Documentos de Académico
Documentos de Profesional
Documentos de Cultura
TESIS
Presenta
I Antecedentes ................................................................................................ 2
II Justificación ................................................................................................ 6
Ventajas de Seis Sigma vs. Calidad Total .................................................. 6
Ventajas de Calidad Total vs. Seis Sigma .................................................. 7
Desventajas de Aseguramiento de calidad vs. Seis Sigma ........................... 8
III Objetivos ................................................................................................ 8
IV Alcance y trascendencia ................................................................................. 9
V Planteamiento del problema ............................................................................. 9
Actualmente, uno de los mayores problemas que enfrentan las empresas es la fuerte
competencia dentro de cada mercado a nivel local y global. Esto es una gran amenaza
para las mismas si no encuentran los mecanismos adecuados para poder subsistir en el
medio.
Las organizaciones con una misión como la del diseño de productos, la manufactura o la
prestación de servicios, tienen que ser cada vez más eficientes y productivas. De tal
manera que todos sus miembros y recursos se conjunten en un solo esfuerzo para crear
una cadena de valor que logre satisfacer ampliamente las necesidades de los
consumidores. En otras palabras todas las partes que componen esta cadena tienen el
reto de proporcionar productos o servicios con mayor calidad, en menos tiempo, y al
menor costo posible.
2
¿Qué mecanismos debemos adoptar para reducir la variación en nuestros
procesos e incrementar el nivel de calidad?
A lo largo del tiempo las técnicas para mejorar la calidad han ido evolucionando; en un
principio la calidad se controlaba mediante inspecciones finales de los productos
(siglo XIX), los que estaban dentro del rango de especificaciones se aceptaban, los que no
se rechazaban teniendo que ser reprocesados o desechados.
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.
Debido a las pérdidas económicas que generaban estos desperdicios y en el afán por
mejorar la calidad surgen nuevas ideas y metodologías.
Durante la Segunda Guerra Mundial se desarrolló el Control Estadístico de Procesos
(CEP), enfocado al control de los procesos y a la aparición de métodos estadísticos para
el mismo fin y para la reducción de los niveles de inspección.
En la década de los cincuenta surge el Aseguramiento de la Calidad, en ésta época se
detecta la necesidad de involucrar a todos los departamentos de la organización en el
diseño, planeación y ejecución de políticas de calidad.
En la era de la Administración Estratégica por Calidad Total (década de los
noventa), se hace hincapié en el mercado y en las necesidades del consumidor,
reconociendo el efecto estratégico de la calidad en el proceso de competitividad.
A principios de los noventa se desarrolla el sistema denominado SEIS SIGMA(SIX
SIGMA) el cual consta de una metodología para la solución de problemas, basándose
principalmente en la aplicación de técnicas estadísticas para reducir la variación al
máximo.
3
La metodología SEIS SIGMA, engloba técnicas de Control Estadístico de Procesos,
QFD,Taguchi, Benchmarking, entre muchas otras más; siendo una sólida alternativa para
mejorar los procesos y por lo tanto, lograr la satisfacción de los clientes. Entre las
principales ventajas que presenta esta metodología se encuentran las siguientes: contiene
una serie de pasos generales para llevar a cabo la implementación en cualquier tipo de
empresa. Las herramientas que la conforman pueden ser utilizadas por usuarios de
diferentes disciplinas y niveles dentro de la organización; representa un desafío para las
empresas que lo llevan a cabo ya que la meta es alcanzar un nivel de variación “mínimo”.
descrito a continuación:
El término SIGMA es una letra del alfabeto griego ( σ ) utilizado para describir variabilidad,
la medida que comúnmente se utiliza es: defectos por unidad. Un nivel de calidad sigma
"Alto" significa que los defectos tienen menores posibilidades de ocurrir, mientras que uno
"Bajo", tendrá mayores probabilidades de estar presente. El nivel Seis Sigma significa que
se encontrarán únicamente 3.4 defectos por cada millón de unidades producidas.
La metodología Seis Sigma involucra una medida, para determinar el grado en que los
diferentes procesos alcanzan sus metas, además de ofrecer una gran variedad de
estrategias para realizar las mejoras correspondientes.
La aplicación de las técnicas a todas las funciones de la empresa, conlleva a un alto nivel
de calidad a bajos costos y con una reducción en los tiempos de ciclo; resultando en una
gran rentabilidad y ventaja competitiva.
Es importante que la administración se enfoque a los problemas que están ocultos, Ej: las
horas extra para corregir errores, errores en documentación, exceso de inventario y no
solamente a los que saltan a la vista, Ej.: reprocesos, rechazos, reclamaciones por parte
de los clientes. También es importante tener una visión clara y un plan perfectamente bien
definido para alcanzar el éxito al implementar proyectos de mejora.
4
La estrategia Seis Sigma incluye el uso de herramientas estadísticas dentro de una
metodología estructurada incrementando el conocimiento necesario para lograr de una
mejor manera, más rápido y al más bajo costo, productos y servicios que la competencia.
Se caracteriza por la continua y disciplinada aplicación de una estrategia maestra
"proyecto por proyecto", donde los proyectos son seleccionados mediante estrategias
clave de negocios, lo cual conduce a recuperar la inversión realizada y obtener mayores
márgenes de utilidad. La gente que coordina los proyectos de Seis Sigma son
comúnmente llamados: BlackBelts1, Top guns, Change Agents o Trailblazers.
Aplicar la iniciativa Seis Sigma dentro de una compañía significa "Cambiar la cultura de
la organización", ya que se fomenta el trabajo en equipo para la solución de
problemas, se mejoran la comunicación y aumenta el grado de confianza y seguridad en
los individuos para realizar el trabajo; de esta manera se rompe la resistencia al cambio
para poder ser más agresivos y alcanzar metas cada vez más desafiantes.
Como ejemplos de los beneficios que han obtenido algunas empresas que han utilizado
la metodología Seis Sigma tenemos los siguientes:
1
Black Belt es nombre registrado por Motorola Inc. en U.S.A
5
La disciplina estadística Seis Sigma descubrió una parte que se desviaba por una
milésima de pulgada. Ahora que se corrigió el problema la compañía ahorra $14,000
dólares por cada jet fabricado.
II. JUSTIFICACIÓN
Ante la necesidad de utilizar en las empresas sistemas que incrementen la calidad de los
productos y servicios, dando mayor rentabilidad a las mismas como se explicó
anteriormente, la aplicación de Seis Sigma es una sólida alternativa. Esta metodología está
enfocada a todas las áreas que componen una empresa y no solamente a un
departamento específico de calidad. La bibliografía con la que se cuenta actualmente es
demasiado compleja y el lenguaje en algunos casos resulta difícil para el usuario, por los
términos y conceptos de estadística avanzada.
Por este motivo se pretende desarrollar un manual práctico y accesible para los
diferentes perfiles de aquellos que lleven a cabo la implementación del sistema SEIS
SIGMA.
A continuación se mencionan las ventajas que tiene la implementación de un sistema Seis
Sigma en comparación con otros Sistemas de Calidad:
6
• Para la implementación y control de la condiciones óptimas del proceso se utiliza
en gran medida el Diseño de experimentos, CEP y Superficie de respuesta.
• Realiza estudios de la capacidad del proceso, cuando los índices
cp ≥ 2.0 y cpk ≥ 1.5 , se tiene un buen indicador de que se está logrando el nivel
Seis Sigma.
• Garantiza el cumplimiento mediante muestreos aleatorios.
• Los objetivos son medidos mediante el logro de la métrica 6σ , y las utilidades que
genera cada proyecto.
• Seis Sigma tiene mayor integración con las estrategias clave de negocio y
desempeño.
• El liderazgo en Seis Sigma se da desde la dirección, mientras que en los sistemas
de Calidad se ha mostrado mayor escepticismo por parte de la dirección.
• Uno de los mayores beneficios que tiene Seis Sigma es que rompe las barreras
entre departamentos utilizando la administración por procesos “Cross Functional”.
7
Desventajas de los sistemas de Aseguramiento de Calidad vs. Seis Sigma
Cabe mencionar que el sistema Seis Sigma se considerará el sistema principal para quien
pretenda implementarlo, sin embargo no es posible prescindir del uso de otros sistemas
considerados como complementarios. Los principios que enuncian estos sistemas
complementarios son fundamentales para el buen funcionamiento de una empresa y por
tanto la satisfacción de los clientes.
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
• Evitar, en lo posible, las deducciones de fórmulas matemáticas y explicaciones
complejas que puedan confundir y hacer perder tiempo a los que hagan uso de el.
8
• Se pretende que el manual sea una herramienta valiosa, tanto para la capacitación
como para la consulta, de todos aquellos que lleven a cabo la implementación de la
metodología Seis Sigma.
• Implementar en las empresas sistemas de calidad basados en la metodología Seis
Sigma.
Este manual está dirigido como ya se mencionó a aquellas personas que tienen la labor de
implementar sistemas de calidad y realizar proyectos de mejora, basándose en la
metodología Seis Sigma.
Asimismo dado el carácter didáctico que se pretende, será posible que aquellas personas
de otras disciplinas o con poca instrucción puedan familiarizarse con el uso de las
herramientas estadísticas para mejorar la calidad.
La correcta aplicación de las técnicas descritas en este manual podrá ser aplicado en
cualquier empresa, aumentando los niveles de calidad y las utilidades por lo cual la
trascendencia es de alto beneficio para la sociedad.
9
uno de los pasos es claro, bien estructurado y menciona ejemplos de aplicación para
facilitar el entendimiento. Es importante que la implementación de Seis Sigma sea
realizada por personas que posean liderazgo y buena capacitación en el tema y además
sepan conducir equipos de trabajo.
10
CAPÍTULO 1 INTRODUCCIÓN A LA METODOLOGÍA SEIS SIGMA.
4σ 5σ 30x
5σ 6σ 40x
2
Forrest W. Breyfogle III, Implementing Six Sigma, John Wiley & Sons Inc. pp. 9
11
Figura 1-1. La figura muestra el número de partes por millón (ppm) que estarían fuera de los
límites de especificación tomando como límite el valor de cada desviación estándar.
Este ajuste proporciona una idea más realista de la capacidad del proceso a través de
varios ciclos de manufactura. El desfasamiento puede ser en dirección positiva o negativa,
pero nunca en ambas direcciones3
3
Análisis y planeación de la calidad, J.M. Jurán Mc. Graw Hill, 1995 pp. 397
12
LSL USL
− 6σ − 5σ − 4σ − 3σ − 2σ − 1σ X + 1σ + 2σ + 3σ + 4σ + 5σ + 6σ
Una medida que describe el grado en el cual el proceso cumple con los requerimientos es
la capacidad del proceso. Los índices utilizados son Cp y Cpk, Un nivel Seis Sigma tiene la
habilidad de lograr índices de 2.0 y 15 respectivamente. Para lograr esta capacidad la
meta a alcanzar de un programa Seis Sigma es producir al menos 99.99966% de calidad,
no más de 3.4 defectos en un millón de piezas producidas.
Tabla 1.1 Porcentajes y cantidad de defectos a los que corresponden los diferentes
niveles “Sigma”
13
10 PASOS DE MOTOROLA PARA LA MEJORA DE PROCESOS
14
1. Priorizar oportunidades de mejora
proceso proceso
es capaz no capaz
si no
MEJORA
CONTINUA
15
8. Implementación de condiciones de operación y control óptimas: Llevar a cabo un plan
permanente de acciones correctivas para prevenir causas especiales de variación. Es
necesario tener un proceso estable y predecible, por lo cual se deberá tener
continuamente controles de proceso.
9. Monitoreo de procesos a través de la mejora continua: Los sistemas, métodos,
procedimientos deberán de ser modificados cuando sea necesario para evitar las
causas especiales de variación. También será necesario identificar las acciones futuras
requeridas para mejorar el proceso.
10. Reducir causas comunes de variación para alcanzar Seis Sigma: Se deben reconocer
las limitaciones del proceso. Solamente a través de la reducción y eliminación de las
causas comunes de variación y el diseño para la manufactura es posible alcanzar el
nivel Seis Sigma. Una vez que las causas especiales se han eliminado solamente
pueden permanecer causas comunes las cuales se irán eliminando a través de la
mejora continua de los procesos.
16
CAPÍTULO 2 FASE DE DEFINICIÓN
Definir
Definir Medir
Medir Analizar
Analizar Mejorar
Mejorar Controlar
Controlar
Objetivo
Identificar el problema a resolver, estratificando tanto como sea posible, por ejemplo:
reclamación de un cliente por falla, identificar la familia de productos por importancia
mediante el uso del diagrama de Pareto (ver diagrama Pareto fase de medición), después
identificar el producto, la línea donde se produce, el equipo específico, etc. En este
momento podemos definir el problema y la oportunidad de mejora. En esta fase ,la primera
de la metodología de Seis Sigma, estamos interesados en detectar cuál es el problema,
definir los CTQ´S (Crítico para la calidad) basándonos en la voz del cliente (VOC), el
impacto que tiene para el negocio la realización del el proyecto, las metas que
pretendemos lograr, el alcance y los ahorros financieros.
Etapas
1. Identificación de clientes internos y externos:
El primer paso en la definición de un proyecto es identificar cuáles son los clientes a los
cuales el proceso impacta. Definimos como cliente interno a la persona o las personas
siguientes en el proceso, esto es dentro de la compañía. Por ejemplo el cliente de almacén
es producción ya que ellos se encargan de proveer las materias primas e insumos para que
producción pueda realizar el proceso de transformación.
Los clientes externos son todos aquellos a los que la empresa provee un producto o
servicio.
17
Nota: También existen otros conceptos como CTT (Critical to time) y CTC (Critical to
Cost). En este tipo de proyectos estamos interesados en el caso de CTT en reducir el
tiempo de respuesta y para los CTC en reducir los costos.
Tanto en los CTQ, CTT y CTC el objetivo para la empresa es reducir los costos, aumentar
la satisfacción del cliente y aumentar las utilidades.
Para determinar los CTQ, tenemos que conocer la voz del cliente interno o externo (VOC),
o sea qué es lo que espera nuestro cliente acerca del servicio o producto que le
proporcionamos. Mediante la voz del cliente podemos saber cuál es el grado de
satisfacción que este tiene.
Ejemplo de CTQ:
• Entregas a tiempo
• Mantenimiento
• Durabilidad
• Confiabilidad
• Seguridad
18
3. Selección del problema:
• 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
cuáles serían las consecuencias en caso de no realizar el proyecto. Debemos conocer cuál
ha sido la situación en el negocio debido al proceso actual . ¿Qué nos ha ocasionado:
19
pérdida de clientes?, ¿Incumplimiento en los niveles de servicio?, Así cómo cuantificar (en
porcentajes y en pérdidas de dinero).
Es importante describir cómo se alinea el proyecto con las iniciativas y metas del negocio.
Estas últimas son definidas por la dirección.
Evaluación
Problema
Importancia Prioridad Política Depto Periodo de ejec. Factibilidad Orden
Devoluciones 12 puntos
Entregas tardías 10 puntos
Docs. Inadec. 10 puntos
Nivel servicio 9 puntos
20
7. Definición de los objetivos del proyecto:
Para determinar los objetivos del proyecto nos cuestionamos ¿qué es lo que vamos a
obtener con la realización del proyecto? Generalmente es mejorar e implementar el
proceso para una fecha específica. Ej: Implementar el 100% de las mejoras de un proceso
en la fecha propuesta, incrementar el nivel de servicio en un 98%.
En la tabla 2-1 encontramos puntos a considerar para definir los objetivos de manera
precisa.
Los proyectos de los Green Belts son relacionados a sus actividades diarias a nivel
transaccional y operativo, para que estén bien enfocados y con un alcance corto. Cuando el
proyecto sea demasiado grande conviene dividirlo o particionarlo, entre diferentes Green
Belts. Por ejemplo en una empresa de desarrollo de software se piensa optimizar el
proceso de selección de personal, este proceso comienza desde que surge un
requerimiento por parte del cliente. El líder de proyecto hace la petición del personal con
base en las habilidades requeridas a recursos humanos, este a su vez hace todo el
proceso de reclutamiento y proporciona el recurso al líder, en este punto termina el
proceso. Realizar un proyecto con todas estas etapas es demasiado complejo por lo cual se
decide particionarlo en tres etapas:
a) Requerimiento del personal por parte del cliente al gerente de cuenta.
b) Requerimiento del personal a recursos humanos.
c) Proceso de reclutamiento y asignación del personal.
