
6. Organice las categorías por orden de magnitud decreciente, de izquierda a derecha en un eje horizontal
construyendo un diagrama de barras. El concepto de “otros” debe ubicarse en el último lugar
independientemente de su magnitud.
Ejes verticales:
- Eje izquierdo: Marque este eje con una escala desde 0 hasta el total general
- Eje derecho: Marque este eje con una escala desde 0 hasta 100%
Eje horizontal:
- Divida este eje en un número de intervalos igual al número de categorías
clasificadas.
8. Dibuje la curva acumulada (curva de Pareto), Marque los valores acumulados (porcentaje acumulado) en
la parte superior, al lado derecho de los intervalos de cada categoría, y conecte los puntos con una línea
continua.
9. Escriba en el diagrama cualquier información que considere necesaria para el mejor entendimiento del
diagrama de Pareto.
Ejemplo 1
El departamento de ventas de un fabricante de materiales de empaque tiene registrada una lista de las quejas
que se han
recibido Tipo de queja No. Total Composición Porcentaje durante
el de Acumulado Porcentual Acumulado último
mes. quejas Tabla 3-
7.1 25
A) Entregas fuera de tiempo 25 35.71 35.71
DIAGRAMA PARETO
50 99.94
98.52
97.7
95.68
94.26
91.41
87.13
N %
O 78.56
A
D C
68.56
E U
M
Q U
U L
25 35.71
E A
J
23 D
A O
S 7
6
3
2
1
A B C D E F G H I J
Las quejas A,B y C representan el 78.56%, siendo en estas en las que debemos de enfocarnos primero a
resolver.
PARETO CHART
70 100
60
80
50
Percent
60
Count
40
30 40
20
20
10
0 0
rs
Defect A B C D E F G
Ot
he
Count 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
Los pasos para elaborar el diagrama de causa- efecto son los siguientes:
Tesis de Hector Hernández S.
Mediciones
Medio ambiente
DIMENSIONES
VELOCIDAD DE
INADECUADAS FORMACION
FUERA DE AVANCE
DIMENSIONES TEMPERATURA HABILIDAD
ESPECIFICADS
ANGULO LIMITES
INCORRECTO DE PUNTA OXIDADA ERGONOMICOS
FORMA
LA FLAMA PUNTA
SOLDADURA DEFECTUOSA
UNION
SUPERFICIE SOLDADURA
S CON LACA DE
POLVO E SECUENCIA PROTECCION
IMPUREZAS SOLDADURA
TIEMPOS DE TERMINALES
ESPERA DESOXIDANTE
CORTOS OXIDADOS
MEDIO AMBIENTE MÉTODOS MATERIALES
Reducción de defectos
Se utiliza el diagrama de análisis de campo de fuerzas ejemplificado a
Fuerzas positivas
continuación: Fuerzas negativas
1. Identificar el problema.
2. Cada miembro del equipo genera una lista de las causas probables
que pueden originar el problema, por escrito y en silencio. Es
recomendable utilizar un postick por cada idea.
3. Una vez que todos los miembros terminan la lista, el facilitador
elimina las ideas que estén duplicadas, las que no sean claras se
eliminan o se pide a la persona que la escribió que especifique con
más detalle la idea.
4. Se somete a consenso del equipo todas las ideas, para determinar
cuales son las causas más importantes
5. Se hace una priorización de las causas del problema consideradas
como más viables.
6. El equipo discute las causas principales, para dar solución al
problema.
Definiciones básicas.
Proceso: Éste se refiere a alguna combinación única de máquinas, herramientas, métodos, materiales
y personas involucradas en la producción.
Capacidad o habilidad: Esta palabra se usa en el sentido de aptitud, basada en el desempeño
probado, para lograr resultados que se puedan medir.
Capacidad del proceso: Es la aptitud del proceso para producir productos dentro de los límites de
especificaciones de calidad.
Capacidad medida: Esto se refiere al hecho de que la capacidad del proceso se cuantifica a partir de
datos que, a su vez, son el resultado de la medición del trabajo realizado por el proceso.
Capacidad inherente: Se refiere a la uniformidad del producto que resulta de un proceso que se
encuentra en estado de control estadístico, es decir, en ausencia de causas especiales o atribuibles de
variación.
Variabilidad natural: Los productos fabricados nunca son idénticos sino que presentan cierta
variabilidad, cuando el proceso está bajo control, solo actúan las causas comunes de variación en las
características de calidad.
Valor Nominal: Las características de calidad tienen un valor ideal óptimo que es el que desearíamos
que tuvieran todas las unidades fabricadas pero que no se obtiene, aunque todo funcione
correctamente, debido a la existencia de la variabilidad natural.
Objetivos15
1. Predecir en que grado el proceso cumple especificaciones.
2. Apoyar a diseñadores de producto o proceso en sus modificaciones.
3. Especificar requerimientos de desempeño para el equipo nuevo.
4. Seleccionar proveedores.
5. Reducir la variabilidad en el proceso de manufactura.
6. Planear la secuencia de producción cuando hay un efecto interactivo de los procesos en las tolerancias.
15
Douglas C. Montgomery, Introduction to Statistical Quality Control, Second Edition, pp 307
Tesis de Hector Hernández S.
Figura 4-1.1
Para realizar un estudio de capacidad es necesario que se cumplan los siguientes supuestos 16:
El proceso se encuentre bajo control estadístico, es decir sin la influencia de fuerzas externas o cambios
repentinos. Si el proceso está fuera de control la media y/o la desviación estándar del proceso no son
estables y, en consecuencia, su variabilidad será mayor que la natural y la capacidad potencial estará
infravalorada, en este caso no es conveniente hacer un estudio de capacidad.
Se recolectan suficientes datos durante el estudio de habilidad para minimizar el error de muestreo para
los índices de habilidad. Si los datos se componen de menos de 100 valores, entonces deben calcularse
los límites de confianza inferiores.
Los datos se recolectan durante un periodo suficientemente largo para asegurar que las condiciones del
proceso presentes durante el estudio sean representativos de las condiciones actuales y futuras.
El parámetro analizado en el estudio sigue una distribución de probabilidad normal, de otra manera, los
porcentajes de los productos asociados con los índices de capacidad son incorrectos.
Variación a corto plazo (Zst) – Los datos son recogidos durante un periodo de tiempo suficientemente corto
para que sea improbable que haya cambios y otras causas especiales.
Las familias de variación han sido restringidas de tal manera que los datos considerados, sólo son los que se
obtuvieron del subgrupo racional. Ayuda a determinar subgrupos racionales importantes.
Variación a Largo Plazo(Zlt) – Los datos son recogidos durante un periodo de tiempo suficientemente largo
y en condiciones suficientemente diversas para que sea probable que contenga algunos cambios de proceso y
otras causas especiales. Aquí todas las familias de variación exhiben su contribución en la variación del
proceso general.
16
J.M. Juran, Análisis y planeación de la Calidad, Tercera Edición Mc. Graw Hill, Pp.404
Tesis de Hector Hernández S.
Z st
límite especif . nom.
desv.std ST
dónde:
Zst = variación a corto plazo.
nom = Valor nominal u objetivo
Zlt = variación a largo plazo.
Z shift.- A largo plazo los procesos tienen un desplazamiento natural de 1.5 desviaciones estándar.
Zlt = Zst-1.5shift
Cp
LSE LIE
6S
donde:
Cp = capacidad potencial
LSE = límite superior de especificaciones
LIE = límite inferior de especificaciones
S = desviación estándar
El índice Cp debe
ser 1 para tener el potencial de cumplir con especificaciones (LIE, LSE)
Para calcular la ha
bilidad o capacidad real utilizamos la siguiente fórmula:
Tesis de Hector Hernández S.
menor Z I , Z S
C pk
3
Para que el proceso cumpla con las especificaciones el Cpk= debe de ser 1.
Capacidad a partir de histogramas
Procedimiento:
1. Seleccionar un proceso específico para realizar el estudio
2. Seleccionar las condiciones de operación del proceso
3. Seleccionar un operador entrenado
4. El sistema de medición debe tener habilidad (error R&R < 10%)
5. Cuidadosamente recolectar la información
6. Construir un histograma de frecuencia con los datos
7. Calcular la media y desviación estándar del proceso
8. Calcular la capacidad del proceso.
Agrupando los datos por intervalos de clase obtenemos los datos mostrados en la siguiente tabla:
35
30
25
20
El histograma es el siguiente:
15
F rec.
10
5
1 7 0 -1 8 9
1 9 0 -2 0 9
2 5 0 -2 6 9
2 7 0 -2 8 9
2 9 0 -3 0 9
2 1 0 -2 2 9
2 3 0 -2 4 9
3 1 0 -3 2 9
3 3 0 -3 4 9
0
Tesis de Hector Hernández S.
X 264.06
S = 32.02
Cp
LSE LIE
330 200 .67 < 1, el proceso no es hábil.
6S 192.2
Zi
330 264.06 2.06
32.02
Zs
200 264.06 2
32.02
Ventajas
1. Se puede observar el comportamiento del proceso sin tomar tantos datos como en el histograma, 10 son
suficientes
2. El proceso es más sencillo ya que no hay que dividir el rango de la variable en intervalos de clase como en
el histograma.
3. Visualmente se puede observar la normalidad de los datos, si se apegan a la línea de ajuste
Tesis de Hector Hernández S.
4. Permite identificar la media y la desviación estándar aproximada del proceso. Así como la fracción
defectiva, el porcentaje de datos entre cierto rango, el Cp y el Cpk.
Procedimiento
1. Se toman al menos n = 10 datos y se ordenan en forma ascendente, asignándoles una posición ( j ) entre 1 y
n.
2. Se calcula la probabilidad de cada posición con la fórmula siguiente:
Pj = (j - 0.5) / n
3. En el papel especial normal se grafica cada punto (Xj, Pj)
4. Se ajusta una línea recta que mejor aproxime los puntos
5. Si no hay desviaciones mayores de la línea recta, se considera normal el proceso y se procede a hacer las
identificaciones:
Ejemplo 2
.-Se tomaron los datos siguientes (Xj) ordenamos los datos y, cálculamos la probabilidad de su posición (Pj)
Con ayuda del gráfico podemos obtener la media, la desviación estándar y el porcentaje de valores que se
encuentran fuera de especificaciones.
Pj
0.84
0.5
Desv. Estándar
Fracción
Defectiva
LIE X Media Xj
Tesis de Hector Hernández S.
?
? ?
? ?
? ?
Si las variaciones presentes son iguales, se dice que se tiene un proceso “estable”. La distribución será
“predecible” en el tiempo.
Predicción
Tiempo
R S
ó (Para cartas de control X-R y X-S respectivamente)
d2 C4
Donde,
S = Desviación estándar de la población
d2 = Factor que depende del tamaño del subgrupo en la carta de control X - R
C4 = Ídem al anterior para una carta X - S
En una carta por individuales, d2 se toma para n = 2 y Rango Medio = Suma rangos / (n -1)
Ejemplo 3 (carta X - R)
De una carta de control X - R (con subgrupo n = 5) se obtuvo lo siguiente, después de que el proceso se
estabilizó quedando sólo con causas comunes: x = 64.06 , R = 77.3
Por tanto estimando los parámetros del proceso se tiene:
x media de medias
R 77.3
33.23
d 2 2.326
El C pk
200 264.06 = 0.64 por tanto el proceso no cumple con las especificaciones.
3 33.23
Ejemplo 4 (carta X - S)
De una carta de control X - S (con subgrupo n = 5) se obtuvo lo siguiente, después de que el proceso se
estabilizó quedando sólo con causas comunes: x 100, s 1.05
Por tanto estimando los parámetros del proceso se tiene:
x 100
s 1.05
= 1.117
C4 .094
El C pk
105 100 1.492
3 1.117
El C p
105 85 2.984
6 1.117
Cuando los datos provienen de poblaciones no normales una opción para realizar el estudio de
capacidad de procesos es mediante la distribución Weibull.
Ejemplo en Minitab
En una compañía se manufacturan losetas para piso, el problema que se tiene es referente a la
deformación en las mismas. Se toman 10 mediciones durante 10 días. El límite superior de
especificación (USL) = 8mm Realice un estudio de capacidad con la ayuda de Minitab e interprete
los resultados.
Process Data
USL 8.00000
Target * Process Capability Analysis for Deformaciòn
LSL * Calculations Based on Weibull Distribution Model
Mean 2.92564
Sample N 100 USL
Shape 1.69368
Scale 3.27812
Observed LT Performance
PPM < LSL *
PPM > USL 20000.00
PPM Total 20000.00
Expected LT Performance
0 2 4 6 8 10
PPM < LSL *
PPM > USL 10764.53
PPM Total 10764.53
El histograma no muestra evidencia de alguna discrepancia seria entre el modelo y los datos, ya que
la curva muestra buen ajuste. Sin embargo observamos que algunos datos caen fuera de el límite
superior de especificación. Lo cual quiere decir que en algunos casos la deformación será mayor a
8mm.
El índice Ppk y Ppu17 = .77 lo cual nos dice que el proceso no es capaz ya que .77<.1.33
También observamos que PPM > USL 20,000 lo cual significa que aproximadamente 20,000 PPM
estarán fuera de los límites de especificaciones.
17
Los índices Pp y Ppk son similares a los índices Cp y Cpk , se refieren a la capacidad del proceso a largo
plazo.
Tesis de Hector Hernández S.
Definir
Definir Medir Analizar
Analizar Mejorar
Mejorar Controlar
Controlar
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 nos
proporcionará evidencias de las fuentes de variación y desempeño insatisfactorio, el cual es
de gran utilidad para la mejora del proceso.
La capacidad del proceso mide la habilidad del proceso para cumplir con los
requerimientos. Compara la variación del proceso contra la variación permitida por el
cliente.
En esta etapa estamos interesados en conocer la meta hacia la cual nos dirigimos, o sea
cuales son los niveles sigma esperados en nuestro proceso en el tiempo.
Una opción es realizar un Benchmarking, el cual es el mecanismo para identificar y
comparar quien tiene el mejor desempeño del proceso, ya sea dentro de la compañía u
Tesis de Hector Hernández S.
otra compañía, y comparamos nuestros valores contra ese parámetro de referencia para
determinar el “GAP” existente. e identificar acciones para reducirlo.
Variación del
Proceso
Variación a Largo Variación a Corto Variación debida al Variación debida al Otras fuentes de
Plazo Plazo Equipo de Medición operador Variación
La Regresión lineal se refiere a la predicción del valor de una variable a partir de una o más variables. En
ocasiones se denomina a la variable dependiente (y) variable de respuesta y a la variable independiente (x)
variable de predicción.
En muchos problemas hay dos o más variables inherentemente relacionadas, y es necesario explorar la
naturaleza de esta relación. El análisis de regresión puede emplearse por ejemplo para construir un modelo
que exprese el rendimiento como una función de la temperatura. Este modelo puede utilizarse luego para
predecir el rendimiento en un nivel determinado de temperatura. También puede emplearse con propósitos de
optimización o control del proceso.
Comenzaremos con el caso más sencillo, la predicción de una variable (y) a partir de otra variable (x).
Para las situaciones siguientes establezca cual es la variable dependiente y cual es la independiente.
a) Un actuario quiere predecir el monto del seguro de vida alcanzado por los maestros a partir de sus
salarios mensuales.
Solución: la variable dependiente o de respuesta, es el monto del seguro de vida alcanzado por un
maestro, y la variable independiente o variable de predicción es el salario anual del docente.
b) El gerente de un restaurante quiere estimar el número de clientes que puede esperar cierta noche a partir
del número de reservaciones para cenar recibidas hasta las 5:00 PM
Solución: El número de clientes es la variable de respuesta, el número de reservaciones es la variable
independiente.
Figura 4-8.1
Ejemplo 1:
La revista Motor Trend presenta con frecuencia datos de rendimiento para automóviles, que compara el
tamaño del motor en pulgadas cúbicas de desplazamiento (pcd) y las millas por galón (mpg) estimadas para
ocho modelos representativos de automóviles subcompactos modelo 1984.
Graficando los datos de la tabla en el “diagrama de dispersión” podemos observar la colección de los ocho
pares de datos (x,y) como muestra de una población de pares, donde las medidas pulgadas cúbicas de
desplazamiento (pcd) “x” pueden tomar cualquier valor en el rango de valores que se extiende de 85 a 122.
Para cada pcd posible hay muchos millajes asociados con ella. Por ejemplo para un tamaño del motor de 97
hay un gran número de millajes asociados, uno por cada coche cuyo tamaño sea 97 pcd. Asumamos que existe
una relación lineal para la población de pares de datos de pcd y mpg. (Se entiende por relación lineal cuando
la variable y tiene una tendencia a crecer o decrecer, cuando la variable x aumenta).
Diagrama de dispersión
39
37
35
m 33
p 31
g 29
27
25
80 90 100 110 120 130
pcd
ddci
18
d
Estadística, Richard C.Weimer, CECSA, Segunda edición, 2000
Tesis de Hector Hernández S.
Usamos el modelo probabilístico siguiente para explicar el comportamiento de los millajes para las ocho
medidas de tamaño de motor, este se llama modelo de regresión lineal, y expresa la relación lineal entre
tamaño de motor (x) y millas por galón (y).
y 0 1 x
Donde
y = variable dependiente
0 ordenada al origen
1 = pendiente
x = variable independiente
= Error aleatorio
La expresión 0 1 x se denomina componente determinística del modelo de regresión lineal. La
muestra de pares de datos se usará para estimar los parámetros 0 y 1 de la componente determinística.
La diferencia principal entre un modelo pobabilístico y uno determinístico es la inclusión de un término de
error aleatorio en el modelo probabilístico. En el ejemplo los diferentes rendimientos para un mismo tamaño
de motor se atribuyen al término de error en el modelo de regresión.
Donde:
ŷ Valor predicho de ŷ para un valor particular de x.
b0 = Estimador puntual de 0 .(ordenada al origen)
b1= Estimador puntual de 1. (pendiente)
x 2
SS x x 2
n
Tesis de Hector Hernández S.
y 2
SS y y 2
x y
SS xy xy
n
SS xy
b1
SS x
b0 y b1 x
Donde:
SS = suma de cuadrados
b1 = pendiente
b0 = ordenada al origen
n = número de pares de datos
En la tabla incluimos las sumatorias que utilizaremos para el cálculo de las fórmulas.
coches compactos tamaño del motor (pcd) x millas/galón (mpg), y x^2 y^2 xy
Chevrolet Cavalier 121 30 14641 900 3630
Datsun Nissan Stanza 120 31 14400 961 3720
Dodge Omni 97 34 9409 1156 3298
Ford Escort 98 27 9604 729 2646
Mazda 626 122 29 14884 841 3538
Plymouth Horizon 97 34 9409 1156 3298
Renault Alliance/Encore 85 38 7225 1444 3230
Toyota Corolla 122 32 14884 1024 3904
SUMAS 862 255 94456 8211 27264
Media 107.75 31.875
Calculando b0 y b1 tenemos:
SSx = 1575.50
SSy = 82.88
SSxy = -212.25
b1 = -0.13472
b0 = 46.39099
Error
Los errores se denominan frecuentemente residuales. Podemos observar en la gráfica de regresión los errores
indicados por segmentos verticales.
Figura 4-8.4 Gráfica de residuales en la cual los errores son indicados por segmentos
verticales.
Residual
0 10
0 X=0.000
-10 -10
-20
-20 -30
-40 -3.0SL=-43.26
-50
-2 -1 0 1 2 0 5 10
Marcador Normal Número de Observación
Histograma - Histograma de Residuales Residuales vs. Ajustes
¿curva de 3 20
10
Frecuencia
campana? 2
Residual
¿Aleatorio
1 -10
Ignórese 0
-20
para grupos
-25 -20 -15 -10 -5 0 5 10 15 450 500
Ajuste
550 alrededor de
cero, sin
pequeños de
Buscar
Buscarlas
lasinconsistencias
inconsistencias tendencias?
información
mayores
mayores
(<30)
Tesis de Hector Hernández S.
Al usar el criterio de mínimos cuadrados para obtener la recta que mejor se ajuste a nuestros datos, podemos
obtener el valor mínimo para la suma de cuadrados del error (SSE)
SSE SS y b1 SS xy
2
A la varianza de los errores e se le llama varianza residual siendo denotada por s e , se encuentra dividiendo
SSE entre n-2
SSE
S e2
n2
La raíz cuadrada positiva de la varianza residual se llama error estándar de estimación y se denota por Se.
54.2849
S e2 9.0475
6
Se = 3.007
Ejemplo 2: Una firma de renta de coches recabó los datos adjuntos sobre los costos de mantenimiento y, y las
millas recorridas x para siete de sus automóviles.
Automóvil Millas recorridas x Costos de manteni-
en miles miento y (dólares)
A 55 299
B 27 160
C 36 215
D 42 255
E 65 350
F 48 275
G 29 207
Encuentre:
a) Una estimación puntual para 0 .
b) Una estimación puntual para 1.
c) Una estimación puntual para la varianza del error 2 .
d) Una estimación puntual para el costo promedio del mantenimiento de un coche con 36,000 millas
recorridas.
e) Prediga el costo para un coche con 29,000 millas recorridas.
Tesis de Hector Hernández S.
a) b0 =57.5567
b) b1 = 4.4970
c) S e2 = 170.54
d) 57.5567 + 4.497(36) = 219.44 usd
e) 57.5567 + 4.497(29) = 187.96 usd
Figura 4-8.5
Tesis de Hector Hernández S.
Con el propósito de determinar si la pendiente de la regresión poblacional es diferente de cero, separemos SSy
en dos componentes, SSE y SSR.
Tenemos la siguiente relación:
SSy = SSE + SSR
Donde:
SSE = Suma de cuadrados del error
SSR = Suma de cuadrados de la regresión
SSE = SSy-b1SSxy
SSR = b1SSy
Con gl = (1,n-2), se puede usar el estadístico F para determinar si 1 es diferente de cero. Si la pendiente de
la ecuación de regresión poblacional es diferente de cero, entonces la ecuación se puede usar con propósitos
de predicción.
