Documentos de Académico
Documentos de Profesional
Documentos de Cultura
3
Repaso Semana 1
Ciclo de Vida de un Proyecto
Desarrollo del plan de recolección de datos y medición actual del desempeño del proceso
• Variación
• Estudios de medidor R y R
• Recolección de Datos
• Mediciones Actuales
- Media / Desviación Estándar
- Cp / Cpk
- DPMO
- Cálculo de Sigma (Z-transformada)
5
Medir
Controlar Definir
Mejorar Medir
Analizar
Repaso Semana 1
Variación
Los elementos de un proceso responsables de la
variación son los que llamamos las “6Ms”, las cuales
describen adecuadamente los elementos de todos los
procesos:
Mano de Obra
Maquinaria
Material
FI SHBONE
Métodos
Medidas
Medioambiente
7
Repaso Semana 1
Variación
Desde un punto de vista mas detallado-
De donde viene la variación??
Veamos la catapulta como ejemplo -
Localización
Tensiones
Operadores
Materiales - Objetos
Torque en los tornillos
Viento
Medioambiente
Desgaste en las tiras elásticas
8
Repaso Semana 1
UCL=77.20 80
UCL=77.27
75
Sample Mean
Sample Mean
70 X=70.98
X=70.91
70 LCL=64.70
60
65 LCL=64.62
50
0 5 10 15 20 25
0 5 10 15 20 25
Sample Number Sample Number
Causas Especiales
9
Repaso Semana 1
Variación = Enemigo
Y=f(x )
10
Repaso Semana 1
Reglas de Ajustes
11
Repaso Semana 1
Reglas de Ajustes
Tomando estos ejemplos de variación exageradamente, y viendo las reacciones
comunes a las variaciones o métodos de ajustes que son siempre utilizados.
Clasifiqué cada uno de las siguientes reglas de ajustes:
Reaccionar a una sola queja de cliente o empleado si saber si es debido a
causa común o causa especial.
Re calibrar los equipos a una referencia común basados en los resultados de la
ultima parte.
Los trabajadores actuales entrenando a nuevos trabajadores.
Cambiar variables de procesos críticos para obtener los resultados del ultimo
set de partes.
Ajustar los niveles de inventario basado en los datos del ultimo semestre
cuando la variación se debe a causas comunes..
Reducir el presupuesto anual de un departamento por $ 5.000.000 porque el
presupuesto del año pasado se excedió por $5.000.000.
Durante las actividades de desarrollo del producto, los diseñadores hacen
referencia a especificaciones, dimensiones y dibujos técnicos de productos ya
existentes.
Reorganizan machines and producción flows based on a single evaluation of
set-up/operating times and process flow observations.
12
Repaso Semana 1
f(x)
13
Repaso Semana 1
47 48 49 50 51 52 53 54
¡El Proceso es
Independiente de la
Especificación de
Diseño! 14
Repaso Semana 1
Aceptable Tradicional
Nueva
15
Repaso Semana 1
16
Repaso Semana 1
17
Repaso Semana 1
σ=2 Ζ = 6.0
LSL=10 USL=34
Avg = 22
0 10 20 30 40 50
σ σσ σσσ σ σσ σσσ
6 deviaciones estándar entre el prom edio las m etas da m uy
poca posibilidad de quedar fuera de las especificaciones.
18
Repaso Semana 1
19
Repaso Semana 1
σ=3 Ζ = 4.0
LSL=10 Avg = 22 USL=34
0 10 20 30 40 50
σ σ σ σ σ σ σ σ
4 desviaciones estándar entre el prom edio y las m etas da .005%
fuera de las especificaciones en cada lím ite de la distribución.
20
Repaso Semana 1
21
Repaso Semana 1
σ=6 Ζ = 2.0
LSL=10 USL=34
Avg = 22
0 10 20 30 40 50
σ σ σ σ
2 desviaciones estándar entre el prom edio y las m etas da 4.5%
fuera de la especificación(2.25% al final de cada distribución).
22
Repaso Semana 1
23
Repaso Semana 1
0 10 20 30 40 50
σ σ σ σ σ σ σ
1.3 desviaciones estándar entre el prom edio y la m eta alta, queda a 9.1%
Fuera de especificación en el lado alto de la distribución, queda m uy poca
oportunidad en la parte baja de la distribución.
24
Repaso Semana 1
La Distribución Normal
Muchos datos tienden a seguir una distribución normal o una
curva en forma de campana, una de las propiedades principales
de la distribución normal es la relación entre la forma de la curva
y la desviación estándar (σ).
99.73% del área de la distribución normal está contenida entre -3
sigma y +3 sigma de la media. Otra forma de expresar esto es
que 0.27% de los datos caen fuera de 3 desviaciones estándar
de la media.
3σ 2σ 1σ X 1σ 2σ 3σ
µ - 2 σ , µ + 2 σ - contiene aproximadamente 95% de la Población
µ - 4 σ , µ + 4 σ - contiene aproximadamente 99.9937% de la Población
µ - 5 σ , µ + 5 σ - contiene aproximadamente 99.999943% de la Población
µ - 6 σ , µ + 6 σ - contiene aproximadamente 99.9999998% de la Población
25
Repaso Semana 1
Múltiples Partes/Pasos
26
Repaso Semana 1
Impacto de la Variación
27
Repaso Semana 1
28
Repaso Semana 1
“Z” Transformada
USL - X X - LSL
Z = s
Combinada con Z = s es Z
alta baja bench
29
Repaso Semana 1
Z – El Estándar Transformado
30
Repaso Semana 1
Ejemplo
USL LSL
87 (x - x) ( x- x)
σ=1 Z= Z=
σ σ
+3σ
-3σ 90 - 87
para USL Z = 1 =3
De Tabla Z : para Z=3
Process Width
Población fuera de espec es 1350 ppm
80 85 90
87 - 80
Design Width para LSL Z = =7
1
De Tabla Z: para Z= 7
Población dentro de espec es 0 ppm
31
Repaso Semana 1
3 Mundos de Datos
Ejemplo de Defectuoso:
Estaba la información en la orden de compra correcta?
Paso el producto la inspección?
33
Repaso Semana 1
Ejemplo de Defectos:
Cuantos errores tuvo la orden de compra?
Cuantas razones de rechazo tuvo un producto?
34
Repaso Semana 1
Ejemplos de Defectos:
Cuál es la cantidad de unidades ordenadas en cada orden de compra?
Cuál es el diámetro en un producto?
35
Repaso Semana 1
36
Repaso Semana 1
37
Repaso Semana 1
Repetibilidad
Repetibilidad: Es la variación
en medidas obtenidas con un
instrumento medidor realizado
varias veces por el mismo
operador mientras mide
características idénticas en la
misma parte.
REPETIBILIDAD
38
Repaso Semana 1
Reproducibilidad
Operator-B
Reproducibilidad: Es la
variación en el promedio de las
medidas hecha por diferentes
operadores utilizando el mismo
instrumento al medir las
mismas características en la Operator-C
misma parte.
Operator-A
Reproducibilidad
39
Repaso Semana 1
% R&R Resultados
40
Repaso Semana 1
Cp = Índice de Capacidad de Proceso Potencial. Cp DEBE exceder de 1.67 para lograr 5 sigma !
41
Repaso Semana 1
Resumen
La Variación es el ENEMIGO! Esta DEBE ser entendida!
La Variación debe ser entendida para poder ser controlada.
Existe Variación dentro de todos los procesos.
La Variación puede clasificarse como controlada (Causas
Comunes) e Incontrolada (Causas Especiales).
Los medidores tradicionales de productividad ignoran a la fabrica
escondida.
La Variación impacta directamente la productividad de un proceso
Debemos entender el Z bench “Capacidad de Proceso”.
42
Presentación de Candidatos Six Sigm a
Elementos de cada proyecto de Green Belts y Black Belts en las fases de Definir
y Medir
43
Analizar
44
Analizar
Controlar Definir
Mejorar Medir
Analizar
45
Análisis Grafico
Objetivo
Presentar métodos gráficos para la Presentación de Datos.
Demostrar Métricos para todos los niveles de la organización.
Aprender como desarrollar 10 Soluciones Gráficas:
46
Análisis Grafico
Ejemplos Gráficos
Histograma
Gráfico de Regresión
10
Frequency
200 80
104
Percent
Count
150 60
DBP
100 40
99
50 20
0 0 94
s go
nte d epa tard
e
a
us e lare nd o an edic n te
rafos i on a nil las adora ax u lario ona ac io lu tori l leg i a M pacie ers
Defect B ol
ig
n s
i tra c
Pl a
Cop i F
orm
F n ecc i
r info rm
C ons
ie n tes
erg enc u lti- O th
A dmi Co
e ri ca
fi P ac E m M 1 2 3 4 5 6
Count 51 39 38 34 13 12 V 11 11 8 8 7 6 10
Perc ent 21 16 15 14 5 5 4 4 3 3 3 2 4
Day
Cum % 21 36 52 65 71 75 80 84 88 91 94 96 100
48
Análisis Grafico
Reglas
Presentar una Historia representativa (13 Meses).
Investigar que tipo de variación existe: cíclica, temporada,
ciclo de vida, etc.
Conocer los Datos.
Conocer el Sistema de Recolección.
49
Analizar
Controlar Definir
Mejorar Medir
Analizar
50
Análisis Grafico – Tally Sheets
Hoja de Recolección y Verificación de Datos
Tally Sheets
Seguimiento del # de reparaciones por Que es un Tally Sheet?
mes y día. • Muestra la “distribución” de artículos u
JAN U AR Y
1
1 2 3 4 5 6 ocurrencias en una escala o cantidad
2
3
X
X
X X X X
ordenada.
4
5
6
X X X • Ayuda de detectar patrones inusuales en
7
8 X X X
una población o detectar múltiples
9
10 poblaciones.
11 X X X
12
13
X
X X
• Da una imagen visual del “promedio” y el
14
15 “rango”
16 X X X X
17 X
18
19
X
X
X X TIPS para construir un Tally Sheet:
20
21
X • Incluir el nombre del recolectador.
22
23
X
X
X
X
X
X X X
• Las columnas de Razón y Comentarios deben
24
25
X
X X
ser claras y concisas.
26 •Usar fechas completas (mes, día, año)
27
28 X X X X • Usar títulos explanatorios
29 X X X X
30 X X X • Considerar el denominador más bajo
31
• minutos vs. horas
• centímetros vs. metros
• Pruebe y valide su diseño(trátelo)
51
Análisis Grafico – Tally Sheets
FECHA:_______ HORA:____________
Empleado:__________
Propósito: __________________
Use simples
NO-CONFORMANCIA CANTIDAD TOTAL marcas para
DEFECTO CODIGO 10 ///// ///// /// 13 llevar las
DEFECTO CODIGO 11 ///// ///// ///// ///// // 22 cuentas
DEFECTO CODIGO 12 ///// //// 9
TOTAL = 44
Controlar Definir
Mejorar Medir
Analizar
53
Análisis Grafico – Diagrama de Pareto
Diagrama de Pareto
Es una herramienta esencial que nos ayuda a priorizar objetivos de
mejoramiento. Un Pareto generalmente nos permite enfocarnos en el 20%
de los problemas que causan el 80% del mal desempeño.
54
Análisis Grafico – Diagrama de Pareto
2. Defectos o datos
de atributos en:
seleccionar Defects
Frecuencias en:
seleccionar Frecuency.
3. Aceptar
55
Análisis Grafico – Diagrama de Pareto
56
Análisis Grafico – Diagrama de Pareto
2. Defectos o datos
de atributos en:
seleccionar Defects
Frecuencias en:
seleccionar Frecuency.