21
PUNTO CRÍTICO ACTIVIDADES
• Aclarar la meta del valor objetivo. • Indicar el objetivo con valores en forma
• No plasmar simplemente los deseos y numérica en lo posible.
expectativas en el objetivo, sino • El objetivo debe tener relación con el
establecer un objetivo factible de efecto esperado.
manera escalonada. • El objetivo debe de ser concreto. Ej:
• Establecer un objetivo con fundamento, ¿qué? reducir el porcentaje defectuoso en
no se debe tomar una decisión de los productos A.
impulso (sin analizar). ¿hasta cuándo? de Mayo de 2002 a
Punto clave para establecer el valor Octubre de 2002.
objetivo: ¿hasta cuánto? bajar hasta 1% o menos
• Definirlo tomando en cuenta las políticas del 1% del promedio defectuoso.
de la empresa. • Existe un método para establecer el
• En caso de no tener un concepto claro objetivo final de una vez; otro
de las políticas, analizar la importancia estableciéndolo en forma gradual entre
de los problemas y/o mejoras, cuando objetivo primario y secundario,
nos ocasionen un defecto al proceso establecer períodos de tiempo cortos.
posterior, factibilidad de cumplimiento, • Establecer objetivos graduales en los
programa, distribución de cargo, etc. y casos siguientes:
definirlo. 1. Que el tema sea demasiado grande y se
requiera dividirlo.
2. Que el tema sea complicado y que se
relacione con otras áreas.
3. Que se requiera la selección de las
actividades conforme a la habilidad real
del grupo de trabajo.
Establecer un objetivo que tenga relación con la selección del tema y razón de la selección
22
Ejemplo:
CONDICIÓN ACTUAL
(%) 6
V 5
E
4 OBJ. PRIMARIO
3
N 2
OBJ. SECUNDARIO 0%
T 1
A 0 1 2 3 4 5 6
S OBJETIVO FINAL
PERÍODO DE TIEMPO
Figura 2-2 Ejemplo objetivos del proyecto.
23
11. Mapa del proceso: realizaremos un mapeo del proceso de alto nivel, identificando
cuáles son los proveedores, entradas, proceso, salidas y clientes.
- Seleccionar a las personas clave que intervienen o que están involucradas directamente
y que reciben beneficios del proceso.
- Incluir nombre, posición roles y responsabilidades a desempeñar en el desarrollo del
proyecto.
- Es necesario incluir además de los miembros del equipo, al Champion del proceso así
como un Black belt
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.
- La estructura de comunicación debe asegurar el flujo de información requerido para la
toma de decisiones.
- Asignación de recursos y financiamiento para la realización de planes de mejora.
- Orientación y supervisión de los equipos para que tengan un mejor desempeño.
24
Es importante identificar en que casos se debe seguir la metodología Seis Sigma y
en que casos es mejor utilizar alguna otra de resultados más rápidos o para
solución de problemas crónicos como la de círculos de calidad. En realidad aunque
se quisieran proponer soluciones a un problema después de estratificarlo, sería
imposible llevarlo a cabo.
25
CAPÍTULO 3 FASE DE MEDICIÓN
Definir
Definir Medir
Medir Analizar
Analizar Mejorar
Mejorar Controlar
Controlar
En la fase de definición identificamos los CTQ´S del cliente, y desarrollamos un mapa de alto
nivel “high level” para determinar los CTQ´S del proceso.
Como ya mencionamos anteriormente, en todos los procesos existe variación, en esta fase
estamos interesados en medir dicha variación para saber sí existen datos que se encuentren
fuera de especificaciones, que estén causando problemas en nuestros procesos. Para realizar
esta actividad es de suma importancia conocer: ¿Qué es lo que necesitamos medir? y
¿Cómo lo vamos a medir? A lo largo de este capítulo tenemos diferentes herramientas que
nos ayudarán a responder estas preguntas.
Dependiendo de las condiciones y necesidades que tengamos seleccionaremos una ó más
herramientas, cabe mencionar que no necesariamente se utilizan todas las herramientas, lo
importante es seleccionar cuidadosamente aquellas que nos proporcionen la información más
objetiva y precisa.
Objetivos:
• Conocer el uso de las herramientas de la fase de medición.
• Determinar qué mediciones son importantes para el proyecto.
• Recolectar datos relevantes.
• Convertir los datos en números para conocer su comportamientos.
• Detectar cuál es la frecuencia con la que ocurren los defectos.
26
Esta fase consta de las siguientes etapas:
1) Seleccionar los CTQ´S del proceso (Crítico para la calidad):
Observemos la siguiente tabla:
Y = F(X)
• Y • X1, X2,…..Xn • Z’s
• Variable • Variable • Variables de ruido
dependiente independiente • Incontrolables
• Salida (respuesta) • Entrada-Proceso
• Efecto • Causa
• Síntoma • Problema
• Monitoreable • Controlable.
Para la selección de Y’s podemos utilizar un diagrama de Pareto para priorizar y centrar nuestra
atención en el(los) efecto(s) más importante(s). La variable dependiente “Y” fue previamente
determinada en la fase de definición.
La Y es la variable de respuesta y las X´s son las variables de entrada, las Z´s son las variables
de ruido.
Los CTQ´s del cliente (interno o externo) corresponden a la “Y”, y los CTQ´s del proceso
corresponden a las “X’s”.
En esta etapa estamos interesados en determinar las X´s, ya que son las variables que podemos
medir y controlar.
Para determinar los CTQ´s del proceso seleccionaremos alguna o algunas de las herramientas
apropiadas a las necesidades del proyecto.
27
No. Herramienta ¿Para qué es utilizada?
28
relativo del proceso.
3-11 Carta de tendencias Conocer el comportamiento de un proceso para poder tomar las
acciones correctivas a tiempo cuando es necesario.
3-12 Diagrama de Es una técnica utilizada para estudiar la relación entre dos variables,
dispersión facilitando la comprensión del problema planteado.
3-13 Mapa de procesos Proveen una secuencia gráfica de cada uno de los pasos o actividades
que componen una operación desde el inicio hasta el final.
Permitiendo una mejor visualización y comprensión del proceso. Sirve
para identificar pasos innecesarios, compara el proceso actual contra
el ideal.
3-14 QFD Método gráfico (matriz de relaciones) en el que se identifican los
deseos del cliente (CTQ´S) y las características de diseño del
producto, procesos o servicios. Permite traducir de un lenguaje
ambiguo a los requerimientos específicos del diseño del producto,
proceso o servicio. En otras palabras relacionas los ¿qué? del cliente
con los ¿cómo? del proceso.
3-15 Benchmarking Estudio que ayuda a realizar un comparativo de productos, procesos o
servicios contra el “mejor en la clase” puede ser dentro de la empresa
o, para identificar oportunidades de mejora.
3-16 Capacidad de los Sirve para determinar qué tan grandes son las variaciones en base a
sistemas de medición ciertos parámetros de los sistemas de medición, incluyendo equipo y
( Análisis R&R) gente.
a) Definición Operacional.- Es una descripción precisa acerca del proceso que aclara
cualquier ambigüedad del mismo. Es un paso clave para el CTQ que está siendo medido.
b) Meta de desempeño.- Estamos interesados en alcanzar la meta de desempeño de la
característica de un producto o proceso. La meta es reducir la variación al máximo.
c) Límite de especificación.- La cantidad de variación que el cliente está dispuesto a aceptar
en un producto o proceso. La especificación puede ser determinada internamente por
ingeniería, siempre y cuando no afecte al consumidor, sino al contrario, lo beneficie.
d) Defecto.- Cualquier característica del producto que sale de los límites de especificación o
de los estándares de apariencia, color, duración, etc.
29
3) Establecer y validar el plan de recolección de datos:
Para realizar el plan de recolección de datos podemos ayudarnos del diagrama 5W/1H el cual
consiste en contestar las siguientes preguntas:
What? ¿Qué?
Why? ¿Por qué?
Who? ¿Quién? RECOLECCIÓN DE DATOS
Where? ¿Dónde?
When? ¿Cuándo?
How? ¿Cómo?
El objetivo es recolectar datos confiables, que reflejen la realidad de lo que está sucediendo.
Ejemplo:
En una tienda de refacciones para automóviles disminuyeron en gran medidas las ventas. El
gerente general convocó a una junta con las personas involucradas, para determinar cuáles eran
las causas por las cuales estaba sucediendo esta situación.
30
1) Seleccionar los CTQ´S:
El equipo de trabajo realizó una tormenta de ideas, el cuestionamiento que se hizo es ¿por qué
las ventas están disminuyendo? (efecto) Una vez terminada está actividad, el grupo seleccionó
mediante consenso las causas que consideró más importantes, después utilizaron la técnica
Why?-Why?-Why?, para encontrar la causa raíz del problema. Mediante eliminación de las otras
causas se encontró que la causa principal es: el tiempo de respuesta que se le estaba dando al
cliente.
Esto se confirmó ya que un miembro del equipo expuso que los clientes en ocasiones tardaban
mucho tiempo en ser atendidos. Existían muchas quejas y los clientes en ocasiones nunca más
regresaban.
31
Diseño del cuestionario1:
Para poder diseñar un cuestionario adecuado debe haberse definido de antemano cuáles son los
objetivos de la investigación y con qué recursos económicos, físicos, humanos y de tiempo se
cuenta para realizarlo. Debe darse especial atención a los tipos, orden y grupos de preguntas, la
formulación de las mismas y la organización del material. Todo cuestionario debe diseñarse
tomando en cuenta los siguientes datos:
La pregunta es el elemento principal de la entrevista, por lo que su diseño se debe hacer con
todo cuidado para obtener buena información.
Para verificar que el cuestionario sea claro se pide a tres encuestadores que lo llenen, y de esta
manera verificamos si existe algún punto ambiguo, en caso de existirlo se modifica la parte o las
partes que no sean claras. Con esto validamos la reproducibilidad del cuestionario.
1
Ignacio Méndez Ramirez. El protocolo de investigación .Ed. Trillas
32
3) Plan de recolección de datos:
Se realiza un muestreo preliminar durante una semana en horas pico realizando el cuestionario a
5 personas diariamente.
Se obtiene que la proporción de personas conformes es 40% y no conformes 60%
σp= pq
n
Utilizando un nivel de confianza del 95% y error estándar de la proporción = 5, obtenemos que
el tamaño de muestra es:
50 * 50
n= = 100
25
Por lo tanto se entrevistaran a 100 personas cada semana en hora pico. Se escoge la hora pico
ya que es cuando hay mayor flujo de gente y por estratificación se determina que es a la hora
en la cual el nivel de servicio es muy bajo. Si tomáramos muestras durante todo el día la
información recabada sería sesgada.
La selección de las personas a las que se le aplicará el cuestionario será mediante tabla de
números aleatorios.
2
Introducción al estudio del trabajo. Oficina internacional del trabajo Ed. Limusa
33
3-A ESTADÍSTICA DESCRIPTIVA
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 :
34
(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
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:
• Moda
La moda es el valor que se presenta con mayor frecuencia en la muestra, pueden existir
muestras que presenten una o más modas.
1,2,2,3,4,5,5,5,5,6,6,7,7,8,8
35
Medidas de dispersión
( xi − x ) 2
s= ∑
n −1
Muestra 1: Muestra 2
r r
x = 248 x = 248
n-1=5 n-1 = 5
790 7510
s= = 12.56 s= = 38.75
5 5
36
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) Cálculo de la media:
xi = 41.71
n = 14
xi
= 41.71/4= 2.98
n
2) Mediana:
(xi - x )2 = 5.63
n - 1 = 13
37
5.63
s= = .65
13
Ejemplo:
Calcular la media para el grupo de datos agrupados en intervalos en la siguiente tabla de
frecuencia :
Computadoras Número de días
vendidas
15-25 4
26-36 7
37-57 3
48-58 6
59-69 5
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:
38
Utiizando la fórmula Xa = SUM(fX)/SUMf la media aproximada es: 1061/25 = 42.44
• 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
39
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.
• 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
Explicaremos el cálculo de la desviación estándar para datos agrupados mediante un
ejemplo.
La tabla siguiente contiene los costos de reparación de un automóvil para los reclamos de
categoría menor presentados ante una compañía de seguros:
∑ fixi − ( fixi )
2
2
s^2= 13,288.66
s= 115.28
40
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 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
41
Paso 4: Calcular el tamaño del intervalo, dividiendo el rango entre el número de
94.37
columnas: = 8.58 ≈ 9 , resultando el tamaño del intervalo 9.
11
Otra manera de calcular el tamaño del intervalo es el siguiente:
Dividir el valor del rango entre un cierto número de clases (K). La tabla de abajo es una
guía que nos muestra para diferentes cantidades de datos el número recomendado de
clases a utilizar.
Paso 5: Calcular los límites de cada intervalo: [0-9),[ 9-18), [18-27) etc.
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
42
Paso 7: Basándose en los datos anteriores construya el histograma
43
− Una vez insertado el histograma podrá hacer modificaciones de la escala, color,
títulos etc. Haciendo clic en el elemento deseado.
44
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
n
observación en la posición corresponde al primer cuartil (Q1),la observación en la
4
n
posición corresponde al segundo cuartil (Q2) siendo este el valor de la mediana de la
2
3(n)
mediana (~
x ) , 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:3
La frecuencia acumulada hasta el intervalo [27-36) nos da 31 casos, quedando 1.5 casos
1.5
del siguiente intervalo [36-45), Por tanto Q1 cae en 36 + (9) = 36.79 , Q1 = 36.79
17
3
Acheson J. Duncan,Control de Calidad y estadística industrial, Alfaomega, 1996
45
3(130 ) 3.5(9)
Q3 = = 97.5 , realizando el cálculo 63 + = 65.42 , Q3= 65.42.
4 13
Estadística descriptiva en Excel:
Seleccione:
Nota: El error típico, curtosis, coeficiente de asimetría, no son objeto de estudio de esta
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
4
Richard C. Weimer, Estadística, CECSA, segunda edición
48
4. A continuación se muestra el diagrama de caja:
49
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
Ejemplo 3: La probabilidad de sacar 1,2,3,4,5, o 6 al lanzar un dado es:
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 U o Intersección I .
50
Unión de A y B
Intersección de A y B
A = 1 − P ( A)
P ( A = .7 )
P(A)=.3
51
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 I B )
P( A B ) = , si B ≠ 0
P (B )
P( A I B ) .2
P( A B ) = = = .67
P (B ) .3
A
P(A/B)=.67 B
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.
52
3. Eventos mutuamente excluyentes.
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 U B ) = + = = .33
6 6 3
Ley aditiva:
P ( A U B ) = P ( A) + P (B ) − P ( A I B )
53
Cuando los eventos son mutuamente excluyentes:
P ( A U B ) = P ( A) + P ( B )
Ejemplo 7.
Ley multiplicativa:
Si los eventos A y B son dependientes:
P ( A I B ) = P ( A) × P (B A)
P ( A I B ) = P ( A) × P (B )
98 98
P ( A I B ) = P ( A) × P (B ) = × = .9604
100 100
A B
54
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 I B ) = P ( A) × P (B A) = × = .9602
100 99
Se observa que los eventos son dependientes ya 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
P ( Z ) = [P ( A ) × P (Z A )]+ [P (B ) × P (Z B )]
55
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?
=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 )]
56
Hombre Mujer
Por lo tanto la probabilidad de que sea mujer dado que mide más de 1.80
es .032 = 3.2 %
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
57
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.
a1 × a 2 × a 3 .... a n
Ejemplo 10: ¿De cuántos modos podrá vestirse un joven que tiene 3 camisas diferentes,
4 pantalones y dos pares de calzado?
a1 × a 2 × a 3 = 3 × 4 × 2 = 24 modos diferentes.
Ejemplo 11: Dado el conjunto de las letras {o, p, i}, escribir todas las permutaciones
Solución: opi, oip, ipo, iop, pio, poi : son seis permutaciones posibles.
58
Ejemplo 12: ¿ Y tomando dos letras solamente cada vez?
Solución: op, oi, io, ip, pi, po: son seis permutaciones.