Ejemplo 3: Para los datos del ejemplo 1 haga una prueba para determinar si 1 0 , usando 0.05
H 0 : 1 0
H 1 : 1 0
SSR 28.5901
F = 3.16
S e2 9.0475
b1
t , donde gl = n-2
Se SSx
Tesis de Hector Hernández S.
Ejemplo 4: Usando los datos del ejemplo 1, haga una prueba para determinar si 1 0 usando la prueba de
t y 0.05 .
H 0 : 1 0
H 1 : 1 0
b1 0.1347
t = 1.7775
Se SSx 9.0475 1575.5
Los valores críticos t .025 para gl = 6 son 2.447 . Como –t.025 < t no rechazamos H 0 : 1 0 . Por
tanto no tenemos evidencia que sugiera que el modelo lineal es apropiado para nuestros datos.
Análisis de correlación
Establece si existe una relación entre las variables y responde a la pregunta,”¿Qué tan evidente es esta
relación?".
La correlación es una prueba fácil y rápida para eliminar factores que no influyen en la predicción, para una
respuesta dada.
Coeficiente de Correlación de Pearson
SSxy
r
SSxSSy
Tesis de Hector Hernández S.
Ejemplo 5: En un esfuerzo por determinar la relación entre el pago anual de los empleados y el número de
faltas al trabajo por causa de enfermedad, una corporación grande estudió los registros personales de una
muestra de doce empleados. Los datos pareados aparecen en la siguiente tabla.
Pago anual
Empleado (miles de dólares) Inasistencias
1 15.7 4
2 17.2 3
3 13.8 6
4 24.2 5
5 15 3
6 12.7 12
7 13.8 5
8 18.7 1
9 10.8 12
10 11.8 11
11 25.4 2
12 17.2 4
SSxy = -130.06667
SSx = 230.569167
SSy = 164.666667
SSxy
r = -0.6675
SSxSSy
Tesis de Hector Hernández S.
Diagrama de dispersión
14
12
Inasistencias
10
8 Serie1
6 Lineal (Serie1)
4
2
0
0 5 10 15 20 25 30
Pago anual (miles usd)
Ecuación de la regresión: Para obtener la ecuación de regresión usamos los coeficientes de los
renglones Intercepción y variable X1, estos son 46.3909 y – 0.1347 respectivamente, siendo la
ecuación de regresión: y = 46.3909- 0.1347X1.
Análisis de Varianza: La tabla muestra la suma de cuadrados de la regresión SSR = 28.5901, la
suma de cuadrados de los residuos o error SSE = 54.2806, El promedio de los cuadrados de la
2
regresión que es la varianza residual S e = 9.0468 . El sistema calcula el valor de F dividiendo SSR/
S e2 como ya se trato anteriormente. El valor crítico F es menor que el valor F (0.125< 3.16), por lo
que no tenemos evidencia para rechazar la H 0: 1 0 , en consecuencia el modelo de regresión no
es apropiado.
Análisis de residuos: muestra los pronósticos y residuos para cada observación, así como el gráfico
de residuales, en el cual observamos inconsistencias ya que la mayoría de los puntos se encuentran
en la región positiva.
Tesis de Hector Hernández S.
En ocasiones la información de una variable independiente no es suficiente, por ejemplo en el caso de los
autos compactos además de tener la variable del tamaño del motor, podríamos tener otras variables, que nos
permitan tener mayor información como por ejemplo el peso del coche, el tipo de recorrido, el tamaño de las
llantas, estos factores también influyen sobre la razón del consumo de gasolina.
Cuando se usa más de una variable independiente para predecir los valores de una variable dependiente, el
proceso se llama análisis de regresión múltiple, incluye el uso de ecuaciones lineales y no lineales, en este
estudio nos ocuparemos de las ecuaciones de regresión lineales.
Ejemplo 6 Muchos programas de estudios premédicos usan los promedios de las calificaciones del MCAT de
los estudiantes egresados como un indicador de la calidad de sus programas. Las variables que se sabe
influencian esos promedios del MCAT(y) son: la combinación de las calificaciones del SAT en matemáticas y
en oratoria (x1) y el GPA (x2) de los prospectos a médicos. La tabla muestra las medidas de x1, x2 y y de seis
estudiantes que han cursado un programa de premedicina y que han presentado el MCAT
Con esta información podemos encontrar una ecuación lineal que nos permita predecir el promedio de
calificaciones del MCAT para un estudiante si se conocen su GPA y su calificación combinada del SAT.
La ecuación lineal para los datos del ejemplo tiene la forma yˆ b0 b1 x1 b2 x 2 . Es posible encontrar los
valores de b0, b1, y b2 usando el método de mínimos cuadrados, al igual que en el método de regresión lineal
simple. El método en este caso requiere resolver tres ecuaciones lineales con tres incógnitas, estas ecuaciones,
conocidas como ecuaciones normales, son:
y nb 0 b1 x1 b2 x 2
x y b x b x b x
1 0 1 1
2
1 2
2
2
x 2 y b0 x 2 b1 x1 x 2 b2 x 2
2
Tesis de Hector Hernández S.
Suma de cuadrados
La suma total de cuadrados SST, se descompone en dos componentes: suma de cuadrados para la regresión, y
suma de cuadrados del error.
La suma de cuadrados para la regresión es aquella parte de la suma total de cuadrados que se atribuye a las
variables independientes. Mientras que la suma de cuadrados del error es aquella porción de la suma de
cuadrados total y que no se debe a las variables independientes, por ello se llama suma de cuadrados del error.
SST y y 2
12.9950
SSE y yˆ
2
2.2403
SSR SST SSE 10.7547
glT gl R gl E
glT n 1
gl R k
gl E n ( k 1)
donde:
k = número de variables independientes
Tesis de Hector Hernández S.
SSR 10.7547
MSR 5.3773
gl R 2
SSE 2.2403
MSE 0.7468
gl E 3
Donde:
MSR= Cuadrado medio de la regresión
MSE= Cuadrado medio del error.
Prueba de hipótesis
Para determinar si el modelo lineal describe adecuadamente los datos, se usa la prueba F.
Para los datos del ejemplo las hipótesis son:
H 0 : 1 2 0
H1 : 1 0 o 2 0
MSR 5.3773
F 7.20
MSE 0.7468
SSR
R2
SST
10.7547
R2 0.8276 82.8%
12.995
Esto significa que aproximadamente el 83% de la variación en el promedio de las calificaciones se atribuye a
la variación de las variables independientes y solamente el 17% de la variación de la variable dependiente no
se atribuye a eso.
Tesis de Hector Hernández S.
Introduzca los valores de la variable dependiente e independiente, el nivel de confianza es 95% por
de fault.
Multiple Regression
--------------------------------------------------------------------------------
Dep. var.: 12.4,13.3,9.2,10.6,13.2,11.2
Weights:
Constant: Yes Vertical bars: No Conf. level: 95
Análisis de datos:
El análisis de varianza nos muestra que el P-Value 0.0716 > 0.05 por lo cual no rechazamos la
H 0 : 1 2 0 , concluyendo que el modelo no es recomendable para hacer predicciones.
Ejemplo 7 La tabla enlista el consumo de combustible en millas por galón bajo condiciones
normales de manejo, los pesos de los coches en libras y la capacidad del motor en cc para
seis coches deportivos modelo 1990.
a) Determine una ecuación de regresión para predecir el promedio de consumo de combustible usando
la capacidad del motor y el peso, y calcule el coeficiente de determinación R2.
Seleccionamos la variable de respuesta (response) que corresponde a la Columna 3 C3, y las variables de
predicción (predictors): C1 y C2.
Damos Clic en el Icono Graphs, y en la opción gráficos de residuos “residual plots” dejamos la opción que
el sistema da por de fault: “Regular”. y seleccionamos la opción residual vs. fits y normal plot of residuals.
También existen otras opciones de gráficos que podemos usar en caso de ser necesario.
Tesis de Hector Hernández S.
Regression Analysis
The regression equation is
C3 = 10,9 - 0,00050 C1 + 0,00270 C2
Analysis of Variance
Source DF SS MS F P
Regression 2 2,368 1,184 0,15 0,866
Residual Error 3 23,605 7,868
Total 5 25,973
1
Normal Score
0
Residuals Versus the Fitted Values
(response is C3)
4
-1
3
-2 -1 0 1 2 3 4
2
Residual
Residual
1
Figura 4-8.9 Gráfica de Probabilidad Normal
0
-1
-2
17 18 19
Fitted Value
Tesis de Hector Hernández S.
Analizando los gráficos anteriores, podemos observar en el grafico de probabilidad que las observaciones
aparentan ser normales. Sin embargo en el gráfico de residuales observamos una tendencia ya que la mayorìa
de los puntos se encuentran a bajo del cero.
El análisis de la varianza de un criterio (ANOVA) es una metodología para analizar la variación entre
muestras y la variación al interior de las mismas mediante la determinación de varianzas. Es llamado de un
criterio porque analiza un variable independiente o Factor ej: Velocidad. Como tal, es un método estadístico
útil para comparar dos o más medias poblacionales. El ANOVA de un criterio nos permite poner a prueba
hipótesis tales como:
H 0 1 2 3 .... k
Los supuestos en que se basa la prueba t de dos muestras que utiliza muestras independientes son:
Como el ANOVA de un criterio es una generalización de la prueba de t para dos muestras, los supuestos para
el ANOVA de un criterio son:
Tesis de Hector Hernández S.
El método de ANOVA con un criterio requiere del cálculo de dos estimaciones independientes para 2 , la
2 2 2
varianza poblacional común. Estas dos estimaciones se denotan por sb y s w . s b se denomina estimación
2
de la varianza entre muestras y s w se denomina estimación de la varianza al interior de las muestras. El
estadístico tiene una distribución muestral resultando:
sb2
F
s w2
F ( k 1, k ( n 1))
Donde el número de grados de libertad para el numerador es k-1 y para el denominador es k(n-1), siendo
el nivel de significancia.
k = número de muestras.
NOTA: El cálculo de las fórmulas de las varianzas son dadas al final del capítulo.
El Procedimiento es el siguiente19:
Ejemplo 1:
Tres tipos distintos de motores de gasolina fueron probados para determinar cuánto tiempo son útiles antes de
necesitar una reparación; si los tiempos de vida de los motores de cada tipo se distribuyen normalmente y
tienen la misma varianza, haga una prueba usando 0.05 para determinar si difieren las medias de vida
útil antes de requerir una reparación. En la tabla aparecen los tiempos de vida útil, en decenas de miles de
millas para cada tipo de motor.
A B C
6 8 3
2 7 2
4 7 5
1 2 4
19 7
Estadística. Richard C.Weimer. 6 Edición.2000
CECSA. Segunda 1
Tesis de Hector Hernández S.
Analizando las gráficas nos damos cuenta de que las muestras provienen de poblaciones normales.
Si denotamos por 1, 2 y 3 las medias poblacionales de los tiempos de vida útil para los tipos A,B y C,
respectivamente, entonces podemos escribir las hipótesis estadísticas como:
H 0 : 1 2 3
Procedimiento en Excel:
Tesis de Hector Hernández S.
RESUMEN
Grupos Cuenta Suma Promedio Varianza
Columna 1 5 20 4 6.5
Columna 2 5 30 6 5.5
Columna 3 5 15 3 2.5
ANÁLISIS DE VARIANZA
Origen de las variaciones Suma de cuadrados Grados de libertad Promedio de los cuadrados F Probabilidad Valor crítico para F
Entre grupos 23.33333333 2 11.66666667 2.413793103 0.13150932 3.885290312
Dentro de los grupos 58 12 4.833333333
Total 81.33333333 14
ANOVA en Minitab.
Ejemplo 2: La tabla adjunta contiene el número de palabras escritas por minuto por cuatro secretarias de la
universidad en cinco ocasiones diferentes usando la misma máquina.
Tesis de Hector Hernández S.
A B C D
82 55 69 87
79 67 72 61
75 84 78 82
68 77 83 61
65 71 74 72
Utilice 0.05 para calcular si difieren las velocidades de escritura de las cuatro secretarias.
En la ventana One-Bay analysis o Variance seleccione las columnas en el cuadro: Responses (in separete
columns)
En el icono graphs, seleccionamos la opciones: boxplots of data (gráfica de cajas) . Damos clic en ok y el
sistema nos muestra el análisis de varianza y la tabla.
Analysis of Variance
Source DF SS MS F P
Factor 3 52,2 17,4 0,20 0,892
Error 16 1367,6 85,5
Total 19 1419,8
Tesis de Hector Hernández S.
Boxplots of A - D
(means are indicated by solid circles)
85
75
65
55
A
Prueba de Tukey-Snedecor20
Cuando la hipótesis nula Ho es rechazada, estamos interesados en identificar el grupo o grupos particulares
que inducen a la diferencia estadísticamente significativa. Los pasos para realizar la prueba son los siguientes:
1. Se ubican las medias de los tratamientos, primero la de mayor valor y por último la de menor, así como la
diferencia entre ellas.
S w2
2. Se calcula el error estándar de la media : Sx
n
3. Determinamos el valor Q en la tabla de valores críticos Tukey-Snedecor del apéndice, mediante el
número de tratamientos k y los grados de libertad dentro de grupos.
4. Se calcula D, utilizando: D QSx
5. Se compara el valor D con la diferencia de los pares de medias de los tratamientos. La presencia de pares
mayores que D significa que dichos tratamientos difieren significativamente del nivel .
Ejemplo:
Para determinar si existe diferencia significativa en el nivel de Matemáticas de 4 grupos de estudiantes de
Ingeniería se realizó un examén aleatorio a 6 individuos por grupo. Determine cuales son los grupos en los
cuales existen diferencias.
A B C D
75 78 55 64
93 91 66 72
78 97 49 68
71 82 64 77
63 85 70 56
76 77 68 95
Analysis of Variance
Source DF SS MS F P
Factor 3 1637 546 5,41 0,007
Error 20 2018 101
Total 23 3654
Individual 95% CIs For Mean
Based on Pooled StDev
Level N Mean StDev ------+---------+---------+---------+
A 6 76,00 9,88 (------*------)
B 6 85,00 7,77 (------*------)
C 6 62,00 8,22 (------*------)
D 6 72,00 13,34 (------*------)
------+---------+---------+---------+
Pooled StDev = 10,04 60 72 84 96
De la tabla de Anova extraemos los datos siguientes:
S b2 = 546
S w2 101
F = 5.41
P-Value = 0.007
Como .007< .05 rechazamos Ho, por lo tanto existen diferencias significativas en las medias de los grupos.
20
Estadística para las ciencias sociales y del comportamiento. Haroldo Elorza. Segunda Edición. Oxford
University Press.
Tesis de Hector Hernández S.
Grupo X X 62 X 72 X 76
B 85 23 13 9
A 76 14 4
D 72 10
C 62
S w2
2. Error estándar de la media: Sx 4.1
n
4. D QSx = 16.23
5. El par mayor a 16.23 es 23, X B X C 23 por lo que los grupos B y C son los que presentan
diferencias estadísticamente significativas en la media.
s 2 s 22 s32 ...... s k2
s 12
s 2
i
w
k k
gl w k (n 1)
n xi x
2
s 2
b
k 1
gl b k 1
4-6 ANALISIS MULTI-VARI
Es una técnica de pre-experimentación diseñada para aislar y cuantificar los mayores componentes de
variabilidad en procesos de producción. También es utilizada en procesos de vendedores y proveedores.
El análisis Multi-Vari permite determinar las fuentes que presentan mayor variación, a través de la
descomposición de los componentes de variabilidad del proceso. Las cartas Multi-Vari forman parte de las
herramientas desarrolladas por Dorian Shainin21, encaminadas a la mejora del proceso.
El objetivo general de las cartas Multi-Vari es, descubrir los componentes de variación en
el proceso y cuantificar las diferentes fuentes de variabilidad, las cuáles pueden ser, por
ejemplo: de lote a lote, dentro del lote, de turno a turno, entre turnos, dentro del turno, de
21
Dorian Shainin (1914 – 2000). Precursor de herramientas como Lot-plot, Multi-Vari, Pre-control, B vs C,
(prueba no paramétrica de significancia estadística basada en la técnica de John Tukey), paired comparisons,
y otras.
Tesis de Hector Hernández S.
1. Variación posicional. Se refiere a variaciones dentro de una misma pieza, variaciones producidas de un
troquel a otro, dentro de un lote de piezas, de una máquina a otra, de un operador a otro, o de una planta
a otra.
2. Variación cíclica. Es la variación entre unidades de un mismo proceso, o variación entre grupos de
unidades (lotes).
3. Variación temporal. Variación de diferencia de tiempo (por ejemplo: de hora a hora, de día a día, de
semana a semana, etc.), variación de una corrida de producción a otra, o variación de turno a turno.
Una vez identificados las fuentes de variación, el análisis Multi-Vari esta diseñado y enfocado a identificar la
variable independiente de mayor influencia dentro de las familias de variación descritas anteriormente.
1. Selección del proceso. Cualquier proceso que se presente fuera de las especificaciones permitidas es
candidato a ser seleccionado para posteriormente ser analizado por medio de cartas Multi-Vari.
2. Plan de muestreo y toma de mediciones. El objetivo es tomar mediciones que otorguen información con
respecto a las principales familias de variación que pueden influenciar en la variabilidad del proceso. Es
decir, para el caso de variación posicional, tomar mediciones en una máquina y en otra, éstas mediciones
deben ser tomadas de manera que resulten en un muestreo aleatorio. El muestreo aleatorio puede ser
llevado a cabo con tablas de números aleatorios, dichas tablas contienen una serie de columnas y
renglones de números, por ejemplo, el último dígito de un número nos puede dar el intervalo de minutos
que se debe esperar para tomar la siguiente medición.
3. Toma de mediciones para variación simultánea. Es recomendable también realizar una toma de
mediciones que cubra más de una familia de variabilidad, por ejemplo es posible incluir la variación
temporal o la variación cíclica a una carta Multi-Vari que este enfocada en la variación posicional.
4. Determinar los limites de variación. Obtener el máximo y el mínimo del total de las mediciones tomadas
anteriormente. Así como el máximo y el mínimo para cada familia de variabilidad seleccionada.
5. Graficar los rangos. Las cartas Multi-Vari están formadas por cuatro ejes dispuestos de manera
rectangular.
a. Ejes. Los ejes verticales (izq. y der.) grafican la escala de la medidas tomadas, use como guía los
límites de variación obtenidos en el paso 4. El eje horizontal inferior es usado para identificar las
unidades muestreadas, la posición, etc. El eje horizontal superior es usado para agrupar por
lotes, para agrupar por turno, por máquina, etc. Nótese que los ejes horizontales se definen de
diferente manera de acuerdo a la familia de variabilidad en que estamos interesados.
b. Cajas. La representación es similar a una gráfica de “Box and Whiskers”, con la diferencia que
el eje horizontal superior define los límites horizontales de las cajas. Los límites verticales de las
cajas están definidos por la medición máxima y el mínima de la familia de variabilidad
seleccionada.
Ejemplo gráfico:
1.3”
1.2”
1.1”
1.0”
A B C A B C A B C A B C
Troquel
Con este fin se planifica un muestreo aleatorio de cinco diferentes lotes de material que será procesado en dos
diferentes inyectoras de plástico. Se toman cinco muestras para cada inyectora y para cada lote. Resultando 50
observaciones.
Las mediciones ordenadas por lote e inyectora se muestran en la siguiente tabla. (4-6.1)
Medición Medición
Lote Inyectora (pulg.) Lote Inyectora (pulg.)
A 1 1,5060 C 2 1,4981
A 1 1,4853 C 2 1,4975
A 1 1,5089 C 2 1,5196
A 1 1,4939 C 2 1,4874
A 1 1,5131 C 2 1,5158
A 2 1,4994 D 1 1,4913
A 2 1,4914 D 1 1,5003
A 2 1,4934 D 1 1,4896
Tesis de Hector Hernández S.
A 2 1,4854 D 1 1,5086
A 2 1,5130 D 1 1,4938
B 1 1,4993 D 2 1,4843
B 1 1,5054 D 2 1,4987
B 1 1,4974 D 2 1,5087
B 1 1,5127 D 2 1,4984
B 1 1,4888 D 2 1,4905
B 2 1,5159 E 1 1,5198
B 2 1,4874 E 1 1,4976
B 2 1,5011 E 1 1,4946
B 2 1,4980 E 1 1,4882
B 2 1,4979 E 1 1,5081
C 1 1,4867 E 2 1,4929
C 1 1,4943 E 2 1,5014
C 1 1,5033 E 2 1,5047
C 1 1,4909 E 2 1,5055
C 1 1,5035 E 2 1,5030
La siguiente figura muestra la carta Multi-Vari obtenida para el ejemplo. El software estadístico usado
para obtener esta carta es MiniTab. Nótese que este software no encierra los datos en cajas.
Tesis de Hector Hernández S.
Una carta Multi-Vari adicional correspondería a los ejes horizontales invertidos, esto es, ordenados por lote y
luego por inyectora.
Para probar si una serie de datos observada, concuerda con el modelo (serie esperada) de la información.
Para probar las diferencias entre las proporciones de varios grupos (tabla de contingencia).
E ij
total de i ésimo renglón total de j ésima columna
n
O Eij
2
ij
Eij
donde:
gl r 1 c 1
donde
r = número de renglones
c = número de columnas
Ejemplo: Al final de un semestre, las calificaciones de matemáticas fueron tabuladas en la siguiente tabla de
contingencia de 3 2 para estudiar la relación entre la asistencia a clase y la calificación obtenida.
Tesis de Hector Hernández S.
Con 0.05 , ¿indican los datos que son distintas las proporciones de estudiantes que pasaron en las tres
categorías de ausencias?
H0 : p1 = p2 = p3
H1 : al menos dos proporciones son diferentes.
Los valores Oij = 135, 110... corresponden a los valores observados, los valores esperados se colocan en las
celdas con paréntesis, para calcular los utilizamos la fórmula:
E ij
total de i ésimo renglón total de j ésima columna
n
O Eij
2
ij
Eij
Para determinar el valor crítico del estadístico de prueba procedemos de la siguiente manera:
gl r 1 c 1
gl = (3-1)(2-1) = 2
El valor critico del estadístico ji-cuadrada para 0.05 y g.l. = 2 se denota 0.05 ( 2) , En la tabla ji-
2
cuadrada encontramos que vale 5.991, el valor del estadístico de prueba es 2 =17.44. Como este estadístico
está localizado en la región de rechazo (a la derecha del valor crítico) , rechazamos Ho por lo cual aceptamos
la hipótesis alternativa H1: al menos dos proporciones son diferentes.