3. Aceptar
58
Análisis Grafico – Diagrama de Pareto
Controlar Definir
Mejorar Medir
Analizar
60
Análisis Grafico – Dot Plots
62
Análisis Grafico – Dot Plots
63
Análisis Grafico – Dot Plots
Dotplot of Prod
64
Analizar
Controlar Definir
Mejorar Medir
Analizar
65
Análisis Grafico - Histograma
Histogramas
5
4
3
2
1
66
Análisis Grafico - Histograma
Histogramas
Archivo: Production Time
Frequency
101 1 2
6
105 2 2
100 3 2
98 4 2 4
102 5 2
95 6 2 2
99 7 2
103 8 2
0
99 1 3 96 98 100 102 104 106 108
97 2 3 Prod
99 3 3
100 4 3
99 5 3
102 6 3 Con un solo vistazo se puede identificar
99 7 3
100 8 3
rápidamente la cantidad de producción que ocurre
mas frecuente utilizando un Histograma.
67
Análisis Grafico - Histograma
Histogramas
Un Histograma muestra la distribución de valores de datos con barras
una al lado de la otra. Estas no muestran puntos o valores individuales.
Los Histogramas son una buena herramienta para mostrar un gran
número de observaciones o defectos.
• Observación analítica es hecha para ver si existe forma simétrica sesgada.
10 9
8
10
7
Frequency
6
Frequency
Frequency
5 5
5 4
3
2
1
0
0 0
1 2 3 4 5 6 7 8 9
2 3 4 5 6 7 8 9 1 2 3 4 5 6 7 8 9 10
C1
C1 C1
Frequency
5 5
0 0
2 3 4 5 6 7 8 9 1 2 3 4 5 6 7 8 9 10
C1 C2
4
3
Frequency
Frequency
3
2
2
1
1
0 0
69
Análisis Grafico - Histograma
Histogramas en Minitab
Archivo: Productión Time (1) Grafica > Histograma
C1 C2 C3
Prod Time Day
95 1 1
100 2 1
104 3 1
105 4 1
108 5 1
99 6 1
100 7 1
104 8 1
101 1 2
105 2 2
100 3 2
98 4 2
102 5 2
95 6 2
99 7 2
103 8 2
99 1 3
97 2 3
99 3 3
100 4 3
99 5 3
102 6 3
99 7 3
100 8 3
70
Análisis Grafico - Histograma
Histogramas en Minitab
71
Análisis Grafico - Histograma
Histogramas en Minitab
Histogram of Prod
12
10
8
Frequency
0
96 98 100 102 104 106 108
Prod
72
Analizar
Controlar Definir
Mejorar Medir
Analizar
Cantidad
Tiempo
73
Análisis Grafico – Run Chart
Run Chart
98 4 2
102 5 2 100.0
95 6 2
99 7 2 97.5
103 8 2
99 1 3 95.0
97 2 3 2 4 6 8 10 12 14 16 18 20 22 24
99 3 3 Observation
100 4 3 Number of runs about median: 11 Number of runs up or down: 15
99 5 3 Expected number of runs: 12.25000 Expected number of runs: 15.66667
Longest run about median: 5 Longest run up or down: 4
102 6 3
A pprox P-Value for Clustering: 0.28833 A pprox P-Value for Trends: 0.36856
99 7 3 A pprox P-Value for Mixtures: 0.71167 A pprox P-Value for Oscillation: 0.63144
100 8 3
74
Análisis Grafico – Run Chart
Clic
Aceptar
75
Análisis Grafico – Run Chart
107.5
105.0
102.5
Prod
100.0
97.5
95.0
2 4 6 8 10 12 14 16 18 20 22 24
Observation
Number of runs about median: 11 Number of runs up or down: 15
Expected number of runs: 12.25000 Expected number of runs: 15.66667
Longest run about median: 5 Longest run up or down: 4
Approx P-Value for Clustering: 0.28833 Approx P-Value for Trends: 0.36856
Approx P-Value for Mixtures: 0.71167 Approx P-Value for Oscillation: 0.63144
76
Análisis Grafico – Run Chart
Run Chart
Cuáles patrones perm ite detectar el R un Chart?
Patrón Representación Significado
Tendencia Cambio gradual y sostenido de los Proceso con potencial salida de control,
datos, hacia arriba o hacia debajo dentro ocasionado por fallas en las
del gráfico de corrida herramientas, administración de recurso
humano (turnos de trabajo)
Oscilación Datos fluctuantes hacia arriba y hacia Proceso inestable
debajo de forma consecutiva
Mezclas No se observan valores cerca a la línea Existen datos combinados
central correspondientes a dos poblaciones o
dos procesos que operan en diferente
nivel
Conglomerados Grupos de puntos en cualquier parte del Existencia de causas especiales
gráfico de corrida ocasionadas por problemas de
medición, variabilidad de lote o
muestreo
Los patrones indicados permiten establecer si existe o no aleatoriedad en los datos, es decir si la
variación es ocasionada por causas comunes o causas especiales.
77
Análisis Grafico – Run Chart
Run Chart
Tipos de prueba del R un Chart.
Núm ero de corridas alrededor de la m ediana
Uno o más puntos consecutivos al mismo lado de la mediana.
La identificación de la corrida termina cuando al unir los puntos en una misma dirección atraviesan la
mediana.
2
4
8 10
6
11
3 9
5
1 7
78
Análisis Grafico – Run Chart
Run Chart
Tipos de prueba del R un Chart.
Núm ero de corridas hacia arriba o hacia abajo
Uno o más puntos consecutivos hacia arriba o hacia abajo, es decir en la misma dirección.
Cada corrida inicia cuando hay un cambio de dirección, el final de cada corrida es el que recibe la marca
3 5 9
7 13
11 15
4
2 12 14
6
8 10
79
Análisis Grafico – Run Chart
Run Chart
Condición Interpretación
Número de corridas > a número Posible mezcla de datos de dos
esperado de corridas poblaciones
Número de corridas < a número Posible conglomerado de datos
esperado de corridas
Valores de p > 0.05 No se establece ni mezcla, ni
conglomerados
80
Analizar
Controlar Definir
Mejorar Medir
Analizar
Este grafico proyecta los limites de control alto y bajo basado en datos entrados. Cada valor
es un punta de dato individual. El valor del promedio o la media es proyectado al igual que el
rango del promedio.
81
Fundamentos de los Gráficos de Control
Metric
Average Control
Limits
Time
Línea Central
99.73%
X-bar Chart
615
UCL=613.6
Sample Mean
605
Línea Central
X=599.1
595
585 LCL=584.6
0 10 20
Sample Number
Tipos de Datos
Datos Datos de
Datos de
Continuos Defectuosos
Defectos
(Mediciones/ (Categorizan Datos
(cuentan
Datos Atributos - Pasa/Falla,
atributos - DPU)
Variables) Go-NoGo)
Alto Volumen
Tamaño de Tamaño de
o Bajo
Volumen Muestra Muestra
Xbarra y R I-MR c u np p
Xbarra y s Vari -Nom
Mediana y R Vari -Target Delta
Tipos de Gráficos de Control
Ind ivid ua ls
7 5.2461 0.0016
8 5.2490 0.0029 5.25 X=5.249
9 5.2425 0.0065
10 5.2488 0.0063 5.24
11 5.2465 0.0023 -3.0SL=5.238
12 5.2504 0.0038 Observation0 5 10 15 20 25
13 5.2490 0.0014
14 5.2424 0.0066 0.015
3.0SL=0.01374
M o ving R a ng e
15 5.2505 0.0081
16 5.2486 0.0019 0.010
17 5.2511 0.0025
17 5.2526 0.0015 0.005
R=0.004204
19 5.2543 0.0017
20 5.2524 0.0020
0.000 -3.0SL=0.000
21 5.2485 0.0039
22 5.2443 0.0042
23 5.2573 0.0131
24 5.2467 0.0106
25 5.2501 0.0034 Los límites de control superior e inferior del gráfico de Rangos
Movibles representan la variación máxima y mínima esperada
entre parte y parte. R-Barra es la media de este conjunto de
muestras.
Análisis Grafico – Control Chart
I-MR en Minitab
(1) Estadisticas > Graficas de Control > Variables para Individuos > I- MR
98
Análisis Grafico – Control Chart
I-MR en Minitab
105
_
100 X=100.54
95
LC L=91.64
90
2 4 6 8 10 12 14 16 18 20 22 24
O bser vation
U C L=10.94
10.0
M oving Range
7.5
5.0
__
M R=3.35
2.5
0.0 LC L=0
2 4 6 8 10 12 14 16 18 20 22 24
O bser vation
99
Pruebas en Minitab para Causas Especiales
Las primeras tres son consideradas generalmente pruebas
fundamentales. Las restantes son seleccionadas según la necesidad.
*Este menú es para gráficos de variables. Minitab usa pruebas similares para atributos
Gráficos X y R
Se grafican los promedios de los subgrupos en el gráfico X.
FLANGE HEIGHT
Rango del Subgrupo “R” DATA Promedio del Subgrupo “X”
1.2516
.0028 1.2502 1.2515 3.0SL=1.251
1.2502
1.2488
Means
1.2505
1.2506 X=1.250
.0002 1.2504 1.2505 1.2495
1.2504 1.2485 -3.0SL=1.249
1.2500 Subgroup 0 5 10 15 20 25
.0006 1.2506 1.2503
0.004
1.2503 3.0SL=0.003363
0.003
Ranges
1.2489
.0018 1.2498 0.002
1.2507
R=0.001306
1.2497 0.001
1.2495 0.000 -3.0SL=0.000
1.2509
.0025 1.2511
1.2520
Análisis Grafico – Control Chart
(1) Estadisticas > Graficas de Control > Variables para subgrupos > Xbar-R
102
Análisis Grafico – Control Chart
102.5
_
_
X=100.54
100.0
97.5
95.0 LC L=94.87
1 2 3 4 5 6 7 8
Sample
16
U C L=14.26
12
Sample Range
8
_
R=5.54
4
0 LC L=0
1 2 3 4 5 6 7 8
Sample
103
Tipos de Gráficos de Control
Tipos de Datos
Datos Datos de
Datos de
Continuos Defectuosos
Defectos
(Mediciones/ (Categorizan Datos
(cuentan
Datos Atributos - Pasa/Falla,
atributos - DPU)
Variables) Go-NoGo)
Alto Volumen
Tamaño de Tamaño de
o Bajo
Volumen Muestra Muestra
Xbarra y R I-MR c u np p
Xbarra y s Vari -Nom
Mediana y R Vari -Target Delta
Realiza el seguimiento de la proporción de defectuosos y detecta
la presencia de causas especiales . Cada una de las entradas en
la columna de la hoja de trabajo es el número de defectuosos para
un subgrupo , que se supone provino de una distribución binomial
con los parámetros n y p.
Elementos del cuadro de diálogo
Variables: Ingrese columnas que contengan el número de defectuosos para
cada muestra.
Tamaños de los subgrupos: Ingrese un número o una columna que contenga
los tamaños de subgrupo . Si los subgrupos no son iguales, cada límite de
control no es una línea recta sino que varía según el tamaño del subgrupo. Si
los tamaños de los subgrupos no varían considerablemente, convendría
establecer que los límites de control sean constantes, para lo cual deberá
especificar un tamaño de subgrupo fijo Opciones de Gráfica P > Estimar.
Supongamos que usted trabaja en una planta que fabrica tubos de
imágenes para televisores. Para cada lote, usted toma algunos tubos y
realiza una inspección visual. Si el tubo presenta rayones en su interior,
usted lo rechaza. Si un lote tiene demasiados rechazos, usted realiza una
inspección 100% en ese lote. Una gráfica P puede definir cuando usted
necesita inspeccionar la totalidad del lote.
1 Abra la hoja de trabajo EJA_CAL.MTW.
2 Elija Estadísticas > Gráficas de control > Gráficas de atributos > P.
3 En Variable, ingrese Rechazos.
4 En Tamaños de los subgrupos, ingrese Muestreados. Haga clic en Aceptar.
Interpretación de los resultados
La muestra 6 está fuera del límite de control superior. Considere inspeccionar el lote.
Hace un seguimiento del número de defectuosos y detecta la
presencia de causas especiales . Cada una de las entradas en la
columna de la hoja de trabajo es el número de defectuosos para
un subgrupo , que se supone provino de una distribución binomial
con los parámetros n y p.
Elementos del cuadro de diálogo
Variables: Ingrese columnas que contengan el número de defectuosos para
cada muestra.