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 cuántas formas se
pueden tomar los números?
50 ! 50 !
P350 = = = (50 × 49 × 48) = 117,600
(50 − 3) ! 47 !
n!
Crn =
(n − r ) ! r !
Ejemplo 15: Un entrenador de basket ball tiene 9 jugadores igualmente hábiles, ¿cuántas
quintetas podrá formar?
9!
C59 = = 126
4 !× 5 !
59
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.
a) P(4 ases) =
( 4 C4 )( 48 C1 ) =
1
( 52 C5 ) 54145
b) P (4 ases y 1 rey) =
( 4 C4 )( 4 C1 ) = 1
52 C5 649740
c) P (3 dieces y 2 jotas) =
( 4 C3 )( 4 C2 ) = 1
52 C5 108290
60
3-C LA DISTRIBUCIÓN NORMAL
µ X
desviación estándar σ = 1.
• El área bajo la curva o la probabilidad desde menos infinito a más infinito vale 1.
• La distribución normal es simétrica, es decir cada mitad de curva tiene un área de 0.5.
• La escala horizontal de la curva se mide en desviaciones estándar.
• La forma y la posición de una distribución normal dependen de los parámetros µ y σ ,
61
Existe una relación del porcentaje de población a la desviación estándar. En la figura
3-C.2 observamos por ejemplo que el área bajo la curva para ± 1σ tiene un porcentaje de
68.26%, ± 2σ = 95.46% y ± 3σ = 99.73%
68.26%
95.46%
99.73%
Figura 3-C.2 Áreas bajo la curva en la distribución normal
Población Muestra
X
µ−3σ µ−2σ µ−σ µ µ+σ µ+2σ µ+3σ
Figura 3-C.3
62
La desviación estándar
sigma representa la
distancia de la media al
punto de inflexión de la
curva normal
X
x-3σ x-2σ x-σ x x+σ x+2σ x+σ3
z
-3 -2 -1 0 1 2 3
Figura 3-C.4
El valor de z
X −µ
Z=
σ
σ = 1
63
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 µ = 485 y desviación estándar σ =
30 ¿Qué porcentaje de los solicitantes pasará la prueba?
X −µ 500 − 485
Z= = = 0.5
σ 30
485
30.85%
Z.05
Ejemplo 2:
Encuentre las probabilidades siguientes usando la tabla Z.
-1.23 Z
64
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
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
65
• Para calcular Z dada una probabilidad f(z)
En la barra de herramientas seleccione el icono de funciones
fx>Estadísticas>Distr.Norm.Estand.inv
De clic en aceptar. Procedemos de la misma manera que en el caso anterior, pero en
esta ocasión seleccionamos la probabilidad .93319
66
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.
67
3-1 LLUVIA DE IDEAS (BRAINSTORMING)
La técnica tormenta de ideas puede ser aplicada con gran frecuencia al llevar a cabo otras
herramientas, como por ejemplo, diagramas causa-efecto (Ishikawa), Diseño de
experimentos, pruebas de confiabilidad, etc.
68
3-2 TÉCNICA DE GRUPOS NOMINALES (NGT)
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 post-it 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.
69
Descuido del personal de línea.
Lotificadora en mal estado.
Falta de mantenimiento de los equipos.
Falla en la supervisión.
Falta de claridad en los procedimientos.
Falta de un calendario en la línea para correcta lotificación.
Lotificadoras inadecuadas.
70
3-3 ANÁLISIS DE CAMPO DE FUERZAS
• El análisis de campo de fuerzas puede ser utilizado para analizar cuáles son las
fuerzas dentro de una organización que están dando empuje a las soluciones y
cuáles están frenando el progreso.
• La técnica conduce a la gente a pensar “en equipo” cuáles son los aspectos positivos
y negativos para lograr un cambio permanente. La dinámica consiste en los
siguientes pasos:
Reducción de defectos
Fuerzas positivas Fuerzas negativas
71
3-4 DIAGRAMA CAUSA-EFECTO (ISHIKAWA)
Los pasos para elaborar el diagrama de causa- efecto son los siguientes:
1. Seleccione el efecto (problema) a analizar. Se puede seleccionar a través de un
consenso, un diagrama de Pareto, otro diagrama o técnica.
2. Realice una lluvia de ideas para identificar las causas posibles que originan el
problema.
3. Dibuje el diagrama:
72
4. Clasifique las causas derivadas de la lluvia de ideas, de la siguiente manera:
- Causas principales.
- Causas secundarias.
- Causas terciarias.
5. Jerarquice las causas por grado de importancia y defina aquellas que tengan un efecto
relevante sobre la característica específica.
6. Elabore y ejecute un programa de corrección de las causas relevantes.
Ejemplo5
En una fábrica de componentes electrónicos se detectaron fallas en la línea de ensamble
al realizar la prueba de un circuito, por lo cual se procedió a realizar una investigación
utilizando el diagrama causa-efecto. El problema es soldadura defectuosa, siendo el efecto
que se va a analizar.
Primero se determinan las causas principales M’s:
• Máquinas
• Mano de obra
• Métodos
• Materiales
• Mediciones
• Medio ambiente
Estas constituyen las causas primarias del problema y es necesario desafiarlas para
encontrar causas más específicas secundarias y terciarias.
Se construye el diagrama espina de pescado con las causas primarias (M´s), a partir de
estas causas se agrupan las causas secundarias y terciarias derivadas de la lluvia de ideas.
5
Tomado de: Alberto Galgano, Los siete instrumentos de la Calidad Total, ediciones Díaz de Santos,1995
73
MEDICIONES MAQUINAS MANO DE OBRA
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
Causas secundarias
MEDIO AMBIENTE MÉTODOS MATERIALES
causas terciarias
principales
Causas
El equipo analiza cada causa y por medio de eliminación y consenso determina cuales son
las verdaderas causas que están ocasionando el problema. Una vez determinada las
causas se realiza un análisis Why-Why Why? El cual consiste en preguntarnos tres veces
¿por qué?, para encontrar la causa raíz del problema.
74
Problema: ¿Por qué la versión del sistema “ABC”, no satisface los requerimientos del
cliente?
Las causas primarias en las que se organiza este problema son las siguientes:
75
3-5 DIAGRAMA DE PARETO
2. Decida qué datos va a necesitar y cómo clasificarlos. Ejemplo: Por tipo de defecto,
localización, proceso, máquina, trabajador, método.
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.
76
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.
Ejemplo 1
El departamento de ventas de un fabricante de materiales de empaque tiene registrada
una lista de las quejas que se han recibido durante el último mes. (Tabla 3-7.1)
77
Tipo de queja No. de Total Composición Porcentaje
quejas Acumulado Porcentual Acumulado
78
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 éstas en las que debemos de
enfocarnos primero a resolver.
79
Figura 3-7.2 Pareto Chart window
DIAGRAMA PARETO
70 100 P
F 60 O
R 80 R
E 50
C
C 40 60 E
U N
E 30 40 T
N 20 A
C 20 J
I 10
E
A 0 0
A B C D E F G Others
Defect
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
Figura 3-7.3 Diagrama de pareto. En la gráfica observamos que aproximadamente el 80% de los
efectos es debido a los defectos A,B y C (causas)
80
3-6 DIAGRAMAS MATRIZ
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 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.
Procedimiento de elaboración:
1. Se identifican los factores relacionados con el problema.
2. Se desarrollan los componentes que explican a los factores considerados.
3. Se registran los datos en la matriz correspondiente al número de factores.
4. Al final de los renglones y columnas se realiza la suma de acuerdo a la escala de
valores.
5. Se analiza la relación resultante.
6. Se toman las decisiones requeridas para solucionar el problema analizado.
81
Ejemplo diagrama-matriz
16 17 17 18 19 17 18
Deficiente relación laboral 15
Deficiente supervisión 15
Demora en conexión de servicios 15
Desconocimiento del proceso 14
Mala orientación al cliente 15
Falta de materiales y equipo 16
Demasiada carga de trabajo 12
Baja productividad 21
P L D R P E B L A F C M D D
O I E E R X U I U A O O E E
Descentralizar L M S E C R D T L M T F
I I G T S E O E O T U I I O
T T E R U S C R C A N V N B
la toma
I A S I P O R A R I A I J
C T T C U A Z A C C C E
de decisiones A I I C E D C G T D A I I T
S V Ó I S E I O I E C O O I
A N O T A C I N N V
S N A O O O
L N S
Capacitar al personal 15
Políticas y normas de actuación 17
Trabajo en equipo 17
Asignar funciones y responsabilidades 12
Determinar el alcance de facultades 13
Propiciar el liderazgo participativo 8
Manual de organización básica 7
Implementar 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
82
3-7 MATRIZ DE CAUSA Y EFECTO
ELEMENTOS DE UN PROCESO
MÁQUINAS
HERRAMIENTAS
OPERADORES
MECANISMOS: MEDICIÓN
MÉTODOS
S
83
DIAGRAMA DE FLUJO DEL PROCESO
A - Críticos
DEFECTOS B - Mayores
C - Menores
1 2 3 4 5
A - OP. 3
84
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
del Proceso
Total
1
2
3
4
5
6
7
Requistito
Requistito
Requisito
Tierra
Corto
Entradas Total
Del proceso
q
1
2
3
4
5
6
7
8
Resistencia
Requisito
Requisito
Requisito
Requisito
Requisito
Tierra
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Corto
Entrada
Proceso Tot.
1 Ensamble A
2 Operación B
3 Ensamble C
4 Ensamble D
5 Ensamble E
6 Prueba Final
7
8
9
10
87
Matriz de
Causa y Efecto
4. Relacionar Rango de
Importancia 10 9 8
las entradas del Ciente
l
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
Corto
Tierra
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 4 8 7
6 E
Prueba Final 4 0 8
7
8
9
10
11
12
13
14
15
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Corto
Entrada
del Tota
89
Ejemplo - Pareto de operaciones clave
Causa y Efecto Lista para el
Matriz Pareto
Rango de Ordenando los
10 8
Importancia
del cliente
9
números
1 2 3 4 5 6 7 8 9 10 11 12 13 14 resultantes se
observa que:
Resistencia
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 6 7 6 171
10 D
Ensamble 4 8 7 168
9 E
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
90
Uniendo la Matriz de C-E con otras herramientas
Matriz de C-E
Rating of
Importance t o 9 9 7 10 10 9 3 2 6
Customer
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Homogeneity
Temperature
Consistency
Cleanliness
Digets Time
Viscosity
Gel Time
Solids
Color
P rocess I nputs Total
S cales
1 9 8 2 1 1 9 1 1 8 321
Accuracy
Preheat ing
2 1 1 1 1 1 1 1 1 1 65
DICY T K
DMF Load
3 3 8 1 1 1 8 1 3 8 255
Accuracy
DMF
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
DI CY Load
6 9 7 1 1 1 9 1 1 2 269
Accuracy
DICY Envir.
7 8 5 3 1 1 8 1 1 2 247
Fact ors
DICY Raw
8 8 5 1 1 1 9 1 1 2 242
M at erials
DI CY Mixer
9 1 1 1 1 7 1 1 1 1 125
Speecd
AMEF
C ontrol Plan
Produ ct: Core Tea m: Date (O rig ):
Key Process Output Variable Key Co ntact:
Pho ne: D ate (Rev):
Capabilit y Stat us Sheet
Pr oc ess
Me as ure m ent % R&R Sa mple Sa mple C ontrol
Upper Low er Process Proc es s Ste p In put Output Specification (LSL, Cpk /Da te Re ac tion Pla n
Cust ome r Requirement Me asureme nt %R&R or P/T Sample USL, Target)
Technique P/T Size Frequency M ethod
Spec Ta rge t Spec Cp Cpk D at e Act ions
( Output Va ri able ) Tec hnique Ra tio Siz e
Limi t Limi t
DICY Tur n Stea m on Sc al es
G el Ti me Ac c ura cy
Visc os it y P rocess/Product D MF Loa d D MF DM F L oad
Clea nlines s
C ol or Failure Modes and E ffects Analysis Ac c ura cy
DMF
Homoge ne it y (FMEA) D MF Loa d D MF
Cel anl i ne ss
Cons ist enc y
DICY Loa d DICY D IC YEnv ri .
Dige ts Ti me
Fac tors
Tempe ra ture
Sol ids Pr ocess or DICY Loa d DICY D IC YL o ad
Prepa red by:
Pro duct Nam e: Ac c ura cy
se anotan y evalúan.
Pro cess panel- hour s lost b roken Filame nts
8
Polyme r def ects
2
F uzzball L g
i ht
9 1 44
0
Las entradas claves
se evalúan
91
3-8 DIAGRAMA DE RELACIONES
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 Æ efecto) y unirlas utilizando flechas en el
diagrama de relaciones.
4. Debido a que en está técnica se lleva algún tiempo en el estudio del problema, se
deben hacer varias revisiones por diferentes personas.
5. Cuando se finaliza el diagrama se presenta y se lleva a cabo un análisis del mismo.
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.
92
EJEMPLO DIAGRAMA DE RELACIONES:
FALTA DE MATERIALES
FALTA DE
CAPACITACIÓN
PRONÓSTICOS NO
MAL USO DEL MRP
REALISTAS
MALA
ADMINISTRACIÓN DEL
CERTIFICACIÓN DE ÓRDENES DE DEPTO. DE
PROVEEDORES COMPRA FUERA MATERIALES
DE TIEMPO
FALTA DE
MATERIALES
6
MRP (Material Requirement Planning) Planeación de Requerimientos de Materiales
93
3-9 DIAGRAMA DE AFINIDAD
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.
94
Ejemplo
Problema: Falta de llenado en tubos de pasta dental
Tabla 3-9.1. Lluvia de ideas
95
Tabla3-9.2 Diagrama de Afinidad.
En el diagrama de afinidad se encontró el título del problema a resolver que es: FALTA DE PESO
EN TUBOS.
7
GMP`S significa Buenas prácticas de manufactura
96
3-10 HOJA DE VERIFICACIÓN
DIA
DEFECTO 1 2 3 4 TOTAL
Tamaño erróneo IIIII I IIIII IIIII IIIII 26
Forma errónea I III III II 9
Depto. Equivocado IIIII I I I 8
Peso erróneo IIIII IIIII IIIII IIIII IIIII 37
Mal Acabado I
II III IIII IIIIII 7
TOTAL 25 20 21 21 87
97
Consejos para la elaboración e interpretación de las hojas de verificación
98
3-11 CARTA DE TENDENCIAS
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:
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
99
3-12 DIAGRAMAS DE DISPERSIÓN
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.
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 3-12.1)
100
Figura 3-12.1 Tipos de correlación
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
101
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 − ∑ x∑ xy2
n∑ x − (∑ x ) 2 2
n∑ xy − ∑ x∑ y
b=
n∑ x 2 − (∑ x )
2
SCxy
r=
SCx × SCy
SCxy = ∑ xy −
∑x×∑ y
n
SCx = ∑ x −
(∑ x )
2
2
SCy = ∑ y −
(∑ y )
2
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
102
∑ y = sumatoria de los valores de la variable y al cuadrado
2
(∑ y ) 2
= cuadrado de la sumatoria de la variable y
Ejemplo 1:
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:
103
Observación No. Latas, x tiempo, y x^2 y^2 xy
1 2.00 9.95 4.00 99.00 19.90
2 8.00 24.45 64.00 597.80 195.60
3 11.00 31.75 121.00 1,008.06 349.25
4 10.00 35.00 100.00 1,225.00 350.00
5 8.00 25.02 64.00 626.00 200.16
6 4.00 16.86 16.00 284.26 67.44
7 2.00 14.38 4.00 206.78 28.76
8 2.00 9.60 4.00 92.16 19.20
9 9.00 24.35 81.00 592.92 219.15
10 8.00 27.50 64.00 756.25 220.00
11 4.00 17.08 16.00 291.73 68.32
12 11.00 37.00 121.00 1,369.00 407.00
13 12.00 41.95 144.00 1,759.80 503.40
14 2.00 11.66 4.00 135.96 23.32
15 4.00 21.65 16.00 468.72 86.60
16 4.00 17.89 16.00 320.05 71.56
17 20.00 69.00 400.00 4,761.00 1,380.00
18 1.00 10.30 1.00 106.09 10.30
19 10.00 34.93 100.00 1,220.10 349.30
20 15.00 46.59 225.00 2,170.63 698.85
21 15.00 44.88 225.00 2,014.21 673.20
22 16.00 54.12 256.00 2,928.97 865.92
23 17.00 56.63 289.00 3,206.96 962.71
24 6.00 22.13 36.00 489.74 132.78
25 5.00 21.15 25.00 447.32 105.75
TOTALES 206.00 725.82 2,396.00 27,178.53 8,008.47
104
Diagrama de dispersión
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)
105
3-13 MAPA DE PROCESOS / DIAGRAMA DE FLUJO
Descripción de símbolos
En la construcción de diagramas de flujo de procesos se utilizan los símbolos descritos a
continuación:
Operación de transformación: de la cual resulta un cambio
físico o químico del producto.
