Unidad de aprendizaje: Metodología Seis Sigma

Medición

Profesor: Trinidad Ruiz Trejo

Contenido

 Mapeo de procesos
 Matriz causa-efecto
 Introducción al Minitab
 Estadística básica
 Análisis del sistema de medición
 Análisis de la capacidad del proceso
 Análisis de modos y efectos de falla
(AMEF)
Objetivos de aprendizaje
 Aplicar la realización de macromapas de procesos, diagramas de flujo
y mapas detallados.
 Conocer el cómo realizar una análisis de causa raíz mediante el
diagrama de causa-efecto y la matriz de causa-efecto.
 Usar las funciones básicas de Minitab para analizar datos y desplegar
gráficos.
 Conocer los diferentes tipos de datos que existen y los conceptos de
población y muestra.
 Conocer cómo calcular las medidas de tendencia central y de
dispersión.
 Usar el proceso de MSA para asegurar que el sistema de medición
provee datos útiles.
 Llevar a cabo los pasos en la realización del R&R tanto para atributos
como para variables.
 Interpretar los resultados de un estudio R&R.
 Calcular la capacidad de proceso usando el método apropiado.
 Aprender cómo se calculan el Cp, Cpk, Pp y Ppk y cómo interpretar
las salidas de Minitab.
 Usar la herramienta de análisis de modo y efectos de falla (AMEF).
Mapeo de procesos
Mapeo de procesos
 Tipos
◦ Macro mapa
◦ Diagrama de flujo de proceso
◦ Mapa detallado
 Proceso actual vs proceso
documentado
 Valor agregado vs valor no
agregado
 Entradas y salidas del proceso
 Relación entre el mapeo del
proceso, las herramientas causa-
efecto, AMEFs y planes de control

5
Mapeo de proceso
 El mapeo del proceso es la primera tarea que se emprende después de
que se haya definido el proyecto y sus métricos
 A menudo después de documentar el número de pasos del proceso,
llega a ser evidente que el alcance del proyecto es demasiado grande.
Solución: Dividir el proyecto en varios proyectos más pequeños o
reducir el alcance por medio de la redefinición del proyecto
 Tipos de mapas de proceso
◦ Macro mapa
 Es un diagrama de flujo de alto nivel
 Comúnmente muestra varios pasos
adicionales a ambos lados del alcance del
proyecto Incremento de
◦ Diagrama de flujo de proceso detalle
 Es un mapa detallado de cada paso en el
proceso, incluyendo la “fábrica oculta”
 Utiliza símbolos estándar, para hacerlo
legible
◦ Mapa detallado
 Contiene todos los detalles del proceso:
puntos de inicio, entradas, salidas,
especificaciones, etc.
 El detalle contiene también estimados de
DPU, COPQ, tiempo de ciclo, etc.
6
¿Cómo hacer el mapeo del
proceso?

7
Mapeo del proceso
 Mapear un proceso es un esfuerzo de equipo
◦ Dueños del proceso
◦ Ingeniería (proceso, producto, diseño)
◦ Operaciones (operadores de línea, supervisores, técnicos de
mantenimiento)
 Entradas al mapa de proceso
◦ Lluvia de ideas
◦ Observación / experiencia
◦ Manuales
◦ Especificaciones de ingeniería / del cliente
◦ 6 Ms (mano de obra, maquinaria, método, medición, materiales,
medio ambiente)
 De lo general a lo particular
◦ Aplicar un enfoque estrecho al mapear (pocos pasos)
◦ Mapear el proceso en un nivel detallado

8
Macro mapa
 Señala la ubicación del proceso al que pertenece el
proyecto
 Muestra el alcance del proyecto
 Solamente los pasos importantes del proceso son
incluidos
 Debe estar en forma de bloques de funciones y no de
equipos. No debe haber decisiones
 Las actividades deben estar en infinitivo y debe haber
entre 5 y 12 bloques
 ¿Cómo hacer un macro mapa?
◦ Un macro mapa debe incluir diversos pasos antes y
después del objetivo del proyecto
◦ Graficar todos los procesos documentados en un macro
nivel
◦ Resaltar el objetivo del proyecto

9
Macro mapa (ejemplo)

10
Diagrama de flujo de proceso
 Mapear todas las tareas necesarias para producir un
buen producto o servicio
 Listar los documentos de control para cada paso
 Incluir inspección, retrabajos, transportación y puntos
de recolección de datos
 Etiquetar cada paso del proceso como valor agregado
(VA) o sin valor agregado (NVA)
◦ Un proceso con valor agregado cambia el producto
de una forma significativa para el cliente
 Identificar la fábrica oculta
◦ Procesos o actividades no documentadas

11
Diagrama de flujo de proceso
(ejemplo)

12
Variante del diagrama de flujo:
Diagrama de flujo segmentado
 Este tipo de diagramas son sumamente útiles para:
◦ Examinar interrelaciones entre:
 los pasos del proceso
 los departamentos
◦ Identificar los puntos de recolección de datos
◦ Revelar problemas potenciales como:
 Cuellos de botella en el sistema
 Pasos innecesarios
 Duplicación del trabajo
◦ Se recomienda usar este diagrama cuando el proceso tiene
muchas relaciones entre áreas o departamento

13
Diagrama de flujo segmentado

14
Mapa detallado
 Listar los pasos del diagrama de flujo de proceso
 Elementos de un mapa detallado
◦ Paso del proceso
◦ VA / NVA (agrega valor / no agrega valor)
◦ Documento
◦ Entradas y salidas
◦ Tipo E / S (entrada / salida)
◦ 6 Ms / resultado
◦ Especificaciones
◦ C / N (controlable / no controlable). Para clasificar entradas
◦ Capacidad
◦ Equipo
 Cada entrada o salida debe ser enumerada solamente una vez
 A fin de seleccionar los pasos del proceso más relevantes del diagrama de flujo por incluir en
un mapa detallado, se puede hacer uso de la macro matriz causa - efecto

Total
Defecto

D
A

E
Porcentaje 34.3% 21.6% 20.8% 14.8% 7.5% 99.0%
Paso 1 0 9 0 0 0 1.93985
Paso 2 0 1 3 0 0 0.839599
Etapas del
proceso

Paso 3 1 0 0 1 1 0.566416
Paso 4 1 9 9 3 3 4.824561
Paso 5 1 1 1 1 1 0.989975
Paso 6 3 9 1 3 3 3.847118
Paso 7 1 1 1 1 1 0.989975
15
 Mapa detallado (ejemplo)

Paso del proceso
Limpiar PCBs
Imprimir pasta de soldadura
VA o NVA Documento Entradas y salidas Tipo E/S 6 Ms / resultado Especificaciones CoN Capacidad Equipo
NVA 954-21 PCB limpia S Resultado No contaminada. Visible IPY = 92% Ultra-Wash
Tipo de solvente E Material IPA C
Contaminación de solvente E Material < 0.05% N
Tiempo de remojo E Método 0.300 s C
Temperatura de baño E Método 110 F C
Tipo de cepillo E Máquina Accord #45 C
Edad de cepillo E Máquina < 5 semanas N
VA 954-32 Altura de burbuja S Resultado 450 +/- 50 mm Cpk = 1.2 Smith / Olsen
Ancho de burbuja S Resultado Tamaño del pad +/- 50 mm Cpk = 1.5
Registro del patrón S Resultado Es +/- 20 mm ?
Viscosidad de pasta E Material 6.2 +/- 0.1 cP C
Humedad del cuarto E Medio ambiente 40 +/- 2% N
Material del rodillo E Máquina Neopreno C
Velocidad del rodillo E Máquina 6 +/- .2 inch / min C
Limpieza de pantalla E Máquina No contaminada. Visible N
Registro de pantalla E Máquina Es +/- 20 mm C
Registro del PCB E Material Es +/- 20 mm C

16
 Otro tipo de mapa detallado
- SIPOC
 SIPOC deriva su nombre de Suppliers-Inputs-Process-Outputs-Customers.
 Para poder construir un SIPOC sólo hace falta identificar las entradas y salidas de
cada actividad del proceso, ya que los demás elementos (proveedores, procesos y
clientes) ya fueron identificados para la construcción del diagrama de flujo.

