Capitulo 5 Indices de capacidad, métricas Seis Sigma y analisis de tolerancias SUMARIO Objetivos de aprendizajeiNDICES DE CAPACIDAD DE PROCESO, Proceso ed con doble especificacién Guy K L—_{c, Proceso con una a ‘each pl ops Largo plazo a ——{ By, Métricas Zz Seis Sigma 4 Esti . PPM por intervalo ———— DPMO Andlisis Estimacién 1— \de tolerancias — de limites Fijacién de limites, Estudio integral Monte Carlo100 | CAPiTULO 5: i apacidad, m Seis Sigma y andlisis de toleran Capacidad de un proceso Consiste en conocer la amplitud de la variacién natural del proceso para una caractertstica de calidad dada, ya que ‘sto permitird saber en qué medida tal caracteristiea de: ria (cumple especificaciones), Una caract alidad es satisfacto Este capitulo es una continuacién de los conceptos que se presentaron en el capitulo 2 sobre la capacidad de los procesos. Las técnicas estudiadas en el capitulo 2 no s6lo son ttiles para evaluar la capacidad, sino que se usan en muchos campos de aplicacién de la estadistica. En este capitulo se analizaran los indices de capacidad, que son mediciones especializadas que sirven para evaluar de manera practica la habilidad de los procesos para cumplir con las especificaciones. Sin embargo, en ocasiones se ha abusado de su uso sin considerar sus limitaciones, por eso es importante conocerlos bien para interpretarlos de manera correcta. ‘También se describen las métricas ligadas de manera més estrecha con la estrategia Seis, Sigma y, por iltimo, se presenta el andlisis de tolerancia, el cual es una metodologia de gran utilidad para estudiar la capacidad cuando se combinan varios componentes 0 partes. Indices de capacidad para procesos con doble especificacién J crmtoceot nen raises de sala ode respuesta ls cones ben cumplir com cites fespecificaciones a fin de considerar que el proceso esta funcionando de manera satisfac toria, Evaluar la habilidad 0 capacidad de un proceso consiste en conocer la am- plitud de la variacién natural de éste para una caracteristica de calidad dada, lo cual permitira saber en qué medida tal caracteristica de calidad es satisfactoria (cumple especificaciones). En esta seccidn se supone que se tiene una caracteristica de calidad de un producto o variable de salida de un proceso, del tipo valor nominal es mejor, en donde, para considerar que hay calidad las mediciones deben ser iguales a cierto valor nominal o ideal (N), 0 al menos tienen que estar con holgura dentro de las especificaciones inferior (£1) y superior (ES), EJEMPLO 5.1 ica de calidad importante en la fabrica~ Una primera forma de hacer esto es aplicar lo visto en cién de una llanta es la longitud de capa, que para cierto tipo de llanta debe ser de 780 mm con una tolerancia de £10 mm, La longitud es el resultado de un proceso de cor- te, por lo que este proceso debe garantizar una longitud centre Ia especificacién inferior El = 770 y la superior E 790, con un valor ideal © nominal de N = 780, Para mo- nitorear el correcto funcionamiento del proceso de corte, cada media hora se toman cinco capas y se miden. De acuerdo con las mediciones realizadas en el dltimo mes, ‘en donde el proceso ha estado trabajando de manera es- table, se tiene que la media y la desviacidn estandar del proceso (poblacional) son y=783 y o= 3, respectivamen- te. Con base en lo anterior se quiere saber en qué medida «el proceso ha estado cumpliendo con especificaciones. los capttulos 2 y 3, y graficar la distribucién del proceso. De manera especifica, en la figura 5.1 se muestra la capa- cidad del proceso para cumplir con la longitud deseada (suponiendo una distribucién normal, con 4 = 783 y 6= 3), de donde destaca que el proceso no esta centrado, ya {que la media del proceso, y= 783, esté alejada del centro de las especificaciones. Esta situacién causa que aproxi- madamente 1% de las tras tenga una longitud superior a Jo maximo tolerado (790 mm). Siel proceso se centrara, se lograra cumplir con especificaciones de forma razo- rable, lo cual significa que la variabilidad del proceso se feneuentra en un nivel aceptable. Enseguida se ve eémo los indices de capacidad reflejan las situaciones que se observan en la figura S.1indices de capacidad para proces a 5 so 40 g Ex é 20 0 a i a Longcud GLEESON ipsa el process pare eenplo 5 Guponiendo una Gawbuaon normal) indice G