106
Pasos para la elaboración de un diagrama de flujo:
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.
107
Diagrama de flujo de tiempo sin valor.
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:
• Delínea gráficamente la cantidad de tiempo sin valor que se usa en el proceso.
• Ayuda a reducir el tiempo sin valor y eliminar pasos innecesarios.
108
Figura 3-13.1 Diagrama de flujo: Una visita a la farmacia8
Operación: despacho de una fórmula.
EVENTO SÍMBOLO TIEMPO DISTANCIA
(min.) (pies)
Abrir la puerta, caminar hacia el área de la 0.8 50
farmacia del almacén.
Esperar para ser atendido. 1
8
Adaptado de Hamid Noori/Russell Radford, Administración de Operaciones y producción, Ed. Mc.Graw
Hill Pp.282
109
Visita al consultorio médico
Exa cripci
P re
Pr
me
s
esi
ny n
ón
Pe gu í
Sa
ó
so ne
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
n t a rs
ar
m
g
de
ad
ar
se
se e
lc
on
er
su
lto
r io
Figura 3-13.2 Diagrama de flujo de Valor
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
110
3-14 QFD (Despliegue de la función de Calidad)
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”.
Beneficios
Menor tiempo de desarrollo desde el concepto hasta el arranque de producción.
Pocos cambios de ingeniería con el producto en producción.
Diseño congruente con las necesidades y expectativas del cliente, a través de
equipos multidisciplinarios.
Satisfacción de las necesidades del cliente.
111
Traduce los requerimientos del cliente desde un lenguaje ambiguo a los
requerimientos de diseño específicos para el desarrollo del producto y su
manufactura.
Los requerimientos del cliente son medibles, alcanzables y potencialmente
mejorables.
Identifica las características críticas para la calidad (CTQ´s) del producto y su
desempeño en el mercado.
Ayuda a la dirección a cambiar su forma de dirigir, de una orientación hacia los
resultados, a un enfoque hacia los procesos, que es lo que finalmente conducen a
los buenos resultados.
En la planeación de productos y procesos operativos, ayuda a disminuir, e incluso a
eliminar, las iteraciones de rediseño que se realizan en los métodos tradicionales
ya que incorpora desde el principio los diferentes enfoques que intervienen en la
definición de las características de productos y procesos.
Promueve una mejor comunicación y labor de equipo entre el personal que
interviene en todas las etapas, desde el diseño hasta la comercialización del
producto.
112
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 3-14.1
113
QFD a nivel producto - casa de la calidad-
Su propósito es relacionar las necesidades básicas del cliente con las características de
diseño del producto.
Correlaciones
Técnicas
Características de diseño
Desempeño de la competencia.
del producto
Relación de mejoramiento
Desempeño actual
Peso normalizado
Peso Ponderado
punto de venta
Relaciones
Necesidades
del cliente
Meta
del cliente y las caract.
de diseño del producto
Prioridades
Figura 3-14.2
114
•Formar un equipo multidisciplinario, estableciendo:
1. Quiénes son los clientes.
2. Definir a cuál producto se enfocará el equipo.
•Inicialmente registrar todas las “Necesidades primarias del cliente”. Son necesidades muy
generales. (robustez, durabilidad, capacidad, apariencia, desempeño, etc.)
Algunas categorías de necesidades primarias pueden ser derivadas del modelo Kano
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?
115
Por ejemplo si la necesidad primaria es:
“Excelente tasa de café”
Las secundarias pueden ser:
–Té 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.
Correlaciones
Técnicas
Características de diseño
Desempeño de la competencia
Relación de mejoramiento
Peso normalizado
Peso Ponderado
Punto de venta
Necesidades
del cliente
Prioridades
Figura 3-14.3
116
Para llenar la Matriz de Planeación se deben contestar las siguientes preguntas:
• 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:
Cada necesidad del cliente es jerarquizada ya sea en 1, 3 ó 9.
Ventaja: las jerarquías son ponderadas.
Desventaja: se tienen solo tres jerarquías disponibles
• Importancia relativa:
Cada necesidad del cliente es jerarquizada de 1 a 10.
Ventaja: varias jerarquías diferentes para las necesidades.
Desventaja: Tiende a desviarse hacia un lado de la escala (e.i. rangos de 4 a 8).
117
• Importancia ordinal:
Jerarquizada por orden de importancia (si hay 15 necesidades del cliente, usar 1 al
15,siendo 15 la más importante).
Ventaja: forza las diferentes jerarquías para cada necesidad.
Desventaja: no toma en cuenta las necesidades que son de igual importancia.
LA META: debe establecerse en consenso, balanceando los intereses de todas las áreas
por medio del equipo multidisciplinario
RELACIÓN DE MEJORAMIENTO:
META
RELACIÓN DE MEJORAMIENTO =
DESEMPEÑO ACTUAL
118
SUGERENCIAS: Al determinar el punto de venta:
PESO PONDERADO :
Correlaciones
Técnicas
Características de
diseño del producto
Desempeño de la competencia
Relación de mejoramiento
Importancia del cliente
Peso ponderado
punto de venta
del cliente
Prioridades
Figura 3-14.4
119
Determinando las características de diseño
Propósito: determinar las características de diseño necesarias para satisfacer los
requisitos del cliente.
1. Definir los requisitos o necesidades del cliente.
2. Lluvia de ideas de las características potenciales “¿Cómo medir?”.
Evaluar cada característica para determinar si es:
Relevante ¿realmente ayuda al logro del requisito del cliente?
Controlable ¿se puede controlar?
Medible ¿se puede medir?
Genérica ¿se puede aplicar a diferentes conceptos de diseño?
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.
Características del Producto “A”:
120
Dirección de mejora de las características técnicas de diseño
Permite saber si es mejor con mayor cantidad de esta característica particular, o si es
mejor con menor cantidad, o si opera mejor si está en el valor del objetivo esperado
Correlaciones
Cómo
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
Dirección de
Mejoramiento Figura 3-14.5
121
Paso 4: Definición de la relación entre necesidades del cliente y características
de diseño del producto.
Correlaciones
Técnicas
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
Meta
del cliente y las caract.
de diseño delFigura
producto 3-16.6
Prio ridades
Figura 3-14.6
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
• Los valores utilizados normalmente son:
9 = Relación fuerte
3 = Relación moderada
122
Paso 5: Cálculo de las prioridades
Este cálculo enlaza las necesidades del cliente y su importancia para las características
internas.
Núm. de prioridad = S (Valores de Relación X Peso ponderado). Para cada característica
técnica
% relativos de Números de prioridad = % de la prioridad / total
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 de Núm. de Prioridad
Figura 3-14.7 Esto da como resultado la prioridad de las características de diseño del
producto en relación con los CTQ’s.
123
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
entre las necesidades
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
Figura 3-14.8
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
Prioridades
Figura 3-14.9
124
CORRELACIONES TÉCNICAS:
• Muestran las características que están estrechamente relacionadas.
• Muestran el impacto de una característica en cualquier otra.
• Rápidamente muestran qué características tendrán un mayor impacto cuando cambian.
sin relación
125
3-15 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
- Definir el mejor de su clase con medidas “reales”.
- Evaluar el desempeño actual en relación con lo “mejor”.
- Descubrir y entender nuevas ideas y métodos para mejorar los productos y servicios.
- Identificar las metas de desempeño a las que se deben enfocar los esfuerzos.
Causas de fracaso
1. No se examinan los procesos internos previamente.
2. Las visitas in situ “son agradables” pero no producen información o ideas.
3. Las preguntas y los objetivos son vagos.
4. El esfuerzo es demasiado amplio o contiene demasiados parámetros.
5. El enfoque no se centra en el proceso.
6. El equipo no se ha comprometido con el esfuerzo.
7. No se asignaron tareas y/o investigación previa.
8. Se seleccionó un socio equivocado para comparar (Benchmarking).
9. El equipo falla al mirar fuera de la industria o empresa.
10. No se realiza acción de seguimiento.
PROCESO DE BENCHMARKING
126
Seleccionar la organización para el 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
• Siéntase cómodo y en confianza acerca de su tarea previa.
• Promueva la atmósfera ideal para maximizar los resultados.
• Concluya agradeciendo a la organización, asegure un seguimiento si es necesario.
Retener y comunicar
• Informe a los niveles gerenciales del negocio y a los líderes de Proyecto.
• Anuncie los resultados y/o informes de visita en los servidores locales y/o en pizarrones.
• Introduzca la información en la base de datos del proyecto.
Ejemplo:
Compañía: Armas S.A.
Tema: Las encuestas revelaron que los clientes preferían cachas de pistolas más
brillantes.
Socio: Lápiz Labial S.A.
Resultados: La empresa aprendió de los tubos de lápiz labial brillantes y pudo incorporar
los resultados para mejorar la satisfacción de sus clientes.
127
Lograr que su equipo ... Contribuye a una
cambie su pensamiento a fórmula de éxito
ser creativo
Métodos de Benchmarking
128
Encuestas • Provee información de • Baja probabilidad de respuesta
una población mayor • Impersonal
• Fácil de diseñar • Dificultad para dar
• Costo relativamente bajo seguimiento a las preguntas
• Transferencia fácil de • Alguna información es
información para análisis cuestionable en cuanto a su
veracidad
• Debe ser relativamente breve
• Poca posibilidad de respuestas
detalladas
Publicaciones / medios • Información al alcance de • Se necesita validar las
la mano fuentes/ estadísticas
• Variedad de recursos • Muchas referencias no claras
• La compilación no es cara • Se lleva mucho tiempo,
• Gran cantidad de particularmente cuando existe
información, proveniente una gama enorme de
de muchos tipos de información.
industria
Categorías:
- Servicio al cliente - Confiabilidad
- Tiempo de entrega - Tiempo de Respuesta
- Nuevos Productos - Servicios técnicos
- Calidad del producto - Tecnología
Preguntas Sugeridas:
129
• ¿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
• La transferencia es aplicar directamente lo que se aprendió de un proceso similar, a un
proceso interno.
130
3-16 R&R CAPACIDAD DE LOS SISTEMAS DE MEDICIÓN
Variación
Variación deldel proceso,
proceso, real
real Variación de la medición
Calibración
131
Definiciones
• 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
Reproducibilidad
REPETIBILIDAD
9
En EUA se tiene el NIST (National Institute of Standards and Technology),en México se tiene el CENEAM
o el Centro Nacional de Metrología
132
Exacto y preciso
Preciso pero no exacto Exacto pero no preciso
(resolución)
Figura 3-16.2
Tiempo 2
Tiempo 1
Sesgo Sesgo
Menor mayor
133
• Sesgo: distancia entre el valor promedio de todas las mediciones y el valor verdadero.
Error sistemático o desviación.
Valor µ
Verdadero
Sesgo
Estudio de R&R
134
• Cada unidad es medida por cada operador, 2 ó 3 veces.
• 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.
135
Métodos de estudio del error R&R:
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:
10
Ejemplo adaptado de: Statistical Quality Control. Douglas C. Montgomery. Willey. Second Edition
136
Parte Medición 1 Medición 2 Media Rango
1 21 20 20,5 1
2 24 23 23,5 1
3 20 21 20,5 1
4 27 27 27,0 0
5 19 18 18,5 1
6 23 21 22,0 2
7 22 21 21,5 1
8 19 17 18,0 2
9 24 23 23,5 1
10 25 23 24,0 2
11 21 20 20,5 1
12 18 19 18,5 1
13 23 25 24,0 2
14 24 24 24,0 0
15 29 30 29,5 1
16 26 26 26,0 0
17 20 20 20,0 0
18 19 21 20,0 2
19 25 26 25,5 1
20 19 19 19,0 0
Promedio 22,3 1
x = 22.3
R = 1.0
fórmula:
R 1
σ mediciòn = = = 0.887
d 2 1.128
donde:
R = Rango promedio
d2 = Valor de tablas.
Para obtener una buena estimación de la capacidad del error de medición utilizamos :
137
6σ mediciòn = 6(0.887) = 5.32
P 6σ 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.
σ medicion .79
= × 100 = 25.73%
σ total 3.07
138
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
− Capture los datos en la hoja de trabajo de Minitab en tres columnas C1, C2, C3
139
− Seleccione en el menú de la barra de herramientas STAT>QUALITY TOOLS>GAGE
R&R STUDY
− Seleccione C1 (parte), C2 (operador), C3 (Medición)
− Método de Análisis ANOVA
140
Gage R&R
Source VarComp StdDev 5,15*Sigma
141
Análisis de los gráficos:
La mayoría de los puntos en el diagrama Xbar-operador se encuentran fuera de los límites
de control, indicando que la variación es principalmente debida a las diferencias entre
partes. La interacción Operador*Parte es una visualización de el p-value = 0.00016 en
este caso indica una interacción significativa.
En los componentes del diagrama de variación, observamos que el porcentaje de
contribución parte a parte es más grande que el sistema de medición R&R, lo cual nos
indica que la mayor parte de la variación es debida a las diferencias en las partes, como
ya se trató en el análisis anterior. Un porcentaje muy pequeño es debido al sistema de
medición.
En el diagrama de operador, existen diferencias pequeñas entre los operadores.
En el diagrama de partes, existen diferencias grandes entre las partes.
Gage name:
Date of study :
Gage R&R (ANOVA) for Medición Reported by :
Tolerance:
Misc:
3,0SL=0,1252
0,10 0,9
0,8
0,7
0,05
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
Figura 3-18.2 Gráficos del estudio del sistema de medición R&R. (Método ANOVA)
142
Ejemplo 3
Método: Medias-Rangos
− Capture los datos en la hoja de trabajo de Minitab en tres columnas C1, C2, C3,C4
143
Gage R&R Study - XBar/R Method
Gage R&R for Medición
144
Source %Contribution %Study Var
Análisis
En la segunda tabla podemos observar que el porcentaje de contribución (78.11%) de la
variación en los datos es debido al sistema de medición (Total Gage R&R). El porcentaje
entre partes (21.889%) es muy pequeño. Concluimos que el sistema de medición no es
adecuado, por lo cual tenemos que tomar acciones correctivas.
Analizando los gráficos nos damos cuenta de que la mayoría de los puntos en el diagrama
de operador X-bar, se encuentran dentro de los límites de control, la mayor parte de la
variación observada es principalmente debida al sistema de medición. También vemos que
la repetitibilidad tiene un alto porcentaje de variación 78% que representa la variación
total del sistema de medición (debido al equipo de medición).
Figura 3-18.3 Gráficos del estudio del sistema de medición R&R. (Método Medias- Rangos
Gage name:
Date of study :
Gage R&R (Xbar/R) for Response Reported by :
Tolerance:
Misc:
440 2
Average
450
3
X=406,2
350 390
Part 1 2 3
300 500
200 400
R=146,3
100 300
0 -3,0SL=0,00E+00 200
Operator 1 2 3
400
50
300
200
0 145
Gage R&R Repeat Reprod Part-to-Part Part 1 2 3
CAPÍTULO 4 FASE DE ANÁLISIS
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.
146
Las herramientas que se incluyen en está fase son:
147
La fase de análisis consta de las siguientes etapas:
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.
148
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 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
149
4-1 CAPACIDAD DEL PROCESO
Definiciones básicas.
• Proceso: este 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: 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.
150
Objetivos1
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.
LIE LSE
s _
xi
p X
Figura 4-1.1
p = porcentaje de medidas bajo la curva de probabilidad fuera de especificaciones.
1
Douglas C. Montgomery, Introduction to Statistical Quality Control, Second Edition, pp 307
151
También podríamos cambiar la media.