17
Beneficios del mapeo de proceso
 Macromapa
◦ Muestra el alcance del proyecto
◦ Ilustra dónde se ubica el proceso crítico en la foto grande
 Diagrama de flujo de proceso
◦ Establece el principio de acción sobre el proceso y debe ser
aceptado por el equipo
◦ Localiza las fábricas ocultas (VA vs NVA)
◦ Resalta las oportunidades de mejora
 Mapa detallado
◦ Identifica todas las entradas con el suficiente detalle para
tomar acciones
◦ Es la entrada para los diagramas de pescado, matriz causa-
efecto, AMEF y plan de control

18
Mapeo de proceso (ejercicio en
grupo)

 Hacer grupos
 Crear el macromapa, el diagrama de
flujo del proceso y el mapa detallado de
un proceso seleccionado

19
Matriz causa-efecto
 Coincidencia con causalidad
 El gallo canta, después
el sol sale. ¿Causa y
efecto?
 ¿Cuál es la causa y cuál
es el efecto?
 ¿Cómo podemos estar
seguros?
 Si vemos el problema
en un producto
(efecto), ¿dónde nos
fijamos?
 Confundir la
coincidencia con la
causalidad es común
 ¿Cómo identificamos la
causalidad?

21
Diagrama de pescado
 Un método para identificar sistemáticamente todas
las causas potenciales que pueden estar
contribuyendo al problema (efecto)
 Método para construir un diagrama de pescado
◦ Establecer el problema
◦ Escribir las categorías tradicionales de los factores
(6 Ms)
◦ Con cada una de las categorías principales, hacer
una lluvia de ideas y enlistar los factores detallados
que pueden estar ocasionando el problema
◦ Enlistar todas las entradas en cada uno de los
factores detallados

22
Diagrama de pescado (ejemplo)

23
Diagrama de pescado (ejercicio)
 Hacer grupos
 Construir un diagrama de pescado
◦ Problema: Llegar tarde al trabajo
 Recordar las 6 Ms

24
Matriz causa-efecto
 Matriz C&E
◦ Una hoja de cálculo que relaciona numéricamente las entradas (Xs) con las salidas del
cliente (Ys)
◦ Un mapa de proceso detallado como la entrada principal
◦ Los miembros del equipo del mapeo del proceso son los autores
◦ Las salidas son clasificadas por las prioridades del cliente
 Beneficios
◦ El equipo está de acuerdo con las prioridades del proyecto
◦ Las prioridades de la matriz causa-efecto son guiadas por el cliente
 Método
◦ Construir la matriz C&E en una sesión de lluvia de ideas, como la sesión del mapeo de
proceso
◦ En el formato de C&E de la hoja de cálculo:
 Listar las salidas en la parte superior del formato. Éstas son las salidas guiadas por el
cliente. O bien, si se cuenta con información de los tipos de defectos incluirla
 Clasificar las salidas de acuerdo con las prioridades del cliente. Usar escala de 1-10
para cada participante (10 mayor prioridad); obtener el promedio de los participantes
y anotar en matriz. De preferencia, si se cuenta con esta información, usar los
estimados de los porcentajes de los diferentes tipos de defectos originados
 Listar los pasos del proceso y las entradas en la parte izquierda del formato
 Clasificar la contribución de cada entrada en cada salida. Usar en la puntuación de
cada participante una escala de 0 (no hay relación), 3 (mediana relación) y 9 (fuerte
relación); obtener el promedio de los participantes y anotar en matriz.
 Identificar las entradas críticas del valor de la columna de los totales
25
Matriz causa-efecto
 Usar el archivo C&EForm.xls
Cause and Effect Matrix

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

Resistencia de

contaminación
componentes

componentes

de soldadura
Confiabilidad
PCB libre de
la conexión

Corregir
Alinear

Output

Output

Output

Output

Output

Output

Output

Output

Output

Output
Customer
Priority 6 7 9 5 8
Process Step Process Input Total
Limpiar y Alinear
1 registrar características 0 3 0 0 0 21
máscara
Alinear método
2 0 8 0 0 0 56
3 0
Alinear
4 Registrar PCB 0 7 0 0 0 49
características
Alinear método
5 0 8 0 0 0 56
6 0
Imprimir pasta Viscosidad de
7 5 0 0 3 7 101
de soldadura pasta
Humedad del
8 2 0 0 0 2 28
cuarto
Material del
9 2 0 0 0 2 28
rodillo
Velocidad del
10 3 0 0 0 9 90
rodillo
Limpieza de
11 3 0 0 2 4 60
pantalla
Registro de
12 0 6 0 0 0 42
pantalla
Registro del
13 0 7 0 0 0 49
PCB

Total 90 273 0 25 192 0 0 0 0 0 0 0 0 0 0 26

Matriz causa-efecto (ejercicio en
grupo)
 Hacer grupos
 Crear la matriz C&E del proceso
seleccionado previamente para el mapeo
del proceso

27
Introducción al Minitab
 Tipos de ventanas de Minitab
 Tipos de ventanas
◦ Ventana de
sesión
◦ Ventana de datos
◦ Ventana de
administración
del proyecto
◦ Ventana de
gráficos

29
 Barras de herramientas
 Barra de
herramientas
estándar
◦ Proporciona
cambios
rápidos en
comandos
usados con
frecuencia
◦ Los íconos de
la barra de
herramientas
cambian
dependiendo
de la ventana
activa
 Barra de
herramientas del
administrador de
proyectos
◦ Proporciona un
acceso rápido a
las diversas
carpetas en el
administrador
de proyectos

30
Ventanas de Minitab
 Minitab tiene al menos tres ventanas abiertas al mismo
tiempo
◦ Ventana de la sesión
◦ Ventana de los datos
◦ Ventana del administrador de proyectos
 Las tres ventanas son interactivas
◦ Al introducir datos en la ventana de datos, despliega un
resumen de los datos en el subfolder de la hoja de trabajo en
el administrador del proyecto
◦ Cuando se ejecuta un comando a partir de uno de los
menús, aparece la estadística en la ventana de la sesión,
aparece en el subfolder historia en el administrador del
proyecto un resumen escrito de los comandos que se acaban
de utilizar
 Sólo una ventana está activa en un momento dado

31
 Ventana de los datos
 Renglón de
nombre de
columna
◦ Hasta 31
caracteres y
pueden
contener
espacios
 Formato de datos
◦ Numérico(C1)
◦ Texto (C1-T)
◦ Fecha / tiempo
(C1-D)