La inferencia estadística es el proceso mediante el cual se utiliza la información de los datos de una muestra
para extraer conclusiones acerca de la población de la que se seleccionó la muestra. Las técnicas de
inferencia estadística se dividen en dos áreas principales: Estimación de intervalos de confianza y Pruebas
de hipótesis.
En cada prueba estadística, se comparan algunos valores observados contra algunos esperados u otro valor
observado comparando estimaciones de parámetros (media, desviación estándar, varianza).
Estas estimaciones de los verdaderos parámetros son obtenidos usando una muestra de datos y calculando los
estadísticos.
La capacidad para detectar un diferencia entre lo que es observado y lo que es esperado depende del
desarrollo de la muestra de datos.
Incrementando el tamaño de la muestra mejora la estimación y la confianza en las conclusiones estadísticas.
Tesis de Hector Hernández S.
Intervalos de Confianza
Las medias o desviaciones estándar calculadas de una muestra se denominan estadísticos, podrían ser
consideradas como un punto estimado de la media y desviación estándar real de la población o de los
parámetros.
Cuando no deseamos obtener números sencillos como la media basada en una muestra, utilizamos los
intervalos de confianza, los cuales nos dan un margen con algún tipo de error.
Ejemplo 1
Obtenemos una muestra donde la media x = 100, la desviación estándar s = 10, Encontrar el intervalo de
confianza al 95% en el cual se encuentra la media para una distribución normal.
95% de nivel de confianza significa que sólo tenemos un 5% de probabilidad de obtener un punto fuera
de ese intervalo.
Esto es el 5% total, o 2.5% mayor o menor. En la tabla Z vemos que para un área de 0.025,
corresponde a una Z de 1.960.
C.I. Multiplicador
99 2.576
95 1.960
90 1.645
85 1.439
80 1.282
Tabla 4-4.1
Para tamaños de muestra > 30, la distribución de referencia es la Normal, para muestras de menor tamaño,
debe usarse la distribución t.
PRUEBAS DE HIPÓTESIS
Las pruebas de hipótesis pueden ser de dos colas, de cola derecha o de cola izquierda, a continuación se
esquematizan cada una de ellas.
-Z 0 Z
Pruebas de Hipótesis de cola derecha:
Ho: a b
Ha: a > b Región de
Rechazo
0 Z
Pruebas de Hipótesis cola izquierda:
Ho: a b
Ha: a < b Región de
Rechazo
-Z 0 Z
Figura 4-4.1 Pruebas de Hipótesis de dos colas, cola derecha y cola derecha, en las
distribuciones observamos la región de rechazo.
Ho: o
Ha: 0
0
Z calc
s
n
Establecer la región de rechazo, para prueba de 2 colas: Z 2 Z 2
Región de Región de
Rechazo Rechazo
0
-Z Z
Figura 4-4.2 Región de rechazo
Si el valor del estadístico de prueba cae en la región de rechazo rechazaremos Ho de otra manera no
podemos rechazar Ho.
Supongamos que tenemos muestras de dos reactores que producen el mismo artículo. Se desea ver si hay
diferencia significativa en el rendimiento de “Reactor a Reactor”.
Reactor A Reactor B
89.7 84.7
81.4 86.1
84.5 83.2
84.8 91.9
87.3 86.3
79.7 79.3
Tesis de Hector Hernández S.
85.1 82.6
81.7 89.1
83.7 83.7
84.5 88.5
Estadísticas Descriptivas
Variable Reactor N Media Desv.Std
Rendimiento A 10 84.24 2.90
B 10 85.54 3.65
B B B B B BB BB B
A AA AAAA A A
Pruebas de medias:
Prueba Z para medias (varianza conocida): Prueba si dos medias de muestras son iguales.
Prueba t para medias (varianza desconocida): Prueba si dos medias de muestras son iguales. Se tienen dos
casos: varianzas iguales y varianzas diferentes
Tesis de Hector Hernández S.
Prueba t pareadas para medias: prueba si dos medias de muestras (por pares) son iguales.
Pruebas de varianza:
Pruebas de proporciones:
A) Varianzas conocidas
Supóngase que hay dos poblaciones de interés X1 y X2, Suponemos que X1 tiene media desconocida 1 y
varianza conocida 1 2 y que X2 tiene media desconocida 2 y varianza conocida. Estaremos interesados en
la prueba de la hipótesis de que las medias 1 y 2 sean iguales.
H 0 : 1 2
H 1 : 1 2
Donde
H0 = Hipótesis nula
H1 = Hipótesis alternativa.
1 = media de la población 1
2 = media de la población 2
X1 X 2
Z0
21 2 2
n1 n2
Tesis de Hector Hernández S.
Donde:
X 1 = media de la muestra 1
X 2 = media de la muestra 2
21 = varianza de la población 1
2 2 = varianza de la población 2
n1 = tamaño de la muestra 1
n2 = tamaño de la muestra 2
Z 0 Z 2 o Z 0 Z 2
Donde
Z0 = Valor calculado del estadístico de prueba
Z 2 = Valor obtenido de las tablas.
Las hipótesis alternativas de un lado se analizan de manera similar. Para probar
H 0 : 1 2
H 1 : 1 2
H 0 : 1 2
H 1 : 1 2
Ejemplo 1:
Se emplean dos máquinas para llenar botellas de plástico con un volumen neto de 16 onzas. El proceso de
llenado puede suponerse normal, con desviaciones estándar de 1 .015 y 2 .018 . Ingeniería de
calidad sospecha que ambas máquinas llenan hasta el mismo volumen neto, sin importar que este volumen sea
o no de 16 onzas. Se toma una muestra aleatoria de la salida de cada máquina. ¿Piensa usted que ingeniería de
máquina
calidad está en lo correcto? 1 .05
máquina
Utilizando 2.
16.03 16.02
Se toman muestras con 16.04 15.97
cada máquina, mostradas en la siguiente tabla:
16.05 15.96
16.05 16.01
16.02 15.99
16.01 16.03
15.96 16.04
15.98 16.02
16.02 16.01
15.99 16
Tesis de Hector Hernández S.
H 0 : 1 2
H 1 : 1 2
X1 X 2 16.015 16.005
Z0 1.34
1 2
2 2
= .015 2 .018 2
n1 n2 10 10
Z 2 = Z.025 = 1.96
Utilizando el criterio de decisión Z 0 Z 2 para rechazar la hipótesis nula H0, nos damos cuenta de que 1.34
no es mayor que 1.96. por lo cual no rechazamos H0. No existe suficiente evidencia estadística para pensar que
las medias son diferentes.
Cuando rechazamos la hipótesis nula se considera que la prueba es potente, si aceptáramos la hipótesis nula
el criterio de decisión es débil, ya que generalmente se busca rechazar H0.
PROCEDIMIENTO EN EXCEL
Seleccionar análisis de datos en el menú herramientas. En funciones para análisis elija la opción :
Prueba z para medias de dos muestras. Aparecerá la siguiente ventana en la cual se llenarán los
campos.
Tesis de Hector Hernández S.
Prueba
En la tabla z para
de Excel medias
tenemos el de dos
valor z =muestras
1.34 y el valor crítico de z (dos colas) = 1.96, como 1.34 no es
mayor que 1.96 no rechazamos la hipótesis nula.
B) Varianzas desconocidas: Variable 1 Variable 2
Media 16.015 16.005
Consideraremos
Varianza ahora pruebas de hipótesis respecto a la
(conocida) medias 1 y 2 de dos
igualdad de las0.000324
0.000225
normales donde no se conocen las varianzas 1210
Observaciones
distribuciones y 22 . Tenemos10dos casos en el primero las
Diferencia
varianzas hipotética
son iguales de las medias
y en el segundo 0 a continuación analizaremos cada uno de
las varianzas son desiguales,
ellos. z 1.34962722
P(Z<=z) una cola 0.08856785
Caso 1Valor críticoiguales
varianzas de z (una cola) 1.644853
Sean XValor
1 y X 2 crítico
dos de z (dos
poblaciones colas)
normales independientes con medias desconocidas 1 y 2 , y varianzas
0.17713571
Valor crítico de z 2(dos colas) 1.95996108
conocidas pero iguales 1 2 . Deseamos probar:
2 2
H 0 : 1 2
H 1 : 1 2
2 2
Sean X1, X2, S1 , S 2 , las medias y las varianzas de las muestras, respectivamente. Puesto que tanto
S12 como S 22 estiman la varianza común 2 , podemos combinarlas para producir una sola estimación,
mediante la siguiente fórmula:
Tesis de Hector Hernández S.
n1 1 S12 n2 1 S 22
Sp
n1 n2 2
X1 X 2
t0
1 1
Sp
n1 n 2
Usando la tabla “t de Student” : Si t 0 t 2, n1 n2 2 o si t 0 t 2, n1 n2 2 , rechazamos
H 0 : 1 2
Las alternativas de un lado se tratan de modo similar. Para probar:
H 0 : 1 2
H 1 : 1 2
Calcúlese la estadística de prueba t0 y rechácese H 0 : 1 2 si:
t 0 t , n1 n2 2
H 0 : 1 2
H 1 : 1 2
Ejemplo 2:
Suponiendo que las dos varianzas son iguales, ¿ qué conclusiones puede extraerse respecto a la resistencia
media de los alambres?
H 0 : 1 2
H 1 : 1 2
x1 .140
x 2 .138
S1 .0021
S 2 .0022
n1 1 S12 n2 1 S 22
Sp = .0021
n1 n2 2
X1 X 2
t0
1 1 = 1.72
Sp
n1 n 2
PROCEDIMIENTO EN EXCEL
Seleccionar análisis de datos en el menú herramientas. En funciones para análisis elija la opción:
Prueba t para dos muestras suponiendo varianzas iguales.
Tesis de Hector Hernández S.
Variable 1 Variable 2
Media 0.14033333 0.138
Varianza 4.2667E-06 4.6667E-06
Observaciones 6 4
Varianza agrupada 4.4167E-06
Diferencia hipotética de las medias 0
Grados de libertad 8
Estadístico t 1.72002633
P(T<=t) una cola 0.06187033
Valor crítico de t (una cola) 1.85954832
P(T<=t) dos colas 0.12374065
Valor crítico de t (dos colas) 2.30600563
En la tabla de Excel encontramos los valores deseados: 1.72 no es mayor que 2.306 por lo cual no rechazamos
Ho.
Caso 2 Varianzas diferentes
X1 X 2
t0
S12 S 22
n1 n2
2
S12 S 22
n1 n 2 2
S12 n1 2 S 22 n2 2
n1 1 n2 1
El procedimiento para llevar a cabo la prueba de hipótesis es el mismo que el caso 1, varianzas iguales
excepto que se emplean t0 como estadística de prueba y n1 + n2 -2 se sustituye por en la determinación de
los grados de libertad para la prueba.
Ejemplo 3:
Se están investigando dos métodos para producir gasolina a partir de petróleo crudo. Se supone que el
rendimiento de ambos procesos se distribuye normalmente. Los siguientes datos de rendimiento se han
obtenido de la planta piloto.
Proceso Rendimiento %
1 24.2 26.6 25.7 24.8 25.9 26.5
2 21.0 22.1 21.8 20.9 22.4 22.0
¿Hay alguna razón para creer que el proceso 1 tiene un rendimiento medio mayor?
H 0 : 1 2
H 1 : 1 2
x1 25.62
x 2 21.70
S12 .9017
S 22 .3760
X1 X 2
25.62 21.70
t0 8.48
2 2
S S = .9017 .376
1 2
n1 n2 6 6
2
S12 S 22 .9017 .376
2
n1 n 2 6 6
2 = 2 9.32 9
S12 n1 2 S 22 n2 2 .9017 6 2 .376 6 2
n1 1 n2 1 7 7
Tesis de Hector Hernández S.
Buscando el valor en la tabla t encontramos t.05,9 = 1,833, mediante el criterio de rechazo para una cola t 0>t.05,9 ,
8.48>1.833, por lo tanto rechazamos la hipótesis nula, y aceptamos la hipótesis alterna, el proceso 1 tiene
mayor rendimiento que el proceso 2.
PROCEDIMIENTO EN EXCEL
Seleccionar análisis de datos en el menú herramientas. En funciones para análisis elija la opción:
Prueba t para dos muestras suponiendo varianzas desiguales.
Variable 1 Variable 2
Media 25.61666667 21.7
Varianza 0.901666667 0.376
Observaciones 6 6
Diferencia hipotética de las medias 0
Grados de libertad 9
Estadístico t 8.487571675
P(T<=t) una cola 6.87798E-06
Valor crítico de t (una cola) 1.833113856
P(T<=t) dos colas 1.3756E-05
Valor crítico de t (dos colas) 2.262158887
Tesis de Hector Hernández S.
Observamos que mayor que 1.83 (valor crítico de t de una cola), se rechaza Ho.
Presentaremos ahora pruebas para comparar dos varianzas. Supóngase que son dos las poblaciones de interés,
por ejemplo X1 y X2, donde 1, 1 , 2 , 2 , se desconocen. Deseamos probar hipótesis relativas a la
2 2
igualdad de las dos varianzas, H 0 : 1 2 . Considérese que se disponen dos muestras aleatorias de tamaño
2 2
n1 de la población 1 y de tamaño n 2 de la población 2, y sean S12 yS 22 las varianzas de muestra. Para probar
la alternativa de dos lados
H 0 : 12 22
H 1 : 12 22
S12
F0 2
S2
F0 F 2 , n1 1, n 2 1
o si
F0 F1 2 , n1 1, n2 1
Donde F 2 , n1 1, n2 1 y F1 2 ,n1 1,n2 1 son los puntos porcentuales 2 superior e inferior de la
distribución F con n1-1 y n2-2 grados de libertad. La tabla F proporciona sólo los puntos de la cola superior de
F, por lo que para determinar F1 2 ,n1 1,n2 1 debemos emplear: F1 2 , n1 1, n2 1 =
1
.
F 2 , n1 1, n2 1
La misma estadística de prueba puede utilizarse para probar hipótesis alternativas de un lado. La hipótesis
alternativa de un lado es:
H 0 : 12 22
H 1 : 12 22
Pruebe la hipótesis de que las dos varianzas sean iguales. Use .05
H 0 : 12 22
H 1 : 12 22
X 1 70.6
X 2 70
S12 88.71
S 22 100.44
S12 88.71
F0 = .877
S 22 100.44
PROCEDIMIENTO EN EXCEL
Seleccionar análisis de datos en el menú herramientas. En funciones para análisis elija la opción : Prueba F
para varianzas de dos muestras.
Tesis de Hector Hernández S.
Variable 1 Variable 2
Media 70.6 70
Varianza 88.7111111 100.444444
Observaciones 10 10
Grados de libertad 9 9
F 0.88318584
P(F<=f) una cola 0.42811371
Valor crítico para F (una cola) 0.2483862
De la tabla deducimos que .248 es menor que .883 por lo cual no rechazamos H0.
H 0 : p1 p 2
H 1 : p1 p 2
Tesis de Hector Hernández S.
Considérese que se toman dos muestras aleatorias de tamaño n1 y n2 de dos poblaciones, y sea X1 y X2 el
número de observaciones que pertenecen a la clase de interés en la muestra 1 y 2 respectivamente.
X1 X 2
pˆ
n1 n2
pˆ 1 pˆ 2
Z0
1 1
pˆ (1 pˆ )
n1 n2
X1 X2
pˆ 1 pˆ 2
n1 n2
Si
Z 0 Z 2 o Z 0 Z 2 , la hipótesis nula se rechaza.
Ejemplo 5: La fracción de productos defectuosos producidos por dos líneas de producción se está analizando.
Una muestra aleatoria de 1000 unidades de la línea 1 tiene 10 defectuosas, en tanto que una muestra aleatoria
de 1200 unidades de la línea 2 tiene 25 defectuosas. ¿ Es razonable concluir que la línea de producción 2
produce una fracción más alta de producto defectuoso que la línea 1? Use .01 .
H 0 : p1 p 2
H 1 : p1 p 2
X1 X 2 10 25
pˆ = .015909
n1 n2 1000 1200
X1 10
pˆ 1 = .01
n1 1000
X2 25
pˆ 2 = .020833
n2 1200
pˆ 1 pˆ 2 .01 .020833
Z0
1 1 = 1 1 = -2.02
pˆ (1 pˆ ) . .015909(.98409)
n1 n2 1000 1200
Z Z .01 2.35
Tesis de Hector Hernández S.
Cuando es posible resulta ventajoso utilizar muestras pareadas en las pruebas de comparación. En una prueba
de comparación pareada, la reducción en la variabilidad experimental puede permitir la detección de pequeños
movimientos en los datos.
A pesar de que los grados de libertad sean reducidos, porque ahora el tamaño de muestra corresponde al
número de comparaciones.
Un ejemplo de este tipo de prueba es la evaluación de dos piezas de equipo de inspección para determinar si
existe alguna diferencia significativa entre los equipos.
Las hipótesis de prueba en torno a la igualdad 1 y 2 pueden realizarse efectuando una prueba t de una
muestra en D . Específicamente, probar H 0 : 1 2 contra H 1 : 1 2 es equivalente a probar
H0 : D 0
H1 : D 0
D
t0
SD n
donde
D
D j
n
y
D j D
2
SD
n 1
Ejemplo 6:
Un fabricante desea comparar el proceso de armado común para uno de sus productos con un método
propuesto que supuestamente reduce el tiempo de armado. Se seleccionaron ocho trabajadores de la planta de
armado y se les pidió que armaran las unidades con ambos procesos. Los siguientes son los tiempos
observados en minutos.
Trabajador Proceso actual Proceso propuesto
1 38 30
2 32 32
3 41 34
4 35 37
5 42 35
6 32 26
7 45 38
8 37 32
Tesis de Hector Hernández S.
Usando .05 , ¿existe alguna razón para creer que el tiempo de armado para el proceso actual es mayor
que el del método propuesto por más de dos minutos?
H0 : D 2
H1 : D 2
Trabajador Proceso actual Proceso propuesto Dj (Dj-D)^2
1 38 30 8 10.5625
2 32 32 0 22.5625
3 41 34 7 5.0625
4 35 37 -2 45.5625
5 42 35 7 5.0625
6 32 26 6 1.5625
7 45 38 7 5.0625
8 37 32 5 0.0625
4.75 95.5
D
D j
= 4.75
n
D j D
2
SD = 3.69
n 1
D 4.75 2
t0 = = 2.107
SD n 3.69 8
t ,n 1 t .05, 7 1.895 , debido a que 2.107 > 1.895 rechazamos H0, y aceptamos la H1: el tiempo de
armado para el proceso actual es mayor en dos minutos que el método propuesto.
PROCEDIMIENTO EN EXCEL
Seleccionar análisis de datos en el menú herramientas. En funciones para análisis elija la opción :
Prueba t para medias de dos muestras emparejadas.
Tesis de Hector Hernández S.
Variable 1 Variable 2
Media 37.75 33
Varianza 22.2142857 15.1428571
Observaciones 8 8
Coeficiente de correlación de Pearson 0.64648725
Diferencia hipotética de las medias 2
Grados de libertad 7
Estadístico t 2.10583831
P(T<=t) una cola 0.03661855
Valor crítico de t (una cola) 1.89457751
P(T<=t) dos colas 0.0732371
Valor crítico de t (dos colas) 2.36462256
De la tabla concluimos que 2.105 > 1.895 (valor crítico de t una cola), por lo cual rechazamos Ho.
4-3 AMEF “ANALISIS DE MODO Y EFECTO DE LA FALLA”
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.
Tesis de Hector Hernández S.
Objetivos
Tipos de AMEF´S
AMEF de Diseño: Se usa para analizar componentes de diseños. Se enfoca hacia los Modos de Falla
asociados con la funcionalidad de un componente, causados por el diseño.
AMEF de Proceso: Se usa para analizar los procesos de manufactura y ensamble. Se enfoca a la
incapacidad para producir el requerimiento que se pretende, un defecto. Los Modos de Falla pueden
derivar de causas identificadas en el AMEF de Diseño.
AMEF de procesos(FMEAP): Listar el flujo del proceso que se esté desarrollando, comenzando
desde el abastecimiento de la materia prima, el proceso de transformación hasta la entrega al
cliente (proceso siguiente). Determinar las áreas que sean más sensibles a posibles fallas. En el
caso de empresas de servicios no hay materias primas, para estos caso se toman en cuenta las
entradas del proceso.
En este punto es importante:
Desarrollar lista de Entradas, Salidas y Características / artículos - diagrama de bloque de referencia,
QFD.
Evaluar entradas y características de la función requerida para producir la salida.
Tesis de Hector Hernández S.
Evaluar Interfaz entre las funciones para verificar que todos los Posibles Efectos sean analizados.
Asumir que las partes se manufacturan de acuerdo con la intención del diseño.
Ejemplos:
Roto
Flojo
Fracturado
Equivocado
Deformado
Agrietado
Mal ensamblado
Fugas
Mal dimensionado
Efecto: Cuando el modo de falla no se previene ni corrige, el cliente o el consumidor final pueden ser
afectados.
Ejemplos:
Deterioro prematuro
Ruidoso
Operación errática
Claridad insuficiente
Paros de línea.
Causa: Es una deficiencia que se genera en el Modo de Falla. Las causas son
fuentes de Variabilidad asociada con variables de Entrada Claves.
Mecanismos de Falla
– Rendimiento, Fatiga, Corrosión, Desgaste
5. Describir las condiciones actuales: Anotar los controles actuales que estén dirigidos a prevenir o
detectar la causa de la falla.
Cálculos
Tesis de Hector Hernández S.