2
J.M. Juran, Análisis y planeación de la Calidad, Tercera Edición Mc. Graw Hill, Pp.404
152
• 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.
• Que el parámetro analizado en el estudio siga 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.
153
Para el cálculo de Z utilizamos las siguientes formulas:
Z st =
(límite especif . − nom.)
desv.std ST
dónde:
Zst = variación a corto plazo.
nom = valor nominal u objetivo
Zlt = variación a largo plazo.
154
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).
menor Z I , Z S
C pk =
3
Para que el proceso cumpla con las especificaciones el Cpk= debe de ser ≥ 1 .
Procedimiento:
1. Seleccionar un proceso específico para realizar el estudio.
155
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:
156
El histograma es el siguiente:
35
30
25
20
15
Frec.
10
5
0
170-189
190-209
210-229
230-249
250-269
270-289
290-309
310-329
330-349
Figura 4-1.2 Histograma de frecuencias
X = 264.06 S = 32.02
Cp =
(LSE − LIE ) = (330 − 200) = .67 < 1, el proceso no es hábil.
6S 192.2
157
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
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:
158
La desviación estándar es la diferencia en Xj correspondiente a Pj = 0.5 y Pj = 0.84
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
159
Figura 4-1.3 Gráfico normal de probabilidad
160
Capacidad a partir de cartas de control
En casos especiales como éstos donde las variaciones presentes son totalmente
inesperadas tenemos un proceso inestable ó impredecible.
?
? ?
? ?
? ?
Si las variaciones presentes son iguales, se dice que se tiene un proceso “estable”. La
distribución será “predecible” en el tiempo.
161
Predicción
Tiempo
R S
σ= ó σ = (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
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:
162
µ = x (media de medias)
R 77.3
σ= = = 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:
µ = x = 100
s 1.05
σ= = = 1.117
C4 .094
El C pk =
(105 − 100) = 1.492
3 × 1.117
El C p =
(105 − 85) = 2.984
6 × 1.117
163
Capacidad de procesos no normales.
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
164
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
Figura 4-1.6 Capacidad del proceso basado en la distribución Weibull.
3
Los índices Pp y Ppk son similares a los índices Cp y Cpk , se refieren a la capacidad del proceso a largo
plazo.
165
4-2 MEDICIONES PARA SEIS SIGMA
Definiciones básicas4:
4
Forrest W. Breyfogle III. Implementing Six Sigma Ed. John Wiley & Sons, Inc.1999
166
Cálculo de Sigma de un proceso.
Ejemplo 1
N articulos con
cero defectos Trabajo Hay D1 defectos Revisar el trabajo Subsisten D2 defectos
YFP YLP
Figura 4-2.1 Diagrama de Rendimiento de primera pasada y de última pasada.
167
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 (YLP).
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:
64
DPO = = .0042
5000 × 3
50
DPO = = .0033
5000 × 3
DPMO = 3,333.33
168
Rendimiento real o estándar (YRT)
Mide la probabilidad de pasar por todos los subprocesos sin un defecto = El producto
del resultado de cada paso: YFP1 × YFP2 × YFP3 × ......YFPn
Ejemplo 3:
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
Paso 1: 80%
Paso 2: 70%
Paso 3: 90%
Calcular YN
169
Nota: El rendimiento Normal es el promedio del rendimiento del proceso. Sigma es
calculado a partir de un rendimiento Normalizado.
ZST = ZLT+1.5
ZBenchmark = ZYN+1.5
Donde:
ZST= Z a corto plazo.
ZLT= Z a largo plazo.
YN = Rendimiento Normal
EJEMPLO 6
YN = 10 .38057 = .9079
Z benchmark
= .9079+1.5= 2.4079
170
Cálculo de Sigma en MINITAB
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.
171
Damos clic en OK
El sistema muestra las siguientes Ventanas:
De la tabla obtenemos los siguientes valores:
Zst = 4.138
Zlt = 4.138 –1.5 = 2.638
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
172
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 σ .
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)
173
4-3 AMEF “ANÁLISIS 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 que ocurran defectos.
Objetivos
• Identificar los modos de falla potenciales y calificar la severidad de su efecto.
• Evaluar objetivamente la ocurrencia de causas y la habilidad de los controles para
detectar la causa cuando ocurre.
• Clasifica el orden potencial de deficiencias de producto y proceso.
• Se enfoca hacia la prevención y eliminación de problemas del producto y proceso.
174
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.
175
2. Establecer los modos potenciales de falla.
Para cada una de las áreas sensibles a fallas determinadas en el punto anterior se
deben establecer los modos de falla posibles. Modo de falla es la manera en que
podría presentarse una falla o defecto. Para determinarlas nos cuestionamos ¿De qué
forma podría fallar la parte o proceso?
Ejemplos:
− Roto
− Flojo
− Fracturado
− Equivocado
− Deformado
− Agrietado
− Mal ensamblado
− Fugas
− Mal dimensionado
Ejemplos:
− Deterioro prematuro
− Ruidoso
− Operación errática
− Claridad insuficiente
− Paros de línea.
176
4. Determinar la causa de la falla
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
− Análisis de elementos limitados
− Revisiones de Diseño
− Prototipo de Prueba
− Prueba Acelerada
177
6. Determinar el grado de ocurrencia: Es necesario estimar el grado de ocurrencia de la
causa de la falla potencial. Se utiliza una escala de evaluación del 1 al 10. El “1”
indica remota probabilidad de ocurrencia, el “10” indica muy alta probabilidad de
ocurrencia. (Tabla 4-3.1)
178
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
Tabla 4-3.2 Grado de Severidad
179
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)
180
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.
181
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
182
Figura 4-3.4 A.M.E.F. Ejemplo
174
4-4 INFERENCIA ESTADÍSTICA
(INTERVALOS DE CONFIANZA Y PRUEBAS DE HIPÓTESIS)
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.
184
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.
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
185
• Hipótesis Alterna (Ha): es lo que aceptamos si podemos rechazar la hipótesis nula. Ha
es lo que queremos probar.
• Estadístico de prueba: calculado con datos de la muestra (Z, t, X2 o F).
• Región de Rechazo: indica los valores de la prueba estadística para que podamos
rechazar la Hipótesis nula (Ho). Esta región esta basada en un riesgo a deseado,
normalmente 0.05 o 5%.
Las pruebas de hipótesis pueden ser de dos colas, de cola derecha o de cola izquierda, a
continuación se esquematizan cada una de ellas.
-Zα/2 0 Zα/2
Pruebas de Hipótesis de cola derecha:
Ho: a ≤ b
Ha: a > b Región de
Rechazo
0 Zα/2
Pruebas de Hipótesis cola izquierda:
Ho: a ≥ b
Ha: a < b Región de
Rechazo
-Zα/2 0 Zα/2
Figura 4-4.1 Pruebas de Hipótesis de dos colas, cola derecha y cola izquierda, en las
distribuciones observamos la región de rechazo.
186
“Procedimiento para realizar pruebas de hipótesis”
Ho: µ = µ o
Ha: µ ≠ µ0
187
Calcular el estadístico de prueba
µ − µ0
Z calc =
s
n
Establecer la región de rechazo, para prueba de 2 colas: − Z α 2 ψ Z α 2
Región de Región de
Rechazo Rechazo
0
-Zα/2 Zα/2
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
85.1 82.6
81.7 89.1
83.7 83.7
84.5 88.5
188
Estadísticas Descriptivas
Variable Reactor N Media Desv.Std
Rendimiento A 10 84.24 2.90
B 10 85.54 3.65
H 0 : µa = µb
H a : µ a ≠ µb
Se busca demostrar que los valores observados al parecer no corresponden al mismo
proceso, se trata de rechazar Ho.
Reactor A Reactor B
B B B B B BB BB B
A AA AAAA A A
189
RESUMEN DE LAS PRUEBAS DE HIPÓTESIS
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
• Prueba t pareadas para medias: prueba si dos medias de muestras (por pares) son
iguales.
Pruebas de varianza:
Pruebas de proporciones:
190
PRUEBAS DE HIPÓTESIS SOBRE LA IGUALDAD DE DOS MEDIAS.
A) Varianzas conocidas
Supóngase que hay dos poblaciones de interés X1 y X2, Suponemos que X1 tiene media
sean iguales.
H 0 : µ1 = µ 2
H 1 : µ1 ≠ µ 2
Donde
H0 = Hipótesis nula
H1 = Hipótesis alternativa.
µ1 = media de la población 1
µ 2 = media de la población 2
X1 − X 2
Z0 =
σ 21 σ 22
+
n1 n2
Donde:
X 1 = media de la muestra 1
X 2 = media de la muestra 2
191
σ 21 = varianza de la población 1
σ 2 2 = varianza de la población 2
n1 = tamaño de la muestra 1
n 2 = tamaño de la muestra 2
Donde
Z0 = Valor calculado del estadístico de prueba
Z α 2 = Valor obtenido de las tablas.
H 0 : µ1 = µ 2
H 1 : µ1 > µ 2
H 0 : µ1 = µ 2
H 1 : µ1 < µ 2
192
Ejemplo 1:
Se emplean dos máquinas para llenar botellas de plástico con un volumen de 16 onzas. El
proceso de llenado puede suponerse normal, con desviaciones estándar de σ 1 = .015 y
σ 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 calidad está en lo
correcto? Utilizando α = .05 .
máquina 1 máquina 2
16.03 16.02
16.04 15.97
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
H 0 : µ1 = µ 2
H 1 : µ1 ≠ µ 2
X1 − X 2 16.015 − 16.005
Z0 = = = 1.34
σ 2
1 σ 2
2 .015 2 .018 2
+ +
n1 n2 10 10
Z α 2 = Z.025 = 1.96
193
El uso de la tabla es el siguiente:
1-.025 =.975 buscando el valor de Z correspondiente a .975 encontramos Z = 1.96
Utilizando el criterio de decisión Z 0 > Z α 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.
PROCEDIMIENTO EN EXCEL
194
El sistema mostrará la tabla siguiente:
Variable 1 Variable 2
Media 16.015 16.005
Varianza (conocida) 0.000225 0.000324
Observaciones 10 10
Diferencia hipotética de las medias 0
z 1.34962722
P(Z<=z) una cola 0.08856785
Valor crítico de z (una cola) 1.644853
Valor crítico de z (dos colas) 0.17713571
Valor crítico de z (dos colas) 1.95996108
En la tabla de Excel tenemos el valor z = 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:
casos en el primero las varianzas son iguales y en el segundo las varianzas son desiguales,
a continuación analizaremos cada uno de ellos.
H 0 : µ1 = µ 2
H 1 : µ1 ≠ µ 2
195
Sean X1, X2, S12 , S 22 , las medias y las varianzas de las muestras, respectivamente. Puesto
que tanto S12 como S 22 estiman la varianza común σ 2 , podemos combinarlas para producir
Sp =
(n1 − 1)S12 + (n2 − 1)S 22
n1 + n2 − 2
X1 − X 2
t0 =
1 1
Sp +
n1 n2
H 0 : µ1 = µ 2
Las alternativas de un lado se tratan de modo similar. Para probar:
H 0 : µ1 = µ 2
H 1 : µ1 > µ 2
t 0 > tα ,n1 + n2 − 2
H 0 : µ1 = µ 2
H 1 : µ1 < µ 2
196
Ejemplo 2:
Suponiendo que las dos varianzas son iguales, ¿qué conclusiones puede extraerse
respecto a la resistencia media de los alambres?
H 0 : µ1 = µ 2
H 1 : µ1 ≠ µ 2
x1 = .140
x 2 = .138
S1 = .0021
S 2 = .0022
Sp =
(n1 − 1)S12 + (n2 − 1)S 22 = .0021
n1 + n2 − 2
X1 − X 2
t0 = = 1.72
1 1
Sp +
n1 n2
197
Buscamos en la tabla de distribución t el valor tα 2, n1 +n2 , −2 = t.025,8 =2.306
Utilizando el criterio de rechazo t 0 > tα 2, n1 + n2 − 2 , 1.72 no es mayor que 2.306, por lo tanto
no rechazamos H0.
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.
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
198
En la tabla de Excel encontramos los valores deseados: 1.72 no es mayor que 2.306 por lo
cual no rechazamos Ho.
X1 − X 2
t0 =
S12 S 22
+
n1 n2
2
S12 S 22
+
n
1 n 2
ν= −2
2
(
S1 n1
2
+
) (
S 22 n2 )
2
n1 + 1 n2 + 1
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.
199
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 : µ1 = µ 2
H 1 : µ1 > µ 2
x1 = 25 .62
x 2 = 21 .70
S12 = .9017
S 22 = .3760
X1 − X 2 25.62 − 21.70
t0 = = = 8.48
S12 S 22 .9017 .376
+ +
n1 n2 6 6
2
S12 S 22 . 9017 . 376
2
+ +
n1 n2 6 6
ν= −2 = − 2 = 9.32 ≈ 9
(
S12 n1
2
+
) (
S 22 n2
2
)
(.9017 6)2 + (.376 6)2
n1 + 1 n2 + 1 7 7
200
PROCEDIMIENTO EN EXCEL
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
201
Observamos que mayor que 1.83 (valor crítico de t de una cola), se rechaza Ho.
H 0 : σ 12 = σ 22
H 1 : σ 12 ≠ σ 22
S12
F0 =
S 22
F0 > Fα 2, n1 −1, n 2 −1
o si
Donde Fα 2,n1 −1,n2 −1 y F1−α 2,n1 −1,n2 −1 son los puntos porcentuales α 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
202
la cola superior de F, por lo que para determinar F1−α 2,n1 −1,n2 −1 debemos emplear:
1
F1−α 2,n1 −1,n2 −1 = .
Fα 2,n1 −1,n2 −1
H 0 : σ 12 = σ 22
H 1 : σ 12 > σ 22
Ejemplo 4:
Los siguientes son tiempos de quemado (en minutos) de señales luminosas de dos tipos
diferentes.
Tipo 1 Tipo 2
63 64
81 72
57 83
66 59
82 65
82 56
68 63
59 74
75 82
73 82
Pruebe la hipótesis de que las dos varianzas sean iguales. Use α = .05
H 0 : σ 12 = σ 22
H 1 : σ 12 ≠ σ 22
203
X 1 = 70.6
X 2 = 70
S12 = 88.71
S 22 = 100.44
S12 88.71
F0 = 2 = = .877
S 2 100.44
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.
204
Prueba F para varianzas de dos muestras
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
X1 + X 2
pˆ =
n1 + n 2
pˆ 1 − pˆ 2
Z0 =
1 1
pˆ (1 − pˆ ) +
n1 n2
X1 X2
pˆ 1 = pˆ 2 =
n1 n2
205
Si
Z 0 > Z α 2 o Z 0 < − Z α 2 , la hipótesis nula se rechaza.
H 0 : p1 = p2
H 1 : p1 < p2
X1 + X 2 10 + 25
pˆ = = = .015909
n1 + n 2 1000 + 1200
X1
pˆ 1 = 10
n1 = = .01
1000
X2
pˆ 2 = 25
n2 = = .020833
1200
pˆ 1 − pˆ 2 .01 − .020833
Z0 = = = -2.02
1 1 1 1
pˆ (1 − pˆ ) + . .015909(.98409) +
n1 n2 1000 1200
Z α = Z .01 = 2.35
206
PRUEBA T POR PARES
H 1 : µ1 ≠ µ 2 es equivalente a probar
H0 : µD = 0
H1 : µ D ≠ µ 0
D
t0 =
SD n
donde
D=
∑D j
n
y
(D j − D)
2
SD =
n −1
207
Rechazaríamos H 0 : µ D = 0 si t 0 > tα 2, n −1 o si t 0 < −tα 2, n −1 , las alternativas de un lado se
Usando α = .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 : µD = 2
H1 : µ D > 2
208
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
tα ,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.
209
Prueba t para medias de dos muestras emparejadas
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.
210
4-5 TABLAS DE CONTINGENCIA χ2
La tabla ji- cuadrada ( χ 2 ) se utiliza principalmente :
• 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).
Ho = p1 = p 2 = p3 ... = p k
H1: al menos dos proporciones son diferentes.
2) Construir una tabla que contenga los valores observados.
3) Sumar los totales de los renglones y columnas de los valores observados.