32
Proyectos y hojas de trabajo
en Minitab
 Proyectos (.mpj)
◦ Pueden tener algunos o todos de los siguientes elementos:
 Ventanas de datos
 Gráficas
 Ventana de sesión
 Administrador de proyectos
◦ Pueden abrirse usando la barra de herramientas
◦ No pueden abrirse dentro de otros proyectos
◦ No pueden abrirse usando “open worksheet”
 Hojas de trabajo (.mtw)
◦ Contiene sólo una ventana de datos
◦ No pueden abrirse usando la barra de herramientas
◦ Se pueden añadir a proyectos existentes
◦ Se pueden abrir con otras hojas de trabajo
◦ No pueden ser abiertas usando “open project”, debe usarse “open worksheet”
◦ Las hojas de trabajo múltiples:
 Sólo se encuentran en los proyectos
 Son administradas usando el fólder de Hojas de Trabajo en el Administrador del
Proyecto

33
Comando de estadística descriptiva
 Abrir Exer1.mtw
 Desplegar el cuadro de
diálogo de estadística
descriptiva: Stat –
Basic Statistics –
Display Descriptive
Statistics
 Salida de la ventana de
sesión

34
 Generar una ventana de gráfico
 Graphs –
Histogram
of data

35
Estadística básica
Datos de atributos vs datos
continuos
Herramienta
Tipo de dato Descripción Ejemplos
estadística
Pasa / No pasa, datos Prueba Chi2, tablas de
Dato categórico no ordenado,
contables, datos atributos, contingencia, pruebas de
sin información de intervalo
datos de desempeño proporción
Atributo o
discreto
Bueno / mejor / el mejor, Pruebas nominales, pruebas
Dato categórico ordenado, sin
pequeño / mediano / grande, de señal, Wilcoxon Rank-
información de intervalo
escala 1 a 5 Sum, Wilcoxon Signed-Rank

Temperatura, posición,
Variable o Prueba ordinal: ANOVA,
Escala continua de medición Dimensiones, presión,
continuo DOE, regresión
concentración

37
Datos de atributos vs datos
continuos

38
Estadística de población y muestra
 Estadística descriptiva
◦ La estadística descriptiva se dedica a analizar y
representar los datos.
◦ Población: Conjunto de datos que consiste en
mediciones de todos los miembros de algún Población
grupo.
◦ Los parámetros descriptivos son empleados para
describir a la población.
 Estadística inferencial
Muestra
◦ La estadística inferencial es empleada para inferir
sobre una población completa a partir de las
mediciones de una muestra.
◦ Muestra: Conjunto de datos que consisten en
mediciones de sólo una porción de los miembros
de alguna población.
 Una de las metas de 6 Sigma es derivar un modelo
estadístico y después traducirlo a un modelo de
proceso práctico.

39
Generando estadísticos básicos
para obtener información

40
Muestras y estadísticos
 La información derivada de la muestra provee el entendimiento (no perfecto) a
cerca de la población a la cual la muestra pertenece
 El gran reto al tomar muestras para describir el desempeño de un proceso es la
variación que se puede dar en los datos
 Si el grupo de unidades es recolectado mientras el proceso se desenvuelve
“normalmente”, entonces la muestra proveerá un buen estimador del proceso

41
 Gráficos de frecuencia
Dotplot of Service Time
 Archivo bstatshapes.mtv
 Para los datos de tiempo de servicio
◦ Graph – Dot Plot – One Y – Simple
◦ Los datos tomados (muestra)
pueden ser organizados en un
gráfico de dos dimensiones. El eje
horizontal corresponde a la
medición y el eje vertical a la
frecuencia de ocurrencia
◦ Información a partir del gráfico 0 8 16 24 32
Service Time
40 48 56

 ¿Cuál es el valor con mayor

frecuencia? Each symbol represents up to 3 observations.

 ¿Cuál es el valor del medio?

 ¿Cuál es el intervalo de valores? Histogram of Cycle Time
 ¿Hacia donde tienden los valores a 120
juntarse?
 Si los clientes esperan tener un 100

servicio completo en 30 minutos,

¿cómo es el desempeño del proceso 80
en relación a esta expectativa?
Frequency 60
 Para los datos de tiempo de ciclo
◦ Graph – Histogram – Simple 40

◦ Información a partir del gráfico 20

 Si el tiempo de ciclo no tomará mas de
una hora, ¿está el personal haciendo lo 0
8 16 24 32 40 48 56
adecuado? Cycle Time

42
 Gráficos de frecuencia
 Archivo bstatshapes.mtv Histogram of Hamburger Wt
Normal

 Para los datos del peso de la

160 Mean 0.2779
StDev 0.03036

hamburguesa 140 N 1000

◦ Graph – Histogram – With Fit

120

100
 ¿Cuál es el valor con mayor

Frequency
frecuencia? 80

 ¿Cuál es el valor del medio? 60

 ¿Cuál es el intervalo de valores? 40

 ¿Hacia donde tienden los valores a 20

juntarse? 0
0.16 0.20 0.24 0.28 0.32 0.36 0.40
 Si el peso mínimo esperado por un Hamburger Wt

cliente es 0.25 libras. ¿Con qué

frecuencia el cliente es engañado?
Dotplot of Defects
 Para los datos acerca del resultado de
contar las unidades defectuosas en
una muestra de tamaño 300
◦ Graph – Dot Plot – One Y –
Simple
◦ Información a partir del gráfico
 Los fondos han sido presupuestados
para tener en promedio un
desperdicio del 5%, ¿cumplirá la 63.0 66.5 70.0 73.5
Defects
77.0 80.5 84.0 87.5

organización con lo presupuestado?

Each symbol represents up to 2 observations.

43
 Gráficos de frecuencia
Histogram of Concentration
 Archivo bstatshapes.mtv Normal
120
 Para los datos de evaluación hecha por
Mean 66.06
StDev 3.714

un departamento a procesos paralelos

N 1000
100

◦ Graph – Histogram – With Fit 80

Frequency
 ¿Cuál es el valor con mayor 60
frecuencia?
 ¿Cuál es el valor del medio? 40

 ¿Cuál es el intervalo de valores? 20

 ¿Hacia donde tienden los valores a
juntarse? 0
57 60 63 66 69 72 75
 ¿Cuál es la variación inherente de Concentration

cada proceso?, ¿cómo difiere de la

variación que el cliente ve? Dotplot of Volume Marks

 Para los datos que representan la

evaluación de una medición clave para
los componentes suministrados a una
planta
◦ Graph – Dot Plot – One Y – Simple
◦ Información a partir del gráfico
 Asumir que el conjunto de datos está
dentro de especificaciones, ¿qué se
debe pensar acerca de la capacidad
de los proveedores de cumplir con 247.2 248.0 248.8 249.6 250.4
Volume Marks
251.2 252.0 252.8

las expectativas?

44
Atributos importantes de la
“población”
 Ubicación
◦ ¿Hacia donde tiende la salida del proceso?
 Dispersión
◦ ¿Cuánta variación existe alrededor de ese punto?
 Forma
◦ ¿Cuál es el patrón de la frecuencia?
 Consistencia
◦ ¿Es el análisis útil para la toma de decisiones futuras?