on 101 El indice de capacidad potencial del proceso, C,, se define de la siguiente manera: indice G Indicadd dela capacidad potencial c,-ESa#L del proceso que resulta de dvi el 6a ancho de as expeciicacones (varia Gion tolerads) entre a amplitud dela donde o representa la desviacién estandar del proceso, mientras que ES y EI son las especificaciones superior e inferior para la caracteristica de calidad. Como se puede observar, el indice C, compara el ancho de las especificaciones o la varia~ 1.45. + Esposible fener valores del indice C,, iguales a cero o negativos, ¢ indican que la media del proceso esté fuera de las especificaciones. En el ejemplo 5.1, de la longitud de las capas de las Tlantas, tenemos que: oe Jo cual, en términos generales, indica una capacidad no satisfactoria. Por lo tanto, cierta proporcién de las capas para las Ilantas no tiene una longitud adecuada, como se vio con los. indices unilaterales y en la grafica 5.1. Al utilizar la segunda parte de la tabla 5.2, vemos que con C= 0.78 el porcentaje de capas que exceden los 790 mm se encuentra entre 0.82 y 1.79%, La primera recomendacién de mejora para ese proceso es que se optimice su centrado, con lo cual alcanzaria su mejor potencial actual que indica el valor de C,= 1.11 Indice K ‘Como se ha visto a través del ejemplo 5.1, un aspecto importante en el estudio de la capacidad de un proceso es evaluar sila distribucién de la caracteristica de calidad esta centrada con respecto a las especificaciones, por ello es itil calcular indie K el indice de centrado del proceso, K, que se calcula de la siguiente manera: Ezun indicador de qué tan centrada ” " = esti a distibucién de un proceso con u-N Fespecto alas especfcaciones de una Sn caracteriatica de calidad dada K 100 I y(B8-ED106 | CAPITULO 5: i Indice C, Como se aprecia, este indicador mide la diferencia entre la media del proceso, 1, y el valor objetivo o nominal, N (target), para la correspondiente caracteristica de calidad; y compara esta diferencia con la mitad de la amplitud de las especificaciones. Multiplicar por 100 ayuda atener una medida porcentual. La interpretacién usual de los valores de K es como sigue: + Sicl signo del valor de K es positivo significa que la media del proceso es mayor al valor nominal y seré negativo cuando i < N. + Valores de K menores a 20% en términos absolutos se consideran aceptables, pero a medi- da que el valor absoluto de K sea mas grande que 20%, indica un proceso muy descentra- do, lo cual contribuye de manera significativa a que la capacidad del proceso para cumplir especificaciones sea baja, + El valor nominal, N, es la calidad objetivo y 6ptima; cualquier desviacién con respecto a este valor lleva un detrimento en la calidad. Por ello, cuando un proceso esté descentrado de manera significativa se deben hacer esfuerzos serios para centrarlo, lo que por lo regu- lar es mas facil que disminuir la variabilidad, Enel ejemplo 5.1 de la longitud de la capa para llantas, si se considera que el valor nominal para esta longitud es N= 780, entonces el indice Kes: K~ 85-780 _ 100 30% 1 4990-770) z¢ ) De esta forma, la media del proceso est desviada 30% a la derecha del valor nominal, por lo que el centrado del proceso es inadecuado, y esto contribuye de manera significativa a la baja capacidad det proceso para cumplir con la especificacién superior, como se vio en la figura 5.1 y en los indices de capacidad anteriores. Indice C,,, (indice de Taguchi) Los indices C, y Cyy estan pensados a partir de lo importante que es reducir la variabilidad de un proceso para cumplir con las especificaciones. Sin embargo, desde el punto de vista de G. Taguchi, cumplir con especificaciones no es sinénimo de buena calidad y la reduccidn de la variabilidad debe darse en torno al valor nominal (calidad ‘ptima). Es decir, la mejora de un proceso segiin Taguchi debe estar orientada indice déTaguchisimilsral Gy. que,en a reducir su variabilidad alrededor del valor nominal, N, y no s6lo para cumplir forma simelténea, coma en cuenta el con especificaciones. En consecuencia, Taguchi (1986) propone que la capacidad centrade y la variabilidad del proceso del proceso se mida con el indice C,,, que est definido por: ES -ET “, = donde (tau) esté dada por Tl =o? + (u-Nye y Nes el valor nominal de la caracteristica de calidad; ET'y ES son las especificaciones infe rior y superior. El valor de N por o general es igual al punto medio de las especificaciones, es decir, N= 0.5(ES + EN, Notese que el indice C,,, compara el ancho de las especificaciones con 67; pero tno sélo toma en cuenta la variabilidad del proceso, a través de 0, sino que también toma en cuenta su centrado a través de (y —N)? De esta forma, si el proceso esta centrado, es decir, siu-=N, entonces Cy, Cys ¥ Gyn SOD igualesEn el caso del ejemplo 5.1 acerca de la longitud de capa para llantas Cy ET 20 or 6s? «783-7809? 