7. Determinar el grado de severidad: Para estimar el grado de severidad, se debe de tomar en cuenta el
efecto de la falla en el cliente. Se utiliza una escala del 1 al 10: el ‘1’ indica una consecuencia sin
efecto. El 10 indica una consecuencia grave. (Tabla 4-3.2)
No 1 Sin efecto
Muy poco 2 Cliente no molesto. Poco efecto en el desempeño del artículo o sistema.
Poco 3 Cliente algo molesto. Poco efecto en el desempeño del artículo o sistema.
Menor 4 El cliente se siente algo insatisfecho. Efecto moderado en el desempeño del
artículo o sistema.
Moderado 5 El cliente se siente algo insatisfecho. Efecto moderado en el desempeño del
artículo o sistema.
Significativo 6 El cliente se siente algo inconforme. El desempeño del artículo se ve
afectado, pero es operable y está a salvo. Falla parcial, pero operable.
Mayor 7 El cliente está insatisfecho. El desempeño del artículo se ve seriamente
afectado, pero es funcional y está
a salvo. Sistema afectado.
Extremo 8 El cliente muy insatisfecho. Artículo inoperable, pero a salvo. Sistema
inoperable
Serio 9 Efecto de peligro potencial. Capaz de descontinuar el uso sin perder tiempo,
dependiendo de la falla. Se cumple con el reglamento del gobierno en materia
de riesgo.
Peligro 10 Efecto peligroso. Seguridad relacionada - falla repentina. Incumplimiento con
reglamento del gobierno.
8. Determinar el grado de detección: Se estimará la probabilidad de que el modo de falla potencial sea
detectado antes de que llegue al cliente. El ‘1’ indicará alta probabilidad de que la falla se pueda
detectar. El ‘10’ indica que es improbable ser detectada. (Tabla 4-3.3)
9. Calcular el número de prioridad de riesgo (NPR): Es un valor que establece una jerarquización de
los problemas a través de la multiplicación del grado de ocurrencia, severidad y detección, éste
provee la prioridad con la que debe de atacarse cada modo de falla, identificando ítems críticos.
Prioridad de NPR:
Se deben atacar los problemas con NPR alto, así como aquellos que tengan un alto grado de ocurrencia no
importando si el NPR es alto o bajo.
11. Una vez realizadas las acciones correctivas o preventivas, se recalcula el grado de ocurrencia,
severidad, detección y el NPR.
12. Cada vez que haya alguna modificación en el proceso o en el producto se debe de actualizar el
A.M.E.F.
La estructura del AMEF del diseño o del proceso es básicamente la misma , lo que es diferente es el enfoque.
Fecha límite:
Concepto Prototipo Pre-producción Producción
FMEAD
FMEAP
Este capitulo proporciona un panorama general de las métricas utilizadas en Seis Sigma, el objetivo es tener
las mejores técnicas de cálculo apropiadas para una situación determinada. La mejora de las métricas pueden
tener un impacto muy significante en los resultados del negocio, al reducir la oportunidad de tener defectos.
Es de suma importancia medir la capacidad del proceso en términos cuantificables y monitorear las mejoras a
través del tiempo.
Sigma es una letra del alfabeto griego usada para representar la distribución o dispersión alrededor de la
media de cualquier proceso.
Definiciones básicas22:
Ejemplo 1
Los resultados y el número de defectos pueden medirse antes o después de que se detecten,
corrijan o revisen los defectos. Los resultados se miden en % y el número de efectos en
defectos por oportunidad (DPO) o defectos por millón de oportunidades (DPMO).
Observemos la siguiente figura:
SUBPROCESO
N articulos con
cero defectos Trabajo Hay D1 defectos Revisar el trabajo Subsisten D2 defectos
YFP YLP
En este subproceso podemos observar la entrada de N artículos con cero defectos, se realiza un trabajo en el
cual hay D1 defectos, resultando el rendimiento de primera pasada (YFP), después se revisa el trabajo y al final
subsisten D2 defectos, siendo este el rendimiento de la última pasada (Y LP).
Ejemplo 2
Una planta de productos alimenticios empaca cierto tipo de quesos en una de sus líneas. La producción en un
turno es de 5,000 unidades. Existen 3 oportunidades de defecto en cada unidad:
Se encontraron 64 defectos, de los cuales 14 se encontraron antes de ser enviados a la línea de empaque final,
después de esto 50 defectos todavía subsisten. Se pide calcular YFP y YLP.
50
DPO .0033
5000 3
DPMO 3,333.33
Mide la probabilidad de pasar por todos los subprocesos sin un defecto = El producto del
resultado de cada paso: YFP YFP YFP ......YFP
1 2 3 n
Un proceso con cinco subprocesos tienen los rendimientos siguientes de throughput: 0.98, 0.93, 0.95,
0.98 y 0.94. El Rendimiento Estándar YRT= 0.98x 0.93 x 0.95x 0.98x 0.94 = 0.7976, es la probabilidad
de que el producto pase sin error.
El rendimiento normal mide el promedio de rendimientos por los pasos del proceso.
Es el promedio exponencial basado en el numero de pasos del proceso, no es un promedio
aritmético.
Ejemplo 5
Calcular YN
Primero calculamos YRT = .504
Corto plazo: datos recogidos durante un periodo de tiempo suficientemente corto para que sea improbable que
haya cambios y otras causas especiales.
Para el calculo de datos a largo plazo a partir de datos a corto plazo restamos 1.5, debido a
los desplazamientos que sufre la media debido al cambio natural en los procesos.
ZST = ZLT+1.5
ZBenchmark = ZYN+1.5
Donde:
ZST= Z a corto plazo.
ZLT= Z a largo plazo.
YN = Rendimiento Normal
EJEMPLO 6
Un proceso tiene un YRT = .38057 con 10 operaciones. Determine YN y Zbenchmark
YN 10 .38057 .9079
Z benchmark
= .9079+1.5= 2.4079
Ejemplo 7
En una fábrica de plásticos, se producen unos contenedores propios para alimentos.
En un lote de producción de 10,000 unidades se encuentran 125 artículos defectuosos, la oportunidad de
cometer un defecto es 3. Calcule sigma y analice los resultados proporcionados.
Damos clic en OK
Characteristic Defs Units Opps TotOpps DPU DPO PPM ZShift ZBench
La gráfica nos permite visualizar en que punto de la curva Z(short term) vs. PPM nos encontramos. en este
caso el nivel sigma es 4.138
En la siguiente gráfica podemos observar que el proceso se encuentra dentro de la zona promedio de
tecnología la cual va de 3 a 4.5 .
3,0
2,5
2,0
Zone of
1,5 Typical
Control
1,0
World-Class
0,5
Performance
0,0
0 1 2 3 4 5 6
Z.Bench (Short-Term)
Tesis de Hector Hernández S.
En muchas industrias el uso efectivo del diseño de experimentos es la clave para obtener altos
rendimientos, reducir la variabilidad, reducir los tiempos de entrega, mejorar los productos, reducir los
tiempos de desarrollo de nuevos productos y tener clientes más satisfechos.
¿QUÉ ES EL DISEÑO DE EXPERIMENTOS (DOE)?
Un diseño de experimentos es una prueba o serie de pruebas en las cuales se hacen cambios a propósito en las
variables de entrada de un proceso, de tal forma que se puedan observar e identificar cambios en la respuesta
de salida.
Los productos resultantes tienen una o más características de calidad observables o respuestas (Críticas para la
calidad si el cliente reclama por su no cumplimiento – CTQ’s). Algunas de las variables del proceso X1, X2,
X3,……, Xp son controlables o factores de control, mientras que otras Z1, Z2, Z3, ….., Zq no son
controlables (a pesar de que pueden ser controladas durante el desarrollo de las pruebas), y se denominan
factores de ruido.
Con la aplicación del DOE durante el desarrollo de los procesos podemos obtener los beneficios siguientes:
1. Rendimiento mejorado.
2. Variabilidad reducida y comportamiento cercano al valor nominal.
3. Tiempo de desarrollo reducido.
4. Costos totales reducidos.
5. Mejor desempeño y confiabilidad en el campo.
Para tener éxito en el diseño de experimentos, es necesario que todos los involucrados en el
experimento tengan una idea clara del objetivo del experimento, de los factores a ser estudiados, como se
realizará el experimento y al menos una idea cualitativa de cómo se analizarán los datos. El procedimiento
recomendado por Montgomery tiene los pasos siguientes:
1. Reconocimiento y establecimiento del problema.
2. Selección de factores y niveles.
3. Selección de la variable de respuesta.
4. Selección del diseño experimental.
5. Realización del experimento.
6. Análisis de los datos.
7 Conclusiones y recomendaciones.
Tesis de Hector Hernández S.
EXPERIMENTOS FACTORIALES
Los experimentos factoriales se utilizan cuando hay varios factores de interés en un experimento. En los
experimentos factoriales se deben utilizar en cada réplica, todas las combinaciones de los factores que se están
investigando. Si se tienen dos factores A y B con niveles a y b respectivamente, cada réplica contendrá todas
las posibles combinaciones ab.
Definiciones:
Factores: Son las variables controlables en el experimento Ej:Temperatura, Presión, Velocidad; se
designan con letras mayúsculas A, B,C.
Niveles: Se refiere a la cantidad de valores que tienen los factores del experimento. Ej: en un
experimento tomamos los siguientes valores de Temperatura: 15°, 20° ; en este caso tenemos 2
niveles.
Los niveles se designan con números: “1”, “2” o con signos “-, +” que representan los niveles
“bajo” y “alto” en cada caso.
Replica: Es el número de repeticiones del experimento.
Efecto de un factor: es el cambio en la respuesta como resultado de un cambio en el nivel del factor,
se denomina efecto principal ya que se refiere a los factores primarios del estudio.
Ej. Consideremos el siguiente Experimento:
FACTOR B
B1 B2
A1 20 30
FACTOR A
Figura 5-1.1
El calculo de los factores primarios A y B es la diferencia entre la respuesta promedio en el nivel alto y la
respuesta promedio del nivel bajo.
A2 40 52
40 52 20 30
A 21
2 2
30 52 20 40
B 11
2 2
Tratamientos: son todas las combinaciones posibles de los factores que se involucran en un
experimento. Ej: a, b, c, ab, ac, bc.
Interacción: Cuando la diferencia en la respuesta entre los niveles de un factor no es la misma en
todos los niveles de los otros factores.
Respuesta
B2 B2
B1 B1
A1 A2 A1 A2
a) Sin interacción b) Con interacción
Figura 5-1.2
En la gráfica de la izquierda observamos que las líneas B1 y B2 son paralelas lo cual indica que no hay
interacción. En la siguiente gráfica al estar cruzadas las líneas B1 y B2 significa que existe interacción.
Tesis de Hector Hernández S.
El cálculo de la interacción AB es la diferencia entre los promedios del nivel alto de “A” y “B” y el nivel
bajo de los mismos
40 30 52 20
AB 19
2 2
La ventana muestra los diferentes tipos de diseños factoriales que pueden ser creados y el número de factores,
en este ejemplo seleccionamos en el campo number of factors = 3 y 2-level factorial (default generators) en
tipo de diseño.
Tesis de Hector Hernández S.
También tiene diferentes iconos, en el cual encontramos información especifica del diseño. Solamente están
habilitados dos iconos: “Display Available Designs” y “Designs”. En la primera opción se muestran todos los
diseños factoriales que contiene el sistema.
En la segunda opción “diseños”, seleccionamos el diseño factorial completo “full factorial”. Y se llenan
los siguientes campos, que en este ejemplo los valores son los siguientes:
Number of center points = 0
Number of replicates = 2
Number of blocks = 1
Opciones:
En la pantalla se escoge la opción: “do not fold” (el sistema la da por default)
La opción “randomize” no debe de estar seleccionada, de lo contrario se cambia el orden de todo el
experimento.La opción “store design in worksheet”: guardar diseño en la hoja de trabajo, es seleccionada.
Presionar OK
Tesis de Hector Hernández S.
En la opción “Terms” términos, se muestran los factores y sus interacciones, las cuales se dan por
default, en el caso de que se quiera hacer una modificación el sistema permite realizarla. Ej.: Ignorar
interacciones mayores a grado 2. Si se desea eliminar un factor en esta pantalla también se puede hacer.
En la opción “Graphs”, gráficas, se seleccionan las gráficas de efectos deseadas, así como las gráficas
de residuos, estas nos permiten realizar el análisis del experimento.
Seleccionamos las gráficas de Efectos: Normal y Pareto, el nivel alfa deseado que en este caso es de 0.05 y en
la opción “Residual for Plots” seleccionamos la opción regular que viene por default. En el caso de que
queramos más gráficos podemos seleccionar las que vienen en la parte de “Residual Plots”. Dar click en OK
En la opción Results (Resultados) se muestra la siguiente ventana:
BC
AC
ABC
AB
0 1 2 3 4 5 6
Tesis de Hector Hernández S.
En la gráfica de Pareto (5-1.3) observamos que los principales efectos son aquellos que pasan la línea
punteada: C, B, y BC. Estos son los que más afectan el experimento.
1.5 A: Temperat
B B: Presión
C: Catalisi
1.0
0.5
Normal Score
0.0
-0.5
BC
-1.0
Figura 5-1.4 Gráfica Normal de Probabilidad
C
-1.5
La gráfica-6normal
-5
de-4probabilidad
-3 -2
muestra
-1 0
los efectos
1
más significativos
2 3
que en este caso son los
mismos que en la gráfica de pareto: C, B y BC, estos son aquellos que están más alejados que la recta.
Standardized Effect
En la tabla observamos los coeficientes de los efectos, así como el análisis de varianza.
Fractional Factorial Fit
Estimated Effects and Coefficients for Yield (coded units)
Los efectos principales son los menores al nivel de significancia 0.05, P-Values (columna P), estos están
sombreados en la tabla.
Para generar las gráficas que nos permitirán determinar y visualizar cuales son los niveles óptimos de los
efectos (gráfica de efectos principales, gráfica de interacciones y gráfica de cubo utilizamos la siguiente
opción: Stat > DOE > Factorial plots)
Seleccionamos la opción Main effects y damos click en Setup.
20 40 1 4 A B
91
83
Yie
ld 75
67
59
Temperatura Presión Catalisis
Tesis de Hector Hernández S.
GGG
En la interacción Presión*Catálisis el nivel óptimo es: Presión = 4 “nivel alto” y Catálisis A “nivel Bajo”
Interaction Plot (data means) for Yield
Temperatura 100
40 80
20
60
Presión 100
4 80
1
60
Catalisis
60.0 60.0
102.5 105.0
4
Catalisis
75.0 77.5
1 Figura 5-1.7 Gráfica de Cubo A
20 40
En la gráfica de cubo observamos que la mayor respuesta se encuentra en el vértice 102.5. De está gráfica
Temperatura
también podemos saber cuales son los niveles óptimos de cada factor.
Tesis de Hector Hernández S.
b ab
+
-
2
(1) Figura 5-1.8 diseño 2 a
Cálculo de los efectos
Los efectos de interés en el diseño son los efectos principales de A y B y los efectos de la interacción AB, se
-
denominan contrastes siendo calculados como sigue: +
A
1
A ab a b 1
2n
1
B ab b a 1
2n
1
AB ab 1 a b
2n
Donde n = número de replicas
Las cantidades entre paréntesis se denominan contrastes, aquí los coeficientes siempre son +1 o –1. También
se pueden determinar usando una tabla de signos como sigue:
Efectos factoriales
Corrida I A B AB
1 (1) + - - +
2 a + + - -
3 b + - + -
4 ab + + + +
Tabla 5-1.2 Efectos factoriales
Ejemplo: Para determinar el contraste de A utilizando la tabla de signos obtenemos: - 1 a - b ab
Tesis de Hector Hernández S.
Suma de cuadrados
Para obtener la suma de cuadrados de A, B, y AB se usa:
(contraste) 2
SS
n (coeficientes.de.contrastes) 2
SS A
ab a b 1
2
n*4
SS B
ab b a 1 2
n*4
SS AB
ab 1 a b 2
n*4
2 2 n
y2
SS T y 2
ijk
i 1 j 1 k 1 4n
SS E SS T SS A SS B SS AB
Donde
SST = Suma Total de Cuadrados
SSE = Suma de Cuadrados del Error
A=1
B=1
AB = 1
SSE = 4 (n-1)
SST = 4n -1
SS
MS
gl.
La tabla de Análisis de varianza (ANOVA) queda como sigue:
Valor crítico
Tesis de Hector Hernández S.
Análisis Residual
Utilizando la ecuación se buscan todas las combinaciones posibles, que en este tipo de diseño son cuatro. Al
obtener la respuesta óptima, determinamos cuales son los niveles más favorables para nuestro experimento.
Ej.
B0 27.5
1 8.33
2 5
El modelo de regresión es:
8.33 5
y 27.5 x1 x2
2 2
8.33 5
y 27.5 (1) (1) = 29.165
2 2
8.33 5
y 27.5 ( 1) (1) 34.165
2 2
8.33 5
y 27.5 (1) (1) 20.835
2 2
8.33 5
y 27.5 ( 1) ( 1) 25.835
2 2
La respuesta óptima es 34.165, por lo cual los níveles más favorables en este experimento son x 1 = +1 y x2 =
-1.
Tesis de Hector Hernández S.
Para obtener los residuos, se resta el valor observado (en la muestra) del valor predicho ( ecuación de
regresión)
Ej:
Tenemos los siguientes valores observados: 28, 25 y 27. utilizando la primera ecuación
donde y = 29.165 el calculo de residuos sería:
e1 = 28-25.835 = 2.165
e2 = 25-25.835 = -0.835
e3 = 27-25.835 = 1.165
Los demás residuos se calculan de la misma manera, utilizando el valor predicho correspondiente (de cada
ecuación), existen tantos residuos como número de observaciones.
Posteriormente los residuos se grafican en el papel normal de probabilidad. Para determinar si cumplen con el
supuesto de normalidad.
Diseño factorial 2k
El diseño de 3 factores es un cubo con ocho combinaciones factoriales, permite estimar tres efectos
principales (A, B, y C), tres interacciones de dos factores (AB, BC, y AC) y una interacción de tres factores
(ABC). Considerando que las letras minúsculas representan la suma de las n replicas de cada uno de los ocho
experimentos, se tiene:
1
A ( a ab ac abc b c bc (1))
4n
1
B (b ab bc abc a c ac (1))
4n
1
C (c ac bc abc a b ab (1))
4n
1
AB (ab (1) abc c b a bc ac)
4n
1
AC (ac (1) abc b a c ab bc)
4n
1
BC (bc (1) abc a b c ab ac)
4n
1
ABC ( abc bc ac c ab b a (1))
4n
Las cantidades entre paréntesis se denominan contrastes de las ocho combinaciones de niveles y factores.
También pueden obtenerse de la tabla siguiente:
Propiedades de la tabla:
1. Excepto por la columna identidad I, cada columna tiene un número igual de signos más y menos.
2. La suma de productos de los signos con cualquier par de columnas es cero, o sea que se trata de una tabla
ortogonal.
3. Al multiplicar cualquier columna por la columna I se obtiene la misma columna, entonces I es el elemento
identidad.
4. El producto de cualquier par de columnas resulta en otra columna en la tabla, AxB = AB, ABxABC =
A2B2C = C dado que una columna multiplicada por si misma da la columna identidad.
Contraste
Efecto
n 2 k 1
(contraste) 2
SS
n2 k
Ejemplo Se realizó un experimento para investigar el acabado superficial de una parte de metal. El
experimento es un diseño factorial 23 con los factores Velocidad de ataque (A), profundidad de corte (B) y
ángulo de corte (C), con n = 2 réplicas. En la tabla siguiente se observan los resultados del acabado
superficial.
Tesis de Hector Hernández S.
Los efectos principales se calculan como sigue, por ejemplo para el factor A:
SSA
ContrasteA ^ 2 45.56
2*8
gl.SSA = 1
De la misma forma para los demás factores, se tiene:
SSB = 10.5625 todos con gl. = 1
SSC = 3.065
SSAB = 7.5625
SSAC = 0.0625
SSBC = 1.5625
SSABC = 5.5625
Formando la tabla ANOVA y calculando los valores de Fc para cada factor se tiene (Fcrítica (0.1, 1, 8) = 3.45
Fuente Fc
A 18.69
B 4.33
C 1.26
AB 3.1
AC 0.03
BC 0.64
Tesis de Hector Hernández S.
ABC 2.08
Por tanto sólo son significativos los factores A y B por ser Fc > Fcrítica.
Para probar normalidad se puede utilizar la ecuación de regresión anterior para las dos variables A y B, con
sus niveles codificados en (-1, +1), tomando la media general y los estimados de los efectos de los factores A
y B y de su interacción, se tiene:
Con esta ecuación se pueden evaluar los residuos, que se calculan para cada combinación de las dos
variables A y B ya que la C no fue relevante. Por ejemplo para el caso de
A = -1 y B = -1 se tiene:
Yest = 9.25
Figura 5-1.9
= corrida en el bloque 1
B
= corrida en el bloque 2
-
- +
A
Tesis de Hector Hernández S.
Notamos que el bloque 1 está compuesto por las combinaciones de los tratamientos (1) y ab, el bloque 2 esta
compuesto por a y b.
Bloque 1 Bloque 2
(1) a
ab b
Dado que las dos combinaciones con el signo positivo [ (1) y ab] están en el bloque uno, y las dos
combinaciones [ a y b] están en el bloque 2, el efecto de los bloques y la interacción AB son idénticas. Esto
significa que AB es confundida con los bloques.
Los signos de las combinaciones mencionadas los encontramos en la columna AB de la tabla. (1) y ab tienen
signo positivo, a y b tienen signo negativo.
Corrida I A B AB
1 (1) + - - +
2 a + + - -
3 b + - + -
4 ab + + + +
Tabla 5-1.5
Este método puede ser usado para confundir cualquier efecto (A, B o AB) en bloques. Por ejemplo, si (1) y b
hubieran sido asignados al bloque 1, a y ab al bloque 2, entonces el efecto principal A hubiera sido
confundido en bloques.
L 1 x1 2 x 2 ................. k x k
donde
xi = nivel del factor que aparece en una combinación particular del tratamiento.
xi = 0 (nivel bajo) ó 1 nivel alto.
Las combinaciones del tratamiento que producen el mismo valor de L serán acomodadas en el mismo bloque.