45
 Medidas de ubicación
 Medidas de tendencia central
◦ Moda
 Es el dato más frecuente
◦ Mediana
 Es el dato que se encuentra a la mitad cuando las mediciones se arreglan
por orden de magnitud
◦ Media
 Es un promedio ponderado. Refleja la influencia de todos los valores

(xi )
n
1
X =  
i =1 
n

 En una gráfica normal la media, la moda y la mediana

coinciden
 La mediana se usa para poblaciones sesgadas, es la medida de
tendencia central característica de la estadística no
paramétrica
46
 Medidas de ubicación
 Archivo
ThreeDataSets.xls Grupo1 Grupo2 Grupo3

 Calcular la media,
10 7 8
16 12 11
la mediana y la 9 0 11
moda para cada 7 14 10

conjunto de datos 8 13 11

haciendo uso del

10 12 11
10 16 11
Excel. 9 12 10

 Repetir haciendo
9 5 6
12 11 11
uso del Minitab n
◦ Stat – Basic suma
media
Statistics – Display mediana
Descriptive moda
Statistics

47
Medidas de dispersión
 Rango
◦ Es la distancia entre los valores extremos de un conjunto de datos (valor mayor – valor menor)
 Varianza de la población (s2)
◦ La varianza es la suma de las desviaciones cuadradas de todos los valores de la media
multiplicados por su frecuencia de ocurrencia
 Estimado de la varianza de la población (s2)
◦ Emplea la varianza de la muestra para crear un estimado imparcial para la varianza de la
población

 (xi − x
n
)
2

= i =1
2
s n −1

 Desviación estándar de la población (s)

◦ Es la raíz cuadrada positiva de la varianza
 Estimador de la desviación estándar (s)
◦ Es la raíz cuadrada positiva del estimador de la varianza
2
s = s
 Coeficiente de variación (COV)
◦ Es la desviación estándar normalizada por la media

=
s
COV m
48
Medidas de dispersión
 Archivo ThreeDataSets.xls
 Calcular la desviación estándar haciendo uso del Excel
 Graficar cada desviación respecto a la media
 Repetir el cálculo de la desviación estándar haciendo uso del
Minitab
◦ Stat – Basic Statistics – Display Descriptive Statistics

49
 Forma
 La frecuencia mide que tan a menudo
ocurren los valores
 Los histogramas son herramientas
útiles para ver el patrón de la
frecuencia
 Los histogramas son gráficas de barra,
con la altura de la barra
representando qué tanto ocurren los
valores. Cada barra representa un
grupo de valores
 Diversos modelos
◦ Simétrico
◦ Sesgado
◦ Bimodal
◦ Truncado
 Archivo bstatshapes.mtv
 Para los datos del peso de la
hamburguesa
◦ Graph – Histogram – Simple
◦ Para cambiar intervalos (dar click
derecho sobre las barras)
◦ Edit Bars - Binning

50
La distribución normal
 La mayoría de los datos tienden a seguir una distribución normal o una curva en forma de
campana
 Una de las propiedades clave de la distribución normal es la relación entre la forma de la
curva y la desviación estándar
 99.73% del área de la distribución normal está contenida entre -3s y +3s de la media. Otra
manera de expresarlo es diciendo que el 0.27% de los datos caen fuera de +/- 3s de la
media
 95.46% de los datos están entre +/-2s y 68.26% de los datos están entre +/-1s de la media

51
Distribución normal - El valor Z
 Dado un valor “x” de una población con m y s
 El valor Z para x está dado por:

x−m
Z=
s
 Valor Z: El número de desviaciones estándar entre un
valor y la media
 Propósitos
◦ Normalizar para poder comparar
◦ Utilizado para encontrar probabilidades de la distribución
normal
◦ Utilizado para generar un métrico de capacidad (nivel sigma)

52
Transformación de un valor real a
valor Z
 El valor Z tiene un significado especial cuando el patrón de frecuencia sigue una distribución
normal
 La distribución de probabilidad más importante en estadística es la distribución normal
◦ Forma de campana
◦ Simétrica: Media = Mediana = Moda
 Las mediciones en valores reales pueden ser comparadas con la media y la desviación
estándar calculando su valor Z
 Cualquier distribución normal puede ser convertida al estadístico Z, si conocemos la media o
la desviación estándar de la población o de su muestra

53
Probabilidades
 El área bajo la curva de una distribución es una probabilidad
 Por definición de la función de probabilidad, se sabe que el área
total bajo la curva equivale a 1
 Probabilidades teóricas y empíricas

Número de Probabilidad
Probabilidad
desviaciones teórica
empírica
estándar (normal)
±1s 68.3% 60-75%
±2s 95.4% 90-98%
±3s 99.7% 99-100%

54
Uso de Minitab para calcular
probabilidades
 Minitab tiene la opción de generar probabilidades acumuladas
 Calc – Probability Distributions – Normal
 Introduzca el valor de Z
 Introduzca el valor real

55
 Prueba de normalidad
Probability Plot of Hamburger Wt
Normal

Stat – Basic
99.99


Mean 0.2779
StDev 0.03036
N 1000

Statistics- Normality
99 AD 0.457
P-Value 0.265
95

Test 80

Percent
50

 Prueba de hipótesis 20

◦ Ho = Los datos 1

siguen una 0.01

0.15 0.20 0.25 0.30 0.35 0.40

distribución normal Hamburger Wt

◦ H1 = Los datos no Probability Plot of Concentration

Normal

se distribuyen en 99.99
Mean 66.06

forma normal 99
StDev
N
AD
3.714
1000
8.283

Pvalor < a, entonces

P-Value <0.005
95

 80

se rechaza Ho
Percent
50

20

 a = 0.05 5
1

0.01
50 55 60 65 70 75 80
Concentration

56
Análisis del sistema de
medición
Sistema de medición
 Lo que no se mide no se puede mejorar.
 Lo que no se mide bien no se puede mejorar.
 La variación se encuentra también presente en el
sistema de medición.
 Se requiere tener un sistema de medición
confiable.
 El análisis del sistema de medición nos permite
conocer su condición actual y corregir en caso
necesario.

58
Variación debida al sistema de
medición

59
Resolución
 Unidad mínima legible, límite de escala o límite de detección.
 Propiedad inherente al equipo y fijada por diseño.
 Unidad más pequeña de la escala de medición de un instrumento.
 La resolución debe ser hasta 1/10 del rango de la tolerancia de lo que se va a medir.

60
Exactitud
 Sesgo
◦ Es la diferencia entre el promedio
observado de mediciones y un valor de
referencia
◦ El sesgo comúnmente es referido como
“exactitud”.

 Linealidad
◦ Es la diferencia en los valores del sesgo
de un instrumento a través del rango
esperado del instrumento.

 Estabilidad
◦ Es la variación en las mediciones
obtenidas en la misma parte maestra
cuando una característica se mide en un
período de tiempo extendido.
◦ La estabilidad a menudo se monitorea
en una gráfica de control y se corrige
con una calibración periódica.

61
Precisión
 Repetibilidad
◦ La variación en las mediciones
obtenidas con un instrumento cuando
es utilizado varias veces por un
operador que mide una característica
en una parte.
◦ Es la variación comúnmente causada
por el dispositivo.

 Reproducibilidad
◦ Es la variación en el promedio de las
mediciones hechas por diferentes
operadores utilizando el mismo
instrumento y que miden una
característica en una misma parte.
◦ Es la variación de operador a operador.