Tamaños de los subgrupos: Ingrese un número o una columna que contenga
los tamaños de subgrupo . Si los subgrupos no son iguales, cada límite de
control no es una línea recta sino que varía según el tamaño del subgrupo. Si
los tamaños de los subgrupos no varían considerablemente, convendría
establecer que los límites de control sean constantes, para lo cual deberá
especificar un tamaño de subgrupo fijo utilizando Opciones de gráfica NP >
Estimar.
Usted trabaja para una compañía que fabrica juguetes y su trabajo
consiste en inspeccionar el número de neumáticos para bicicleta
defectuosos. Usted inspecciona 200 muestras en cada lote y luego decide
crear una gráfica NP para supervisar el número de defectuosos. Para
hacer que la gráfica NP sea más fácil de presentar en la próxima reunión
con el personal de la compañía, usted decide dividir la gráfica en
segmentos de 10 lotes de inspección.
1 Abra la hoja de trabajo JUGUETES.MTW.
2 Elija Estadísticas > Gráficas de control > Gráficas de atributos > NP.
3 En Variable, ingrese Rechazos.
4 En Tamaños de los subgrupos, ingrese Inspeccionado.
5 Haga clic en Opciones de gráfica NP, luego haga clic en la ficha Mostrar.
6 En Dividir gráfica en una serie de segmentos para efectos de visualización, elija
Cada segmento contiene __ subgrupos e ingrese10.
7 Haga clic en Aceptar en cada cuadro de diálogo.
Interpretación de los resultados
Los lotes de inspección 9 y 20 se ubican por encima de los límites de control superior, lo
que indica que es posible que causas especiales hayan afectado el número de
defectuosos en estos lotes. Usted debe investigar cuáles son las causas especiales que
han podido ejercer influencia en el número fuera de control de neumáticos para bicicleta
defectuosos, para los lotes 9 y 20.
Hace un seguimiento del número de defectos y detecta la
presencia de causas especiales . Cada entrada en la columna
especificada contiene el número de defectos para un subgrupo ,
que se supone proviene de una distribución de Poisson con
parámetro m. Este valor es tanto la media, como la varianza .
Por opción predeterminada, el número promedio de defectos en el
proceso, m, se estima a partir de los datos. Este valor es la línea
central de la gráfica C. Minitab también utiliza este valor para
calcular los límites de control.
Elementos del cuadro de diálogo
Variables: Ingrese columnas que contengan el número de defectuosos para
cada muestra.
Supongamos que usted trabaja para un fabricante de lino. Cada 100
yardas cuadradas de tela pueden contener cierto número de manchas
antes de ser rechazadas. Para propósitos de calidad, usted desea rastrear
el número de manchas por 100 yardas cuadradas en un período de siete
días, a fin de determinar si su proceso se comporta de modo predecible.
Usted desea que la gráfica de control muestre límites de control a 1, 2 y 3
desviaciones estándar por encima y por debajo y de la línea central.
1 Abra la hoja de trabajo EJA_CAL.MTW.
2 Elija Estadísticas > Gráficas de control > Gráficas de atributos > C.
3 En Variables, ingrese Manchas.
4 Haga clic en Opciones de gráfica C, luego haga clic en la ficha Límites S.
5 En Mostrar límites de control en, ingrese 1 2 3 en Estos múltiplos de la
desviación estándar. 6 En Colocar bandas a los límites de control, marque Banda
de límite inferior de desviación estándar e ingrese 0.
7 Haga clic en Aceptar en cada cuadro de diálogo.
Interpretación de los resultados
Debido a que los puntos se ubican en un patrón aleatorio, dentro de las bandas de los
límites de control de las 3s, usted concluye que el proceso se comporta de modo
predecible y está bajo control.
Realiza un seguimiento de los defectos por unidad muestreada y
detecta la presencia de causas especiales . Cada entrada en la
columna de la hoja de trabajo representa el número de defectos en
una muestra (o subgrupo ), que se basa en el supuesto de que
procede de una distribución de Poisson con el parámetro m, que
es tanto la media como la varianza .
Por opción predeterminada, Minitab calcula el número promedio de
defectos del proceso, m, a partir de los datos. Este valor es la línea
central. Minitab también calcula los límites de control utilizando
este valor.
Elementos del cuadro de diálogo
Variables: Ingrese las columnas que contienen el número de defectos por
unidad muestreada.
Tamaños de los subgrupos: Ingrese un número o una columna que contenga
los tamaños de subgrupo . Si los subgrupos no son iguales, cada límite de
control no es una línea recta sino que varía según el tamaño del subgrupo. Si
los tamaños de los subgrupos no varían considerablemente, convendría
establecer que los límites de control sean constantes, para lo cual deberá
especificar un tamaño de subgrupo fijo utilizando Opciones de gráfica U >
Límites S.
Como gerente de producción de una compañía que fabrica juguetes,
usted desea supervisar el número de defectos por unidad de los autos de
juguete con motor. Usted inspecciona 20 unidades de juguete y crea una
gráfica U para examinar el número de defectos en cada unidad. Usted
desea que la gráfica U exhiba límites de control rectos, de manera que
pueda fijar un tamaño de subgrupo de 102 (número promedio de juguetes
por unidad).
1 Abra la hoja de trabajo JUGUETES.MTW.
2 Elija Estadísticas > Gráficas de control > Gráficas de atributos > U.
3 En Variables, ingrese Defectos.
4 En Tamaños de los subgrupos, ingrese Muestra.
5 Haga clic en Opciones de gráfica U, luego haga clic en la ficha Límites S.
6 En Cuando los tamaños de los subgrupos no sean iguales, calcule los límites de
control, elija Suponiendo que todos los grupos son de tamaño luego ingrese 102.
7 Haga clic en Aceptar en cada cuadro de diálogo.
Interpretación de los resultados
Las unidades 5 y 6 se encuentran por encima de la línea superior del límite de control, lo
que indica que es posible que causas especiales hayan ejercido influencia en el número
de defectos en estas unidades. Usted debe investigar cuáles causas especiales han
podido influenciar el número fuera de control de defectos en los autos de juguete con
motor para estas unidades.
Dia No. Llamadas Llamadas Fallidas
Domingo 45 2
Lunes 78 6
Martes 96 4
Miercoles 89 9
Jueves 79 4
Viernes 94 8
Sabado 56 22
Domingo 33 3
Lunes 75 5
Martes 93 7
Miercoles 92 3
Jueves 84 7
Viernes 61 7
Sabado 52 12
120
Wafer Number Wafer Number
1 16 14 16
2 14 15 15
3 28 16 13
4 16 17 14
5 12 18 16
6 20 19 11
7 10 20 20
8 12 21 11
9 10 22 19
10 17 23 16
11 19 24 31
12 17 25 13
13 14
121
Ejemplo
Límite Superior
de Control
= Causa Común 80
UCL=77.27
60
50
0 5 10 15 20 25
Sample Number
Límite Inferior
de Control
Razones para el uso de gráficos de control
En Contra
• El CEP requiere la compra por el equipo para que sean efectivos.
• No es un substituto de los poka-yoke.
• No son usados para investigar la variación debido a causas
comunes.
Analizar
Controlar Definir
Mejorar Medir
Analizar
125
Análisis Grafico – Diagrama de Dispersión
Diagrama de Dispersión
50
40
Y
kills
30
20
10
450 550 650 750
boats
X
La primera herramienta que se concentra en medir “X”
126
Análisis Grafico – Diagrama de Dispersión
Positivo Negativo
No correlación
127
Análisis Grafico – Diagrama de Dispersión
128
Análisis Grafico – Diagrama de Dispersión
129
Análisis Grafico – Diagrama de Dispersión
130
Análisis Grafico – Diagrama de Dispersión
131
Análisis Grafico – Diagrama de Dispersión
132
Análisis Grafico – Diagrama de Dispersión
133
Analizar
Controlar Definir
Mejorar Medir
Analizar
134
Análisis Grafico – Gráficos de Caja
Un gráfico de caja le mostrará la distribución de sus datos dentro de la población total. 75% de sus datos
serán capturados en una caja con colas mostrando la dispersión total.
Perro Perro
de Carne de Pollo
136
Análisis Grafico – Gráficos de Caja
137
Análisis Grafico – Gráficos de Caja
138
Análisis Grafico – Gráficos de Caja
600
Sodium
• 2 Medianas diferentes
• distribución de la población
• variación dentro de la población 400
300
200
Beef Poultry
Type
Más tarde en esta sección aprenderemos que necesitaremos valores estadísticos para acompañar un
gráfico para determinar con mas exactitud una diferencia verdadera entre dos variables.
139
Analizar
Controlar Definir
Mejorar Medir
Analizar
140
Análisis Grafico – Gráficos de Regresión
141
Análisis Grafico – Gráficos de Regresión
Temperatura A Promedio
Tiempo
142
Análisis Grafico – Gráficos de Regresión
50
40
A medida que “ X” se
incrementa,
(más barcos)
kills
30
también “Y”
20 (manatíes muertos)
10
Archivo: Manatee.mpj
(1) Seleccionar:
Estadisticas > Regresión
> Linea Ajustada
Respuesta = muertes
Predictor = barcos
seleccionar: linear
click: Aceptar
144
Analizar
Controlar Definir
Mejorar Medir
Analizar
145
Análisis Grafico – Diagrama de Probabilidad
predicción.
Mean 675
95
StDev 114.564
90
Goodness of Fit
Por ejemplo; el manofacturador de vidrios
80
70 AD* 1.416
Percent
para aviones quiere predecir el impacto en
60
50
velocidades .
10
5
La línea superior e inferior nos dan un intervalo de confianza del 95% de unidades / medidas
que fallaran a un nivel dado de presión.
146
Análisis Grafico – Diagrama de Probabilidad
Sodium Type
495
477
Beef
Beef
Analizaremos el contenido de sodio en los perros
425
322
Beef
Beef calientes para determinar si hay una tendencia; poder
482 Beef
587
370
Beef
Beef
predecir el nivel de sodio en ambos grupos de perros
322
479
Beef
Beef calientes.
375 Beef
330 Beef
300 Beef
386
401
Beef
Beef Queremos saber el nivel de sodio donde el 50% de
645 Beef
440
317
Beef
Beef
los perros calientes caen para de esta forma evaluar
319
298
Beef
Beef los niveles totales de sodio en la población entera de
253 Beef
430
375
Poultry
Poultry
perros calientes.
396 Poultry
383 Poultry
387 Poultry
542
359
Poultry
Poultry
Luego podemos utilizar gráficos para predecir los
357
528
Poultry
Poultry niveles de sodio para un número dado de perros
513 Poultry
426
513
Poultry
Poultry
calientes.