Dado que los valores de L pueden ser 0 ó 1 el número de bloques en un diseño 2k son dos.
Tesis de Hector Hernández S.
Ejemplo:
L = X1+ X2+ X3
Para determinar los valores Xi de la combinación lineal L utilizamos la tabla de signos del diseño 2 3 , Donde
el signo “-“ = 0 y “+” = 1
L = 1(0)+1(0)+1(0) = 0
Nota cuando el valor de L>1 entonces L= 0, por ejemplo en la combinación ab obtuvimos L = 2, entonces L =
0
Tesis de Hector Hernández S.
Para formar el bloque 1, tomamos todas las combinaciones L = 0, el bloque dos se forma con las
combinaciones L = 1, resultando:
Bloque 1 Bloque 2
IV MEJORA
(1) a
ab b
ac c
bc abc
Definir
Definir Medir Analizar Mejorar
Mejorar Controlar
Controlar
En la fase de Análisis identificamos las causas de variación. En esta fase utilizamos el diseño de experimentos
(DOE), para seleccionar las causas que más afectan nuestro CTQ e investigar estás causas para conocer el
comportamiento del proceso. El método de DOE consiste en realizar cambios en los niveles de operación de
los factores (X’s) para obtener los mejores resultados en la respuesta "Y". Esta información es de gran ayuda
para la optimización y mejora de procesos.
Objetivos:
Herramientas:
Etapas:
En la fase de análisis encontramos los pocos vitales X’s, en esta fase vamos a determinar aquellos que
específicamente afectan nuestro proceso. Esto se lleva a cabo a través de datos históricos, conocimiento y
discusiones. En base a lo anterior también desechamos las variables que no son utilizadas. Una opción para
realizar esta actividad es mediante el uso del diagrama de Ishikawa
Los pocos vitales son elementos críticos o factores, nombrados en tipo, clase , o en
cantidad
Los cambios en los parámetros de operación referentes a las X´s pueden ser puestos en niveles
múltiples, para estudiar como afectan la respuesta en el proceso “Y”
DOE es un método para probar la significancia, o sea que tanto afectan cada uno de los factores a la variable de
respuesta. Y para determinar la interacción entre dichos factores.
Consideraciones:
Una vez determinados los factores con mayor significancia, o sea aquellos que afectan más al proceso, estamos
interesados en proponer los niveles óptimos para cada factor.
Para poder hacerlo generamos la función de transferencia, mediante análisis de regresión , simple
o múltiple. Al realizarlo tendremos una solución que nos permitirá alcanzar el objetivo que es la
optimización del proceso.
Para conducir un diseño de experimentos debemos tomar en cuenta los puntos siguientes:
y B0 1 X 1 2 X 2 kXk
Figura 5-4.1 Gráfica tridimensional de superficie de respuesta. Se muestra las variables X 1 temperatura, X2 presión y
el rendimiento esperado Y
El objetivo eventual de RSM es determinar las condiciones operativas óptimas del sistema o determinar una
región del espacio en la cuales las especificaciones operativas se satisfacen. Existen diferentes métodos para
determinar el punto óptimo, en esta sección nos ocuparemos del “método de ascenso por la pendiente
máxima”.
Frecuentemente, el estimado inicial de las condiciones operativas actuales están lejos del óptimo. Por tal
razón el objetivo del experimentador es moverse rápidamente a la vecindad general del óptimo. Cuando nos
encontramos muy lejos de él, generalmente asumimos que el modelo de primer orden es una buena
aproximación a la respuesta óptima de la pequeña región de las X´s.
La dirección de máximo ascenso es aquella en la cual Y incrementa más rápidamente. Esta dirección es
paralela al plano normal de la superficie de respuesta.
La magnitud del paso es determinada por el experimentador, basándose en el conocimiento que tenga acerca
del proceso o en otras consideraciones prácticas. En la figura 2 podemos observar la región de ajuste del
modelo de primer orden y la ruta de máximo ascenso, la magnitud del paso es 10.
Figura 5-4.2 Gráfica de Superficie de respuesta de primer orden y camino de ascenso por la pendiente máxima.
Los experimentos son conducidos a través del camino de ascenso por la pendiente
máxima hasta que ya no se encuentre incremento en la repuesta. En este punto se
genera un nuevo modelo de primer orden. Se determina un nuevo camino y el
procedimiento continua. Eventualmente, el experimentador llegará a la vecindad de el
óptimo. Esto es comúnmente indicado por la falta de ajuste del modelo de primer
orden. En este momento se llevan a cabo experimentos adicionales, de segundo orden
o mayores para obtener una mejor estimación del óptimo.
Ejemplo 1
Una planta química produce oxigeno, licuando aire y separándolo en sus componentes
mediante destilación. La pureza de el oxigeno es una función de la temperatura y la
razón de la presión. Las condiciones actuales de operación son: Temperatura = -220ªC
y Presión = 1.2. Mediante los siguientes datos, encuentre el camino de la pendiente de
máximo ascenso.
Tesis de Hector Hernández S.
Tenemos un diseño central compuesto con cuatro replicas en el punto (-220,1.2). Estas observaciones nos
sirven para estimar el error experimental y permite checar la adecuación del modelo de primer orden a
utilizar.
Para simplificar los cálculos, las variables independientes serán codificadas en el intervalo (-1,1).
E1 C
Para codificar utilizamos la fórmula: x1
P
Donde:
E1= Variable natural.
C = punto central
P = Tamaño del paso
E1 ( 220) E 2 1.2
x1 x2
5 .1
E1 E2 X1 X2 Y
-225 1.1 -1 -1 82.8
-225 1.3 -1 1 83.5
-215 1.1 1 -1 84.7
-215 1.3 1 1 85.0
-220 1.2 0 0 84.1
-220 1.2 0 0 84.5
-220 1.2 0 0 83.9
-220 1.2 0 0 84.3
23
Ver 5-2 DOE Central.
Tesis de Hector Hernández S.
yˆ 84 .85 x1 .25 x 2
Para movernos de el diseño central en el punto (x1 = 0, x2 = 0), a través de la pendiente de máximo ascenso,
tenemos que movernos .85 unidades en la dirección X1 por cada .25 unidades en la dirección X2. La
pendiente es .25/.85 = .29. Se decide usar 5 º C de Temperatura como el tamaño de cada paso. Usando las
relaciones:
E1 E 2
x1 , x 2 y x 2 mx1
5 .1
Donde:
incremento
m = pendiente
Calculamos
E1 5x1 5º C
x1 x2 E1 E2
origen 0 0 -215 1.1
d -1 0.29 -5 1.229
1d -1 0.29 -220 1.23
2d -2 0.58 -225 1.26
3d -3 0.87 -230 1.29
4d -4 1.16 -235 1.32
5d -5 1.45 -240 1.35
6d -6 1.74 -245 1.37
7d -7 2.03 -250 1.40
8d -8 2.32 -255 1.43
9d -9 2.61 -260 1.46
10d -10 2.9 -265 1.49
11d -11 3.19 -270 1.52
12d -12 3.48 -275 1.55
d = incremento
Ejemplo 224:
Los datos siguientes fueron colectados por un Ingeniero químico. La respuesta y es rendimiento, X1 es el
tiempo de reacción y X2 es la temperatura. Ajuste un modelo de segundo orden y analice la superficie de
respuesta.
24
Douglas C. Montgomery, Design and Analysis of Experiments, Third Edition. Pp. 534
Tesis de Hector Hernández S.
Seleccionamos: STAT >DOE >RESPONSE SURFACE > CREATE RESPONSE SURFACE DESIGN
Aparece la ventana en le cual escogemos el tipo de diseño Central Compuesto (por default), en Número de
factores escogemos 2, que son el número de factores que tiene nuestro experimento.
Seleccionamos la opción Designs, en la ventana dejamos las opciones por default, que son las que se ajustan a
nuestro diseño.
Tesis de Hector Hernández S.
En la opción factors, escribimos el nombre de los factores que en este caso son:
A: Tiempo de reacción.
B: Temperatura.
En Results seleccionamos Summary table and data table , para generar la tabla de datos.
En la hoja de trabajo worksheet , incluimos los valores de la variable Y, de acuerdo a los valores de las
variables independientes.
Tesis de Hector Hernández S.
Seleccionamos STAT > DOE > RESPONSE SURFACE > ANALYZE RESPONSE SURFACE DESIGN
En la opción terms seleccionamos Full quadratic (ya que es un modelo de segundo orden) y verificamos que
los factores e interacciones estén del lado derecho.
1
Normal Score
-1
-2
-0.3 -0.2 -0.1 0.0 0.1 0.2 0.3 0.4
Residual
Tesis de Hector Hernández S.
Figura 5-4.3 Gráfica de probabilidad normal. en la cual observamos que la tendencia es aproximadamente
normal.
0.4
0.3
0.2
Residual
0.1
0.0
-0.1
-0.2
-0.3
76 77 78 79 80
Fitted Value
Figura 5-4.3Gráfica de residuos: los puntos en la gráfica tienen una apariencia normal, no se observan
tendencias.
Contour Plot of Y
75
76
180 77
78
79
Temperature
80
175
170
Surface
80 Plot of Y90
85
Time
Figura 5-4.4 Gráfica de Contornos de superficie de respuesta, observamos que los valores óptimos se
encuentran aproximadamente en: X1 Tiempo = 87, X2 Temperatura = 177. Y =80
80.5
79.5
78.5
77.5
76.5
Y
75.5
74.5
180
73.5
175
Temperature
80 170
85
Time 90
Tesis de Hector Hernández S.
De estas tres etapas, la más importante es el diseño de parámetros cuyos objetivos son:
a) Identificar qué factores afectan la característica de calidad en cuanto a su magnitud y en
cuanto a su variabilidad.
b) Definir los niveles “óptimos” en que debe fijarse cada parámetro o factor, a fin de
optimizar la operación del producto y hacerlo lo más robusto posible.
c) Identificar factores que no afectan substancialmente la característica de calidad a fin de
liberar el control de estos factores y ahorrar costos de pruebas.
Para lograr lo anterior se ha manejado una serie de herramientas estadísticas conocida como
diseño de experimentos, tratadas anteriormente.
Taguchi ha propuesto una alternativa no del todo diferente que se que conoce como:
Arreglos Ortogonales y las Gráficas Lineales.
La (b)C
Donde:
a = Representa el número de pruebas o condiciones experimentales que se tomarán. Esto
es el número de renglones o líneas en el arreglo.
b=
No. de factores a analizar Arreglo a utilizar No. de condiciones a probar
Entre 1 y 3 L4 4
Entre 4 y 7 L8 8
Entre 8 y 11 L12 12
Entre 12 y 15 L16 16
Entre 16 y 31 L32 32
Entre 32 y 63 L64 64
Representa los diferentes niveles a los que se tomará cada factor.
c = Es el número de efectos independientes que se pueden analizar, esto es el número de
columnas.
F A C T O R E S (c)
No. (a) A B C Resultado
1 1 1 1 Y1
2 1 2 2 Y2
3 2 1 1 Y3
4 2 2 1 Y4
Un arreglo ortogonal es una tabla de números. Como ejemplo de un arreglo ortogonal tenemos el siguiente:
De acuerdo con la notación empleada por Taguchi al arreglo mostrado como ejemplo, se le llama un
arreglo L4, por tener cuatro renglones. (Tabla 5-3.1)
En general, para un arreglo a dos niveles, el número de columnas (efectos o factores) que se pueden analizar,
es igual al número de renglones menos 1.
Taguchi ha desarrollado una serie de arreglos para experimentos con factores a dos niveles, los más
utilizados y difundidos según el número de factores se muestran en la (Tabla 5-3.2)
Ejemplo 1:
Si se desea analizar el efecto de estos factores, es necesario variarlos, esto es probarlos bajo diferentes valores
cada uno. A cada uno de estos valores se les llama nivel. Se requieren de al menos dos niveles o valores
distintos para cada factor. A uno de ellos arbitrariamente le llamamos nivel bajo o nivel “1”, al otro nivel alto
o nivel “2”. En la tabla siguiente tabla encontramos los cinco factores, en sus dos niveles.
En este caso estamos interesados en analizar el efecto de 5 efectos o factores a dos niveles cada uno, por lo
tanto, se usará un arreglo ortogonal L8. Esto implica que se ejecutarán 8 pruebas o condiciones
experimentales. Por otra parte se disponen de 7 columnas, a cada columna se le puede asignar o asociar un
factor. Si en particular, asignamos los factores en orden a las primeras cinco Columnas, dejando libres las
últimas dos columnas, el arreglo queda:
Observe que en las columnas que quedaron vacías, se ha escrito la letra e 1,y e2 respectivamente esto para
indicar que en ellas se evaluará la variación natural o error aleatorio.
Si no se asigna ningún factor, es de esperar que ahí se manifieste la variación natural. Los resultados de Yi se
muestran en ppm.
Tesis de Hector Hernández S.
El análisis de resultados, se puede efectuar de dos maneras diferentes. Una de ellas mediante una serie de
gráficas, la otra mediante el análisis de varianza, en este ejemplo se muestra primero el uso del análisis de
varianza, posteriormente se muestra el uso de gráficas.
Análisis de varianza
1) Como primer paso, se obtienen los totales de la variable de respuesta o lecturas, para cada uno de los
niveles de los factores.
Para calcular los totales para cada nivel del factor A, observamos que las primeras cuatro
pruebas del arreglo se efectuaron con el factor a su nivel 1 (Resina tipo I) y las siguientes
cuatro a su nivel 2 (resina tipo II).
Para el factor D se tiene que las pruebas 1,3,5 y 7 se efectuaron a su nivel 1 (humedad del
5%), por lo tanto los totales son:
En resumen se tiene:
Factor A B C D E e e
Nivel 1 1.59 1.36 1.51 1.40 1.39 1.28 1.35
Nivel 2 1.05 1.28 1.13 1.24 1.25 1.36 1.29
2.64 2.64 2.64 2.64 2.64 2.64 2.64
Observe que la suma de los dos niveles debe dar siempre el total de las ocho lecturas 2.64.
2) En seguida se obtiene una cantidad que llamaremos suma de cuadrados esta se calcula
como sigue:
Suma de los cuadrados del factor X = SSX = (Total nivel 2 – Total nivel 1)2/ n
Donde “n” representa el número total de lecturas que se tomaron.
Tesis de Hector Hernández S.
Así por ejemplo, para el factor A, tendremos que dado que n=8
SSA= (A2 –A1) 2/ 8= (1.59-1.05) 2/ 8=0.03645 con 1 g .1
Similarmente
SSC= (C2 –C1) 2/ 8= (1.13-1.51) 2/ 8= 0.01805 con 1 g.1
SSD= (D2 –D1) 2/ 8= (1.24-1.40) 2/ 8= 0.00320 con 1 g.1
SSE= (E2 –E1) 2/ 8= (1.25-1.39) 2/ 8= 0.00245 con 1 g.1
SSe= 0.00080 con 1 g.1
SSe= 0.00045 con 1 g.1
La suma de cuadrados de las columnas donde no se asignó factor (SSe) se toman como estimaciones del
error y se suman.
Bajo la columna SS se tienen las sumas de cuadrados. Bajo la columna G.l. (grados de
libertad), tendremos el número de columnas que se usaron para evaluar el factor, en este
caso, sólo puede ser de uno para cada factor y más de uno únicamente para el caso del
error.
Tesis de Hector Hernández S.
Por último, el valor de Fexp, se obtiene de dividir el valor de V de cada factor, entre el
valor de V para la estimación del error.
Todos aquellos factores, que tienen un valor de Fexp mayor que 2 se considera que
afectan la variable de respuesta, que en este caso es “emisión de formaldehído”. Estos son
llamados factores significantes.
Nos resta decidir a que nivel habrá de fijar cada factor significante, y qué podremos
esperar. Para tomar esta decisión, es de mucha ayuda obtener los promedios de las lecturas
que se tomaron a cada nivel para cada uno de los factores significantes.
Los promedios de la emisión de formaldehído para cada nivel se obtienen dividiendo cada
uno de los totales entre 4, (cada total es la suma de cuatro lecturas).
Finalmente, el resultado esperado bajo las condiciones A2, C2, D2, E2, que llamaremos Yest. se calcula
sumando al promedio general Y todos los efectos de los factores significantes.
Existe una alternativa al análisis ANOVA, esta es una serie de gráficas que se muestran
enseguida.
1) Primero se obtienen los promedios en cada nivel, para cada uno de los factores,
incluyendo las columnas vacías.
Para hacer esto, encontramos los totales para cada nivel y dividimos entre el número de
lecturas con el que se obtuvo cada total. Para nuestro ejemplo, los totales a cada nivel los
tenemos ya en la sección anterior. Los promedios son:
Factor A B C D E e e
Nivel 1 0.3975 0.3400 0.3775 0.3500 0.3475 0.3200 0.3325
Nivel 2 0.2625 0.3200 0.2825 0.3100 0.3125 0.3400 0.3225
Promedio global Y= T/n= 2.64/8 = 0.33
Observe que para cada factor, uno de los promedios es mayor y el otro menor que el
promedio global. Esto siempre debe de ocurrir.
2) Calcule la diferencia entre los promedios de niveles para cada factor, y ordénelos de
mayor a menor en valor absoluto.
Esto es por ejemplo para el factor A
A1 – A2 = 0.3975 – 0.2625= 0.1350; para el resto tenemos:
Factor A B C D E e e
Tesis de Hector Hernández S.
Nomenclatura
Yest. = Y + Ef A2 + Ef C2 + Ef D2 + Ef E2
Tesis de Hector Hernández S.
Factor A C D E B e e
0.0100
Se puede observar que el orden en que quedaron los datos anteriores, es también el orden
de mayor a menor Fexp que se obtiene con la ANOVA.
.40
.35
.33
.30
.25
A1 A 2 C1 C2 D1 D2 E1 E2 B1 B2 e 1 e 2 e1 e2
Figura 5-3.1 Gráfica de Efectos por nivel de los factores significativos.
Mediante esta gráfica, se puede evaluar el efecto de cada factor. Entre mayor sea la línea de cada factor, o
bien, entre más vertical se encuentre, mayor será el efecto de este factor.
Tesis de Hector Hernández S.
Observe que las conclusiones a que se llegamos en este ejemplo son similares a las de la
ANOVA, esto es, factores significantes A, C, D y e, igualmente los niveles recomendados
se pueden identificar rápidamente, si deseamos reducir la variable de respuesta, se toma el
nivel más bajo, en este caso A2, C2, D2 y E2, es decir, los puntos por debajo de la línea
promedio global.
En conclusión, el método gráfico puede ser utilizado para fines de exposición o presentación y el
ANOVA para fines de tomar una decisión más objetiva.
Como hemos visto anteriormente en los procesos de producción se producen interacciones. En esta sección
describiremos esta situación.
En los casos anteriores se asumió que el efecto de un factor sobre la variable de respuesta,
no dependía del nivel de otros factores. Cuando el efecto de un factor depende del nivel de
otro factor, se dice que existe una interacción entre los factores.
Supongamos que en un experimento se ha encontrado que la temperatura y el tipo de
refrigerante, afectan la variable de respuesta llamada planicidad. Existen dos marcas de
refrigerante, la marca I y la marca II. Resulta que si usamos el refrigerante I, al aumentar la
temperatura la planicidad aumenta. Pero si se utiliza la marca de refrigerante II, al aumentar
la temperatura, la planicidad disminuye.
B1
B1
B2
B2
Tesis de Hector Hernández S.
A1 A2 A1 A2
a) los arreglos ortogonales a utilizar para los casos con interacciones, son exactamente los mismos
que se usan para el caso sin interacciones.
b) al asignar dos factores, A y B por ejemplo, a ciertas columnas, automáticamente la
interacción de esos dos factores AxB se reflejará en otra columna del arreglo. Por lo tanto,
esta tercera columna ya no podrá ser utilizada por algún otro factor o interacción a menos
que se pueda suponer la interacción AxB como inexistente.
c) una interacción significante que se desee probar, tomará una columna y en consecuencia
un grado de libertad. Por lo tanto, si deseamos analizar el efecto de 6 factores y 4 de las
interacciones entre ellos, requerimos por lo menos de 10 grados de libertad, esto es de 10
columnas, o sea un arreglo L 16 y no un arreglo L8, que sería suficiente sin interacciones.
d) se deberá tener cuidado especial, en la manera como se asignan los factores a las
columnas, para que sus interacciones no se confundan con otros factores principales u otras
interacciones que también deseamos probar.
Una condición que existe para el manejo de las interacciones mediante procedimientos de
arreglos ortogonales Taguchi, es que se tenga una definición “a priori “ de cuales
interacciones específicamente sospechamos que existen. Esto es, debemos definir de
antemano qué interacciones creemos son relevantes, a fin de incluirlas en nuestro análisis.
Esto se puede saber en base a la experiencia previa del proceso.
Para ayudar en la asignación de factores a un arreglo, se han desarrollado gráficas lineales.
Su aplicación se muestra mediante un ejemplo:
Tesis de Hector Hernández S.
NOTA: En los ejemplos que siguen, para denotar una interacción entre dos factores, A y B
por ejemplo, se utiliza indistintamente la notación AB o AxB.
Gráficas lineales
A continuación se muestra un arreglo L8 junto con una matriz triangular y dos gráficas lineales. Estas
se reproducen aquí para su explicación.
Columnas
Nº 1 2 3 4 5 6 7 Columnas 1 2 3 4 5 6 7
1 1 1 1 1 1 1 1 (1) 3 2 5 4 7 6
2 1 1 1 2 2 2 2 (2) 1 6 7 4 5
3 1 2 2 1 1 2 2 (3) 7 6* 5 4
4 1 2 2 2 2 1 1 (4) 1 2 3
5 2 1 2 1 2 1 2 (5) 1 2
6 2 1 2 2 1 2 1 (6) 1
7 2 2 1 1 2 2 1 (7)
8 2 2 1 2 1 1 2
1 3
2
3 5 1
.7 5 4
6
2 6 4 7
(b)
(a)
Figura 5-3.3 Arreglo ortogonal y matriz de interacciones.- Que representa cada tabla? El arreglo ortogonal L8 es
exactamente el mismo que se utilizó en el caso experimental y cada columna un factor o interacción cuyo impacto sobre la
variable de respuesta se desea conocer.