62
R&R de atributos
 Categorías para los datos
◦ Variables
◦ Atributo
 Datos de atributos
◦ Datos cualitativos que pueden ser etiquetados para registro y análisis
 Sistema de medición de atributos
◦ Un sistema de medición que compara cada parte a un estándar y acepta la parte si
concuerdan
 Valor maestro
◦ El valor promedio de una característica en una parte medida por un instrumento de gran
exactitud
 Sesgo del cliente
◦ El operador tiene la tendencia de ocultar producto bueno. Considerar producto bueno
como malo
 Sesgo del productor
◦ El operador tiene la tendencia de pasar producto defectuoso. Considerar producto malo
como bueno
 Filtro
◦ Evaluación al 100% del producto utilizando técnicas de inspección
 Efectividad del filtro
◦ La habilidad del sistema de medición por atributos para discriminar buenos de malos
63
R&R de atributos
 Puntaje del operador (%)
◦ La fracción de tiempo que el operador está de acuerdo consigo mismo durante el R&R
de atributos
 Puntaje vs atributos (%)
◦ Es la fracción de tiempo que está de acuerdo consigo mismo y con un valor estándar
conocido
 Puntaje de efectividad del filtro (%)
◦ Es la fracción de tiempo que todos los operadores están de acuerdo con ellos mismos y
entre ellos
 Puntaje de efectividad del filtro vs atributos (%)
◦ Es la fracción del tiempo que todos los operadores están de acuerdo con ellos mismos y
entre ellos y con un estándar. Debe ser 80% mínimo en general y 90% para el sector
automotriz
 Propósito del R&R de atributos
◦ Estimación del proceso
 Para estimar los estándares de inspección o de destreza contra los requerimientos
del cliente
 Para determinar si los inspectores utilizan el mismo criterio
 Para cuantificar la habilidad de los inspectores para repetir exactamente sus
decisiones de inspección
 Para identificar qué tan bien estos inspectores se adaptan a un “maestro conocedor”
incluyendo el sesgo del cliente y del productor
◦ Mejora del proceso
 Descubrir dónde es necesario el entrenamiento, dónde faltan procedimientos y
dónde no están definidos los estándares visuales
64
R&R de atributos - Método
 Configuración
◦ Seleccionar 30 partes del proceso. 50% buenas, 50%
defectuosas
◦ De ser posible, seleccionar muestras buenas y malas
marginales o de la orilla
◦ Seleccionar a los inspectores (totalmente entrenados y
calificados)
 Ejecución
◦ Cada inspector inspecciona las partes en orden aleatorio para
determinar si pasa o no pasa. Cada inspector repite la
inspección
 Análisis
◦ Introducir los datos en la hoja de cálculo AttributeR&R.xls
para determinar la efectividad del sistema de medición
 Evaluación
◦ Documente los resultados
◦ Implantar las acciones apropiadas para arreglar el proceso de
ser necesario
◦ Volver a correr el estudio para verificar la efectividad de los
arreglos

65
R&R de atributos (ejemplo)

66
El modelo R&R de variable
 Sesgo del sistema de medición: logrado a través de
un “programa de calibración” (exactitud)
mtotal (observada) = mproceso (valor maestro) + msistema de medición
msistema de medición = msesgo+ mlineadlidad + mestabilidad+
mcorrelación

 Variabilidad del sistema de medición: lograda a

través de un “estudio R&R de variable” (precisión)
s2total (observada) = s2proceso + s2sistema de medición
s2sistema de medición = s2operador + s2parte*operador +
s2instrumento
s2proceso = s2largo plazo + s2corto plazo + s2entre partes
67
Métricos del sistema de
medición

68
Métricos del sistema de
medición –TV
 % de contribución
◦ Localiza la fracción de la varianza total tomada por la varianza
del sistema de medición
◦ Mejor caso < 1%, aceptable < 9%

s
2
MS
TV = X 100
s
2
total

69
Métricos del sistema de
medición – P/T
 Índice precisión / tolerancia (P/T)
◦ Localiza la fracción de la tolerancia tomada por la variación
del sistema de medición

Tolerancia = LSE – LIE

s 5.15s MS
2
5.15 MS
P /T = X 100 = X 100
LSE − LIE LSE − LIE

◦ Esta fracción es comúnmente expresada como porcentaje

◦ En el mejor caso P/T < 10%, P/T aceptable < 30%
◦ P/T (% tolerancia) es esencial para reducir las tolerancias del
producto al producirlo para tener en cuenta la variación del
instrumento

70
Métricos del sistema de
medición – P/TV y P/SV
 Índice precisión / variación total
◦ Localiza la fracción de la variación total (desviación estándar)
tomada por la variación del instrumento
◦ Mejor caso < 10%, aceptable < 30%
◦ P/TV o P/SV son mejores para proyectos de mejora

s s MS X 100
2
5.15 MS
% R & R = P / TV = X 100 =
5.15 s histórica
2 s histórica

s X 100 = s MS X 100
2
5.15 MS
% R & R = P / SV =
5.15 s total
2 s total
71
Usos de P/T, P/TV y P/SV
 P/T (% tolerancia)
◦ La estimación más común de la precisión de un sistema de
medición
◦ Compara la precisión de la medición con la tolerancia
requerida
◦ P/T está bien si las mediciones son utilizadas para clasificar las
muestras de la producción
 P/TV (% R&R - % de proceso), lo mejor para 6 Sigma
◦ El desempeño del estudio del gage se compara con la
variación del proceso (shistórica)
◦ Los estudios de varianza del gage no son necesariamente
representativos de la varianza del proceso
 P/SV (% R&R - % de estudio de variación), lo mejor para 6 Sigma
◦ El desempeño del estudio del gage se compara con un estudio
de variación (stotal)
◦ Los estudios del gage no son necesariamente representativos
de la varianza real del proceso

72
Métricos del gage y criterios de
aceptación

Criterio de decisión por aplicar % contribución % de tolerancia

% R&R (P/TV) % R&R (P/SV)
al sistema de medición (TV) (P/T)

Utilizar, es aceptable < 1% < 10% < 10% < 10%

Marginalmente aceptable 1 - 9% 10 - 30% 10 - 30% 10 - 30%

No lo utilice > 9% > 30% > 30% > 30%

73
Variable R&R - Método
 Calibrar el instrumento de medición o asegurarse que la
última calibración siga siendo válida
 Seleccionar 10 muestras representativas del proceso
 Identificar los operadores que utilizan diariamente este
sistema de medición
 Analizar los datos del estudio del gage en la hoja Calc –
Make Patterned Data
 Hacer que el operador mida todas las muestras en orden
aleatorio
 Hacer que los demás operadores midan las muestras de
manera aleatoria
 Repetir los dos pasos anteriores para 2 ciclos más. Tratar
de aleatorizar el orden de los operadores
 En Minitab correr los análisis de la siguiente manera
◦ Stat – Quality Tools – Gage R&R Study (Crossed)
◦ Stat – Quality Tools – Gage Run Chart
 Analizar los datos de la capacidad del sistema de medición
 Determinar las acciones apropiadas según los resultados
obtenidos

74
 Variable R&R- Ejemplo en
Minitab
 Se requiere realizar
un estudio gage para
una temperatura de
un proceso de
sinterizado.
Cuidadosamente se
ha seguido el método
descrito previamente
y se registraron los
datos en el archivo
R&Rexample.xls
 Utilice Minitab para
analizar los datos del
gage para evaluar la
capacidad del sistema
de medición
 Stat – Quality Tools –
Gage Study – Gage
R&R Study (Crossed)
 Por default, Minitab
calcula P/SV, P/TV
utiliza la desviación
histórica

75
Salida gage R&R – Tabla ANOVA

 P es la probabilidad de que la fuente asociada sea o no sea

significante estadísticamente una causa de variación
 Si el p valor < 0.05, entonces rechazar Ho (si hay efecto)
 Si el p valor > 0.05, entonces aceptar Ho (no hay efecto)
 En este ejemplo, la parte, el operador y la interacción
operador*parte son todas fuentes de variación significantes

76
 Salida Gage R&R – Variación de
los componentes

¿De qué fuente es deseable que provenga el mayor % de contribución?