4) Debajo de cada valor observado poner el valor esperado utilizando la fórmula:
Eij =
(total de i − ésimo renglón × total de j − ésima columna )
n
Calcular el valor del estadístico de prueba χ 2 usando la fórmula:
(O − Eij )
χ2 = ∑
ij
Eij
donde:
Oij = Valor observado de la celda i,j.
Eij = Valor esperado de la celda i,j
211
6) Calcular el valor crítico en la tabla χ 2
Con α = 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...300 corresponden a los valores observados, los valores
esperados se colocan en las celdas con paréntesis, para calcular los utilizamos la
fórmula:
Eij =
(total de i − ésimo renglón × total de j − ésima columna )
n
212
Nùmero de ausencias Aprobado No aprobado Total
0-3 135 110 245
(147) (98)
4-6 36 4 40
(24) (16)
7-45 9 6 15
(9) (6)
Total 180 120 300
(O − Eij )
χ2 = ∑
ij
Eij
El valor crítico del estadístico ji-cuadrada para α = 0.05 y g.l. = 2 se denota χ 02.05 (2) ,
En la tabla ji- cuadrada encontramos que vale 5.991, el valor del estadístico de prueba
213
Uso de Excel para determinar el valor crítico χ 2
214
4-6 ANÁLISIS MULTI-VARI
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 Shainin5,
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 máquina a máquina, dentro de la máquina, de operador a operador, dentro
del operador, entre operadores, etc.
Las cartas Multi-Vari identifican tres principales familias de variación que pueden
influenciar en la variabilidad del proceso, éstas son variación posicional, cíclica y
temporal.
5
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.
215
Una vez identificados las fuentes de variación, el análisis Multi-Vari está diseñado y
enfocado a identificar la variable independiente de mayor influencia dentro de las
familias de variación descritas anteriormente.
216
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
217
Ejemplo de cartas Multi-Vari.
Se ha detectado que el proceso de producción de rondanas de plástico se encuentra
fuera de especificaciones. El diámetro exterior especificado es de 1.50” + 0.01”. Se
procede a realizar un proceso de pre-experimentación a través de cartas Multi-Vari
para identificar la fuente de variabilidad.
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
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
218
C 1 1,5033 E 2 1,5047
C 1 1,4909 E 2 1,5055
C 1 1,5035 E 2 1,5030
Muestras dentro de
especificaciones 34
Muestras fuera de
especificaciones 16
(pulg.)
Media general 1,499
Desviación estándar general 0,0094
Límite inferior 1,484
Límite Superior 1,520
219
Figura 4-6.2 Tabla Multi- Vari Inyectora lote.
Una carta Multi-Vari adicional correspondería a los ejes horizontales invertidos, esto es,
ordenados por lote y luego por inyectora.
220
4-7 ANÁLISIS DE VARIANZA DE UN CRITERIO (ANOVA)
H 0 = µ1 = µ 2 = µ 3 = .... = µ k
Los supuestos en que se basa la prueba t de dos muestras que utiliza muestras
independientes son:
sb2
F= 2
sw
221
El valor crítico para la prueba F es:
Fα (k − 1, k (n − 1))
NOTA: El cálculo de las fórmulas de las varianzas son dadas al final del capítulo.
El Procedimiento es el siguiente6:
asociados.
7. Hallar el valor del estadístico de la prueba F.
8. Calcular el valor crítico para F basado en glb y glw.
9. Decidir si se rechaza H0.
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 α = 0.05 para determinar si difieren las medias de vida útil antes de requerir una
6
Estadística. Richard C.Weimer. CECSA. Segunda Edición.2000
222
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
7 6 1
223
Figura 4-7.2 Gráfica de Probabilidad Normal muestra B
224
Analizando las gráficas nos damos cuenta de que las muestras provienen de
poblaciones normales.
Si denotamos por µ1, µ 2 yµ 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 : µ1 = µ 2 = µ 3
Procedimiento en Excel:
En el menú herramientas seleccione la opción análisis de datos, en
funciones para análisis seleccione análisis de varianza de un factor.
225
Análisis de varianza de un factor
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.
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 α = 0.05 para calcular si difieren las velocidades de escritura de las cuatro
secretarias.
226
Seleccionar: STAT>ANOVA>ONE WAY(UNESTACKED)
227
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
Individual 95% CIs For Mean
Based on Pooled StDev
Level N Mean StDev -------+---------+---------+---------
A 5 73,800 7,190 (--------------*--------------)
B 5 70,800 10,918 (--------------*--------------)
C 5 75,200 5,450 (-------------*--------------)
D 5 72,600 11,887 (--------------*--------------)
-------+---------+---------+---------
Pooled StDev = 9,245 66,0 72,0 78,0
Boxplots of A - D
(means are indicated by solid circles)
85
75
65
55
A
228
Analisis de resultados del ANOVA:
Prueba de Tukey-Snedecor7
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
7
Estadística para las ciencias sociales y del comportamiento. Haroldo Elorza. Segunda Edición. Oxford
University Press.
229
Ejemplo:
Para determinar si existe diferencia significativa en el nivel de Matemáticas de 4 grupos de
estudiantes de Ingeniería se realizó un examen aleatorio a 6 individuos por grupo.
Determine cuáles son los grupos en los que 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
230
Como .007< .05 rechazamos Ho, por lo tanto existen diferencias significativas en las
medias de los grupos.
Aplicando la prueba de Tukey-Snedecor, determinamos las medias que son significativas:
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
3. Determinar Q, mediante el valor de tablas.
K= 4. gl = 4(6-1) =20
Q(4,20) = 3.96
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
s 2 + s 22 + s32 + ...... + s k2
s = 1
2
=
∑s 2
i
w
k k
gl w = k (n − 1)
n∑ ( xi − x )
2
s b2 =
(k − 1)
glb = k − 1
231
4-8 ANÁLISIS DE REGRESION LINEAL
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).
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.
232
Supuestos para el modelo de regresión lineal8
1. Para cada valor de x, la variable aleatoria ε se distribuye normalmente.
2. Para cada valor de x, la media o valor esperado de ε es 0; esto es, E (ε ) = µ ε = 0 .
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.
233
coches compactos tamaño del motor (pcd) x millas/galón (mpg), y
Chevrolet Cavalier 121 30
Datsun Nissan Stanza 120 31
Dodge Omni 97 34
Ford Escort 98 27
Mazda 626 122 29
Plymouth Horizon 97 34
Renault Alliance/Encore 85 38
Toyota Corolla 122 32
Diagrama de dispersión
39
37
35
m 33
p 31
g 29
27
25
80 90 100 110 120 130
pcd
234
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 = β 0 + β1 x + ε
Donde
y = variable dependiente
β 0 = ordenada al origen
β 1 = pendiente
x = variable independiente
ε = Error aleatorio
regresión lineal. La muestra de pares de datos se usará para estimar los parámetros
β 0 yβ 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.
235
Donde:
ŷ = Valor predicho de ŷ para un valor particular de x.
(∑ x ) 2
SS x = ∑ x 2
−
n
(∑ y ) 2
SS y = ∑ y 2
−
n
(∑ 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
236
Calculando b0 y b1 tenemos:
SSx = 1575.50
SSy = 82.88
SSxy = -212.25
b1 = -0.13472
b0 = 46.39099
50 y =46.391 -0.1347x
40
30
Y
20
Y
10
Lineal (Y)
0
0 50 100 150
Variable X
237
Error
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
¿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
pequeños de cero, sin
Buscar
Buscarlas
lasinconsistencias
inconsistencias tendencias?
información
mayores
mayores
(<30)
Figura 4-8.5 diagnóstico del modelo de residuales
238
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
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.
Encuentre:
a) Una estimación puntual para β 0 .
239
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.
SSx = 1154.86
SSy = 24207.71
SSxy = 5193.43
b1 = 4.4970
b0 =57.5567
SSE = 852.70
S e2 = 170.54
y = 57.5567 + 4.497x
a) b0 =57.5567
b) b1 = 4.4970
c) S e2 = 170.54
240
Inferencias sobre el modelo de regresión lineal.
Para usar la ecuación de regresión yˆ = β 0 + β 1 x , con propósitos de predicción, queremos
Figura 4-8.5
Donde:
SSE = Suma de cuadrados del error
SSR = Suma de cuadrados de la regresión
SSE = SSy-b1SSxy
SSR = b1SSy
241
Prueba de hipótesis utilizando la distribución F
Si fuera cierta H 0 : β 1 = 0 , el estadístico F serviría como estadístico de prueba: F está
definido como:
SSR
F=
S e2
Ejemplo 3: Para los datos del ejemplo 1 haga una prueba para determinar si β 1 ≠ 0 ,
usando α = 0.05
H 0 : β1 = 0
H1 : β1 ≠ 0
S e2 = 9.0475
SSR 28.5901
F= = = 3.16
S e2 9.0475
242
usarse con propósitos de predicción, y no tenemos evidencia que apoye que el modelo
lineal es correcto para nuestros datos.
b1
t= , donde gl = n-2
Se SSx
Ejemplo 4: Usando los datos del ejemplo 1, haga una prueba para determinar si β 1 ≠ 0
H 0 : β1 = 0
H1 : β1 ≠ 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
Análisis de correlación
Establece si existe una relación entre las variables y responde a la pregunta,”¿Qué tan
evidente es esta relación?".
243
La correlación es una prueba fácil y rápida para eliminar factores que no influyen en la
predicción, para una respuesta dada.
SSxy
r=
SSxSSy
Tabla de Correlación
Por su importancia, ¿cuál es el coeficiente mínimo de correlación?
244
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
245
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)
246
Figura 4-8.8 Variables de salida Regresión.
247
− 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.
anteriormente. El valor crítico F es menor que el valor F (0.125< 3.16), por lo que
no tenemos evidencia para rechazar la H0: β 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.
248
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
249
La siguiente tabla organiza los cálculos para obtener las ecuaciones:
250
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 ) = 12.9950
2
SSE = ∑ ( y − yˆ ) = 2.2403
2
glT = gl R + gl E
glT = n − 1
gl R = k
gl E = n − (k + 1)
donde:
k = número de variables independientes
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.
251
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 : β1 = β 2 = β 0
H 1 : β1 ≠ 0 o β 2 ≠ 0
MSR 5.3773
F= = = 7.20
MSE 0.7468
Como 7.71 > 7.20 no podemos rechazar H0, lo cual nos indica que podría ser arriesgado
utilizar la ecuación de regresión con propósitos predictivos.
SSR
R2 =
SST
10.7547
R2 = = 0.8276 ≈ 82.8%
12.995
252
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.
Multiple Regression
--------------------------------------------------------------------------------
Dep. var.: 12.4,13.3,9.2,10.6,13.2,11.2
253
• Regrese a la pantalla de valores y presione F5, seleccione la opción análisis
de varianza. En la tabla se muestran los valores de la prueba F así como
R^2.
Análisis de datos:
hacer predicciones.
254
Regresión múltiple en Minitab
C o c h e d e p o r t iv o C a p a c id a d P eso C o nsu m o
C h e v r o le t 5735 3330 1 7 ,9
K a g ia r X J - S 5344 4015 1 8 ,7
M erced es-B enz 5 0 2174 2865 1 6 ,5
P o rsche 9 1 1 3600 3320 17
M aserrati 2 2 8 2790 3020 1 5 ,5
B M W 325i 2494 3100 22
255
Seleccionamos la variable de respuesta (response) que corresponde a la Columna 3 C3, y
las variables de predicción (predictors): C1 y C2.
256
En la opción Resultados “Results” seleccionamos el circulo: Regresión equation....
Regression Analysis
The regression equation is
C3 = 10,9 - 0,00050 C1 + 0,00270 C2
257
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
-1
-2 -1 0 1 2 3 4
Residual
258
Figura 4-8.9 Gráfica de Probabilidad Normal
3
Figura 4-8.10 Gráfica de residuales
2
Residual
-1
-2
17 18 19
Fitted Value
259
CAPÍTULO V FASE DE MEJORA
Definir
Definir Medir Analizar Mejorar
Mejorar Controlar
Controlar
Objetivos:
• Conocer el uso de las herramientas de mejora.
• Conducir el diseño de experimentos para la optimización de procesos.
• Obtener las mejoras del proceso en el proyecto.
Herramientas:
No. Herramienta Para que es usada.
5-1 Diseño de Los experimentos factoriales son utilizados cuando se involucran varios
experimentos factores de interés en un experimento. En cada replica se utilizan cada uno
k
factoriales 2 de los factores que se están investigando.
5-2 Diseño central Consiste en realizar replicas en ciertos puntos del experimento factorial 2k,
compuesto 2k para proveer una protección contra la curvatura que pudiera estar presente.
5-3 DOE Taguchi Es utilizado cuando el número de factores es demasiado grande ya que el
número de combinaciones e interacciones aumenta y en ocasiones sería
casi imposible realizar un diseño aunque se utilice un diseño fraccional; en
este caso es más sencillo realizar la metodología que propone Taguchi.
5-4 RSM La metodología de superficie de respuesta o RSM es una colección de
técnicas Matemáticas y Estadísticas, utilizadas para modelar y analizar
problemas en los cuales la Respuesta de interés es influenciada por varias
variables, siendo el objetivo optimizar dicha Respuesta.
260
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. Con base en 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.
261
Para conducir un diseño de experimentos debemos tomar en cuenta los puntos siguientes:
262
5-1 DISEÑO DE EXPERIMENTOS
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.
263
Como ejemplos de aplicaciones del diseño de experimentos tenemos las
siguientes:
1. Evaluación y comparación de configuraciones básicas de diseño.
2. Evaluación de alternativas de material.
3. Evaluación de diferentes proveedores.
3. Determinación de parámetros clave de diseño (ej: ángulo, velocidad, método) con
impacto en el desempeño.
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 y 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.
264
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
A2 40 52
Figura 5-1.1
El cálculo 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.
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
265
En la gráfica 5-1.2 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.
40 + 30 52 − 20
AB = − = 19
2 2
266
Seleccionamos la opción Stat > DOE > Crear Diseños Factoriales.
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.
También tiene diferentes iconos, en el cual encontramos información específica 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.
267
AL Presionar OK el diseño es seleccionado y se regresa al la pantalla principal. En
esta pantalla todos los iconos quedan habilitados.
Se seleccionan las siguientes opciones:
• Factores
En esta pantalla se escribe el nombre de los factores así como los diferentes niveles
“bajo” y “alto” para cada factor ( estos últimos son dados por default)
268
• 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
269
Para analizar el experimento se selecciona la siguiente opción de la barra de
herramientas:
STAT > DOE > Analyze Factorial design.
La pantalla tiene las siguientes opciones: Responses, Graphs, Terms, Covariates,
Results, Storage.
• En el cuadro de Respuestas “Responses” seleccinamos la columna C8,
correspondiende a la variable de respuesta del experimento.
270
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 clic en OK
• En la opción “Results” (Resultados) se muestra la siguiente ventana:
A: Temperat
B: Presión
C C: Catalisi
BC
AC
ABC
AB
0 1 2 3 4 5 6
271
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
C
-1.5
-6 -5 -4 -3 -2 -1 0 1 2 3
Standardized Effect
272
Análisis de Varianza del rendimiento(unidades codificadas)
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 cuáles 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 clic en Setup.
273
Se despliega la ventana Factorial Plots-Main, en la cual seleccionamos en el cuadro
Responses C8. Posteriormente seleccionamos los Factores principales. Damos clic en
OK.
Repetimos los pasos anteriores para las gráficas de interacción y cúbica. Damos clic en
OK y obtenemos las gráficas deseadas.
20 40 1 4 A B
91
83
Y ie
ld 75
67
59
T e m p e ra tu ra P re s ió n C a ta lis is
274
En la interacción Presión*Catálisis el nivel óptimo es: Presión = 4 “nivel alto” y
Catálisis A “nivel Bajo”
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 A
20 40
Temperatura
275
En la gráfica de cubo observamos que la mayor respuesta se encuentra en el vértice
102.5. De está gráfica también podemos saber cuáles son los niveles óptimos de cada
factor.
b ab
+
-
(1) a
- +
A
Figura 5-1.8 diseño 22
• 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:
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 réplicas
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:
276
Efectos factoriales
Corrida I A B AB
1 (1) + - - +
2 a + + - -
3 b + - + -
4 ab + + + +
• 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
277
• Grados de libertad (g.l.)