La matriz triangular nos representa las interacciones entre columnas. En el primer renglón, con el titulo de columna, cada
número corresponde a la columna con ese mismo número del arreglo, al igual que los números entre paréntesis que se
encuentran en la diagonal inferior. Por ejemplo, si nosotros asignamos el factor A a la columna 3 y el factor B a la
columna 5, la interacción de AxB aparecerá en otra columna ya definida. En el cruce de la columna número 5 y el renglón
número 3 de la matriz, aparece el número 6 (marcado con * en la tabla), de manera que la interacción de AxB se deberá
asignar a la columna 6 del arreglo ortogonal.
Con ayuda de matriz de interacciones es factible, mediante prueba y error, asignar los factores a las columnas. Sin
embargo, para simplificar aun más esta asignación nos podemos auxiliar de las gráficas lineales (a) y (b) que se muestran.
c) los números representan las columnas correspondientes del arreglo ortogonal a donde se
asignan los efectos principales y las interacciones.
En particular, el arreglo ortogonal L8 tiene dos alternativas de arreglo mostrados por las
gráficas (a) y (b) respectivamente.
Por ejemplo, la gráfica (a) indica que con este arreglo se pueden analizar, tres factores
principales, (puntos 1, 2 y 4) y las interacciones entre ellos, (líneas 3, 5 y 6), además de un
cuarto factor, (punto 7), que no interactúa con los otros tres.
Los números indican que si deseamos lo anterior, los tres factores deberán asignarse a las
columnas 1, 4 y 2. Las interacciones aparecen en las columnas 3, 5 y 6.
La gráfica (b) indica cuatro factores, (puntos 1, 2, 4 y 7) con interacciones de uno de ellos
con los otros tres (líneas 3, 5 y 6).
Por lo tanto, el factor que interactúa con los otros tres se debe asignar a la columna 1 del
arreglo, los otros tres factores a las columnas 2, 4 y 7. Las interacciones quedarán en las
columnas 3, 5 y 6.
1) Como primer paso, seleccionamos un arreglo ortogonal tentativo. Esto depende del
número de efectos totales a analizar.
A. B.
C. D.
En seguida mostramos las interacciones que nos interesan, mediante líneas. Para nuestro
caso tenemos (gráfica de la izquierda):
AxB 3
A B 1 2
AxC AxD 5
6
C D
7 4
Figura 5-3.4 Gráfica Lineal (1). En la cual se muestran los factores y sus
interacciones.
Tabla 5-3.10
Supongamos que ahora queremos analizar un factor más, el factor E y creemos que la
interacción AxC realmente no es relevante. La gráfica lineal que requerimos es:
B
AxB
A AxC C E
Tesis de Hector Hernández S.
AxD
D
Figura 5-3. 5 Gráfica lineal (2) en la cual se desea analizar un factor más (E)
Esta gráfica es parecida a la gráfica lineal (2) excepto por la interacción de AxC, por lo
tanto, una asignación lógica es: Factor A la columna 1, factor B a la columna 2, interacción
AxB a la columna 3, el factor C a la columna 4, el factor D a la columna 7, la interacción
AxD a la columna 6. Por último, a la columna 5 que de otra manera sería la interacción
AxC, se le asigna el factor E. Observe que en este último caso, también se pudo utilizar la
gráfica lineal (1).
Si por alguna razón, la gráfica que deseamos, no puede quedar incluida en las gráficas
lineales (1) ó (2) es necesario usar otro arreglo ortogonal de mayor tamaño.
Si deseamos analizar los factores A, B, C, D, E y F, además de la interacción AxB, una
posible asignación es:
Efecto A D C B AxB E F
Columna 1 2 3 4 5 6 7
Ejemplo 2:
A
AxC AxB
C B .D
Tesis de Hector Hernández S.
CxB
Esta gráfica se ajusta a la gráfica lineal (1) del arreglo ortogonal L8, por lo que una
asignación apropiada de efectos es:
Total 23.8800 7
El error aleatorio (e) se estima usando los efectos más pequeños marcados con *
Nº A C Yi
1 1 1 11.20 Siempre existirán entre dos columnas
2 1 1 10.80 cuatro posibles combinaciones de
3 1 2 7.2 números: 1 1; 1 2; 2 1; 2 2
4 1 2 7.0
5 2 1 8.0
6 2 1 6.9
7 2 2 10.4
8 2 2 10.1
En resumen
11.0
10.0
C2
9.00
8.00
C1
7.00
A1 A2
Figura 5-3.15 Interacción AC
Observe que al efecto de la interacción, se le resta el efecto de los factores individuales que
intervienen (hayan resultado significantes de manera individual o no).
EF B2= B2 – Y= 8.70 – 8.95= -0.25
Una estimación del porcentaje de hidrocarburos sin quemar es igual a la suma de los
efectos significantes, incluyendo los factores que intervienen en una interacción
significante, hayan resultado significantes de manera individual o no.
Yest = Y + EF A1 C2 + EF A1 + EF C2 + EF B2
= 8.95 + (-1.675) + (9.05 – 8.95) + (8.675 – 8.95) + (-0.25)= 6.85
Hasta aquí se han considerado ejemplos para arreglos ortogonales L8, por su comodidad en cuanto al tamaño.
A continuación se hacen algunos comentarios sobre otros arreglos.
Tesis de Hector Hernández S.
Las interacciones en un arreglo L12 se distribuyen de una manera uniforme en todas las
columnas. La ventaja de esto es que le permite investigar 11 factores sin preocuparse
por sus interacciones. El arreglo L12 en general tiene buena reproducibilidad de
conclusiones.
Para un arreglo L16 existen una gran variedad de posibles gráficas lineales.
Para un arreglo L32 existen diferentes gráficas dentro de las varias posibles que existen.
En cualquier caso, se puede tratar de construir más gráficas de acuerdo con las
necesidades que se tengan, respetando siempre la matriz de interacciones.
En algunos gráficos lineales , los vértices se representan con diferentes símbolos,
específicamente con o, y . La razón y su significado es el siguiente:
Taguchi sugiere que las pruebas o corridas se lleven a cabo en el orden indicado por los
renglones del arreglo ortogonal, esto es, primero las condiciones indicadas por el renglón 1,
seguidas de las del renglón 2 y así sucesivamente.
Por otra parte, al ejecutar el experimento, no todos los factores tienen la misma flexibilidad
de estar variando de nivel de una prueba a otra.
Por otro lado, se sugiere que los factores con menor flexibilidad se asignen al grupo 1 del
arreglo representados por el símbolo o, de la gráfica lineal. Estos factores tendrán menos
cambios de nivel a lo largo de todo el experimento. De hecho, observe que el factor
asignado a la columna 1 de cualquier arreglo, solo tiene un cambio de nivel, mientras que
por ejemplo, un factor asignado a la columna Nº 15 de un arreglo L16 cambia 10 veces de
nivel.
Por lo general, existen pocas interacciones dentro de las múltiples posibles entre
factores.
El efecto de las interacciones sobre la variable de respuesta, es por lo general menor que
el efecto de los factores individuales solos.
Recuerde que algunos arreglos ortogonales, le permiten analizar un problema sin
preocuparse por las interacciones. El L12 es un ejemplo de ellos.
Se sugiere que, en caso de dudas sobre las interacciones, siempre sea preferible incluir
más factores, en lugar de interacciones. Si estas últimas no son muy fuertes, se pueden
considerar como ruido.
Tesis de Hector Hernández S.
De todos los factores que afectan un proceso, se pueden extraer dos grupos:
1. Dentro de los factores a estudiar, separe los de ruido y los de diseño o control.
2. Dentro de los factores de diseño, identifique aquellos que afectan la variabilidad del
proceso. Utilícelos para minimizar la variabilidad.
3. Dentro de los factores de diseño, identifique aquellos que afectan la media, sin afectar
la variabilidad. Utilícelos para optimizar la media.
4. Identifique aquellos factores de diseño que no afectan ni media ni variabilidad.
Utilícelos para reducir costos.
Es deseable tener una cantidad o expresión que de alguna manera, involucre media y variación, o que por lo
menos, ayude a que nuestras conclusiones sean más confiables.
Esta cantidad ya existe y se llama índice señal ruido, denotado como SN o SR de aquí en adelante.
“El índice se diseñó de tal manera, que productos más robustos siempre tengan un mayor valor de índice
SN”
Vm= y
1
2 2 2 2
y2 y3 ... yr Sm / r 1
El lector reconocerá a Vm como la varianza de los “r” datos. Sn estima el logaritmo de base 10 de la relación
(media / desviación estándar)2.
En ocasiones se utiliza:
El uso de logaritmos pretende hacer la respuesta más “lineal” y el signo negativo es para que siempre se
maximice el índice SN. Se multiplica por 10 para obtener decibeles.
En un experimento señal ruido, generalmente se incluye un grupo de factores de ruido, contra los que
específicamente se desea hacer robusto el producto, y que se pueden controlar durante un experimento.
Un diseño de experimentos para un análisis señal a ruido consiste de dos partes, un arreglo ortogonal o matriz
de diseño o interno y un arreglo ortogonal o matriz de ruido o externo. Las columnas de una matriz de diseño
representan parámetros de diseño. Las columnas de la matriz de ruido representan factores de ruido.
Ejemplo 3:
Una característica de calidad importante para un cierto producto metálico es el terminado, que se mide según
su planicidad en milésimas de pulgada (mmplg). Esta característica se piensa es afectada por los siguientes
factores:
Los factores G y H son factores que no se pueden controlar durante el proceso, ya que el tipo de modelo
depende del requerimiento específico del cliente y la templabilidad es una característica de la materia prima.
Estos dos factores se consideran al menos inicialmente como factores de ruido. Por lo tanto, se consideran
como factores de diseño a los factores A, B, C y D.
Tesis de Hector Hernández S.
De acuerdo con esto, lo que se desea saber es cuales deben ser las condiciones de operación o niveles de los
factores de diseño A, B, C y D, que lleven el producto a la característica objetivo y además con la mínima
variabilidad, a pesar de las variaciones en los factores G y H.
Arreglo interno
Considere únicamente los factores de diseño, se desea detectar 6 efectos en total, y para ello, se requiere de un
arreglo ortogonal L8. La gráfica lineal requerida es:
3
1 A .2 B
5 A xC
4 C
AxD 6
7 D
Figura 5-3.16 Arreglo lineal Ejemplo 3 .La columna correspondiente a la línea punteada se utilizará para
cuantificar el error.
A B e C AxC AxD D
Nº 1 2 3 4 5 6 7
Arreglo externo
Considere ahora únicamente los factores de ruido G y H. Se requieren de dos columnas, de manera que un
arreglo ortogonal L4 es suficiente. El arreglo, al que llamaremos arreglo externo es:
G H
Nº 1 2 3
1 1 1 1
2 1 2 2
3 2 1 1
4 2 2 1
Arreglo total
Los dos arreglos anteriores se “mezclan” o “combinan” en un solo arreglo total, tal y como se muestra:
1 2 1 1
H 1 2 1 2
Tesis de Hector Hernández S.
G 1 1 2 2
A B e C AxC AxD D
Nº 1 2 3 4 5 6 7 1 2 3 4
1 1 1 1 1 1 1 1 Y11 Y12 Y13 Y14
2 1 1 1 2 2 2 2 Y21 Y22 Y23 Y24
3 1 2 2 1 1 2 2 Y31 Y32 Y33 Y34
4 1 2 2 2 2 1 1 Y41 Y42 Y43 Y44
5 2 1 2 1 2 1 2 Y51 Y52 Y53 Y54
6 2 1 2 2 1 2 1 Y61 Y62 Y63 Y64
7 2 2 1 1 2 2 1 Y71 Y72 Y73 Y74
8 2 2 1 2 1 1 2 Y81 Y82 Y83 Y84
Tabla 5-3.16 Arreglo total en el cual se combinan la matriz externa e interna para formar el arreglo total
Observe que la matriz de ruido o arreglo externo se ha traspuesto o acostado, esto es, escrito sus renglones
como columnas. Observe también que existen 8 x 4 = 32 posibles lecturas, tomadas bajo diferentes
condiciones todas ellas (valores de Y ij ). En general, si el arreglo interno tiene M renglones y el externo tiene
N renglones, entonces existen un total de M x N lecturas, que pueden ser tomadas bajo condiciones diferentes.
Por eso se recomienda que el número de factores de ruido (valor de N) no sea mayor que 3.
Pero, ¿cómo se toman exactamente cada una de las 32 lecturas? suponga que inicialmente, deseamos tomar
las lecturas Y11, Y12, Y13, Y14 . Para esto, se fijan todos los factores de diseño de acuerdo con los niveles
indicados por el renglón Nº 1 del arreglo interno, esto es, todos los factores de diseño a su nivel 1.
Sin embargo, si bien las cuatro lecturas Y 11, Y12, Y13, Y14 se toman a los mismos niveles de los factores de
diseño, cada una se toma a diferentes niveles de los factores de ruido.
En resumen se tiene:
En seguida deseamos obtener las lecturas Y21 , Y22 , Y23 , Y24. Todas estas lectura se tomarán al mismo nivel
de los factores de diseño y estos niveles serán indicados por el renglón Nº 2 del arreglo interno. Manteniendo
estas condiciones, los factores de ruido se varían a sus cuatro combinaciones indicadas por el arreglo externo.
De esta manera se van obteniendo todas las 32 lecturas. Se fijan los factores de diseño según un renglón del
arreglo interno y se mantienen fijos mientras se varían los factores de ruido de acuerdo con el arreglo interno.
Como ejemplo, la lectura Y 73 , se obtendrá bajo las condiciones siguientes: factor A, 1600 ºF, 220 psi, factor
C. 8 seg, factor D, 80 gal/min; factor G, tipo grande; y factor H, 25 Rc.
Tesis de Hector Hernández S.
Suponga que por alguna razón para este ejemplo en particular, se tiene un valor deseado de m = 2 mmplg.
Para obtener conclusiones a partir de un experimento señal a ruido se puede usar la tabla ANOVA, o bien, a
través de gráficas.
Para responder a la pregunta de a qué niveles fijar los factores de diseño, a fin de minimizar la variabilidad
en la característica de respuesta, ignoramos el arreglo externo conservando las 32 lecturas, específicamente, el
arreglo para análisis es:
A B e C AxC AxD D
Nº 1 2 3 4 5 6 7 1 2 3 4 Total
1 1 1 1 1 1 1 1 1.1 1.2 1.3 1.1 4.7
2 1 1 1 2 2 2 2 1.2 1.3 1.2 1.3 5.0
3 1 2 2 1 1 2 2 2.0 2.1 2.2 2.1 8.4
4 1 2 2 2 2 1 1 2.1 2.2 2.1 2.0 8.4
5 2 1 2 1 2 1 2 1.0 1.4 1.2 1.3 4.9
6 2 1 2 2 1 2 1 1.2 1.3 1.5 1.0 5.0
7 2 2 1 1 2 2 1 1.6 2.1 2.4 2.0 8.1
8 2 2 1 2 1 1 2 1.5 2.0 2.3 2.5 8.3
Totales= 11.7 13.6 14.2 13.3 52.8
Lo que observamos en esta última tabla es un arreglo L8 con 4 lecturas para cada condición o renglón.
Estamos interesados en analizar la variabilidad de las 4 lecturas tomadas bajo cada condición. Para esto, nos
ayudamos del índice SN, o sea, la variabilidad de las cuatro lecturas que se tomaron bajo cada condición, la
Tesis de Hector Hernández S.
resumiremos en un índice señal a ruido. Al hacerlo, en lugar de 32 lecturas individuales tendremos 8 valores
del índice SN, uno para cada renglón o condición experimental.
Como estamos en un caso de nominal es mejor, el índice apropiado es:
SN= 10 log Sm Vm / r * Vm ; donde Sm= Yi 2 / r y Vm= Y
i
2
Sm / r 1
En este caso en particular, r= 4, cada índice se calcula a partir de 4 lecturas individuales.
Para la primera condición experimental o renglón Nº 1, se tienen las lecturas siguientes: 1.1, 1.2, 1.3, 1.1, con
un total de 4.7
El cálculo del índice es:
Para el renglón o condición experimental Nº 2 se tienen las lectural: 1.2, 1.3, 1.2, 1.3, con un total de 5.0
El cálculo del índice SN es:
A B e C AxC AxD D SN
Nº 1 2 3 4 5 6 7 dB
1 1 1 1 1 1 1 1 21.771
2 1 1 1 2 2 2 2 26.707
3 1 2 2 1 1 2 2 28.203
4 1 2 2 2 2 1 1 28.203
5 2 1 2 1 2 1 2 17.092
6 2 1 2 2 1 2 1 15.539
7 2 2 1 1 2 2 1 15.718
8 2 2 1 2 1 1 2 13.524
Factor SS Gl V Fexp
A 231.2413 1 231.2413 14.44
B 2.5751 1 2.5751 00.16
C 0.1764 1 0.1764 00.01
AxC 9.4284 1 9.4284 00.59
AxD 3.8880 1 3.8880 00.24
D 2.3047 1 2.3047 00.14
e 16.0135 1 16.0135
El factor A, temperatura del horno, es el factor que estadísticamente afecta el índice señal a ruido, y que por
consiguiente “afecta la variabilidad. De acuerdo con los niveles del factor A, se tiene:
Dado que siempre deseamos maximizar el índice señal a ruido, el factor A se fija en su nivel 1, esto es, la
temperatura del horno se fija en 1500 ºF.
¿Qué hacer con el resto de los factores? antes de contestar esta pregunta, se deben identificar de entre
los factores que NO AFECTARON el índice SN, cuáles afectan la media. Esto se muestra en lo que
sigue.
Después de identificar los factores que “afectan” la variabilidad, el siguiente paso es identificar qué factores,
dentro de los que no afecta la variabilidad, afectan la media del proceso. Estos factores llamados factores de
señal, nos permitirán “ajustar” la media del proceso hacia su valor nominal, sin incrementar la variabilidad del
proceso.
Para el análisis, se utilizan las 32 lecturas iniciales. Para ello se obtiene el promedio de cada renglón.
A B e C AxC AxD D
Nº 1 2 3 4 5 6 7 1 2 3 4 Total Promedio
1 1 1 1 1 1 1 1 1.1 1.2 1.3 1.1 4.7 1.175
2 1 1 1 2 2 2 2 1.2 1.3 1.2 1.3 5.0 1.250
Tesis de Hector Hernández S.
Considerando únicamente los promedios, tendremos un arreglo L8 con una lectura. El análisis en base a los
promedios es:
A1 = Total de las lecturas tomadas bajo el nivel 1 del factor A
=1.175+1.250+2.100+2.100= 6.625
A2 = Total de las lecturas tomadas bajo el nivel 2 del factor A
= 1.225+1.250+2.075+2.025= 6.575
SSA = (A2 – A1) 2 /Número total de lecturas SN
= (6.625 – 6.575)2/8= 0.0003
Y así sucesivamente
SSC = 0.0028 , SSAxC= 0.0000, SSAxD= 0.0003
SSD = 0.0013 , SSe= 0.0028
El factor B, presión de prensado, es el único factor significante. Mediante este factor se puede ajustar la
media del proceso, y llevarla lo más cerca posible a su valor ideal de 2.
También se debe hacer la observación, de que si el factor A hubiera resultado significante en este segundo
análisis, no podríamos utilizarlo, ya que resultó significante en el análisis con el índice SN.
En particular, la respuesta promedio para cada nivel del factor B es:
Se puede interpolar para conocer el valor al que se debe fijar la presión. La respuesta promedio a 200 psi es
de 1.225 y a 220 psi es 2.075
Y 2.0
1.5
1.0 B
200 220
En estas gráficas, la importancia de cada efecto se observar según la inclinación de cada línea, de hecho, los
efectos se encuentran graficados de acuerdo con su importancia.
Las conclusiones que se obtienen son las mismas, esto es, el factor A es el que más afecta el índice señal a
ruido, y lo hace mayor a su nivel A 1. El factor B es el que más afecta la respuesta promedio sin afectar el
índice SN, la respuesta promedio aumenta al aumentar el factor B de su nivel 1 al 2.
Tesis de Hector Hernández S.
De acuerdo con los resultados que se han obtenido de los análisis, las conclusiones generales son:
L4 (2^3) L8 (2^7)
1 2 3 1 2 3 4 5 6 7
1 1 1 1 1 1 1 1 1 1 1 1
2 1 2 2 2 1 1 1 2 2 2 2
3 2 1 2 3 1 2 2 1 1 2 2
4 2 2 1 4 1 2 2 2 2 1 1
5 2 1 2 1 2 1 2
6 2 1 2 2 1 2 1
7 2 2 1 1 2 2 1
8 2 2 1 2 1 1 2
L12(2^11)
1 2 3 4 5 6 7 8 9 10 11
1 1 1 1 1 1 1 1 1 1 1 1
2 1 1 1 1 1 2 2 2 2 2 2
3 1 1 2 2 2 1 1 1 2 2 2
4 1 2 1 2 2 1 2 2 1 1 2
5 1 2 2 1 2 2 1 2 1 2 1
6 1 2 2 2 1 2 2 1 2 1 1
7 2 1 2 2 1 1 2 2 1 2 1
8 2 1 2 1 2 2 2 1 1 1 2
9 2 1 1 2 2 2 1 2 2 1 1
10 2 2 2 1 1 1 1 2 2 1 2
11 2 2 1 2 1 2 1 1 1 2 2
12 2 2 1 1 2 1 2 1 2 2 1
L16 (2^15)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2
3 1 1 1 2 2 2 2
5-2 DISEÑO CENTRAL COMPUESTO 21 1 1
k 1 2 2 2 2
4 1 1 1 2 2 2 2 2 2 2 2 1 1 1 1
5 1 2 2 1 k 1 2 2 1 1 2 2 1 1 2 2
En los diseños factoriales 2 existe la suposición de linealidad en los efectos de los factores.