77
Salida Gage R&R – Variación de
los componentes

78
 Gage R&R – Salida gráfica
 La salida estándar Análisis del sistema de medición
de Minitab es un Reported by :
paquete de seis G age name:
Date of study :
Tolerance:
M isc:
gráficos
 Los gráficos: Components of Variation
% Contribution 1480
Measurement by Part

◦ X-Barra y R
100 % Study Var

Percent
% Process
% Tolerance 1440
50
◦ Componentes 1400

de variación 0
Gage R&R Repeat Reprod Part-to-Part 1 2 3 4 5
Part
6 7 8 9 10

◦ Interacción 1
R Chart by Operator
2 3
Measurement by Operator
10 UCL=10.20 1480

◦ Operador
Sample Range

parte 5 _
R=3.96
1440

 Por 0 LCL=0
1400
1 2 3

operador Xbar Chart by Operator

Operator

Operator * Part Interaction

 Por parte
1 2 3
1480
1480 Operator
Sample Mean

1
_

Average
2
UCL=1447.28
X=1443.23
1440 LCL=1439.17 1440 3

1400
1400 1 2 3 4 5 6 7 8 9 10
Part

79
 Gráfica gage
 Este es un Gage Run Chart of Measurement by Part, Operator
gráfico para Reported by :
todas las G age name: Tolerance:
observaciones Date of study : M isc:
por operador y
por número de
parte 1 2 3 4 5 O perator
 Busca patrones 1475 1
que indiquen el 2

efecto de un Mean
1450
3

operador o de
una parte 1425
Measurement

 Stat – Quality 1400

Tools – Gage 6 7 8 9 10

Study – Gage 1475

Run Chart 1450

 ¿Cómo debería Mean

verse este 1425

gráfico para un
sistema de 1400

medición ideal? Operator

Panel variable: Part

80
Ejercicio R&R para variables
 Inicio
◦ Formar un grupo de 3 personas. Cada persona medirá diez
partes, tres veces cada una.
 Ejecución
◦ Utilizar el archivo GageData.xls para registrar los datos para
el estudio del gage. Aleotorizar tanto como sea posible
 Análisis
◦ Analizar los datos en Minitab. Evaluar la capacidad del sistema
de medición e identificar posibles soluciones de capacidad
pobre, en caso de ser necesario.

81
Capacidad observada del
proceso y MSE
s2total (observada) = s2proceso + s2sistema de medición
 La varianza observada del proceso depende del
sistema de medición
 Lo mejor del proceso observado puede ser igual a
la varianza del gage
 Un proceso medido con un gage no capaz
dificultará mejorarlo
 ¿Qué hacer con un sistema de medición pobre?
◦ Si la reproducibilidad es dominante:
 Determinar si el procedimiento está siendo seguido igual por todos los operadores.
Educar a los operadores en las “mejores prácticas”.
 Considerar automatizar los pasos más variables
◦ Si la repetibilidad es dominante:
 Si es posible, entonces reparar, reemplazar o ajustar el equipo

82
Análisis de la capacidad del
proceso
¿Por qué medir la capacidad?
 ¡Permitir la asignación de recursos en base a DATOS!
(¡Esto no es común!)
 Cuantificar el porcentaje de defectos
 Identificar oportunidades para la mejora
 Evaluar la capacidad permite a las organizaciones
predecir sus niveles de calidad reales para todos sus
bienes y servicios
 Identificar la naturaleza del problema del proceso con
baja capacidad

84
 Estudios de capacidad
 Datos continuos
◦ 1.Verificar especificaciones
◦ 2. Recolectar datos
◦ 3. Determinar variación a
corto plazo
◦ 4. Calcular métricos de
capacidad
◦ a) Corto plazo:
 a.1) Zu, ZL
 a.2) Cp
 a.3) Cpk
 a.4) Nivel de sigma ZST
◦ b) Largo plazo:
 b.1) Nivel de sigma ZLT
 b.2) Ppk
 Datos discretos
 1.Verificar especificaciones
 2. Recolectar datos
 3. Decidir: ¿corto plazo o
largo plazo? (usualmente
largo plazo)
 4. Calcular métricos de
capacidad
 a) Largo plazo:
 a.1) PPM
 a.2) Nivel de sigma ZLT
 a.3) Ppk
 b) Corto plazo:
 b.1) Nivel de sigma ZST
 b.2) Cpk
85
Ejemplo de cálculo de capacidad
– Temperatura de control
 Un técnico está involucrado en el cambio de
un proceso de esterilización de vapor para
equipo de hospital. Un parámetro crítico es
la temperatura de control durante la fase de
exposición del ciclo de esterilización
 La temperatura de la cámara, junto con el
tiempo de ciclo en la concentración mínima
de vapor saturado determinan el ciclo. Es
importante mantener un rango consistente
de temperaturas a través de la cámara
completa
 Usar el archivo ChamberTemp2.mtw

86
Paso 1: Verificar las
especificaciones
 Este paso a menudo es omitido
 ¿Cómo fijamos las especificaciones?
◦ Los diseñadores
 ¿De dónde toma el diseñador sus requerimientos?
◦ Del proceso
 Las especificaciones se fijan de cómo se comporta el proceso
históricamente o al inicio
 ¿Qué está mal con esta idea?
◦ Del cliente
 ¿Siempre decimos está bien al cliente?
 En el ejemplo analizado la temperatura
objetivo de la cámara es 125°C +/- 1.5°C
 Se requiere verificar que las
especificaciones sean racionales
87
Paso 2 – Recolectar datos
– Subgrupos racionales
 Los datos deben ser recolectados para
capturar el desempeño a “corto plazo” y de
ser posible a “largo plazo”
 Esto se puede lograr recolectando series de
fotos instantáneas, separadas por un período
de tiempo. La foto debe muestrear
subgrupos racionales
 ¿Qué es un subgrupo racional?
◦ Una selección lógica de partes o unidades
producidas consecutivamente de un proceso,
intentando capturar la variación mínima del
proceso
 La variación dentro de grupos debe mostrar
sólo la variación por causas comunes

88
 Paso 2 – Recolectar datos
- Ejemplo
 Ejemplo: El técnico
seleccionó cinco tiempos a lo Histogram of ChambTemp
largo del ciclo de exposición 12
y se recolectaron
temperaturas de control en 10
esos tiempos. Esto se hizo
para cada una de las siete
corridas consecutivas de 8
esterilización. Los datos

Frequency
están en la columna 6
ChambTemp de
ChamberTemp2.mtw
4

0
123.6 124.2 124.8 125.4
ChambTemp

Límites de especificación: 125°C +/- 1.5°C

89
Paso 3: Determinar
variación a corto plazo
 La mayoría de los datos existentes están entre
corto y largo plazo
 Para evaluar los datos reales de corto plazo:
◦ Cuidadosamente diseñe el estudio de capacidad
◦ Asegúrese de que la estrategia de subgrupos sea
racional
 Algunos procesos no pueden ser estudiados a
corto plazo
◦ Procesos de alto volumen o tiempo de ciclo largo
◦ Procesos caros o difíciles de muestrear
 Los datos históricos de pruebas o inspecciones
finales a menudo están disponibles y estos datos
casi son de largo plazo y son fácilmente
reconocibles como tales.
90
Corto plazo y largo plazo

 La variación total del proceso es la suma de la variación dentro

de los subgrupos más la variación entre los subgrupos
91
Guías para largo plazo y corto
plazo
 Corto plazo
◦ Tomado de un número limitado de ciclos e
intervalos (datos de menos de 4 meses)
◦ Tomado de un número limitado de máquinas y
operadores
◦ Casi siempre son datos variables continuos
 Largo plazo
◦ Tomado de muchos ciclos, intervalos, equipos y
operadores
◦ Pueden ser datos continuos o discretos
◦ Los datos discretos casi siempre son de largo plazo
◦ Puesto que los datos a corto plazo verdaderos son
a menudo más difíciles de obtener sin un estudio
diseñado, la mayoría de los datos existentes se
deben asumir para ser a largo plazo, a menos que
estén probados de otra manera

92
Guías para largo plazo y
corto plazo

93
 Paso 3 – Variación de corto
plazo
 Utilice Minitab para
estimar la variación
de corto plazo:
Stat – Quality Tools
– Capability
Analysis – Normal
 Archivo
ChamberTemp2.mt
w
 La desviación
estándar
ponderada está
muy cercana a la
desviación estándar
total. Los datos no
indican una
variación
significativa de
grupo a grupo.