358 Poultry
581 Poultry
588 Poultry
522 Poultry
545 Poultry
147
Análisis Grafico – Diagrama de Probabilidad
148
Análisis Grafico – Diagrama de Probabilidad
60
50
40
30 50% de ambos tipos de perros
20 tiene el nivel de sodio sobre 428
10
1
100 200 300 400 500 600 700
Sodium
149
Análisis Grafico – Diagrama de Probabilidad
”
(1) Grafica > Grafica de Probabilidad (2) Seleccionar (Multiple)
150
Análisis Grafico – Diagrama de Probabilidad
90 Mean StDev N AD P
401.2 102.4 20 0.521 0.163
80 459 84.74 17 0.857 0.021
70
Percent
60
50
40
30
20
Carne 50% = 401
10 Pollo 50% = 459
5
1
0 100 200 300 400 500 600 700 800
Sodium
151
Análisis Grafico
152
Análisis Grafico
Por defectos
Quantity By Defect
20000 100
80
15000
Percent
60
Count
10000
40
5000 20
0 0
t t t
Part Defect
e w r ib e n it) se d sed or n isy n i k e n ion C u d ed r ib e te n o n ped ted r i be r ib e sty ose k en d ed ge d ti on h er
u l l N e sc R Un it U ni t u- - W - N oI n UBr o Te nsrd -- oun e sc r mi t tur n tr ip Sh or e sc e sc -- R uet lo Br o oun a ma r ica O t
D D (M U u h s d h o r D te ' t S - D D e n p r D b
d e- - er - nd e n k en Br us ra te ou nL a tc r in g C d- - G er - -- I n esn Ho le or d- e r - er - Bla dM ag -C a e- - G er - - r Lu
h k b p l h o h h -- - r v e
B la - Ot F o uBr o - Br o -
i F -
- V ec t ge - w S F ie- - O twi tchh -- D r e w C- - O t- - Ot r e ru shmat u L e pr op
- t - - e f n o tu
d e fec er - ch r
tu De H e- - L
i r y S i tc - - Sc re rd a B Ar Im
Bl a DeL ow S wi t r ma - N o a d esso S win g m a tu C o A rm
a r- -
o A us- l c us Ar Ge
N g
s- - Hs
B Ac
u n e o Ho
o
ne l la
ce ll a i sc e
is M
M
C ount 7818
3067
1942
1452
79876972565327620920019118717917716116014713313112010691 72 711038
Percent 37 15 9 7 4 4 3 3 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 5
C um % 37 52 61 68 72 76 79 83 84 85 86 87 88 88 89 90 91 92 92 93 93 9494 95 95 100
153
Análisis Grafico
Por Cliente
Quantity By Customer
10000
Count 8000
6000
4000
2000
0
C ustomer D R T g e S N LY N L Y 1 D D O S L L LY Y LY A . 1 D S A C Y es S er
A TEU M EMA Rted - EST IO PP TI O PP A T EA TEE TC ESC A P P PA NPP .B. A TEPLI EKA RY I NP A Npr isTE MOth
Reducir el número a 80 para e U U N C U U .B I r
P O R NSET S p U MO RAL SO RAY S P ORPO R PSO - M Y S O MT S I PO RSU P MPA N O MnteS YS
R CO P N P A P
R R RI R U B O O T R R D G
I N U Y V T C E R M R T C
MB p Ee S
incluir mas datos que son CO BAC O ST C O EA C NC NC DA V RO E APPL R S F ANC O P E C O & jm I C
IN S U S B N I I S T B U E E T I 'S L B RV
N Y GI I NDNI CA ST IV AKET NA M NY I S E F F LE NSY A N R IA RT SE
insignificantes. A E
R T O O LLA R A N R N
A JI A N J F
S IO R
O
A ESP AT E
MP A SC TR T C S URM A RI ILI LL VA T M
C O
C OL E ES PE M EM
I
M O LIA ST
TY T E W U N I L
ES A S IN
AU W IM B ET N W
BE S P L O
Y SA
LL
SA
C ount 10139
2253
5484212802772682242132061811771731561391331241221171131111081071049998 974196
Percent 4811 3 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 20
C um % 48586163 646667 686970 7172 737374 757576 7677 77 7878 797980 80 100
154
Análisis Grafico
Archivo: Olympic.mpj
155
Análisis Grafico
Olympics
95
90
85
High
80
75
70
0 10 20 30 40 50 60 70 80 90
Year
Olympics Olympics
2800
350
2600
2400
325
2200
2000
Discus
Long
300
1800
1600
275
1400
1200
250
1000
0 10 20 30 40 50 60 70 80 90 0 10 20 30 40 50 60 70 80 90
Year Year
156
Análisis Grafico
Mejorar Medir
Analizar
158
Herramientas Analíticas
7 HERRAMIENTAS ANALITICAS
1. Estadística Descriptiva
2. Prueba de Hipótesis
3. T-test
Poder de P
Intervalo de confianza
4. Regresión Least Square
5. Regresión Múltiple
Diagrama de Gráficos
Tabla de Correlaciones
6. Anova
7. Chi Cuadrado
Analizar
Controlar Definir
Mejorar Medir
Analizar
160
Estadística Descriptiva
P erro de P erro de
Carne P ollo
162
Estadística Descriptiva
• Una herramienta adicional para analizar datos sin utilizar gráficos en Minitab esta
en el área llamada Estadística Descriptiva.
• Esta herramienta le ayudara a extraer la Media, la Mediana y la Desviación
Estándar de los datos.
(1) Stat > Basic Statistics > Display (2) Variable: Sodium , By variable: Type
163
Estadística Descriptiva
164
Analizar
Controlar Definir
Mejorar Medir
Analizar
165
Prueba de Hipótesis
169
Prueba de Hipótesis
Beta
Power = 1 - β
Controlar Definir
Mejorar Medir
Analizar
172
Prueba T
• Para una prueba a una clase de perdida de peso para ver si todos
perdieron los 10 kilos anunciados en la campana publicitaria de la
compañía.
• Analizar mpg de un nuevo modelo de carro contra el mpg anunciado.
174
Prueba T
Que m edia
P robar
T-test (2 variables )
175
Prueba T
P < .05
Tiene una“diferencia
Significativa”; datos no
son igueales a la media y
desviacion estandar
Debe m eter la Desviación Estándar
y la M edia.
Estos datos se pueden obtener con
Estadística Descriptiva
176
Prueba T
Beef Poultry
Asunciones de la Prueba T:
• Las dos poblaciones son distintas
•Los datos son independientes y al azar
• Las poblaciones son normales pero no necesitan tener la misma varianza.
• T test pueden ser computados de seis estadísticas de datos:
2 medias, 2 desviaciones estándar, and 2 tamaños de muestra.
177
Prueba T
Archivo:Hotdogs.mpj
Stat > Basic Statistics > 2 Sample t Samples in one column or different?
En este caso P>0.05 por esto aceptamos la hipótesis nula y concluimos que
no hay suficiente evidencia de diferencia estadística. Puede haber
diferencia, pero estadísticamente podemos concluir que no es significativa.
179
Prueba T
600 600
500 500
Sodium
Sodium
400 400
300 300
200 200
Beef Poultry Beef Poultry
Type Type
180
Prueba T
181
Prueba T
Hay diferencia en el
tiempo que vivirán?
182
Prueba T
Refresher on M initab: Stat > Basic Stats > 2-sam ple t...
Archivo:Rats.mpj
349 Dias 219 Dias Las ratas en dieta restringida viven 219-349 mas
183
Prueba T
Ejercicio:
(1) Un investigador quiere determinar si la media de gastos de energía en casas de estratos
altos es diferente al valor publicado de $1080. Cualquier diferencia de por lo menos $100 en
cada dirección es considerada significante.
(2) Repetir los datos usando z-test. $183 es un buen estimado para Sigma.
Ejercicio:
Una firma de salud quiere saber cual de dos hospitales, A & B, tiene el nivel de satisfaccion
mas alto en pacientes de maternidad. La firma usara esta información para referir pacientes
y hacer sugerencias al hospital para mejoras.
184
Regresión de Least Squares
Adivina P rueba
O
asum e ? P or
Estadística
185
Regresión
Análisis de Regresión
186
Regresión de Least Squares
Regresión
187
Regresión
188
Regresión
B Average
Tem p A Average
Tim e
189
Regresión
TOPI COS:
• Diagram a de
Dispersión
• Least squares
• Regresión
• Línea de subida
• Residuales
y = b o + b 1x
Si conocem os
X,
Y es la P odem os
predecir el
respuesta
valor Y
X es el pre decidor
Form ando la relación de 2 variables
191
Regresión
Y Y
X X
y = bo + b1 x y = bo + b 1 x
Y axis es siem pre vertical X axis es siem pre horizontal
192
Regresión
bo es la intersección
de “0” en el eje
Y
X y el valor Y
bo = 3.0
X
y = b o + b 1x
y = 3.0 + 0.5 x
193
Regresión
B1 es el COEFI CI EN TE
Si b 1 es igual 0,
Y La pendiente de la
línea es “plana”
b1 = 0
X
y = bo + b 1 x y = 3.0 + 0 x
Aquí la predicción de “Y” no es influenciada por la variable “X”
Com o “X” increm ente o dism inuya, “Y” se m antiene igual.
Como incremente “X”, “Y” disminuye Como “X” incrementa “Y” incrementa
gradualmente gradualmente
b1 Negativo
Y Y
b1 Positivo
X X
y = bo + b 1 x y = bo + b 1 x
y = 3.5 + -.4 x y = 3.5 + .35 x
Sib1 es negativo; Si b1 es positivo,
La pendiente de la línea es “hacia abajo” La pendiente de la línea es “hacia abajo”
b1 = -.4 b1 = +.35
195
Regresión
Y Y
X X
b1 positivo; b1 negativo;
+ .5 en eje Y - .5 en eje Y
Variables:
Manatíes muertos Y
Botes registrados X
Unidades:
Número de manatíes muertos
1000’s de registraciones de
botes
y = bo + b 1 x
Manatíes muertos = -35 + .11 botes (1000)
Inclinación:
0.11 manatíes muertos por 1,000 botes
197
Regresión
198
Regresión
40
R-sq
Explica el
kills
30 porcentaje de
variación 83%
20
10
450 500 550 600 650 700 750
X=0 boats
199
Regresión
Residuales
200
Regresión
201
Regresión
Diagram a Norm al sin Regresión
202
Regresión
Un diagram a de 40
Regresión de
M uertes vs. Botes
kills
Desviación Estándar
de 5.409 20
10
450 500 550 600 650 700 750
boats
203
Regresión
P value es menos de .05 nos dice que tenemos una relación muy fuerte, y
educando a los que conducen los botes y marcando zonas de no botes no ha
ayudado a reducir las muertes de los manatíes. (No hemos encontrado la GRAN
“X”)
204
Regresión
205
Regresión
206
Regresión
Ejercicio BB
Tenemos 3 archivos de Minitab que usaremos. Responda las 3 preguntas de abajo.
207
Regresión Múltiple
Regresión M últiple
Al analizar problemas, hay muchas situaciones donde una herramienta mas
poderosa es requerida.
• Qué haces cuando tienes varias X’s que son necesarias para determinar Y?
• Regresión Múltiple puede analizar más una X .
Regresión M últiple
P or qué?
Regresión M últiple
Cóm o?
• Un Black Belt quiere saber si existe una relación entre la ocupación de un fin
de sem ana en Haw aii y las condiciones del clim a en California.
• Co-relación nos perm ite ver los datos para saber si existe una relación.
• Regresión M últiple perm ite al Black Belt desarrollar un m odelo para predecir
ocupación basado en los niveles de tem peratura y precipitación de California.
(2 X ’s)
• Un Black Belt quiere reducir el promedio de tiempo que los clientes pasan en
espera antes de ser atendidos.
211
Regresión Múltiple
• La asunción de que el precio prom edio por platos, m esas por m eseros y
num ero de opciones en el m enú influencian en las ganancias.
212
Regresión Múltiple
213
Regresión Múltiple
215
Regresión Múltiple
(2) Seleccione las 4 variables; Y & X’s (4) Click Lower left
216
Regresión Múltiple
X
Total pizzas & Defectos parecen estar
T otal P izzas
45
relacionados
30 X
Defects
15
3.0
X
1.5
Incor r ect O r der
0.0
50 Y
45
Deliver y T ime
40
Regresión M últiple
M atrix P lot & Tabla de Correlación
Una tabla de Correlación ayuda a confirmar la gráfica de un
Matrix Plot y determinar si existe una correlación verdadera.
(1) Stat > Basic Statistics > Correlation (2) Seleccionar 4 variables
Click
218
Regresión Múltiple
Click
220
Regresión Múltiple
P value para la
ecuación total
221
Anova
ANOVA
Cuando tenem os m as de dos grupos para com parar,
podem os usar ANOVA (m uy sim ilar a la Regresión)
Las pruebas son usadas para investigar y modelar las relaciones entre una
variable de respuesta y una o más variables independientes.
222
Anova
223
Anova
224
Anova
(4) Click OK ; OK
225
Anova
(4) Click OK ; OK
226
Anova
ANOVA
Tom em os en m ilím etros de la Zona Boxplot of 5 YEAR by Change
Clara
Son diferentes?
5
5 YEAR
3
1
3.0 3.5 4.0
Change
Aceptam os la Hipótesis
N ula desde que ninguno
de las tres m edias son
estadísticam ente
diferentes.
227
Anova
Ejercicio 1.