6 1 2 2 1 1 2 2 2 2 1 1 2 2 1 1
El diseño central2compuesto consiste en realizar replicas en ciertos puntos del experimento
7 1 2k 2 2 1 1 1 1 2 2 2 2 1 1
8 factorial
1 22, para 2proveer
2 una protección
2 1 contra1 la curvatura
2 2 que1pudiera 1 estar1presente.
1 2 2
9 El método
2 1 consiste
2 en1agregar
2 puntos
1 centrales
2 1al diseño,
2 se1 agregan
2 n replicas
1 2 en los
1 2
10 puntos
2 1 2 1 2 1 2 2 1 2 1 2 1 2 1
11 Xi =2 0 (i =1 1,2,……….,k).
2 2 Estas
1 replicas
2 centrales
1 1no tienen
2 un 1impacto
2 significativo
2 1 en los
2 1
12 efectos.
2 1 2 2 1 2 1 2 1 2 1 1 2 1 2
13 2 2 1 1 2 2 1 1 2 2 1 1 2 2 1
14 2 2 1 1 2 2 1 2 1 1 2 2 1 1 2
15 2 2 1 2 1 1 2 1 2 2 1 2 1 1 2
16 2 2 1 2 1 1 2 2 1 1 2 1 2 2 1
Tesis de Hector Hernández S.
4
0 4
1.5
1
60 +
1
1
4
0.3 P
unto
sCe
ntra
le
s
4
0.5
T
emp
era
tu
ra
155 4
0.7
0
4
0.7 4
0.2
4
0.6
1
50 -1 3
9.3 4
0.9
-
1
0 +
1
3
0 3
5
4
0
T
ie
m p
o
En Fold design tenemos la opción do not fold (por default), dejamos esta opción.
Quitamos la palomita en Randomize runs, de lo contrario el orden en el que aparecerá el
diseño en la hoja de trabajo será aleatorio, causando dificultad para introducir los datos de
la variable de respuesta.
Dejamos la opción por default Store design in worksheet.
En el icono RESULTADOS, dejamos las opciones dadas por default, ya que son las unicas
que utilizaremos para el análisis de este tipo de experimento.
Con la opción GRAPHS, escogemos las gráficas requeridas para el análisis del
experimento que en este caso son: Normal y Pareto, las cuales deberán de ser palomeadas.
El nivel Alpha seleccionado es: 0.05.
En la opción RESULTS dejamos las opciones que están por default para el caso de este tipo
de diseño.
Tesis de Hector Hernández S.
Para el análisis del experimento, utilizamos las graficas y la tabla de análisis de varianza.
A: A
B: B
AB
0 1 2 3 4 5 6 7
Tesis de Hector Hernández S.
Figura 5-2.2 En la gráfica de Pareto observamos cuales son los Factores o Interacciones
que rebasan la línea punteada, en este caso son los Factores A y B. los cuales son los más
significativos.
A: A
A B: B
0.5
Normal Score
0.0 B
-0.5
Standardized Effect
Figura 5-2.3 De la misma manera en la gráfica de probabilidad normal vemos que los
factores que más se aleján de la linea recta son: A y B, por lo que reconfirmamos que son
los efectos con mayor significancia.
Análizando la tabla de análisis de varianza, observamos que los efectos principales (Main
Effects), son los más significativos al ser P < en 0.05 este caso observamos en la primera
columna debajo de efectos que es de 0.003.
Tesis de Hector Hernández S.
Para genera las gráficas que nos permitirán determinar y visualizar cuales son los niveles
óptimos de los efectos seleccionamos la opción: STAT > DOE > FACTORIAL PLOTS
En la ventana seleccionamos las opciones: Main Effects (response versus levels of 1 factor).
Dentro de esta ventana damos click en setup y se despliega la siguiente ventana, en la cual
seleccionamos la respuesta, y los factores a incluir en las gráficas que en este caso son A y
B.
Tesis de Hector Hernández S.
-1 1 -1 1
41.2
40.8
C7
40.4
40.0
39.6
A B
6-1 PRE-CONTROL
Es una técnica usada para detectar irregularidades en el proceso, que pueden resultar en la producción de
unidades fuera de especificaciones. Pre-control, principalmente se presta para el uso de aparatos de medición
hechos previamente sobre los límites de las especificaciones. El uso de éstos aparatos de medición permite
seleccionar fácilmente las unidades que proceden de las que no. Pre-control es usado con frecuencia para
determinar los valores de las variables del proceso durante el período de arranque de la producción.
Ventajas. Pre-control es una técnica simple que a diferencia con el control estadístico del proceso (CEP) no
requiere de gráficas de control, ni de cómputos.
Desventajas. No existen gráficas de control, por lo tanto, las reglas y procedimientos para reconocer patrones
de fallas no pueden ser usados. Dado que se requiere una cantidad muy pequeña de muestras, es riesgoso
inferir sobre la totalidad del proceso. Finalmente, Pre-control no proporciona información suficiente para
someter el proceso bajo control o para reducir la variabilidad.
Recomendaciones. Pre-control sólo debe ser usado cuando la capacidad del proceso (Cp) 25 es mayor que uno
(algunos textos recomiendan como mínimo Cp=2)26, y cuando se han alcanzado cero defectos en el proceso.
Definición de los límites de Pre-control. Existen dos límites de Pre-control (PC): Upper Pre-control limit
(UPCL) y Lower Pre-control limit(LPCL). Cada uno representa ¼ de la distancia entre el límite de
especificaciones inferior (LSL) y el límite de especificaciones superior (USL). La siguiente figura considera
un proceso distribuido de acuerdo a la distribución normal.
0 1 1 3 1
4 2 4
25
C p USL LSL , donde USL = Upper Specification Limit y LSL = Lower Specification Limit.
6
26
Montogomery, Douglas C. “Statistical Quality Control”, John Wiley & Sons, Inc., 1991, pp. 332-334.
Tesis de Hector Hernández S.
Dentro de
Fuera de Especificaciones
Especificaciones Fuera de límites
De Pre-control
A
Continuar el proceso.
Dentro de
Dentro de Detener sólo si DOS
Inicie el Verifique Especificaciones Verifique
de límites Unidades consecutivas
proceso 1a. Unidad Fuera de límites 2a. Unidad
De Pre-control Estan fuera de los
De Pre-control
Límites de
Pre-control
Dentro de
Especificaciones
Fuera de EL OTRO
límite de Pre-control
¡!
Variabilidad del
Proceso fuera de
Control.
Notas:
1. Si cinco unidades están dentro de los límites de Pre-control, cambie a verificación intermitente.
2. Cuando se encuentre en verificación intermitente, no ajuste el proceso hasta que una unidad exceda algún
límite de Pre-control. Examine la siguiente unidad, y proceda en A.
3. Si se reinicia el proceso, al menos cinco unidades consecutivas deben caer dentro de los límites de pre-
control para cambiar a verificación intermitente.
4. Si el operador toma más de 25 muestras sin reiniciar el proceso, reduzca la frecuencia de las
verificaciones.
Definir
Definir Medir Analizar Mejorar Controlar
Controlar
Una vez implementadas las mejoras en nuestro proceso, el ultimo paso es asegurarnos que las
implementaciones se mantengan y estén siendo actualizadas a través del tiempo.
Los proyectos Six-Sigma se van actualizando constantemente. En la siguiente gráfica observamos que
la metodología es cíclica, también vemos que podemos regresarnos de una fase a otra, en caso de no
haber obtenido la información necesaria, pero lo que no está permitido es saltarnos fases.
Objetivos:
Uso de las herramientas de control.
Identificar las actividades o procesos que están fuera de control para corregirlos inmediatamente.
Que las mejoras sean implementadas consistentemente para tener un adecuado control.
Herramientas:
Tesis de Hector Hernández S.
6-2 Cartas de Control Es una herramienta muy importante para analizar la variación en la
mayoría de los procesos. Enfocan la atención hacia las causas
especiales de variación y reflejan la magnitud de la variación debido
a las causas comunes.
6-3 Poka-Yoke Sistemas utilizados a prueba de errores.
Etapas:
Una vez implementadas las mejoras se vuelve a calcular los niveles sigma del proceso, para saber
en que nivel nos encontramos actualmente.
Evita problemas
potenciales
RIESGO DE LA A PRUEBA DE
ADMINISTRACION ERRORES
Monitorea problemas
potenciales
Tesis de Hector Hernández S.
A prueba de errores
Técnica que evita errores en el proceso, y hace que sea imposible de que sucedan.
Un sistema Poka-yoke27 posee dos funciones: puede realizar el 100 % de inspecciones y si ocurre alguna
anormalidad, puede realizar inmediatamente una acción de aviso.
Los sistemas Poka-Yoke son métodos para reducir defectos, estos varían dependiendo de los sistemas de
inspección los cuales pueden ser: fuentes de inspección, auto chequeos, o chequeos sucesivos.
Es normal que las personas olviden cosas, o tengan fallas cuando están realizando alguna actividad. Por
ejemplo en un proceso de ensamble puede ocurrir que un operador olvide colocar una pieza que va en un
lugar específico. Un sistema Poka Yoke podría realizarse de la siguiente manera, se van a ensamblar 25
relojes de pared. Para evitar que se olvide poner alguna manecilla se ponen en una charola los 25 pares
exactamente, si al final sobran manecillas, el operador podrá darse cuenta inmediatamente de que no se
colocaron en algún (os) reloj (es). Inmediatamente se toman las acciones correctivas y de está manera la
posibilidad de que se pase algún defecto es remota.
También se pueden incluir un Poka Yoke en la operación de tal manera que si un operador olvida algo, un
aparato diseñado para este fin lo señalara, previniendo los defectos.
Shigeo Shingo propone la inspección al 100 % , esto se puede llevar a cabo de dos formas:
27
Shigeo Shingo, Zero Quality Control: Source Inspection and the Poka-Yoke System, Productivity Press
1986
Tesis de Hector Hernández S.
Métodos de Control
Cuando ocurre alguna anormalidad los métodos de control , funcionan de tal manera que se
apagan las maquinas o se bloquea algún mecanismo para detener la operación, previniendo
la ocurrencia de defectos subsecuentes. Los sistemas de control se caracterizan por tener
una eficacia máxima para obtener cero defectos. Estos sistemas no solamente consisten en
apagar las máquinas o bloquear algún mecanismo sino que existe la posibilidad de que
estos sistemas separen alguna pieza defectuosa al momento de ser detectada.
Métodos de Alerta
Estos métodos llaman la atención de los trabajadores activando alguna alarma o luz cuando
ocurre alguna anormalidad. El riesgo de estos métodos es que en ocasiones los trabajadores
no detecten la luz o el sonido de las alarmas sea confundido con otros sonidos. Para
minimizar estos riesgos se puede utilizar luz intermitente que sea más fácil de detectar y
sonidos con timbres particulares en diferentes escalas.
Los métodos de alerta pueden ser utilizados cuando el impacto de una anormalidad no es
demasiado critica en el proceso o cuando los métodos de control resultan económica y
técnicamente poco viables.
Métodos de Contacto
Son métodos en los que por medio de mecanismos sensibles, se detectan anormalidades en
la dimensión o la forma del producto. Por ejemplo en un sistema de frenos se ensambla una
pieza que puede ser izquierda o derecha, al momento del ensamble se puede cometer el
error de colocar una parte derecha cuando se debería de colocar una izquierda, para evitar
este defecto se instala un tope que impide que se coloque por ejemplo una parte derecha.
Con estos métodos, las anormalidades son detectadas verificando el número específico de
movimientos en los casos en que las operaciones se repiten un número determinados de
veces.
Como ejemplo tenemos el caso en la cual se aplica un recubrimiento adhesivo a una barra
metálica, aplicando tiras de 8cm alrededor de la barra. Se tienen que aplicar 50 tiras, pero el
problema que se tiene es que en ocasiones se corre el riesgo de aplicar menos de 50
unidades o más . Para solucionar este problema se implementa un sistema Poka-Yoke de la
siguiente manera.
Se cortan y se cuentan previamente las tiras en grupos de 10 unidades , las cintas son
adheridas a la barra, si al final de la operación sobran cintas el operador se da cuenta e
inmediatamente y corrige el trabajo . La siguiente figura ilustra el sistema Poka-Yoke.
Estos son métodos en los cuales las anormalidades son detectadas al verificar los errores en
movimientos estándar, cuando las operaciones tienen que ser realizadas con movimientos
predeterminados. Estos sistemas son extremadamente efectivos y tienen un amplio rango de
aplicación.
En un proceso de etiquetado los operadores algunas veces fallan al aplicar las etiquetas, este defecto puede ser
evitado antes de la inspección mediante un dispositivo que consta de un tubo fotoeléctrico que detecta la falta
de una etiqueta, parando inmediatamente la línea, para corregir el defecto.
Tesis de Hector Hernández S.
Las cartas de control son la herramienta más poderosa para analizar la variación en la mayoría de los
procesos.
Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el
control del proceso.
Las cartas de control enfocan la atención hacia las causas especiales de variación cuando estas aparecen y
reflejan la magnitud de la variación debida a las causas comunes.
Las causas comunes o aleatorias se deben a la variación natural del proceso.
Las causas especiales o atribuibles son por ejemplo: un mal ajuste de máquina, errores del operador, defectos
en materias primas.
Se dice que un proceso está bajo Control Estadístico cuando presenta causas comunes únicamente. Cuando
ocurre esto tenemos un proceso estable y predecible.
Cuando existen causas especiales el proceso está fuera de Control Estadístico; las gráficas de control detectan
la existencia de estas causas en el momento en que se dan, lo cual permite que podamos tomar acciones al
momento.
Ventajas:
Cuando un proceso está en control estadístico puede predecirse su desempeño respecto a las
especificaciones. En consecuencia, tanto el productor como el cliente pueden contar con niveles
consistentes de calidad y ambos pueden contar con costos estables para lograr ese nivel de calidad.
Una vez que un proceso se encuentra en control estadístico, su comportamiento puede ser mejorado
posteriormente reduciendo la variación.
Al distinguir entre las causas especiales y las causas comunes de variación, dan una buena indicación de
cuando un problema debe ser corregido localmente y cuando se requiere de una acción en la que deben de
participar varios departamentos o niveles de la organización.
Tabla 6-2.1 Comparación de las cartas de control por variables vs. atributos
Más econónomicas
Desventajas significativas No se entienden a menos que se No proporciona información
de capacitación; puede causar detallada del control de
confusión entre los limites de características individuales.
especificación y los límites de
tolerancia.
No reconoce distintos grados de
defectos en las unidades de
producto.
Tesis de Hector Hernández S.
VARIABLES
ATRIBUTOS
Cartas de control X R
Paso 1: Colectar los datos.
Los datos son el resultado de la medición de las características del producto, los cuales deben de ser
registrados y agrupados de la siguiente manera:
Se toma una muestra(subgrupo) de 2 a 10 piezas consecutivas y se anotan los resultados de la medición
( se recomienda tomar 5). También pueden ser tomadas en intervalos de tiempo de ½ - 2 hrs., para
detectar si el proceso puede mostrar inconsistencia en breves periodos de tiempo.
Se realizan las muestras de 20 a 25 subgrupos.
X 1 X 2 .... X N
X
N
R X mayor X menor
R1 R2 ......R K
R
K
X 1 X 2 ....... X K
X
K
Donde K es el número de subgrupos, R 1,R2..es el rango de cada subgrupo; X 1 , X 2.... son el promedio de
cada subgrupo.
LSC R D4 R LSC X X A2 R
LIC R D3 R LIC X X A2 R
Donde D4, D3, A2 son constantes que varían según el tamaño de muestra. A continuación se presentan los
valores de dichas constantes para tamaños de muestra de 2 a 10.
n 2 3 4 5 6 7 8 9 10
D4 3.27 2.57 2.28 2.11 2.00 1.92 1.86 1.82 1.78
D3 0 0 0 0 0 0.08 0.14 0.18 0.22
A2 1.88 1.02 0.73 0.58 0.48 0.42 0.37 0.34 0.31
Ejemplo 1
Tesis de Hector Hernández S.
Se toman las medidas de los diámetros de una pieza cilíndrica, el tamaño de muestra de cada subgrupo es de
cinco, y se toman 25 subgrupos a intervalos de 1 hr.
Realice la carta de control X R .
muestra subgrupo 1 2 3 4 5 6 7 8 9 10 11 12 13
1 0.65 0.75 0.75 0.60 0.70 0.60 0.15 0.60 0.65 0.60 0.80 0.85 0.70
2 0.70 0.85 0.80 0.70 0.75 0.75 0.80 0.70 0.80 0.70 0.75 0.75 0.70
3 0.65 0.75 0.80 0.70 0.65 0.75 0.65 0.80 0.85 0.60 0.90 0.85 0.75
4 0.65 0.85 0.70 0.75 0.85 0.85 0.75 0.75 0.85 0.80 0.50 0.65 0.75
5 0.85 0.65 0.75 0.65 0.80 0.70 0.70 0.75 0.75 0.65 0.80 0.70 0.70
muestra subgrupo 14 15 16 17 18 19 20 21 22 23 24 25
1 0.65 0.90 0.75 0.75 0.75 0.65 0.60 0.50 0.60 0.80 0.65 0.65
2 0.70 0.80 0.80 0.70 0.70 0.65 0.60 0.55 0.80 0.65 0.60 0.70
3 0.85 0.80 0.75 0.85 0.60 0.85 0.65 0.65 0.65 0.75 0.65 0.70
4 0.75 0.75 0.80 0.70 0.70 0.65 0.60 0.80 0.65 0.65 0.60 0.60
5 0.60 0.85 0.65 0.80 0.60 0.70 0.65 0.80 0.75 0.65 0.70 0.65
muestra subgrupo 1 2 3 4 5 6 7 8 9 10 11 12 13
1 0.65 0.75 0.75 0.60 0.70 0.60 0.15 0.60 0.65 0.60 0.80 0.85 0.70
2 0.70 0.85 0.80 0.70 0.75 0.75 0.80 0.70 0.80 0.70 0.75 0.75 0.70
3 0.65 0.75 0.80 0.70 0.65 0.75 0.65 0.80 0.85 0.60 0.90 0.85 0.75
4 0.65 0.85 0.70 0.75 0.85 0.85 0.75 0.75 0.85 0.80 0.50 0.65 0.75
5 0.85 0.65 0.75 0.65 0.80 0.70 0.70 0.75 0.75 0.65 0.80 0.70 0.70
Promedio 0.70 0.77 0.76 0.68 0.75 0.73 0.61 0.72 0.78 0.67 0.75 0.76 0.72
Rango 0.20 0.20 0.10 0.15 0.20 0.25 0.65 0.20 0.20 0.20 0.40 0.20 0.05
muestra subgrupo 14 15 16 17 18 19 20 21 22 23 24 25
1 0.65 0.90 0.75 0.75 0.75 0.65 0.60 0.50 0.60 0.80 0.65 0.65
2 0.70 0.80 0.80 0.70 0.70 0.65 0.60 0.55 0.80 0.65 0.60 0.70
3 0.85 0.80 0.75 0.85 0.60 0.85 0.65 0.65 0.65 0.75 0.65 0.70
4 0.75 0.75 0.80 0.70 0.70 0.65 0.60 0.80 0.65 0.65 0.60 0.60
5 0.60 0.85 0.65 0.80 0.60 0.70 0.65 0.80 0.75 0.65 0.70 0.65
Calculando
Promedio el Rango promedio,
0.71 0.82promedio
0.75 del proceso
0.76 0.67y límites
0.70 de control:
0.62 0.66 0.69 0.70 0.64 0.66
Rango 0.25 0.15 0.15 0.15 0.15 0.20 0.05 0.30 0.20 0.15 0.10 0.10
R .198
X = .71
LSC R D4 R = 2.11* 0.198 = 0.41
Xbar/R Chart for C1
LIC R D3 R =0
UCL=0.8254
0.8
Sample Mean
Subgroup 0 5 10 15 20 25
0.7 1
0.6
Sample Range
0.5
0.4 UCL=0.4187
0.3
0.2 R=0.198
0.1
0.0 LCL=0
Tesis de Hector Hernández S.
Figura 6-2.1 Gráfica Xbar-R La carta de control R muestra un punto fuera de los limites de
especificaciones, por lo cual el proceso se encuentra fuera de control, en este caso es necesario investigar las
causas y tomar las acciones correctivas para eliminar el problema. En la siguiente parte se muestran los
criterios para determinar las situaciones en las cuales un proceso puede estar fuera de control.
El objeto de analizar una gráfica de control es identificar cuál es la variación del proceso, las causas comunes
y causas especiales de dicha variación y en función de esto tomar alguna acción apropiada cuando se requiera.
Juran28 sugiere un conjunto de reglas de decisión para detectar patrones no aleatorios en las cartas de control.
(figura 6-2.2) .Cuando se detecta alguno de los patrones siguientes se puede decir que el tomar alguna acción
para corregir el problema ya que el proceso puede estar fuera de control.
28
Análisis y planeación de la calidad, J.M. Juran ,F.M Gryna, Tercera Edición, McGrawHill.
Tesis de Hector Hernández S.
Los diagramas de control x s son utilizados comúnmente para incrementar la sensibilidad de la variación
(especialmente cuando se utilizan tamaños de muestra grandes). Estos diagramas pueden ser más difíciles de
utilizar que los diagramas x R , dado que los cálculos de las desviación standard (s), pueden resultar
complicados y tediosos. Sin embargo al realizarlos con ayuda de una computadora o una calculadora que
pueda determinar estos cálculos resulta mucho más sencillos.
x x
2
S
n 1
Tesis de Hector Hernández S.
El diagrama x es construido de la misma manera que se describió anteriormente, excepto que sigma s es
usado para los cálculos de los limites de control con las siguientes fórmulas:
LSC x x A3 s
LIC x x A3 s
Los limites de control para el diagrama S son calculados utilizando las siguientes fórmulas:
LSC S B4 S
LIC S B3 S
n 2 3 4 5 6 7 8 9 10 25
B4 3.27 2.57 2.27 2.09 1.97 1.88 1.82 1.76 1.72 1.44
B3 * * * * 0.03 0.12 0.18 0.24 0.28 0.56
A3 2.66 1.95 1.63 1.43 1.29 1.18 1.1 1.03 0.98 0.61
* El límite inferior de control de un diagrama sigma cuando (n) es menor que 6 es cero.