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
278
Regla de decisión: Si F0 > F, el factor es significativo.
• Análisis Residual
correspondiente .
Los valores X1 y X2 representan los efectos A y B. Estos valores se codifican en los
niveles alto y bajo del experimento (-1 y +1).
Este modelo es usado para predecir los valores de y en los cuatro puntos del
experimento.
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
β 1 = 8.33
β 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
279
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 niveles más favorables en este
experimento son x1 = +1 y x2 = -1.
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 cálculo de residuos sería:
e1 = 28-25.835 = 2.165
e2 = 25-25.835 = -0.835
e3 = 27-25.835 = 1.165
DISEÑO FACTORIAL 2K
280
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
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.
281
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 =
n2 k −1
(contraste) 2
SS =
n2 k
Los efectos principales se calculan como sigue, por ejemplo para el factor A:
282
De la misma forma
B = 1.625
C = 1.375
AB = 1.375
AC = 0.125
BC = -0.625
ABC = 1.125
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
ABC 2.08
Por lo tanto sólo son significativos los factores A y B por ser Fc > Fcrítica.
283
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
284
Diseños factoriales 2k en dos bloques.-
Supongamos que deseamos dividir en dos bloques un diseño 22 . La figura muestra un
posible diseño para este problema. Aquí observamos que las combinaciones de los
tratamientos en diagonales opuestas son asignados a los diferentes bloques.
Figura 5-1.9
= corrida en el bloque 1
B
= corrida en el bloque 2
-
- +
A
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.
285
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 = α 1 x1 + α 2 x 2 + .................α k x k
donde
xi = nivel del factor que aparece en una combinación particular del tratamiento.
xi = 0 (nivel bajo) ó 1 nivel alto.
Ejemplo:
L = X1+ X2+ X3
286
Para determinar los valores Xi de la combinación lineal L utilizamos la tabla de signos
del diseño 23 , Donde el signo “-“ = 0 y “+” = 1
L = 1(0)+1(0)+1(0) = 0
De la misma manera la combinación del tratamiento a sería:
b: L = 1(0)+1(1)+1(0) = 1 = 1
ab: L = 1(1)+1(1)+1(0) = 2 = 0
c: L = 1(0)+1(0)+1(1) = 1 = 1
ac: L = 1(1)+1(0)+1(1) = 2 = 0
bc: L = 1(0)+1(1)+1(1) = 2 = 0
abc: L = 1(1)+1(1)+1(1) = 3 = 1
287
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
(1) a
ab b
ac c
bc abc
288
5-2 DISEÑO CENTRAL COMPUESTO 2k
40 41.5
160 -1
a les
C entr
40.3 tos
40.5 Pun
Temperatura 40.7
155 0 40.2
40.6
150
+1 39.3 40.9
-1
0 +1
30 35
40
Tiempo
289
Solución del problema mediante el uso de MINITAB.
290
En el menú principal Seleccionamos el icono DISEÑOS, se despliega la siguiente
ventana.
291
Seleccionamos el icono OPCIONES
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
únicas que utilizaremos para el análisis de este tipo de experimento.
292
Seleccionamos STAT >DOE > ANALYZE FACTORIAL DESIGN
293
En Responses (Respuestas), mediante el icono select seleccionamos la columna C7 que
corresponde a la variable de respuesta.
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.
294
En la opción RESULTS dejamos las opciones que están por default para el caso de este
tipo de diseño.
Para el análisis del experimento, utilizamos las gráficas y la tabla de análisis de varianza.
Pareto Chart of the Standardized Effects
(response is C7, Alpha = .05)
A: A
B: B
AB
0 1 2 3 4 5 6 7
Figura 5-2.2 En la gráfica de Pareto observamos cuáles 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.
295
Normal Probability Plot of the Standardized Effects
(response is C7, Alpha = .05)
A: A
A B: B
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.
El valor P de la curvatura es de 0.814, por lo cual descartamos el hecho de que exista
curvatura en el experimento.
296
Para generar 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).
297
En la gráfica observamos que los niveles óptimos son:
A: +1 = 40
B: +1 = 160
-1 1 -1 1
41.2
40.8
C7
40.4
40.0
39.6
A B
298
5-3 DISEÑO DE EXPERIMENTOS TAGUCHI
299
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 = 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.
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)
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
300
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
Ejemplo 1:
301
asignamos los factores en orden a las primeras cinco columnas, dejando libres las
últimas dos columnas, el arreglo queda según la tabla 5-3.4.
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). Los totales son por lo tanto:
302
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.
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.
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
303
SSe= 0.00080 con 1 g.1
SSe= 0.00045 con 1 g.1
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.
304
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.
Tabla 5-3.6 Tabla de ANOVA modificada, incluyendo el Factor B no significante como error.
305
Nos resta decidir a qué 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.
306
EF A = (promedio bajo la condición propuesta del factor promedio general)
= A2 – Y= 0.2625-0.3300= -0.0675 (A se fijó a su nivel 2)
EF C = C2 – Y= 0.2825-0.3300= -0.0475
EF D = D2 – Y= 0.3100-0.3300=-0.0200
EF E = E2 – Y= 0.3125-0.3300= -0.0175
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.
Yest = Y + EF A + EF C +EF D +EF E = 0.3300-0.0675-0.0475-0.0200-0.0175 = 0.1775
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:
307
Factor A B C D E e e
Nomenclatura
Yest. = Y + Ef A2 + Ef C2 + Ef D2 + Ef E2
T1 = Total de lecturas al nivel 1
T2 = Total de lecturas al nivel 2
n = Número total de lecturas
SS = (T2 - T1 )2 /n
gl = Grados de libertad (columnas)
V = SS/gl
F = V/Ve
Sg = ¿Efecto significante?
P1 = Promedio nivel 1
P2 = Promedio nivel 2
Ni = Nivel seleccionado
308
Ef = Efecto de la variable
Y = Promedio de todos los datos
Yest = Valor estimado de la variable a las condiciones propuestas
Factor A C D E B e e
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 A2 C1 C2 D1 D2 E1 E2 B1 B2 e1 e2 e1 e2
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.
Observamos un grupo de líneas inclinadas, seguida de un grupo de líneas que
súbitamente se “acuestan” o se hacen horizontales. Es de esperar que las líneas que
presentan columnas vacías o error aleatorio, quedan prácticamente horizontales
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
309
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.
310
Gráficamente se puede observar si existe o no interacción entre los factores:
B1
B1
B2
B2
A1 A2 A1 A2
Figura 5-3.2 Gráficas sin interacción y con interacción. Las interacciones existen
en los procesos en mayor o menor grado.
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.
311
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 cuáles
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 con base en 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:
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.
312
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.
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.
313
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.
314
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 i
nteracciones.
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
AxD
D
Figura 5-3. 5 Gráfica lineal (2) en la cual se desea analizar un factor más (E)
315
La gráfica anterior 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:
Se desea analizar un nuevo tipo de carburador. La variable de respuesta de
interés es el porcentaje de hidrocarburos no quemados que arroja el motor.
Cuatro diferentes factores y tres interacciones parecen afectar esta variable:
A
AxC AxB
C B .D
CxB
Esta gráfica se ajusta a la gráfica lineal (1) del arreglo ortogonal L8, por lo que una asignación
apropiada de efectos es como se muestra en la tabla 5-3.12
316
Nº A C AxC B AxB CxB D
Total 23.8800 7
El error aleatorio (e) se estima usando los efectos más pequeños marcados con *
317
El factor C también resulta significante. Sin embargo, también lo es su interacción con el
factor A. Cuando resulta significante la interacción de algún factor, no se puede analizar
por separado, sino en conjunto con el factor con el que se interactúa. En este caso, el
factor C se debe analizar en conjunto con el factor A, aun cuando el factor C resultó
además significante individualmente y el factor A no.
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
318
En resumen, las condiciones propuestas son: factor A a su nivel 1, factor C a su nivel 2,
factor B a su nivel 2. El resto a su nivel más económico.
El efecto respecto al promedio de cada factor o interacción es:
EF A1C2 = (A1C2 - Y) – (A1 – Y) - (C2 - Y)
= (7.10 – 8.95) – (9.05 – 8.95) – (8.675 – 8.95)= -1.675
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.
319
• En cualquier caso, se puede tratar de construir más gráficas de acuerdo con las
necesidades que se tengan, respetando siempre la matriz de interacciones.
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, sólo 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 éstas últimas no son muy fuertes,
se pueden considerar como ruido.
320
ANÁLISIS SEÑAL A RUIDO
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”
321
En seguida se muestran los tres casos:
Vm= [(y1
2 2 2 2
) ]
+ y2 + y3 ... + yr − Sm / (r − 1)
[
SN= -10 log (1 / y1 ) + (1 / y2 ) + (1 / y3 ) 2 + ... + (1 / yr ) / r
2 2 2
]
Esta cantidad funciona de una manera similar al caso anterior, pero con el inverso.
Maximizar una cantidad es equivalente a minimizar el inverso.
322
En un experimento señal a 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:
Factor Descripción Nivel 1 Nivel 2
A Temperatura del horno 1500 ºF 1600 ºF
B Presión de prensado 200 psi 220 psi
C Velocidad de recocido 8 seg 12 seg
D Velocidad de alimentación ref. 80 gal /min 100 gal/min
G Tipo de modelo chico grande
H Templabilidad del material 25 Rc 30 Rc
AxC Interacción
AxD Interacción
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.
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.
323
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 en la tabla 5-3.16.
324
1 2 1 1
H 1 2 1 2
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 todas ellas bajo diferentes condiciones (valores de Yij ). 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 Y11, 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:
325
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 Y73 , 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.
Suponga que por alguna razón para este ejemplo en particular, se tiene un valor
deseado de m = 2 mmplg.
326
Análisis usando ANOVA.
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 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 ) / r y Vm= ∑ Yi − Sm / (r − 1)
2 2
)
327
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.
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
328
A2 = Total de las lecturas tomadas bajo el nivel 2 del factor A
=17.0927+15.5397+15.7186+13.5420= 61.8750
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
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.
329
Análisis usando las lecturas individuales
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
3 1 2 2 1 1 2 2 2.0 2.1 2.2 2.1 8.4 2.100
4 1 2 2 2 2 1 1 2.1 2.2 2.1 2.0 8.4 2.100
5 2 1 2 1 2 1 2 1.0 1.4 1.2 1.3 4.9 1.225
6 2 1 2 2 1 2 1 1.2 1.3 1.5 1.0 5.0 1.250
7 2 2 1 1 2 2 1 1.6 2.1 2.4 2.0 8.1 2.025
8 2 2 1 2 1 1 2 1.5 2.0 2.3 2.5 8.3 2.075
Totales 13.200
330
Y así sucesivamente
SSC = 0.0028 , SSAxC= 0.0000, SSAxD= 0.0003
SSD = 0.0013 , SSe= 0.0028
Y 2.0
1.5
1.0 B
200 220
331
Análisis utilizando gráficas
Como se mencionó anteriormente, una alternativa a la ANOVA son las gráficas de
promedios, ya sea del índice SN o de las lecturas individuales.
Por ejemplo, para el factor A encontramos el promedio a cada uno de sus niveles, tanto
del índice señal a ruido como de las lecturas individuales.
332
Conclusiones generales del experimento
De acuerdo con los resultados que se han obtenido de los análisis, las conclusiones
generales son:
333
ANEXO 5-3.1 ALGUNOS ARREGLOS ORTOGONALES
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 1 1 1 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 1 2 2 1 1 2 2 1 1 2 2
6 1 2 2 1 1 2 2 2 2 1 1 2 2 1 1
7 1 2 2 2 2 1 1 1 1 2 2 2 2 1 1
8 1 2 2 2 2 1 1 2 2 1 1 1 1 2 2
9 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2
10 2 1 2 1 2 1 2 2 1 2 1 2 1 2 1
11 2 1 2 2 1 2 1 1 2 1 2 2 1 2 1
12 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
334
5-4 METODOLOGÍA DE SUPERFICIE DE RESPUESTA (RSM)
335
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”.
336
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 oxígeno 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.
E1 − C
Para codificar utilizamos la fórmula: x1 =
P
Donde:
E1= variable natural.
C = punto central
P = tamaño del paso
337
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
yˆ = 84 + .85 x1 + .25 x 2
1
Ver 5-2 DOE Central.
338
Checando la adecuación del modelo:
∆E1 ∆E 2
∆x1 = , ∆x 2 = y ∆x 2 = m∆x1
5 .1
Donde:
∆ = incremento
m = pendiente
Calculamos
∆E1 = 5∆x1 = 5º C
∆x 2 = (.29 )(1) = .29
∆E 2 = (.1)(.29 ) = .029
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 Tabla 5-4.4 Ruta de
10d -10 2.9 -265 1.49 ascenso.
11d -11 3.19 -270 1.52
d = incremento
12d -12 3.48 -275 1.55
339
Ejemplo 22:
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.
2
Douglas C. Montgomery, Design and Analysis of Experiments, Third Edition. Pp. 534
340
Seleccionamos la opción Designs, en la ventana dejamos las opciones por default, que
son las que se ajustan a nuestro diseño.
En la opción factors, escribimos el nombre de los factores que en este caso son:
A: Tiempo de reacción.
B: Temperatura.
341
En opciones quitar Randomize runs, de lo contrario el experimento cambiará el orden.
En Results seleccionamos Summary table and data table , para generar la tabla de
datos.
342
En la hoja de trabajo worksheet , incluimos los valores de la variable Y, de acuerdo a
los valores de las variables independientes.
Seleccionamos STAT > DOE > RESPONSE SURFACE > ANALYZE RESPONSE
SURFACE DESIGN
343
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.
344
En resultados seleccionamos : Coefficients and ANOVA table
1
Normal Score
-1
-2
-0.3 -0.2 -0.1 0.0 0.1 0.2 0.3 0.4
Residual
345
Residuals Versus the Fitted Values
(response is Y)
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 5-4.3 Gráfica de residuos: los puntos en la gráfica tienen una apariencia normal, no se
observan tendencias.
346
De la tabla de coeficientes determinamos el modelo de segundo orden:
)
y = 79.94 + .995 x1 + .515 x 2 − 1.376 x12 − 1.001x 22 + .250 x1 x 2
Contour Plot of Y
75
76
180 77
78
79
Temperature
80
175
170
80 85 90
Time
80.5
79.5
78.5
77 5
77.5
76.5
Y
75.5
74.5
180
73.5
175
Temperature
80 170
85
Time 90
9
347
CAPÍTULO 6 FASE DE CONTROL
Definir
Definir Medir Analizar Mejorar Controlar
Controlar
Una vez realizadas las mejoras en nuestro proceso, el último 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.
DEFINIR
CONTROLAR
MEDIR
MEJORAR ANALIZAR
348
Objetivos:
• Uso de las herramientas de control.
• Identificar las actividades o procesos que están fuera de control para corregirlos
inmediatamente.
Herramientas:
349
Etapas:
RIESGO DE LA A PRUEBA DE
ADMINISTRACIÓN ERRORES
Monitorea problemas
potenciales
350
Riesgo de la administración: es similar a un FMEA, los cálculos son de la siguiente
manera:
A prueba de errores
Técnica que evita errores en el proceso, y hace que sea imposible de que sucedan.
351
6-1 CARTAS DE CONTROL
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:
• Es una herramienta simple y efectiva para lograr un control estadístico.
• El operario puede manejar las cartas en su propia área de trabajo, por lo cual puede
dar información confiable a la gente cercana a la operación en el momento en que se
deben de tomar ciertas acciones.
• 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.
352
Cartas de control por variables y por atributos:
Más econónomicas
Desventajas significativas No se entienden a menos que No proporciona información
se dé capacitación; puede detallada del control de
causar confusión entre los características individuales.
límites de especificación y los
límites de tolerancia.
No reconoce distintos grados
de defectos en las unidades de
producto.
VARIABLES
353
ATRIBUTOS
Cartas de control X −R
X 1 + X 2 .... X N
X =
N
R = X mayor − X menor
354
Paso 3: calcule el rango promedio (R ) y el promedio del proceso ( X ) .
R1 + R2 + ......R K
R=
K
X 1 + X 2 + .......X K
X=
K
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
Para la gráfica X la amplitud de valores en la escala debe de ser al menos del tamaño de
los límites de tolerancia especificados o dos veces el rango promedio (R ) .