Un ejecutivo de una cadena de supermercados necesita
determinar si o no las ventas de un nuevo producto son afectadas
por el pasillo en el cual el producto es almacenado. Si hay ocho
pasillo en la tienda, el experimento consistiría en localizar el
producto en diferentes pasillos en cada una de las ocho semanas
y registrar las ventas semanalmente. La prueba evaluaría si o no la
media de ventas semanal difiere.
Arreglo en columnas en Minitab de 8 pasillos en el supermercado
228
Anova
Análisis de Variancia
Valor-P > .05
Source DF SS MS F P
Factor 7 79.95 11.42 1.84 0.093 No hay diferencia
Error 72 447.60 6.22 significativa
Total 79 527.55
Individual 95% CIs For Mean
Based on Pooled StDev
Level N Mean StDev ---+---------+---------+---------+---
1 10 5.700 2.751 (-------*------)
2 10 7.700 1.160 (-------*------)
3 10 5.000 2.582 (-------*-------)
4 10 7.800 1.398 (-------*-------)
5 10 5.400 2.875 (-------*-------)
6 10 5.400 2.875 (-------*-------)
7 10 5.900 2.470 (-------*------)
8 10 5.700 3.093 (-------*------)
---+---------+---------+---------+---
Pooled StDev = 2.493 4.0 6.0 8.0 10.0
No hay una diferencia significativa entre los ocho pasillos. Si esto cuesta más dinero
para poner su producto en 2 o 4 pasillos, no hay una ventaja estadística para pagar más
dinero para estar en esos pasillos. Muestran buenas ventas.
229
Anova
Ejercicio 2.
Un manufacturero de productos del campo quiere determinar si el rendimiento
de una cosecha difiere cuando la tierra es tratada con varios fertilizantes.
Fueron plantados puntos de tierra similares con el mismo tipo de semilla pero
fertilizantes diferentes. Al final de la cosecha, se compararon las medias de la
productividad de las muestras. Históricamente, este tipo de experimentos
fueron los primeros para usar el análisis de varianza y la terminología de los
experimentos originales todavía se usan. No importa que experimento sea, las
pruebas están diseñadas para determinar si hay diferencias significantes entre
el tratamiento de las medias.
Construir esta
hoja de trabajo
en Minitab.
230
Anova
232
Anova
10000
8000
6000
Data
4000
2000
0
aisle 1 aisle 2 aisle 3 aisle 4 aisle 5 aisle 6 aisle 7 aisle 8
No existe diferencia significativa entre las m edias de las 8 islas. El P -value fue de
16% m as alto que 0.05. Esto es suficientem ente cerrado para continuar investigando.
Que resultados obtenem os cuando com param os las poblaciones de 2 y 4 vs. el resto?
233
Analizar
Controlar Definir
Mejorar Medir
Analizar
234
Chi Cuadrada
Una familia de pruebas de hipótesis que compara la distribución observada de
sus datos con su distribución esperada de acuerdo con la hipótesis nula.
Existen diferentes pruebas Chi-Cuadrada para ayudar a:
Probar el grado de ajuste de una muestra a una distribución teórica. Por
ejemplo, los resultados de un dado de 6 lados siguen una distribución
uniforme, porque los 6 resultados tienen igual probabilidad. Puede probar si
un dado es justo, al lanzar el dado muchas veces y utilizar la prueba chi-
cuadrada de bondad de ajuste para determinar si los resultados siguen una
distribución uniforme. En este caso, la estadística chi-cuadrada cuantifica
hasta qué punto la distribución observada de conteos varía con respecto a la
distribución hipotética.
Probar la independencia entre variables categóricas. Por ejemplo, un gerente
de tres centros de llamadas de atención al cliente desea saber si una
solución satisfactoria de un problema de un cliente (sí o no) depende de qué
oficina recibe la llamada. El gerente recolecta las soluciones satisfactorias y
no satisfactorias para cada oficina en una tabla y realiza una prueba chi-
cuadrada de independencia con los datos. En este caso, la estadística chi-
cuadrada cuantifica cómo la distribución observada de conteos varía con
respecto a la distribución esperada si no existe ninguna relación entre el
centro de llamadas y una solución satisfactoria.
Como se calcula Chi Cuadrada
1. Trabaja en base a valores observados valores esperados
2. El valor esperado para cada celda de la tabla de contingencia se obtiene
multiplicando el total marginal de columna por el total marginal de la fila
divido por el total
3. Luego se calcula un valor chi para cada celda el cual se obtiene restando el
valor observado menos el valor esperado , esta diferencia se eleva al
cuadrado y se divide por el valor esperado.
4. Finalmente se suman todos los valores chi de todas las celdas y se obtiene
el chi cuadrado
5. Se buscara en la tabla de chi el area que le corresponde según los grados de
libertad
6. Los grados de libertad se obtiene de multiplicar numero de filas menos 1 por
numero de columnas menos 1
Grado de instrucción
total
Primaria Secundaria Superior
Si 120 68 52 240
Control
pre natal
No 300 142 18 460
(120 − 144 )
2
(68 − 72 )
2
χ =
(52 − 24 )
2
= 32.67
χ = =4 χ = = 0.22
2 2 2
Chi cuadrado parcial 11
144
12
72
13
24
Grado de instrucción
total
Primaria Secundaria Superior
Si 120 68 52 240
Control
pre natal
No 300 142 18 460
χ 2
=
(300 − 276 )
2
= 2.09 χ 2
=
(142 − 138)
2
= 0.12 χ 2
=
(18 − 46 )
2
= 17.04
Chi cuadrado parcial 21
276
22
138 13
46
Chi Cuadrada
239
Chi Cuadrada
241
Chi Cuadrada
Residuales - muestran lo esperado vs. lo actual; note que en las 3 clases lo hombres tienen
un residuo negativo.
P value en las 3 clases es menos de .05; hombres estaban en mayor riesgo de sobrevivir el
accidente.
EJEMPLO:
Supongamos que estamos interesados en la conexión entre sexo y
preferencia a un partido político. Entrevistas 100 personas sobre su
afiliación política y pones el número de hombres en la línea 1 y mujeres en
la línea 2. La matriz se vería de la siguiente manera:
C1 C2 C3
Demócratas Republicanos Otros
Male 28 18 4
Female 22 27 1
243
Chi Cuadrada
244
Chi Cuadrada
No existe
diferencia ya que
P-value >.05
El P-value de 0.1152 indica que no hay evidencias fuertes que el sexo y elección de partido
político estén relacionados. Note que hay dos de seis celdas con conteos esperados de menos
de cinco. Por esto aunque se obtenga un valor P significativo para estos datos, la
interpretación del resultado seria dudosa. Para tener mas confianza con el resultado, se
debería repetir la prueba omitiendo la categoría de otros.
245
Chi Cuadrada
246
Chi Cuadrada
p=.045
247
Chi Cuadrada
248
Chi Cuadrada
p=.003
Resum en
251
Controlar Definir
Mejorar Medir
Analizar
252
Diseño de Experimentos
Objetivos
Aplicaciones de DOE
Cualquier combinación de entradas para
crear salidas:
Kilómetros por Hora
Kilómetros por Galón
Proceso de molde
Proceso de Soldadura
Proceso de Entregas
Proceso de Recaudación de Fondos
Proceso de Pagos
Proceso de Diseño
Futbol
254
Diseño de Experimentos
EXPERIMENTO:
Una operación hecha bajo condiciones
controladas para de esta forma descubrir un
efecto o ley desconocido, probar o
establecer una hipótesis, o ilustrar una ley
desconocida.
Palabras Relacionadas:
Investigación, Examinar, Análisis,
Estudio, Búsqueda
255
Diseño de Experimentos
Métodos de Experimentación
• Prueba y Error
• Un Factor a la Vez (OFAT)
256
Diseño de Experimentos
257
Diseño de Experimentos
Mileage: As a Function of
Speed and Tire Pressure
M ejor u Optim a-
75 No observado en
70 17 OFAT
65
Speed (mph)
60 26
55 18 23 26 26 20
50 26
45
40 18 35
35
30
26 28 30 32 34 36 38
Tire Pressure (lbs.)
259
Diseño de Experimentos
260
Diseño de Experimentos
Bateador a turno
262
Diseño de Experimentos
DOE………….Bateador a turno
Bill tiene un problema. El equipo de Beisbol de su empresa no estaba
haciendo muy bien, y el era parte de la razón. Bill estaba teniendo
problemas al batear.
Pero Bill es un Six Sigma Black Belt. El decidió estudiar su problema
de bateo usando un acercamiento de Six Sigma tal como lo hace en el
trabajo; conduciendo un Diseño de Experimentos.
Primero Bill determino cuales factores son importantes, luego de
tener una larga lista la redujo a 4 variables experimentales.
-1 +1
Factor Nombre Unidad Tipo Nivel 1 Nivel 2
A Posición del Pie Angulo Categorico Cuadrado 45
B Agarre en el bate Pulgadas Númerico 0.000 2.000
C Posición en la caja N/A Categorico Delante Atras
D locidad del lanzamien Mph Númerico 60 Mph 80 Mph
263
Diseño de Experimentos
266
Diseño de Experimentos
267
Diseño de Experimentos
El análisis indica que cuando Bill esta enfrentando un lanzador con gran
velocidad (80 mph), el puede mejorar su promedio de 8% a 28.75% al
pararse en la parte de atrás de la caja de bateo:
P it c h s p e e d B a t t e r b o x p o s it io n A v a ra g e
S lo w F o rw a rd 3 8 .7 5 %
Fast Back 2 8 .7 5 %
268
Diseño de Experimentos
Resum en
I ntroducción a Diseño de
Ex perim entos.
La habilidad de predecir “Y” basada
en la “X”
DOE es aplicado para todo, hasta
beisbol.
269
Diseño de Experimentos
Define
Measure
Factorial Design
Analyze
1 1 1 1
1 1 1 1
1
Improve
B 1 1 1 1
1
1 1 C 1 1
-1 -1
-1 1
A Control
-1 D 1
DOE
270
Diseño de Experimentos
271
Diseño de Experimentos
272
Diseño de Experimentos
273
Diseño de Experimentos
Conceptos de DOE
Es una serie de pruebas sistémicas en la cual varias
Variables de Entrada (X) son directamente manipuladas y el
efecto en las Variables de Salida (Y) son observadas.
− Para determinar cual X afecta.
− Para determinar donde colocar la X que influye para
centrar Y en la meta.
− Para determinar donde colocar la X que influye para
minimizar la variación en Y.
− Para determinar donde colocar la X que influye para
minimizar la influencia de otras variables no
significantes (Variables Ruidosas).
274
Diseño de Experimentos
275
Diseño de Experimentos
Convertir a
problem a
Diseño estadístico
Conducción
Solución
Analizar estadística
Convertir a una
Confirm ar solución practica
...Controlar
276
Diseño de Experimentos
P laneación Diseño
278
Diseño de Experimentos
Conducción Analizar
A: Temp
1.5 A: Temp
A B: Conc
B: Conc C: Cat
A C: Cat
1.0
AC
AC
Normal Score
0.5
B
0.0
AB
-0.5
C
-1.0
ABC
-1.5
BC 0 10 20
Effect
0 10 20
279
Diseño de Experimentos
Confirm ar
280
Diseño de Experimentos
temp
-1
1
80
F a c to r ia l D e s ig n 70
Mean
1 1
60
1 1 50
-1 1
1 catalyst
1 1
B 1
Main Effects Plot (data means) for yield
1 1
-
C
-1
-1
-1 A 1 70
65
60
55
N-1 = 7 50
t em p c onc c at aly s t
281
Diseño de Experimentos
282
Diseño de Experimentos
Nom enclatura
Designando un diseño 2k porque k es el número de factores y
2 es el número de niveles en la cual el factor es probado.
Un factorial 23 tiene 3 factores, cada uno con 2 niveles (este
experimento puede ser en corridas de 2*2*2=8)
Ejemplo:
Un proceso con 5 entradas a 2 niveles. Los factores son: Tiempo,
Temperatura, Acido, Concentración, y Operador.