Ejemplo 2:
Las siguientes cifras son la medias y las desviaciones estándar de muestras de 5 observaciones
correspondientes a los diámetros de una pieza metálica:
Tesis de Hector Hernández S.
Si muestra X-bar Si
0.0148 14 73.99 0.0153
0.0072 15 74.006 0.0073
0.0106 16 73.997 0.0078
0.0091 17 74.001 0.0106
0.0122 18 74.007 0.007
0.0087 19 73.998 0.0085
0.0055 20 74.009 0.008
0.0123 21 74 0.0053
0.0055 22 74.002 0.0074
0.0063 23 74.002 0.0119
0.0029 24 74.005 0.0087
0.0042 25 73.998 0.0162
: 0.0105 PROMEDIOS 74.001 0.0090
UCL=74.01
Sample Mean
74.005
Mean=74.00
74.000
73.995 LCL=74.00
Subgroup 1 2 3 4 5
0.010
UCL=0.008826
Sample StDev
0.005
S=0.004225
0.000 LCL=0
Esta Carta monitorea la tendencia de un proceso con datos variables que no pueden ser muestreados en
lotes o grupos.
Este es el caso cuando la capacidad de corto plazo se basa en subgrupos racionales de una unidad o pieza.
Este tipo de gráfica es utilizada cuando las mediciones son muy costosas(Ej. Pruebas destructivas), o
cuando la característica a medir en cualquier punto en el tiempo es relativamente homogénea (Ej. el PH
de una solución química)
La línea central se basa en el promedio de los datos, y los límites de control se basan en la desviación
estándar (+/- 3 sigmas)
Terminología
k = número de piezas
n = 2 para calcular los rangos
X = promedio de los datos
R = rango de un subgrupo de dos piezas consecutivas
R = promedio de los (n - 1) rangos
LSC X X E 2 R
LIC X X E 2 R
LSC R D4 R
LIC R D3 R
Donde D4, D3, E2 son constantes que varían según el tamaño de muestra usado para agrupar los rangos móviles
como se muestra en la tabla siguiente:
n 2 3 4 5 6 7 8 9 10
D4 3.27 2.57 2.28 2.11 2.00 1.92 1.86 1.82 1.78
D3 0 0 0 0 0 0.08 0.14 0.18 0.22
E2 2.66 1.77 1.46 1.29 1.18 1.11 1.05 1.01 0.98
* Generalmente se utiliza n = 2
Ejemplo 3: La longitud de un tramo de tubo se registra para cada producto. Realice la gráfica de control
individual.
Parte Longitud
1 12.02
2 11.85
3 11.98
4 11.72
Parte 5Longitud 11.88Rangos
1 6 12.02 12.07 0.17
2 7 11.85 12.03 0.13
3 8 11.98 12.13 0.26
4 9
11.72 12.16
0.16
5 10 11.88 12.16 0.19
6 12.07
11manera: diferencia
0.04
12.16 entre 1ª y 2ª lectura, 2ª y 3ª y así hasta n-1.
Se calcula el rango móvil de7la siguiente 12.03 0.10
12 12.21
8 13
12.13 12.19
0.03
9 12.16 0.00
14 11.93
10 15
12.16 11.89
0.00
11 12.16 0.05
12 12.21 0.02
13 12.19 0.26
14 11.93 0.04
15 11.89
12.03 0.10
Tesis de Hector Hernández S.
X 12.03
R 0.10
LSC X X E 2 R =12.03+(2.66)(.10) = 12.29
LIC X X E 2 R =12.03 – (2.66)(.10) = 11.76
LSC R D4 R = 3.27(.10)= .327
LIC R D3 R = 0
12.15 0.3
Individual Value
Moving Range
12.05
Mean=12.03
0.2
11.95
11.85
0.1 R=0.1036
11.75 LCL=11.75
1
11.65 0.0 LCL=0
0 5 10 15
Observation Number 0 5 10 15
Observation Number
Revisar la gráfica de rangos para puntos fuera de los límites de control como signo de la existencia de
causas especiales. Note que los rangos sucesivos están correlacionados, debido a que tienen un punto en
común y debido a esto se tiene que tener cuidado al interpretar tendencias.
Las gráficas por lecturas individuales pueden ser analizadas para puntos fuera de los límites de control,
dispersión de puntos dentro de los límites de control y para tendencias o patrones. Cabe hacer notar que si
la distribución de proceso no es simétrica, las reglas mostradas anteriormente para gráficas X podrán
dar señales de causas especiales sin que éstas existan.
Cualquier característica de calidad que pueda ser clasificada de forma binaria: “cumple o no cumple”,
“funciona o no funciona”, “pasa o no pasa”, etc., a los efectos de control del proceso, será considerado como
un atributo y para su control se utilizará un Gráfico de Control por Atributos.
:
Los criterios de aceptación al utilizar gráficas de control por atributos deben estar claramente definidos y el
procedimiento para decidir si esos criterios se están alcanzando es producir resultados consistentes a través
del tiempo. Este procedimiento consiste en definir operacionalmente lo que se desea medir. Una definición
operacional consiste en:
La gráfica p mide la fracción defectuosa o sea las piezas defectuosas en el proceso. Se puede referir a
muestras de 75 piezas, tomada dos veces por día; 100% de la producción durante una hora, etc. Se basa en la
evaluación de una característica (¿se instalo la pieza requerida?) o de muchas características (¿se encontró
algo mal al verificar la instalación eléctrica?). Es importante que cada componente o producto verificado se
registre como aceptable o defectuoso (aunque una pieza tenga varios defectos específicos se registrará sólo
una vez como defectuosa).
np
Calcule la fracción defectuosa (p) mediante: p
n
Tesis de Hector Hernández S.
np1 np 2 .... np k
p
n1 n2 ..... nk
p (1 p )
LSC p p 3
n
p (1 p )
LIC p p 3
n
Ejemplo 4
Un fabricante de latas de aluminio registra el número de partes defectuosas, tomando muestras cada hora de n
= 50, con 30 subgrupos. Realizar la gráfica de control para la siguiente serie de datos obtenida durante el
muestreo.
Muestra Latas defectuosas Fracción defectuosa Muestra Latas defectuosas Fracción defectuosa
np p np p
1 12 0.24 16 8 0.16
2 15 0.30 17 10 0.20
3 8 0.16 18 5 0.10
4 10 0.20 19 13 0.26
5 4 0.08 20 11 0.22
6 7 0.14 21 20 0.40
7 16 0.32 22 18 0.36
8 9 0.18 23 24 0.48
9 14 0.28 24 15 0.30
10 10 0.20 25 9 0.18
11 5 0.10 26 12 0.24
12 6 0.12 27 7 0.14
13 17 0.34 28 13 0.26
14 12 0.24 29 9 0.18
15 22 0.44 30 6 0.12
p .2313
p (1 p ) .23 * .77
LSC p p 3 = .2313 3 =.4102
n 50
p (1 p ) .23 * .77
LIC p p 3 = .2313 3 =.05243
n 50
Trazando la gráfica
P Chart for C1
0.5 1
1
0.4 UCL=0.4102
Proportion
0.3
P=0.2313
0.2
0.1
LCL=0.05243
0.0
0 10 20 30
Sample Number
Tesis de Hector Hernández S.
Gráfica np
La gráfica np es basada en el número de defectuosos en vez de la proporción de defectuosos. Los límites son
calculados mediante la siguientes fórmulas.
LSC np 3 np 1 p
LIC np 3 np1 p
Ejemplo 5:
Utilizando los datos del diagrama anterior, construya la gráfica np e interprete los resultados.
20 3.0SL=20.51
Sample Count
15
NP=11.57
10
5
-3.0SL=2.621
0
0 10 20 30
Sample Number
Tesis de Hector Hernández S.
Se utiliza para determinar la ocurrencia de defectos en la inspección de una unidad de producto. Esto es
determinar cuantos defectos tiene un producto. Podemos tener un grupo de 5 unidades de producto, 10
unidades, etc.
Los límites de control se calculan mediante las siguientes fórmulas:
LSC c 3 c
LSC c 3 c
Donde:
c = total de defectos/ número de unidades de producto.
Ejemplo:
En la siguiente tabla tenemos el número de unidades de defectos observados en 26 muestras sucesivas de 100
filtros de seguridad.
516
c 19.67
26
LSC 19.67 3 19.67 32.97
LIC 19.67 3 19.67 6.37
C Chart for C1
40 1
3.0SL=33.21
30
Sample Count
20 C=19.85
10
-3.0SL=6.481
1
0
0 10 20
Sample Number
Tesis de Hector Hernández S.
c
u=
n
donde
c = número de defectos
n = cantidad de piezas inspeccionadas
u
LSC u 3
n
u
LIC u 3
n
Ejemplo 629
Una compañía que fabrica computadoras personales desea establecer un diagrama de control del número de
defectos por unidad. El tamaño de muestra es de cinco computadoras. En la tabla se muestran el numero de
defectos en 20 muestras de 5 computadoras cada una. Establecer el diagrama de control u
29
Statistical Quality Control, Douglas C. Montgomery, Second Edition pp.181
Tesis de Hector Hernández S.
u
u i
38.60
1.93
n 20
1.93
LSC 1.93 3 3.79
5
1.93
LIC 1.93 3 0.07
5
Tesis de Hector Hernández S.
U Chart for C1
4
3.0SL=3.794
3
Sample Count
2 U=1.930
0 -3.0SL=0.06613
0 10 20
Sample Number
CASO PRACTICO:
Fase de definición.
Disponibilidad 24 x 7
Utilizabilidad y accesibilidad
Precio competitivo
Confiabilidad en la información
Facilidad de uso
Facilidad de proceso
Entrega rápida del producto
Contenido relevante
Seguridad de las transacciones en línea
Disponibilidad del producto
Vista del producto
Rapidez en las transacciones
Tesis de Hector Hernández S.
sistema
E-commerce
FUNCTIONALIDA D
•Registro de la orden del cliente
•Transferencia
•Facturación
•Status de la orden
•Generación de Reportes
Recibir la
Recibir el Enviar el
Orden del Autorizarla
Pago Producto
Cliente
Tesis de Hector Hernández S.
Fase de Medición:
Con la finalidad de conocer la situación existente del proceso de Venta y para mejorar la
funcionalidad del sistema E-Business, documentándolo bajo la metodología de
Calidad se requiere información con respecto a las siguientes preguntas:
50 100
40 80
Percent
30 60
Count
20 40
10 20
0 0
B
PC WE ET
O
CATEGORIES PO GIN
A
RO OL
TO PA CA BS S
LAP O Y OO RO
NE OS S MU UIP OT
TIE CT DO EQ
Count Y A 27 ODU NOCI 14 6 3 1
PR O
Percent 52.9 DESC 27.5 11.8 5.9 2.0
Cum % 52.9 80.4 92.2 98.0 100.0
100
30 80
Percent
60
Count
20
40
10
20
0 O 0
ISM
LM
ITO TO DA E
CATEGORIES CR YU OR
ES IEN A NP
TO E DIM IO CIO
EN OC CIB A
IMI PR A L RE
V EG
CED NA
Count O 17 OR 15 4 1
PR
Percent 45.9 40.5 10.8 2.7
Cum % 45.9 86.5 97.3 100.0
Tesis de Hector Hernández S.
100
15
80
Percent
10 60
Count
40
5
20
0 0
AD D
IDA
D
VARIABLES LID IDA
A E BIL BIL
ION OD ES
A
NF
IA E
OD A
NCT ISEÑ A CC CO MP ST
FU D GIN A TIE PUE
PA RE
S
Count 4 4 3 3 3
Percent 23.5 23.5 17.6 17.6 17.6
Cum % 23.5 47.1 64.7 82.4 100.0
Funcionalidad Diseño
de la
1 Proceso E-Commerce
página
precios no
Web
Políticas y 1 actualizados
Fase de Análisisinformación
procedimientos
desconocidos Falta de especificaciones
1 técnicas
No documentados 3 inadecuada
1 formalemente
Los empleados no
Los colores no son
Falta de conocimiento conocen las
1 direcciones y 1 atractivos
3 acerca de las políticas
productos ofrecidos
Porque la versión de E-
Commerce no satisface los
requerimientos del cliente
ligas faltantes con otros
1 No es Tiempo muy 3 procesos de negocio
fácil
1 lento
No es
1 confiable Se necita la confirmación de un
vendedor para saber el tiempo de
Demasiada entrega
1 navegación
Se necesita ayuda para 3
1
Navegación 2 imprimir contrato
confusa
Accesibilidad Tiempo de
Respuesta Confiabilidad
Tesis de Hector Hernández S.
Definición de Prioridades:
Fácil 1 2
Implementación
Difícil 3 4
Alto Bajo
F M E A T O O L A C T IO N S T A KE N :R E S ULTS
O O
S C D S C D
E U E E U E
V R T V R T
E R E E R E
R E C R E C
I N C I N C
D C I N D C I N
A I O P A I O P
DESCRIPCION FALLA FALLA P. D CAUSA FALLA A CONTROLES N R ACCIONES RESP+ ACCIONES D A N R
PROCESO POTENCIAL EFECTO PRESENTES RECOMEND TOMADAS
Registro equivocado
Datos
deincorrectos
orden Cliente diferente 8 Registro incorrect 8 Reproceso 9 576 Revisiones Ventas-envío
Entrega retrasada 8 Dirección Equivocada 4 Reproceso 9 288 Verificar datos
Actualizar costos y documentación de info.
Olvido del clienteRetraso en el proceso 5 Información Omitida 5 Del cleiente 1 25 Información completa
Ventas
Orden interna del cliente orden interna de Ventas
Cantidades equivocadas
retraso Control de inventario equivocado
Equip obsoleto 10 Demasiadas personas 4 Inexistentes 1 40 Niveles adecuados
Entrega
inventario
Producto
Incremento en precio 10 Demasiadas personas 4 Inexistentes 1 40 Costeo adecuadoVentas
Compra equivocada 9 Demasiadas personas 4 Inexistentes 1 36 Control Adecuado
Ventas-Envío
Compras
Facturación equivocada
Datos incorrectos
Retraso en collección 8 Información incorrecta 2 Reproceso 1 16 Verificar datos correctos
Ventas-Facturación
Precio equivocado
Precio IncorrectoPrecio no actualizado 10 Precio incorrecto 6 Reproceso 5 150 Actualización de costos
No aplicar
utilidades brutas Negocio sin utilidades 10 Precio incorrecto 6 Reproceso 4 240 actualización a tiempo
Ventas
RISK PRIORITY NUMBER (TOTAL): 14 11 RESULTANT RISK PRIORITY NUMBER:
Tesis de Hector Hernández S.
PRIMER QFD
I
n
f
o
r
m
a
c
i L
ó i
n C g
A o E D D a
C
l a n f i B s
T
t c f i s
Q
a t i c e r c
´
3 m u r i ñ e o
S
6 e a m e o g n
5 n l a N n i
S
t i c a c U d s o
I
d e z i v i s e t t
S
í a ó e a o r r
T
a t d n g l o o
E
s r a a d d a s
M
a d c e e e
A
d n y e i l l p s s
i s ó á t i P
s a c m n s P g a t R
p c o e e a i d i I
o c r n L r s n í o O
n i r s ó v s a s s R
i o e a g i w t I
b n c j i d o W i W D
l a t e c o r e c e A
CUSTOMER REQUIREMENTS e l a s a r d b o b D
Disponibilidad 4
Usable 4
Ac cesibilidad 4
Confiabilidad 5
Fác il uso 3
Sistema amigable 4
Niveles de seguridad 3
319
D
i
s
e
ñ
Tesis de Hector Hernández S. o
d
e
P
á
g
i
R n
SEGUNDO QFD e
g
C
o
a
i n W
s f e
t i b
r r
R o m d P
E a e a
Q d c O t
E e i p a r
o
U ó t c
c
R t A n i u i
I r c m e n
M a t d i N r i
I n u e z i d U o
E s a a v o s
a
N a l m N c e o
t
T c i e a i l a r
O c z n v ó e m a
S i a s e n s r e v
o c a g e d é
F n i j a d d q i z
U e ó e c e e u a
N s n s i l e n p
C ó s r t r P
I e d y n s e i e o r
O n e e g m p i
N e l r u i e a o
g
A l d - ó v r e l r
a
L 2 í a m g i i n n
i
E 4 n t a i d d t W d d
S X e o i c o a o e a a
SYSTEM REQUIREMENTS 7 a s l a r d s b s d
Altamente transaccional 4
Confirmación de mensajes 5
Navegación Logica 5
Eficiencia en el servicio 3
320
Tesis de Hector Hernández S.
Fase de Mejora
Servidores
Especificaciones técnicas
Herramientas de desarrollo
Lenguajes de programación
Fase de Control
321
Tesis de Hector Hernández S.
CONCLUSIONES Y RECOMENDACIONES
Seis Sigma es un sistema diseñado para cumplir con las amplias exigencias de los consumidores y los más
altos estándares de calidad a nivel mundial, reduciendo la variabilidad casi a cero.
Es un sistema con un enfoque estructurado, metodológico, con un proceso de análisis y mejora, que se centra
totalmente en el cliente.
La metodología fomenta en gran medida el trabajo en equipo, debido a que en la mayoría de las herramientas,
el mecanismo para proponer ideas que nos conducen a la solución de problemas, es el resultado de la
participación de todas las personas involucradas. La mejora continua de los procesos es el objetivo común de
cada uno de los miembros.
Es muy importante no criticar a la gente cuando emitan algún juicio o tengan una idea, de lo contrario la
participación en equipo sería severamente afectada. También cabe señalar que la gente no es culpable de los
problemas, ya que los procesos cuando no están bien definidos y diseñados son los que generan la mayoría de
los problemas.
En un principio es difícil integrar a las personas para realizar sus proyectos y que dediquen el tiempo
necesario para hacerlo, sin embargo cuando la gente adopta Seis Sigma como una Cultura además de realizar
sus proyectos aplica la metodología en su trabajo diario, para la solución de problemas y mejora de los
procesos.
La Estadística es utilizada en gran medida dentro de la metodología, pero hay que aclarar que está es un
medio y no un fin. A los clientes no les importa que un producto haya sido producido bajo el esquema Seis
Sigma, cuando tiene fallas o defectos, lo que les interesa es tener un producto de excelente calidad, a
tiempo, sin defectos y que sea lo más económico posible.
Seis Sigma no ofrece soluciones a corto plazo, generalmente los proyectos son realizados en un periodo de 3 a
6 meses. Con la metodología se lleva a cabo una mejora incremental a mediano plazo comparado con otras
técnicas como por ejemplo reingeniería, la cual ofrece soluciones a largo plazo.
Seis Sigma aplica a cualquier tipo de procesos tanto en manufactura como en servicios a diferencia de otros
sistemas que están enfocados solamente a determinadas áreas.
El nivel de capacitación requerido es muy alto en la implementación. Sin embargo el retorno de la inversión
puede ser muy grande, cuando los proyectos son bien conducidos.
Cuando la metodología es seguida adecuadamente traerá beneficios y ahorros, sin embargo si los proyectos
son desarrollados vagamente o con criterios de selección pobres se vuelve un proceso burocrático. En este
caso la metodología se puede volver demasiado rígida y tediosa.
Seis Sigma tiene mayor potencial para alcanzar el éxito que otros sistemas de calidad como por ejemplo
Calidad Total (TQM), la razón es que los otros sistemas en ocasiones no tienen metas muy claras, una
metodología bien organizada y falta la integración de los equipos de trabajo así como el liderazgo, entre otras.
La implementación de la filosofía Seis Sigma requiere que los directivos, champions, técnicos y otros
responsables del departamento de calidad o de Seis Sigma sean capaces de desempeñar el papel de
administradores del sistema de calidad y de proporcionar técnicas específicas especializadas a los grupos de
operación, para poder realizar sus proyectos.
No se debería de llevar a cabo un proyecto del tamaño de Seis Sigma si la organización no está preparada
culturalmente y mucho menos si no está dispuesta al cambio.
La selección adecuada de los proyectos tendrá una especial incidencia en el éxito de la implantación de la
filosofía Seis Sigma en la empresa. El resultado de proyecto general se mide por la suma del ahorro
322
Tesis de Hector Hernández S.
económico que ha presentado el mismo. Es importante que el Champion, directivos, black belts dediquen
tiempo a discutir con los miembros del equipo en fase de formación y les ayuden a elegir correctamente el
tema de su proyecto de mejora.
Hoy en día los cálculos manuales casi han desaparecido, por ejemplo sería demasiado complejo resolver una
serie numérica sin la ayuda de un Software. El tiempo invertido sería demasiado y las posibilidades de
cometer errores muy altas.
Se recomienda ampliamente la adquisición de un Software en la implementación del sistema Seis Sigma de lo
contrario no es recomendable llevarla a cabo, este Software es el que ya se ha mencionado en las herramientas
vistas en este texto.
Escoger un proyecto de mejora que este relacionado con el trabajo diario y que cause gran impacto en los
clientes.
Debe de estar alineado con las iniciativas del negocio.
Mejorar un proceso existente.
Asegurarse de que el alcance no sea demasiado extenso, y también que el proyecto sea realizable. En este
caso, se puede segmentar para ser realizado por diferentes personas, cada uno con distintos alcances.
Escoger un proyecto en el cual se pueda generar o se tengan suficientes datos para ser medidos.
Que genere ahorros financieros.
De ser posible escoger un proceso con mas ciclos, altos volúmenes o tiempos de ciclo cortos.
Seis Sigma no es un sistema más que se está imponiendo para cumplir con requisitos, el aplicar Seis Sigma
implica cambiar la forma de pensar de la gente y un cambio cultural en toda la organización. Es muy notorio
cuando se trabaja bajo esta filosofía como se rompen las barreras entre los departamentos o áreas, realmente
podemos decir que actualmente ya no existen áreas si no más bien procesos La información y la
comunicación se ven fortalecidas en gran medida.
323
Tesis de Hector Hernández S.
BIBILIOGRAFIA
324
Tesis de Hector Hernández S.
325
Tesis de Hector Hernández S.
misma.
1999.
326
Tesis de Hector Hernández S.
327