Para la gráfica R la amplitud debe extenderse desde un valor cero hasta un valor superior
equivalente a 1½ - 2 veces el rango.
355
Paso 6: trace la gráfica de control.
Dibuje las líneas de promedios y límites de control en las gráficas.
Los límites de control se dibujan con una línea discontinua y los promedios con una línea
continua para ambas gráficas.
Marcar los puntos en ambas gráficas y unirlos para visualizar de mejor manera el
comportamiento del proceso.
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
Promedio 0.71 0.82 0.75 0.76 0.67 0.70 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
356
Calculando el Rango promedio, promedio del proceso y límites de control:
R = .198
X = .71
LSC R = D4 R = 2.11* 0.198 = 0.41
LIC R = D3 R =0
UCL=0.8254
0.8
Sample Mean
0.7 Mean=0.7112
0.6 LCL=0.5970
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
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.
357
Interpretación del control del proceso.
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.
Juran1 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.
1
Análisis y planeación de la calidad, J.M. Juran ,F.M Gryna, Tercera Edición, McGrawHill
358
Gráficas de control X-S (variables)
Los diagramas de control ( x − s ) son utilizados comúnmente para incrementar la
∑ (x − x )
2
S=
n −1
siguientes fórmulas:
LSC x = x + A3 (s )
LIC x = x − A3 (s )
Los límites de control para el diagrama S son calculados utilizando las siguientes
fórmulas:
LSC S = B4 (S )
LIC S = B3 (S )
359
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:
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
LIC S = B3 S = (0)(.0090) = 0
360
Xbar/S Chart for X
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
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
361
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.
362
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.
363
Gráficas de control por atributos
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:
364
Paso 2: cálculo del porcentaje defectuoso (p) del subgrupo.
Registre la siguiente información para cada subgrupo:
El número de partes inspeccionadas – n
El número de partes defectuosas – np
np
Calcule la fracción defectuosa (p) mediante: p =
n
Paso 3: cálculo de porcentaje defectuoso promedio y límites de control.
El porcentaje defectuoso promedio para los k subgrupos se calcula con la siguiente
fórmula:
np1 + np 2 + .... + np k
p=
n1 + n 2 + ..... + n k
p (1 − p )
LSC p = p + 3
n
p (1 − p )
LIC p = p − 3
n
NOTA: Cuando p y/o n es pequeño, el límite de control inferior puede resultar negativo,
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.
365
Muestra Latas defectuosas Muestra Latas defectuosas
np np
1 12 16 8
2 15 17 10
3 8 18 5
4 10 19 13
5 4 20 11
6 7 21 20
7 16 22 18
8 9 23 24
9 14 24 15
10 10 25 9
11 5 26 12
12 6 27 7
13 17 28 13
14 12 29 9
15 22 30 6
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
366
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
Figura 6-2.5 Gráfica P
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 np (1 − p )
Ejemplo 5:
Utilizando los datos del diagrama anterior, construya la gráfica np e interprete los
resultados.
De la tabla obtenemos p = 0.2313 , n = 50.
367
NP Chart for cantidad
25 1
1
20 3.0SL=20.51
Sample Count
15
NP=11.57
10
5
-3.0SL=2.621
0
0 10 20 30
Sample Number
Gráfica C
Se utiliza para determinar la ocurrencia de defectos en la inspección de una unidad de
producto. Esto es determinar cuántos 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.
368
Ejemplo 6:
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
369
Diagrama u
u
LSC = u + 3
n
u
LIC = u − 3
n
Ejemplo 72
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
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
2
Statistical Quality Control, Douglas C. Montgomery, Second Edition pp.181
370
muestra tamaño de muestra número de defectos, c promedio de defectos por unidad u
1 5 10 2
2 5 12 2.4
3 5 8 1.6
4 5 14 2.8
5 5 10 2
6 5 16 3.2
7 5 11 2.2
8 5 7 1.4
9 5 10 2
10 5 15 3
11 5 9 1.8
12 5 5 1
13 5 7 1.4
14 5 11 2.2
15 5 12 2.4
16 5 6 1.2
17 5 8 1.6
18 5 10 2
19 5 7 1.4
20 5 5 1
Total 193 38.6
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
371
6-2 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 estos 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)3 es mayor que uno (algunos textos recomiendan como mínimo Cp=2)4, 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
3
C p = (USL − LSL ) , donde USL = Upper Specification Limit y LSL = Lower Specification Limit
6σ
4
Montogomery, Douglas C. “Statistical Quality Control”, John Wiley & Sons, Inc., 1991, pp. 332-334.
372
LSL LPCL µ UPCL USL
0 1 1 3 1
4 2 4
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.
373
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.
374
6-3 SISTEMAS POKA-YOKE ( A PRUEBA DE ERRORES)
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:
5
Shigeo Shingo, Zero Quality Control: Source Inspection and the Poka-Yoke System, Productivity Press
1986
375
Tipos de sistemas Poka-Yoke:
Métodos de Control
Cuando ocurre alguna anormalidad los métodos de control , funcionan de tal manera
que se apagan las máquinas 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 crítica en el proceso ó cuando los métodos de control resultan
económica y técnicamente poco viables.
Métodos de Contacto
376
Figura 6-3.1 Sistema Poka Yoke de contacto.-como se muestra en el diagrama del
lado izquierdo, las partes de mano derecha e izquierda pueden ser colocadas en el
puente. En el diagrama del lado derecho observamos que las partes de mano izquierda
no pueden se colocadas en el puente poka-yoke
Figura 6-3.2 Sistema Poka Yoke de control fijo. La barra de arriba nos muestra el
sistema antes de la mejora, la barra de abajo después de la mejora muestra como se
colocan tiras de 10 en 10.
377
Métodos de movimientos de paso
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.
378
Conceptos básicos de capacidad cero. (Zero QC System)
379
CAPITULO 7 CASO PRÁCTICO
Fase de definición.
• Impacto en el negocio: una importante meta del negocio es el “Ingreso por Ventas”
. Es imperativo el desarrollo de este sistema ya que representa una cantidad muy
importante de ingresos por año. Esto significa que se podrá perder esta cantidad si
no somos capaces de escuchar los requerimientos del cliente.
• Descripción del problema: uno de los clientes mas importantes , pidió el desarrollo
del sistema E-Commerce, como una condición para firmar el contrato de compra de
computadoras. Está empresa dijo explícitamente que no compraría computadoras a
menos que el proceso de ventas fuera soportado por un sistema vía Internet.
• Alcance del proyecto: comienza con la colocación de una orden y termina con la
entrega y aceptación del producto al cliente.
− 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
− Rapidez de tiempo de respuesta
380
• Beneficios financieros: ganancias por ventas, reducción de costos como resultado
de la operación.
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
381
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:
382
CAUSAS Causas de insatisfacción en
DE INSATISFACCION ENlasLAS
compras
COMPRAS
50 100
40 80
Percent
30 60
Count
20 40
10 20
0 0
B
C WE TO
OP A LE
CATEGORIES OP GIN RO SO
PT PA CA B S
A O Y OO RO
EL OS S MU UIP OT
IEN CT IDO EQ
Count Y A T 27RODU NOC 14 6 3 1
P CO
Percent 52.9DES 27.5 11.8 5.9 2.0
Cum % 52.9 80.4 92.2 98.0 100.0
Niveles de UTILIZADO
PROCEDIMIENTO desempeño E-Commerce
PARA REALIZAR LA COMPRA
100
15
30 80
Percent
60
Percent
10 60
Count
Count
20
40
40
5
10
20
20
00 O 00
AD D AD ISM
VARIABLES LIID
TO ILIDA ILID ELM
N AR DE O B A
UD FIA B RE
CATEGORIES O
I C O T SA POD TA
CT ES EÑ IAEN CE A Y CON NPO
FU
NTO DISEDIIM
N AC IBIO C
TIIEOM PUES
IEN OCA G C A
IM PR PA L RE EG RES
Count ED 4 4 3 3 NA V 3
Count PROC 17 OR
15 4 1
Percent 23.5 23.5 17.6 17.6 17.6
Percent 45.9 40.5 10.8 2.7
Cum % 23.5 47.1 64.7 82.4 100.0
Cum % 45.9 86.5 97.3 100.0
383
Fase de Análisis
Funcionalidad Diseño
de la
1 Proceso E-Commerce
página
precios no
Web
Políticas y 1 actualizados
procedimientos
desconocidos información 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
Definición de Prioridades:
Fácil 1 2
Implementación
Difícil 3 4
Alto Bajo
Impacto
384
Reporte de Fallas en el sistema E-Commerce
Fue necesario analizar las fallas presentes y potenciales por lo cual se realizará un
AMEF
385
ANÁLISIS DEL MODO Y EFECTO DE LA FALLA POTENCIAL
(FAILURE MODE AND EFFECT ANALYSIS)
PROCESS/PRODUCT:E-COMMERCE PROCESS DESIGN FMEA DATE: January 3rd.2002
TEAM:E-COMMERCE PAGE __1_ FROM ___1__
BLACK BELT: Héctor Hernández
F M E A T O O L ACTIONS TAKEN:RESULTS
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
DESCRIPCIÓN FALLA FALLA P. D CAUSA FALLA A CONTROLES N R ACCIONES RESP+ ACCIONES D A N R
PROCESO POTENCIAL EFECTO PRESENTES RECOMEND TOMADAS
Registro equivocaDatos incorrectos Cliente diferente 8 Registro incorrect 8 Reproceso 9 576 Revisiones Ventas-envío
Entrega retrasada 8 Dirección Equivoc 4 Reproceso 9 288 Verificar datos
Actualizar costos y documentación de info.
Olvido del cliente Retraso en el proc 5 Información Omiti 5 Del cleiente 1 25 Información compVentas
Orden interna del cliente orden interna de Ventas
Precio equivocadoPrecio Incorrecto Precio no actualiz 10 Precio incorrecto 6 Reproceso 5 150 Actualización de costos
No aplicar
utilidades brutas Negocio sin utilida 10 Precio incorrecto 6 Reproceso 4 240 actualización a tieVentas
RISK PRIORITY NUMBER (TOTAL): 1411 RESULTANT RISK PRIORITY NUMBER:
386
PRIMER QFD
n
f
o
r
m
a
c
i L
ó i
n C g
C A o E D D a
T l a n f i B s
Q t c f i s
´ a t i c e r c
S 3 m u r i ñ e o
6 e a m e o g n
S 5 n l a N n i
I t i c a c U d s o
S d e z i v i s e t t
T í a ó e a o r r
E a t d n g l o o
M s r a a d d a s
A a d c e e e
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
REQ. DEL CLIENTE e l a s a r d b o b D
Disponibilidad 4
Usable 4
Accesibilidad 4
Confiabilidad 5
Fácil uso 3
Instrucciones Fáciles 3
Sistema amigable 4
Niveles de seguridad 3
Precio correcto 5 9 FUERTE
Especificaciones técnicas correctas 5 3 MODERADA
Respuesta a tiempo rápida 3 1 DEBIL
Transacciones rápidas 4
PRIORIDAD-CTQ 36 69 107 76 144 63 81 111 57 31
387
SEGUNDO QFD
t i b
r r
R P
o m d
E a
a e t
Q d c O r
E e i p a 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 o
n u e z i d U
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 i a z
n j d d q i
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
A l d - ó v r e l g r
L a
2 í a m g i i n i
E n
4 n t a i d d t W d d
S X e o i c o a o e a
a
REQ. DEL SISTEMA 7 a s l a r d s b s d
2do. QFD.....Funcionalidad del sistema para ser usado exitosamente tiene que incluir
principalmente:
388
• Registro de transacciones en línea
• Confirmación de mensajes- confiabilidad del sistema
• Navegación lógica
Fase de Mejora
• Servidores
• Especificaciones técnicas
• Herramientas de desarrollo
• Lenguajes de programación
Se realiza el diseño del Software que consiste en el diseño de las páginas Web.
Fase de Control
Para la fase de Control se utilizan reportes estadísticos que realiza el sistema. Éstos
consisten en estar monitoreando constantemente el sistema para tomar las acciones
correctivas en caso de ser necesario.
389
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 cuando los procesos 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.
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.
390
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.
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.
391
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.
El presente trabajo cumple con los objetivos planteados al inicio del texto ya que es
una herramienta útil para la capacitación como para la consulta en la implementación
de proyectos Seis Sigma.
En mi experiencia práctica los Green Belts después de un entrenamiento en Seis
Sigma, encuentran muy útil para el entendimiento y consulta las herramientas
planteadas en este texto. También es un manual sumamente útil para Black Belts y
Champions, por los motivos mencionados podemos estar seguros de que esta tesis
cumplió los objetivos fijados así como la problemática.
Me parece fundamental proporcionar una excelente capacitación. Mucha gente no
esta muy familiarizada con la Estadística y no está acostumbrada a trabajar en equipo
sin embargo cuando comienzan a utilizar las herramientas se convierte en una
disciplina muy valiosa para su trabajo diario.
Otro aspecto básico es la comunicación que se da entre los Black belts y Green Belts
y entre los equipos de trabajo, tiene que ser de primer nivel de lo contrario nos
encontraremos con muchas barreras.
392
• Que genere ahorros financieros.
• De ser posible escoger un proceso con más 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 sino más bien procesos. La información y la
comunicación se ven fortalecidas en gran medida.
393
ANEXO 1 TABLAS
Tabla I
394
Tabla II
395
396
Tabla III
% R ENDIMIENTO
TABLA DE
CONVERSIÓN SEIS
SIGMA
397
Tabla IV
398
TABLA V
399
400
401
402
403
TABLA VI FACTORES PARA DIAGRAMAS DE CONTOL
404
TABLA VII
405
BIBILIOGRAFÍA
2) The Six Sigma Handbook: a complete Guide for Greenbelts, BlackBelts, & Managers
at all levels / Thomas Pyzdek :Mc. Graw Hill, 2001.
3) The Six Sigma Way/ Peter S. Pande, Robert P. Neuman, Roland R. Cavanagh / Mc.
Graw Hill, 2000
10) Estadística para las ciencias sociales y el Comportamiento/ Harold Elorza: Oxford,
segunda edición, 1999.
406
13) Desarrollo de una cultura de Calidad/ Humberto Cantú Delgado: Mc Graw Hill,
segunda edición 2001.
14) Los siete instrumentos de la Calidad Total/ Alberto Galgano: Díaz de Santos, 1995.
15) Análisis y planeación de la calidad/ J.M. Juran: Mc. Graw Hill, tercera edición, 1995
16) David Hoyle/ Manual de Valoración del sistema de calidad ISO 9000: Paraninfo,
1998
17) ¿Qué es Control Total de Calidad? / Kaouru Ishikawa: Ed. Norma, 1985.
19) Introduction to statiscal quality control / Douglas C. Montgomery. 3rd ed. New
York : J. Wiley, 1996.
20) Regression analysis by example / Samprit Chatterjee, Bertram Price 2nd ed. New
York : J. Wiley, 1991
24) Estadística para administradores / William Mendenhall ; tr. Dirk Valckx Verbeeck
México : Iberoamérica, c1990
25) Design and analysis of experiments / Klaus Hinkelmann, Oscar Kempthorne. New
York : John Wiley, 1994
407
26) Statistics for the engineering and computer sciences / William Mendenhall, Terry
Sincich 2nd ed San Francisco : Dellen : Collier Macmillan, c1988
29) Lobato Calleros, María Odette.: 1999: Desarrollo de un indicador de la calidad del
proceso educativo : la calidad de vida en el trabajo de actividades académicas en la
UIA. 1999.
31) Total quality control / A. V. Feigenbaum 3a.ed. New York : McGraw-Hill Book,
c1986
32) Zero quality control : source inspection and the Poka-yoke system / Shigeo Shingo
; tr. Andrew P. Dillon ; with a pref. by Norman Bodek Cambridge, Mass. : Productivity,
c1986
33) Montgomery, Douglas C.: 1991: Design and analysis of experiments / Douglas C.
Montgomery 3rd ed. New York : J. Wiley, 1991
34) Khuri, André I: 1987: Response surfaces : designs and analyses / André I. Khuri,
John A. Cornell New York : M. Dekker, 1987
408