Nomenclatura Full Factorial es = 2k
Con 5 factores = 25
o 2 * 2 * 2 * 2 *2 de corridas = 32 Corridas en Total
284
Diseño de Experimentos
287
Diseño de Experimentos
288
Diseño de Experimentos
Repeticiones
Variaciones cortas –dentro de la instalación.
Podría tener implicaciones de costo.
Replicas
Error puro entre variaciones de instalación.
Las consideraciones de costos son mas grandes que las
repeticiones.
Inferencia estadística mayor.
Captura mas variaciones.
Gana un grado de libertad.
289
Diseño de Experimentos
Conduciendo un diseño de 2 3
Este ejemplo se relaciona con variables de entrada cuantitativa
(Temperatura y Concentración) y una entrada cualitativa (Catalizador)
de producción.
Los factores y niveles:
− Temp: 160o C (-1), 180o C (1)
− Concentración (%): 20 (-1), 40 (1)
− Catalizador: Marca A (-1), Marca B (1)
El diseño de la matriz con resultados se ve así:
Temp Conc Catalis Rend.
-1 -1 -1 54
1 -1 -1 56
-1 1 -1 47
1 1 -1 55
-1 -1 1 51
1 -1 1 88
-1 1 1 45
1 1 1 85
Diseño Full Factorial con una observación por
tratamiento.
290
Diseño de Experimentos
Interacciones
291
Diseño de Experimentos
Entradas
Salidas
292
Diseño de Experimentos
Analizando el DOE
Analítico
Cálculos de Efectos.
Modelos Y = f(x) .
Minitab.
Significancia Estadística.
293
Diseño de Experimentos
294
Diseño de Experimentos
Gráfico
Main Effects Plot (data means) for yield Interaction Plot (data means) for yield
temp
-1 1 -1 1 -1 1 -1
1
70
80
65
70
Mean
y ield
60
55 60
50
50
temp conc cataly st
-1 1
catalyst
Cube Plot (data means) for yield
45 85
conc 51 88 1
-1 1
temp
295
Diseño de Experimentos
(88+85+56+55) (54+51+47+45)
Temperature Effect=
4 4
= 71.00 - 49.25 = 21.75
Esto puede ser interpretado como la producción aumentando en un promedio de 21.75
puntos mientras la temperatura se mueve de Baja a Alta.
296
Diseño de Experimentos
70 •71
65
Diagrama 60
de Efectos
Principales55
50
• 49
(-1) (+1) (-1) (+1) (-1) (+1)
Temp Conc Cat
297
Diseño de Experimentos
Diagram as de I nteracción
Para cada diagrama de interacción (usando Temp x Conc como ejemplo.
Para Temp -1, saque el promedio de cada respuesta cuando Conc era -1
Para Temp +1, saque el promedio de cada respuesta cuando Conc era -1
Grafique los dos puntos. Dibuje una línea entre los 2 puntos y nómbrela “Conc
-1”
Repetir para “Conc +1”
Complete los otros diagramas de interacción.
Que indicaría una interacción “fuerte” entre los factores?
55
•
45 •
(-1) (+1) (-1) Conc (+1)
(-1) Temp (+1) Temp
298
Diseño de Experimentos
299
Diseño de Experimentos
Análisis Estadístico
Fractional Factorial Fit: yield versus Temp, Conc, Cat
Coeficientes Probabilidad de
representando el Llamar a un Termino
modelo Significante cuando
no lo es.
301
Diseño de Experimentos
Evaluación
302
Diseño de Experimentos
Conducción
Analizar
Confirmar
303
Diseño de Experimentos
AxBxC
Run A B C AxB AxC BxC 1 2 3 avg std
1 -1 -1 -1 1 1 1 -1 6.3 6.9 6.2 6.5 .38
2 1 -1 -1 -1 -1 1 1 7.2 6.7 7.3 7.1 .32
3 -1 1 -1 -1 1 -1 1 9.3 9.2 9.1 9.2 .10
4 1 1 -1 1 -1 -1 -1 3.7 3.9 3.8 3.8 .10
5 -1 -1 1 1 -1 -1 1 7.0 6.6 7.4 7.0 .40
6 1 -1 1 -1 1 -1 -1 3.9 3.6 4.3 3.9 .35
7 -1 1 1 -1 -1 1 -1 6.0 6.3 6.1 6.1 .15
8 1 1 1 1 1 1 1 5.0 4.9 5.1 5.0 .10
304
Diseño de Experimentos
305
Diseño de Experimentos
DOE
Entre el diseño deseado – Predeterminado es 2-level factorial
Mostrar
Diseños
Disponibles
(Veamos las
opciones que
tenemos antes de
seleccionar el
modelo)
306
Diseño de Experimentos
DOE
Muestra de Diseños Disponibles
Resolución
Disponible
307
Diseño de Experimentos
Diseños
308
Diseño de Experimentos
Opciones
Fold Options
Aleatorio
309
Diseño de Experimentos
Factores
310
Diseño de Experimentos
DOE
Layout
Diseño Full Factorial
6 Factores Elim ina nom bram ientos
2 Niveles
Total de 64 Corridas
Aleatorio
311
Diseño de Experimentos
Entre la salida
Para cada
tratamiento
DATOS
MEDIDOS
312
Diseño de Experimentos
313
Diseño de Experimentos
Entre Respuesta
Seleccionar
314
Diseño de Experimentos
Seleccionar Términos:
Efecto Principal
Todos con interacción
de 2 formas
315
Diseño de Experimentos
Seleccionar Gráficos
Diagrama de
Efectos Principal
Diagrama
De Residuales
Cuatro en Uno
316
Diseño de Experimentos
BD
CE
DE
C
AD
BF
AB
DF
EF
E
F
317
Diseño de Experimentos
90 F actor N ame
A A
80 B B
C C
70 D D
Percent
60 E E
50 F F
40
30
20
10
5
AC
1
-3 -2 -1 0 1 2 3
Standardized Effect
318
Diseño de Experimentos
Residual
Percent
50 0
10 -10
1
-20
0.1
-40 -20 0 20 40 40 50 60 70 80
Residual Fitted Value
Residual
8 0
4 -10
-20
0
-20 -10 0 10 20 1 5 10 15 20 25 30 35 40 45 50 55 60
Residual Observation Order
319
Diseño de Experimentos
320
Diseño de Experimentos
321
Diseño de Experimentos
322
Diseño de Experimentos
323
Diseño de Experimentos
Resumen DOE
324
Analizar
325
Optimizador de Respuestas
Utilice el Optimizador de respuestas de Minitab para
identificar la configuración de factores que optimiza una
respuesta individual o un conjunto de respuestas. En caso
de que sean múltiples respuestas, se deben satisfacer los
requisitos de todas las respuestas del conjunto.
Optimizador de Respuestas
(1) Estadisticas > DOE > Factorial > Analizar diseño factorial…
File: Catapulta
Optimización
Optimizador de Respuestas
(1) Estadisticas > DOE > Factorial > Optimizador de respuesta…
Optimización
Optimizador de Respuestas
Optimización
Optimizador de Respuestas
(6) Aceptar
(7) Aceptar
Experimento Factorial Fraccional
Rendimiento
esperado para cada
Y
Mejorar Medir
Analizar
Objetivos
Tipos de FMEA
FMEA de Sistemas
Condiciones peligrosas
Mal funcionamientos
Vida corta del producto o servicio deficiente
Satisfacción
FMEA de Diseño
Detección = Verificaciones en el diseño para capturar las debilidades antes de que sean
aprobadas para manufactura.
FMEA de Proceso
Ingeniería diseña el proceso para cumplir con las especificaciones
Modo de Falla = Rechazar (Fuera de especificaciones)
Causa = Debilidades en el proceso
Detección = Controles puestos en el proceso para prevenir que los defectos llegue al
cliente.
FMEA
RPN
Severidad
FMEA
Ocurrencia
Ocurrencia
Severida
Responsable y
Severidad
Detecció
Detecció
Efecto (s) Causa (s) Fecha de
RPN
Item/Paso del Modo Controle Acción Acciones
RPN
d
n
Potencial (es) Potencial
Proceso Potencial s Recomendada Terminación del Tomadas
de Falla (es) Objetivo
de falla Actuales
de Falla
3. Liste uno o más efectos potenciales para cada uno de los modos de falla.
Conteste la siguiente pregunta: ¿Si la falla ocurre, cuáles son las consecuencias?
8. Usar el RPN para seleccionar el modo de falla con prioridad más alta.
9. Hacer un plan para reducir o eliminar el riesgo asociado al modo de falla con prioridad más alta
9 Ser ilegal.
8 Dejar el producto o servicio no apto para usarse.
7 Causar una insatisfacción extrema en el cliente.
6 Resultar en un mal funcionamiento parcial.
5 Causar una pérdida de desempeño la cual probablemente resulte en una queja.
4 Causar una pérdida de desempeño menor.
3 Causar una molestia menor, pero es superada con el desempeño.
2 No ser notada y tiene un efecto menor en el desempeño.
1 No es notada y no afecta el desempeño.
Bueno
FMEA
1 Los defectos son obvios y pueden ser eliminados sin afectar al cliente.
Bueno
FMEA
la Operación V Falla C T N
Resumen FMEA
Mejorar Medir
Analizar
Objetivo
1. Lugar de Trabajo Visual (5S’s)
Revisión de Métodos para Reducir el
Desperdicio
Entender las 5 S’s
Aprender las 5 palabras Japonesas
2. Desarrollo de Instrucciones de Trabajo
Procedimientos de Operación Estándar
3. Métodos LEAN (Manufactura Esbelta)
Sistemade Jalón (Pull System)
A Prueba de Error (Poka-Yoke)
Mejorar Medir
Analizar
1. El Lugar de Trabajo Visual
Actividades que agregan valor y desperdicio
Actividades que agregan valor Actividades que no agregan valor
Tipos de Desperdicio
• Sobreproducción, producir artículos que no podemos vender
inmediatamente después de producirlos.
• Espera, en la operación subsiguiente
• Transporte, de material
• Sobre procesamiento, pasos en procesos que no son necesarios
• Inventarios, más que el mínimo absoluto
• Movimientos, movimientos innecesarios de gente durante el curso de su
trabajo
• Partes defectuosas, scrap y retrabajos
Controlar Definir
Mejorar Medir
Analizar
Las 5 S’s
Al nivel más fundamental, todos los pasos de 5S’s se
traducen fundamentalmente en un lugar de trabajo
limpio y ordenado.
Este orden y limpieza nos lleva a mejorar los niveles
de tiempos de respuesta, mejoramientos de calidad, y
reducciones de costos.
5S ayuda a descubrir la “fábrica escondida”.
Cuando se expone la “fábrica escondida”, aparecen
rápidamente las oportunidades de mejoramiento y el
proceso empieza a estandarizarse.
0 30 $ 8 #
0
1 15 2 8
22
7
2 %
# $ 16
28 3 5 $
9 24
24 9
5 3 28
16
2
7
22
20 15 10
8 30
Ahora los números han sido clasificados y se han eliminado los elementos
innecesarios y que no hacían parte de un grupo común.
24 18 9 5 12 3 28
21 16 1 29 7 17
13 2
11 4 20 23 22
14 15 19
6 27 30
25 8 2 26 10
5S - El Juego de Números – S4
Ahora los números han sido completamente simplificados, ordenados y
estandarizados.
Repita el ejercicio.
1 2 3 4 5 6 7 8 9 10
11 12 13 14 15 16 17 18 19 20
21 22 23 24 25 26 27 28 29 30
5S - El Juego de Números
1 2 3 4 5 6 7 8 9 10
11 12 14 15 16 17 18 19 20
21 22 23 24 25 26 27 28 30
Takashi Osada
‘Las 5S’s: Cinco Claves para un
Ambiente de Calidad Total’
OHT 04
Dificultades frecuentes en la
implementación
• Limitarlo a una acción periódica de limpieza cuando hay visitas ó
auditorias.
Antes Después
# 1 Seiri – Seleccionar, Separar,
Depurar
Depurar todo lo que no es necesario.