94
Calcular Zu y ZL
 Valores Z:
◦ Provee un estadístico para comunicación común
◦ Provee un indicador del desempeño del proceso
relevante a la especificación inferior y superior
◦ Los valores Z a corto plazo se calculan de datos a
corto plazo

USL − X 126.5 − 124.61

Z USL = = = 3.86
s corto plazo 0.49

LSL − X 123.5 − 124.61

Z LSL
USL
= = = −2.27
s corto plazo 0.49

95
Calcular Cp
 Capacidad potencial de proceso (Cp)

Tolerancia del producto USL − LSL

C p = Tolerancia del proceso =
6s st

 Para los ciclos de esterilización

◦ LSL = 123.5, USL = 126.5, m = 124.61, s = .49662, Cp = 1.01
 Cp es una de las mejores estimaciones del entitlement
 El entitlement es el mejor funcionamiento, observado, a corto plazo de un
proceso
 La oportunidad es la diferencia entre el funcionamiento a largo plazo observado
del proceso y el entitlement
 Los proyectos 6 Sigma están diseñados para reducir la oportunidad conduciendo
el funcionamiento a largo plazo hacia el entitlement a corto plazo
 El Cp asume que el proceso está centrado correctamente

96
Cp para los ciclos de
esterilización

97
Un problema con el Cp
 ¿Cuál es el mejor proceso?
 ¿Cuál es la diferencia en Cp entre los dos procesos?
 ¿Qué puede hacerse para hacer el Cp más efectivo
como un estadístico de capacidad del proceso?

98
Paso 4: Encontrar Cpk –
Desempeño del proceso
 El Cp señala “lo que puede ser” y el Cpk “lo que
es”
Cpk = minCpl , Cpu
m − LSL
Cpl =
3s st
USL − m
Cpu =
3s st

 Para la temperatura de la cámara

◦ Cpk = 0.74

99
Paso 4: Calcule el nivel de sigma
Zst
 Valor Z = El número de desviaciones estándar de las que se encuentra un valor alejado de la
media
 Cpk es un derivado de la transformada z y es sólo el valor de z dividido entre 3.
 Un proceso 6 Sigma tiene un nivel sigma (o valor Z) de seis
 Para calcular un valor Z para reportar capacidad, se necesita calcular la fracción total de no
conformes
 Para el ejemplo tenemos:

 Utilizando Minitab: Calc –

Probability Distributions -
Normal
x P( X <= x )
123.5 0.0129047

x P( X <= x )
126.5 0.999931

Total = 0.0129047 + 1 - 0.999931

Total = 0.0129737 = 12974 PPM
100
Nivel de sigma – Ejemplo
utilizando Minitab
 Calcular el
valor de
sigma (Zst)

101
Salida de Minitab

102
Paso 4: Calcular ZLT
 El desplazamiento de 1.5s:
◦ Se utiliza para calcular la variación a largo
plazo en un proceso
◦ Se utiliza para calcular LT de ST y viceversa
en ausencia de datos reales
◦ ZLT = ZST - 1.5
◦ ZST = ZLT + 1.5 Necesita
Capacidad Capacidad
corto plazo largo plazo
Datos
✓ Restar 1.5
Tiene

corto plazo
Datos
largo plazo
Sumar 1.5 ✓ 103
El desplazamiento de 1.5 s – De
ZST a ZLT
 Para convertir el nivel de sigma de corto
plazo a largo plazo, estimar:
 Pregunta: ¿Sumamos o restamos 1.5?
 Pista: El nivel de sigma de largo plazo
nunca es mayor que el de corto plazo por
lo que ZLT <= ZST
 Respuesta: Restar 1.5
Estimado

Z largo plazo = Z corto plazo – 1.5

Z largo plazo = 2.227 – 1.5
Z largo plazo = 0.727
104
 Estimar la capacidad a largo
plazo Ppk
 Ppk = ZLT / 3 Process Capability of ChambTemp
 Ppk = 0.727 / 3
LSL USL
 PPk = 0.24 P rocess Data Within
LS L 123.5 Overall
Target *
USL 126.5 P otential (Within) C apability

 El cálculo de Minitab S ample M ean 124.607 Cp 1.01

C P L 0.74
asume que el S ample N
S tDev (Within)
35
0.49662 C P U 1.27

conjunto de datos S tDev (O v erall) 0.489815 C pk 0.74

contienen ambas O v erall C apability

Pp 1.02
variaciones corto PPL 0.75

plazo y total. PPU

P pk
1.29
0.75

 En el caso del ejemplo,

C pm *

la cantidad de
entradas no es los
suficientemente 123.6 124.2 124.8 125.4 126.0
grande para obtener O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance

un estimado real de la P P M < LS L 28571.43

PPM > USL 0.00
P P M < LS L 12897.49
PPM > USL 69.05
P P M < LS L
PPM > USL
11902.71
55.66
variación a largo plazo P P M Total 28571.43 P P M Total 12966.54 P P M Total 11958.37

y es preferible utilizar
el criterio de
desplazamiento de 1.5
s
105
Ejemplo de capacidad 2

 Un técnico hereda el proceso de

esterilización. Debido a que la
esterilización es crítica, cada corrida se
evalúa monitoreando la temperatura de
exposición de la cámara. Los componentes
de las corridas fallidas se reprocesan
 De acuerdo a los datos de rendimiento,
11.5% de las corridas se han desechado en
los pasados nueve meses
 ¿Estos son datos de corto o largo plazo?