AREA CRITERIOS
Oficinas:
Superficies de los escritorios Solo los documentos que se necesitan para la tarea actual
Inventario de Retirarlo de la
artículos Usado dos zona de trabajo y
Raramente
veces al año. ponerlo en otra
usado parte
Todo tiene un lugar: Un lugar para cada cosa y cada cosa en su lugar
Designar localizaciones en una variedad de formas
Líneas en el piso
Señalamientos que cuelgan del techo
Tableros de herramientas
Áreas que indican donde debe ir la papelería
Herramientas con código de colores o formas y espacios de trabajo
Pintar, restaurar, limpiar, etc. Conseguir que los artículos que quedaron
vuelvan a su condición original, que queden como nuevos!
Eliminar el papeleo innecesario. Limpiar las áreas de oficina.
Limpieza es inspección!
1
• Seleccionar
2
• Organizar
3 • Limpiar
Estándar y Disciplina
#4 Seiketsu – Uniformizar, estandarizar
Estandarizar los métodos de limpieza.
Mejorar Medir
Analizar
2. Instrucciones de Operación Estándar
(SOP)
Es la forma conocida más eficiente para completar
una tarea requerida, con las herramientas
disponibles, y el tiempo permitido.
Otras ideas:
Utiliza diagramas de flujo o mapas de proceso
Redacta las instrucciones en bloques que no sean muy largos. No
deben de exceder 2 a 3 paginas.
SOP – Experimento del Cerdo
SOP = Standard Operating Procedure.
1 2
4 3
SOP – Experimento del Cerdo - 2
1. Dibuje una M en la intersección 1.
2. Dibuje una W en la intersección 3 y 4.
3. Dibuje un círculo en la mitad del cuadro entre la intersección 1 y 4.
4. Dibuje dos pequeños círculos en el círculo (del paso 3).
5. Dibuje una e cursiva en la mitad del cuadro entre la intersección de 2 y 3.
6. Dibuje una línea cóncava de la parte superior del círculo grande hasta el lado izquierdo de la M en la intersección 1.
7. Dibuje una línea convexa de la parte de abajo del círculo grande hasta el lado izquierdo de la W en la intersección 4.
8. Dibuje una línea cóncava del lado derecho de la W en la intersección 4 al lado izquierdo de la W en la intersección 3.
9. Dibuje un medio círculo para conectar la W en la intersección 3 a la M en la intersección 1, asegúrese de que toque la e
cursiva.
1 2
4 3
SOP – Experimento del Cerdo - 3
Paso 1
1 2
4 3
Paso 2
1 2
4 3
SOP –Experimento del Cerdo - 3
Paso 3
1 2
4 3
Paso 4
1 2
4 3
SOP – Experimento del Cerdo - 3
Paso 5
1 2
4 3
Paso 6
1 2
4 3
SOP – Experimento del Cerdo - 3
Paso 7
1 2
4 3
Paso 8
1 2
4 3
SOP – Experimento del Cerdo - 3
Paso 9
1 2
4 3
Lo logramos !!!
Tal vez no parezca un bonito cerdo, pero
nuestros clientes saben lo que es un cerdo y
como son.
Controlar Definir
Mejorar Medir
Analizar
Lean Manufacturing =
Manufactura Esbelta
¿Por qué los Métodos Lean y Seis Sigma?
Los métodos Lean combinados con Seis Sigma es una
metodología que maximiza el valor para los accionistas
logrando una rapidez de mejoramiento en la satisfacción del
cliente, costo, calidad, velocidad del proceso e inversión de
capital.
• Los métodos Lean solos no pueden llevar a los procesos a
un control estadístico.
• Seis Sigma sólo no puede mejorar la velocidad o reducir la
inversión de capital.
- Corrección
- Sobreproducción – el más maligno
- Transporte Transportes!
Sobreproducción! Esperas!
1. Sistemas de Jalón
• La velocidad del proceso y los tiempos de manufactura están
determinados por el WIP (work-in-process).
• WIP debe tener un límite máximo de inventario.
• Un kanban nos ayuda a controlar el nivel, solamente liberando material
nuevo cuando haya ocurrido un consumo del inventario actual.
(Kanban es una palabra japonesa que significa tarjeta; a medida que se
consume un inventario, se usa una tarjeta para requerir más material).
3. Mantenimiento Productivo
• La máquinas generalmente corren el 60% de su tiempo.
• 20% del tiempo están paradas (comidas, descansos, mantenimiento,
etc.).
• 20% no están programadas (fallas, tiempos de set-up, faltas de
material, ausentismo de los operarios, etc.)
Controlar Definir
Mejorar Medir
Analizar
Sistema de Jalón
• Un sistema de jalón en la manufactura funciona como un
supermercado.
Mejorar Medir
Analizar
SMED Single Minute Exchange Dies
Tiempo de Setup
CAMBIAR
LA CULTURA
JAT
KANBAN VSM
LINEA DE
PRODUCCION MANTENIM.
Y SEGURIDAD
ASEGURAR
DIVERSIDAD
LA CALIDAD
SMED LAS 5 S
412
EL “S.M.E.D.” Y EL JUSTO A TIEMPO
Largo tiempo
Defectos
de ajuste
Desequilibrio Falta de calidad
de la fuerza de personal
competente Paradas
trabajo
máquina
CADENCIA
T.C.O. = Tiempo Cambio Interno
T.M.C.= Tiempo subida en cadencia
TCF = TCO+TMC T.C.F. = Tiempo cambio de formato
Producto A
Producto B
400 p/H
300 p/H
T.C.F.
416
La necesidad de realizar cambios,
arranques,….rápidos
417
MÉTODO OBJETO
CUANTO? QUÉ
MÉTODO
CÓMO QQCDCC SUJETO
QUIÉN
LUGAR
DÓNDE TIEMPO
CUÁNDO
418
Pasos en la Implementación SMED
419
Etapas de Mejora con SMED
420
Etapa de Diagnóstico
El primer paso de la reducción del tiempo de cambios, arranques,
paradas o una actividad de tipo administrativo que requiera de
alistamientos, ejecución y cierre, etc es observar lo que está pasando
antes, durante y después de los cambios, arranques, paradas, etc y
medir el tiempo que lleva realizar cada actividad.
Es importante anotar todas las actividades que se realicen:
La persona responsable de cada tarea.
La preparación de la máquina, del
puesto de trabajo;
La limpieza y el orden del puesto de
trabajo…
La verificación de la materia prima y de
los productos químicos;
La correcta regulación del equipo;
El ajuste a patrones, ventanas
referentes de fabricación;
La realización y la prueba;
La aprobación y liberación para la
producción.
421
Herramientas para el Diagnóstico
Datos Estadísticos
Claves
• Registros de Tiempos de
CAFO
• Datos en tiempo real
• Estándar en la Toma de
Tiempos
Análisis
• Generar indicador de
seguimiento
• Medición permanente
• Cultura de toma y calidad de
datos
• Análisis de tiempos por etapas
• Identificar Despilfarros y
Diferencias
• Identificar variables que afectan 422
Herramientas para el Diagnóstico
Toma de Videos
Claves
• Registros Espontáneos
• No causar incomodidad
• Tomar en diferentes circunstancias
• Complementar con observación
directa
Análisis
• Mostrar el video al equipo
• Retroalimentar y generar ideas
de mejora en grupo
• Análisis de tiempos y
movimientos
• Identificar Despilfarros
• Identificar variables que afectan
las operaciones
• Tabla de valor añadido y
diagrama de Pareto
423
Herramientas para el Diagnóstico
Claves
Observación Directa
• Visitas Espontáneos
• Visión Crítica
• Necesidad de mejorar
continuamente
• Propuesta de oportunidades
de mejora
Análisis
• Lluvia de ideas
• Retroalimentación de método,
orden entre los integrantes del
equipo
• Análisis de movimientos
• Identificar Despilfarros
• Identificar variables que afectan
las operaciones
424
Identificación de Operaciones que no
agregan valor
425
Herramientas para Identificar Operaciones
que no agregan Valor
1. Tabla de Valor Añadido (TVA)
Herramienta de análisis que permite hacer una descripción detallada
de todas las actividades que intervienen en un proceso, identificando
aquellas que agregan valor o no al mismo.
427
Herramientas para Identificar Operaciones
que no agregan Valor
2. Muro SMED
Es una herramienta que nos complementa la tabla de valor
añadido controlando visualmente la evolución de los tiempos y
la mejora durante el desarrollo del proyecto de reducción de
tiempos.
428
Herramientas para Identificar Operaciones
que no agregan Valor
3. Diagrama de Pareto
El Diagrama de Pareto constituye un sencillo y gráfico método de análisis que
permite discriminar entre las causas más importantes de un problema (los
pocos y vitales) y las que lo son menos (los muchos y triviales).
429
Herramientas para Identificar Operaciones
que no agregan Valor
4. Diagrama de Spaguetti
Representación gráfica sobre el plano de una planta de los movimientos de
personas o mercancías para identificar pérdidas y desperdicios del proceso.
Nos ayuda a optimizar las operaciones y buscar el camino optimo del proceso
430
Controlar Definir
Mejorar Medir
Analizar
Dispositivos a Prueba de Error
A Prueba de Error - elimina errores, hace
imposible cometer errores
• Shigeo Shingo- inició este concepto 1961 después de observar los procesos de
ensamble en la planta de Yamada Electric.
• Dos resortes deben ser ensamblados debajo de dos botones. El defecto más
común es “resorte faltante” en el ensamble. Para eliminar este defecto, el
operador tiene que poner los dos resortes en un disco. Esto muestra al operador
cuando ambos resortes se han usado y el disco está vacío.
“Es bueno hacer las cosas bien la primera vez. Pero es mejor
aún, hacer que sea imposible hacer las cosas mal la primera vez.
Errores: errar es de humanos
♦ Terminamos nuestro
trabajo y no recordamos lo
que hemos hecho.
♦ Después de enviar
facturas todas las mañana,
tenemos que recibirlas en
la tarde.
Tiene dos opciones:
♦ Demandar vigilancia.
Exhortar a los trabajadores
a que “sean más
cuidadosos”.
♦ A prueba –de-errores.
Elimina la probabilidad de
cometer errores.
Ejemplos a prueba-de-errores
♦ Copiadoras
♦ Tomacorrientes / Extensiones Eléctricas
♦ Conectores de teléfono
Aprueba-de-errores en manufactura
♦ Todas las partes son males hasta que se
procesan bien
♦ Tornillos estándar vs. Tornillos de cruz
♦ Patrones por localización de etiquetas
Eliminación de Defectos
♦ Prevención de errores en el
ambiente de trabajo.
♦ Prevención de errores
(inspecciones en el origen).
♦ Prevención de influencia de
errores.
Estructura de un Defecto
Los Defectos son el resultado de un Error.
Para eliminar los defectos debemos eliminar los errores.
Para eliminar los defectos debemos de crear un ambiente
donde los errores puedan ser siempre prevenidos.
NEGATIVO POSITIVO
DETECCION
Un huerto de frutas
que siente un gran
orgullo en sus
grandes manzanas,
asegura solamente las
más grandes para sus PREVENCION
clientes, pasando
todas las manzanas a En una gasolinera las pistolas (o
través de un boquillas) de las bombas de diesel
clasificador. Las otras y la entrada del tanque son más
las envía a las tiendas grandes que las de gasolina.
de descuento.
Dispositivos de Señal
“Da una señal para atraer la atención a los defectos”
Detección Prevención
El computador Se activa un
“chilla” cuando se zumbador cuando
entra un comando se dejan las luces
equivocado encendidas.
Paro
Un elemento de restricción detiene el proceso
cuando ocurre un defecto.
1) Pins Guía o
diferentes 2) Detección de
tamaños errores y
alarmas
3) Interruptores de límite
4) Contadores 5) Hojas de
verificación
8 Principios para los Poka-yoke
1. Construir la Calidad en los procesos:
Hacer imposible la fabricación de piezas defectuosas incluso aunque se cometa un error.
Usar guardas a prueba-de-error en los jig’s y procesos.
2. Pueden eliminar todos los errores y defectos inadvertidos:
Debemos asumir que las equivocaciones no son inevitables. Donde hay una voluntad
poderosa, puede encontrarse un modo para eliminar todos los errores y defectos.