106
Calcular PPM, valor ZLT, Ppk,
ZST, Cpk
 PPM = 0.115 X 1000000 = 115000
 Tomar el valor de 1 – 0.115 = 0.885 para introducir en Minitab:
Calc – Probability Distributions - Normal
 Valor ZLT = 1.2
 Ppk = 1.2 / 3 = 0.4

 ZST = ZLT + 1.5

 ZST = 1.2 + 1.5
 ZST = 2.7

 Cpk = ZST / 3
 Cpk = 2.7/3
 Cpk = 0.9 107
Análisis de modos y efectos de
falla (AMEF)
Antecedentes
 Análisis de modo y efecto de falla (AMEF)
◦ Se desarrolló primeramente en 1950
◦ La NASA lo usó en 1960 para el programa espacial
◦ FORD fue la primera compañía norteamericana que
implantó el uso de los AMEFs extensivamente
 Tipos de AMEFs
◦ Sistema: Alto nivel, análisis de las etapas de un
sistema complejo
◦ Diseño: Sistemas, subsistemas, partes y
componentes en la etapa de diseño
◦ Proceso: Se enfoca al flujo del proceso, secuencia,
equipo, herramientas, instrumentos, entradas,
salidas, etc.
◦ El AMEF de proceso es el AMEF de 6 Sigma

109
¿Quién?, ¿cuándo?, ¿por qué?
 ¿Quién construye el AMEF?
◦ El Black Belt / Green Belt es el líder del equipo (el equipo está conformado por el
equipo 6 Sigma y todos aquellos quienes puedan contribuir con información para su
realización)
◦ El dueño del proceso hereda el AMEF terminado
◦ Se utilizan el mapeo del proceso y la matriz causa-efecto
 ¿Cuándo se debe construir el AMEF?
◦ Después del mapeo del proceso y de la matriz causa-efecto
◦ Antes o después del plan de control, dependiendo de la madurez del proceso
 ¿Por qué el AMEF?
◦ Para el proceso:
 El AMEF documenta lo que deseamos saber sobre un
defecto dado
 El AMEF mejora la confiabilidad del proceso
 Un AMEF identifica los problemas antes de que ocurran
 El AMEF sirve como un registro de mejora y conocimiento
◦ Para el futuro:
 El AMEF ayuda a evaluar el riesgo de los cambios del
proceso
 El AMEF identifica las áreas para otros estudios –
multivariables, ANOVA, DOE
 El AMEF se debe reevaluar cuando las capacidades de
proceso mejoran y las prioridades cambian 110
Terminología
 AMEF: Un análisis sistemático de un proceso, utilizado
para identificar fallas potenciales y para prevenir su
ocurrencia
 Modo potencial de falla: La manera en la que el proceso
puede fallar potencialmente para cumplir con los
requerimientos del proceso
 Efecto potencial de falla: El resultado del modo de falla en
el cliente
 Severidad: Una evaluación de la seriedad del modo de falla.
La severidad aplica sólo para los efectos
 Causa: Cómo puede ocurrir la falla, descrita en términos
de algo que puede ser corregido o controlado
 Ocurrencia: La probabilidad de que un modo de falla
específico se proyecte pueda ocurrir
 Detección: La efectividad de los controles del proceso
actual para identificar el modo de falla (o el efecto de falla)
antes de que ocurra, antes de la producción o antes del
embarque al cliente
 NPR – Número prioritario de riesgo: El producto de la
severidad, ocurrencia y detección

111
Partes del formato de AMEF
Evaluaciones iniciales
Que tipo de
fallas puedo Efectos que se
tener que me puedan original severi Variaciones que
Descripcion del proposito impida lograr el tanto a cliente dad pueda tener tomando
de la operación, incluir proposito de la interno como del en cuenta las 5M, que
especificaciones operación externo efecto me ocasionen la falla
Process
Function
Item # Current
Potential Cause(s)/ O Process
Requermients
Potential Failure Potential Effect(s) Mechanism(s) of cc Current Process Control De
Mode of Failure Sev Class Failure ur Control Prevention Detection tec RPN

Reclamación de
cliente reduce nivel
de rendimiento
Cepillado (Eliminar (Desplazamiento
rebabas de ranuras y Mal cepillado del del oring por Prueba de
10 puertos ) center body rebaba) 5 Desgaste del cepillo 5 Ayuda visual HP ? Fugas Adapter 8 200

Prueba de
Falta de cepillado 2 Ayuda visual HP ? Fugas Adapter 8 80
Desgaste de Revision 1a pieza, Colocacion de
herramienta de Inspeccion cada 1/2 o´ring, prueba
maquinado 2 hr de fugas 4 40
Reclamación del
Engrasado (Lubricación cliente (desgaste
de ranuras en el center prematuro del Inspeccion en
20 body) Falta de Grasa oring) 4 Omision de operación 2 Ayuda visual HP ? la sig estacion 7 56

Se escucha el
Falta de grasa en escape de aire
tanque 1- de la bomba 9 36
Inspeccion
Falla de equipo 2- Visual 9 72

112
Partes del formato de AMEF
Acciones e historia
Action Results
Actions
Responsibility&
Target Completion Se Oc De
Recommended Action(s) date Taken v c t RPN

Se calculo la vida del

cepillo tiene una vida de
aprox. 400 cepillados por
lo que se debe cambiar
1.- Calcular la vida del cepillo y evitar 4-5 veces al turno según
el uso de cepillo desgastado. N. Treviño 01-02-06la capacidad del area. 5 3 8 120
2.- Re-entrenar a operadores de
procedimiento de cepillado y Se documento en el HP-
actualizar documentacion. N. Treviño 01-02-06A-CA-01 5 3 8 120

113
Pasos en el llenado del AMEF
 La evaluación inicial se utiliza para identificar las
entradas críticas centrándose en los efectos
cuando esas variables no son controladas
 Después de que cada modo de falla sea
priorizado por el número prioritario de riesgo
(NPR), el equipo decide sobre qué acciones son
necesarias para reducir la ocurrencia o la
detección del modo de falla

114
Pasos en el llenado del AMEF
 Función del proceso (paso del proceso): Las funciones del proceso deben ser
iguales a los que se encuentran en el diagrama de flujo, aunque para efectos del
proyecto 6 Sigma se sugiere incluir sólo los pasos de proceso de la matriz causa-
efecto
 Modo potencial de falla: Listar todas las maneras en las que el proceso puede
fallar en cumplir los requerimientos
 Efecto potencial de falla: Los efectos son el impacto en los requerimientos del
cliente externo o interno. Puede relacionarse con el deterioro del métrico
primario
 Severidad: Es una clasificación en una escala de 1-10. 10 es el más severo. Las
severidades muy altas se reservan con frecuencia para cuestiones de seguridad
 Clasificación: Se indica si en la función del proceso se hallan características
especiales
 Causa potencial del mecanismo de falla: Hasta donde sea posible, listar cada
causa concebida de cada modo de falla.
 Ocurrencia: Es la probabilidad de que una causa específica ocurra y resulte en un
modo de falla específico. Clasificar en una escala de 1-10. Si la causa no es
conocida o su frecuencia no es monitoreada, entonces la ocurrencia se refiere al
modo de falla

115
Pasos en el llenado del AMEF
 Control de proceso de prevención actual: Mencionar los métodos que previenen
de que ocurra el modo de falla
 Control de proceso de detección actual: Mencionar los métodos que detectan el
modo de falla cuando ocurre
 Detección: Es una clasificación de la habilidad del sistema de control para
detectar el modo de falla antes de que la unidad abandone la operación de
manufactura
 RPN: RPN = SEV X OCU X DET
 Acción recomendada: Las acciones correctivas son el objetivo del AMEF. Se
deben dirigir primeramente a los problemas de alta prioridad. Se busca: Reducir
la ocurrencia, aumentar la detección o reducir la severidad (cambio de diseño o
función)
 Responsable y fecha compromiso: Esto con el fin de dar seguimiento a las
acciones recomendadas
 Resultados de la acción
◦ Acción tomada: Incluir una descripción breve de la acción real terminada.
Incluir el día de terminación real de la acción
◦ Severidad: Reclasificar como resultado de la acción
◦ Ocurrencia: Reclasificar como resultado de la acción
◦ Detección: Reclasificar como resultado de la acción
◦ RPN: Recalcular
116
AMEF (ejercicio en grupo)
 Hacer grupos
 Crear el AMEF del proceso seleccionado
previamente para el mapeo del proceso

117