8) Investigue las verdaderas causas, usando los 5 Por qué’s y la Causa Raiz
Si ocurre un defecto, no demande más inspectores. En lugar de eso, busque la
causa raíz del problema para asegurar que las contramedidas aplicadas son la
solución real, y no sólo un vendaje. Pregunte ¿por qué ocurrió el defecto? Y la
respuesta debe ser “porque”, y pregunte de nuevo ¿Por qué?. No esté satisfecho
con las causas que lleguen fácilmente a su mente. Pregunte ¿por qué? Al menos
cinco veces para descubrir la raíz del problema. Solamente entonces pregunte
¿cómo arreglamos esto? Y ponga la solución en práctica.
Estrategias para cero errores
• No haga sobre producción
• Haga solamente lo que el cliente necesite, cuando lo necesite, en la cantidad que
necesite
• Los excesos de inventarios hacen más difícil encontrar la mala calidad
• En un ambiente de grandes inventarios, no hay un sentido de urgencia
• Eliminar, Simplificar o combinar operaciones de producción
• Identificar y eliminar el desperdicio
• Seguir los estándares de operación y utilizar ayudas visuales
• Implementar los poka-yokes
• Usar las piezas de trabajo o productos a medida que son procesadas
o ensambladas
• Adoptar un flujo de producción
• Implementar operaciones multiprocesos
• Implementar ciclos de retroalimentación y acción inmediatas
• Involucrar a todos en la prevención de defectos
• Establecer capacidades de proceso a través del CEP
• Usar Paretos de tres niveles para dar seguimiento a las oportunidades más altas
• Hacer mejoramientos diarios
• Inventar dispositivos a prueba de error
Áreas de oportunidad para los Poka-Yoke
Mejorar Medir
Analizar
Matriz de Soluciones Potenciales
Herramienta clave en la Metodología DMAIC de Six
Sigma para la selección de soluciones. Este mismo
enfoque se utiliza en Lean Manufacturing y se suele
llamarse Matriz de Contramedidas, que muestra todas
las medidas posibles relacionadas a cada causa raíz.
9
Selección Alternativas de Soluciones
Esta herramienta es una repetición del QFD. En este
caso estamos comparando las necesidades de la VOC
con las alternativas de soluciones identificadas en la
Matriz de Soluciones Potenciales.
Peso - %
Criterios
Correlaciones
9 Fuerte
3 Normal
1 Débil
0 No relación
0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
0% #DIV/0! #DIV/0! #DIV/0! #DIV/0! #DIV/0! #DIV/0! #DIV/0! #DIV/0! #DIV/0! #DIV/0!
Análisis Beneficios-Esfuerzo
Ya hemos pasado por las fases de Definir, Medir y
Analizar en un proyecto Six Sigma. Ahora en Mejorar
tomamos decisiones colectivas en sesiones de lluvia de
ideas y retroalimentación del equipo. Esto nos permite
dar el siguiente paso para identificar las causas de las
oportunidades e identificar las medidas necesarias para
lograr la mejora.
¿Pero como el líder del proyecto puede asegúrese de
que las medidas de mejora que se llevan a cabo
transformen todo ese trabajo cerebral en logros tangibles
para su organización? Una forma visual de hacer esto es
a través de la matriz de Beneficios-Esfuerzo.
Análisis Beneficios-Esfuerzo
Una matriz de Beneficios-Esfuerzo puede ser mejor definido como
un gráfico que en primer lugar se identifican todos los detalles del
beneficio potencial que una iniciativa puede traer versus el esfuerzo
en términos de tiempo y recursos que se requieren con la adición de
una línea de tiempo de la implementación de la mejora.
Después de identificar todos los pasos de mejora, el siguiente paso
es ir a través de todos y cada elemento de acción y asignar un valor
alto o medio o bajo para beneficio y esfuerzo.
Los temas de acción para la implementación pueden realizarse en
el siguiente orden:
Alto beneficio y bajo esfuerzo
Beneficio medio y bajo esfuerzo
2 2
3 3
Alto
4 4
5 5
6 6
7 7
8 8
Esfuerzo
9 9
10 10
11 11
12 12
13 13
14 14
Bajo
15 15
Controlar Definir
Mejorar Medir
Analizar
Análisis Costo-Beneficio
Análisis costo-beneficio es una técnica rápida y simple
que se puede utilizar para decisiones no críticas en la
implementación de soluciones en proyectos Six Sigma.
Donde se toman las sumas de misión crítica, o están
involucradas grandes cantidades de dinero, se requieren
otros enfoques tales como el uso de Valores Netos
Actuales o las tasas Retorno Interno que son a menudo
más apropiados.
Un análisis de costo-beneficio se hace para determinar
qué tan bien o malos serán los resultados en una acción
planificada
Análisis Costo-Beneficio
Soluciones
Beneficios Grosos Unidad
Implementada
Costos
Beneficios Netos 0 0 0
Analizar
462
Controlar Definir
Mejorar Medir
Analizar
Objetivo
Sin embargo..
FMEA
Prototype Pre-launch Production
Process Control Plan
Supplier Plant: Supplier Code: Other Approval (if required) Other Approval (if required)
Process
Part/ Process Machine Device, Characteristics Special Methods
Capability as Evaluation/ Reaction
Process Name/Operation Jig, Tools, for Char.
% of tol. or Product/Process MeasurementSample Sample Control Plan
Number Description Mfg. No. Product Process Class Specification/Tolerance
Technique Size Frequency Method
Cpk
Características
Críticas
Lecciones
Conocimiento
Aprendidas
de Equipos
Ejemplo:
Plan de Control
Mejorar Medir
Analizar
Decisión para los gráficos de control
Tipos de Datos
Datos Datos de
Datos de
Continuos Defectuosos
Defectos
(Mediciones/ (Categorizan Datos
(cuentan
Datos Atributos - Pasa/Falla,
atributos - DPU)
Variables) Go-NoGo)
Alto Volumen
Tamaño de Tamaño de
o Bajo
Volumen Muestra Muestra
Xbarra y R I-MR c u np p
Xbarra y s Vari -Nom
Mediana y R Vari -Target Delta
Mapa del Camino para los Gráficos de Control
1. Seleccionar la Variable
2. Seleccionar el Tipo de gráfico de Control
3. Establecer las bases para los subgrupos lógicos
4. Determinar el tamaño de la muestra
5. Determinar método/criterio de medición
6. Determinar la capacidad del medidor
7. Establecer los límites de control
8. Preparar las formas para graficar lo datos
9. Actualizar la documentación
10. Entrenar al personal
11. *** Vigilar / Analizar
Paso 1 y 2 – Seleccionar la variable y el gráfico de control
Selección de la variable
Entrada Clave
Salida Clave
Preocupación del cliente
Característica significante
Selección del Tipo de Gráfico de Control
Determinar el tipo de dato a ser recolectado
Determinar la aplicación
Referirse a la hoja anterior de los tipos y aplicación
Referirse a manual de CEP de la AIAG
Pasos 3 y4 – Muestreo y Subgrupos
Subgrupos lógicos
Tome el proceso deseado para control
Tamaño de Muestra
Gráfico de Variables: 5 si es posible
Gráfico de Atributos: 30 o más dependiendo de los
porcentajes
Frecuencia de Muestra
Ni grande ni pequeña
Generalmente, la más frecuente, la mejor
Los sistemas de medición en línea ofrecen control del
proceso en tiempo real
La meta es mejorar el proceso a través del tiempo y cerrar los límites de control.
Paso 9 y 10 – Actualizar la documentación y
Entrenar
Actualizardocumentación
Planes de Control Process Control Plan
FMEAs
Rev # 0000
Part Number Latest Change Level: Core Team: Customer Engineering Approval (if required)
Revision
Part Name/ Description Supplier/Plant Approval Date: Customer Qaulity Approval (if required)
Supplier Plant: Supplier Code: Other Approval (if required) Other Approval (if required)
Instrucciones de Trabajo
Characteristics Process Methods
Part/ Process Machine Device, Special
Capability as Evaluation/ Reaction
Process Name/Operation Jig, Tools, for Char.
% of tol. or Product/Process MeasurementSample Sample Control Plan
Number Description Mfg. No. Product Process Class Technique Size Frecuency Method
Specification/Tolerance
Cpk
Instrucciones de medidores
Entrenamiento
CEP general (SPC)
Aplicación de los medidores
Planes de Reacción
Paso 11 - Monitorear / Analizar
Cualquier cosa fuera de los límites de control superior o inferior está
obviamente fuera-de-control (Causa Especial)
Hay muchas reglas situaciones fuera-de-control, pero pocas donde
un operador puede realmente tomar acción.
Reglas de Western Electric:
(referencia: pruebas)
generalmente las
primeras tres
pruebas se seleccionan
484
Controlar Definir
Mejorar Medir
Analizar
Capability Sixpack
Utilice para producir un informe de capacidad de proceso cuando
sus datos sigan una distribución normal .
Para confirmar la estabilidad del proceso , el informe incluye:
Una gráfica Xbarra (o Gráfica de observaciones individuales para observaciones
individuales)
Una gráfica R o gráfica S (para tamaños de subgrupo mayores que )
Una gráfica de corridas de los últimos 25 subgrupos (o las últimas 25
observaciones)
Para confirmar la normalidad, el informe incluye:
Un histograma de los datos del proceso
Una gráfica de probabilidad normal (con intervalo de confianza del 95%,
Anderson-Darling y valores p)
Para evaluar la capacidad, el informe incluye:
Una gráfica de capacidad del proceso
Estadísticas de capacidad dentro de y general; Cp , Cpk , Cpm (si usted
especifica un objetivo ), Pp , Ppk y valores Z de referencia .
Ejemplo - Capability Sixpack
Un fabricante de alambre de cable desea evaluar si el diámetro del
cable satisface las especificaciones. Un alambre de cable debe tener
0.55 + 0.05 cm de diámetro para satisfacer las especificaciones de
ingeniería. Los analistas evalúan la capacidad del proceso para
asegurarse de que éste satisface el requisito del cliente de un Ppk de
1.33. Cada hora, los analistas toman un subgrupo de 5 alambres de
cable consecutivos de la línea de producción y registran el diámetro.
Mejorar Medir
Analizar
Comparación de Capacidad
La comparación de la capacidad antes/después determina si un
esfuerzo de mejora aumentó la capacidad del proceso para satisfacer
los requerimientos del cliente.
Comparación de Capacidad
Seis Sigma Definido por su Impacto
Corporativo
Ahorrar dinero - $25,000 por Candidato por Proyecto.
Crear una Cultura de Mejoramiento Continuo.
Desarrollar Líderes a través de la Corporación.
Fomentar y Formalizar la Comunicación y
Transferencia de las Mejores Prácticas.
Desarrollo Personal.
¿Hemos
alcanzado el
impacto
requerido?
Habilidades de Liderazgo
Habilidades de Presentación
Proceso y contenido enfocado
Repaso de Criterios
para la Certificación
Certificación Six Sigma
Criterio
Los candidatos deben completar los criterios mínimos definidos
en este modulo.
Que esperam os
500
Preparación para la Semana 3
501
Preparación para la Semana 3
Cierre…
Gracias por una buena semana!
Que tengan un buen viaje de regreso a
casa!!
Favor de llamarnos si necesita algo!!
Nos vemos en tres semanas!
Trabaje en su proyecto !!!
502
Contactos Seis Sigma
Sociedad Colombiana de Six Sigma - Acosixsigma
Ing. Eri Jorge
Oficina – (6) 3341574 ● Celular – 316.536.9952
Email – presidencia@acosixsigma.com
Claudia Jimena Navarro
Teléfono oficina –(2) 380.6132 ● Celular – 311.746.5025
Email – claudiajimena@acosixsigma.com
Wilson Melgarejo Martínez
Oficina - (1) 638 6188 ● Celular – 300.265.0686
Email- wilsonmelgarejo@acosixsigma.com
Kelly L. Villa
Oficina – (6) 3341574 ● Celular – 321.641.9462
Email- kellyvilla@acosixsigma.com