75-46 Interpretacién Cuando el indice Cp es menor que uno significa que el proceso no cumple con especificacio- nes, ya sea por problemas de centrado o por exceso de variabilidad. Por lo tanto, en el caso de las llantas no se cumple con especificaciones, y como se aprecia en la figura 5.1, la raz6n principal es que el proceso esta descentrado. Por el contrario, cuando el indice C,, eS mayor que uno, eso quiere decir que el proceso cumple con especificaciones, y en particular que la media del proceso esta dentro dela tercera parte central de la banda de las especificaciones. Si C,,, eS mayor que 1.33, entonces el proceso cumple con especificaciones, pero ademas la media del proceso esté dentro de la quinta parte central del rango de especificaciones. En el caso del ejemplo 5.1 acerca de la longitud de capa para llantas, la quinta parte central de la banda de especificaciones es 780 + (10/5) ara finalizar este apartado es necesario recordar que segiin las interpretaciones de los in dices antes vistos, para que éstos sean aplicables como pronésticos del desempeiio del proceso en el futuro inmediato, es importante que los procesos sean estables (véase capitulo 7). Ade- ‘mas, se requiere que la caracteristica de calidad se distribuya en forma normal o por lo menos de una manera no tan diferente de ésta, Algo relevante es que los cdlculos de los indices estén bbasados en los parémetros poblacionales del proceso sy 6: Si los cAlculos estén basados en una muestra pequeiia, la interpretacién cambia, como lo veremos més adelante. Capacidad de largo plazo e indices POY Pox (eatie blamor de capacidnd de un procs podemos tener una perspec tiva de corto o largo plazo. La capacidad de corto plazo se calcula a partir de muchos datos tomados durante un periodo suficientemente corto para que no Capacidad de corto plazo 107 haya influencias externas sobre el proceso (por ejemplo, que no haya importantes Se calcula a partir de muchos datos cambios de temperatura, turnos, operadores, lotes de materia prima, etc). Porlo _‘omsdos durante un period corvo tanto, esta capacidad representa el potencial del proceso, es decir, lo mejor que se para que no haya influencias externas tn el proceso, a can muchos datos de puede esperar del mismo. Por otra parte esta la perspectiva de largo plazo que, an periado largo, per calelande & final de cuentas, es la que la interesa al cliente. De aqui que la capacidad de largo con el rango promecio ( plazo se calcula con muchos datos tomados de un periodo de tiempo suficiente- ‘mente largo como para que los factores externos influyan en el desempefio del proceso, En la practica, para diferenciar entre capacidad de corto y de largo plazo se emplean dos diferentes formas de estimar la desviaci6n estandar del proceso. Por ejemplo, en a tabla 16.5 (capitulo 16) se mide el esfuerzo para subir el descansabrazos de asientos para automévil (la especificacién es 25 + 15). Se tienen 80 datos obtenidos a través del muestreo para cartas, de control (véase capitulo 7), donde se obtuvieron 20 subgrupos de cuatro datos cada uno. ‘Cada subgrupo se toma en un periodo pequefio de tiempo. Entonces, con estos datos hay dos formas de caicular la desviacién estindar. En la primera slo se considera la va- riacién dentro de los subgrupos, y refleja la variacién de corto plazo a través del rango de los subgrupos mediante la siguiente expresidn: ‘Capacidad de largo plazo Se ealeula con muchos datos tomados de un periode largo para que lo fac- R549 tores externas influyan en el proceso 4.29 22.667 se estima mediante la desviacion @ "2.059 tstindar de todos los datos (3=5).108 | CAPITULO 5: i apacidad, m Seis Sigma y andlisis de toleran donde R= 5.49 sel promedio de los rangos de los subgrupos, mientras que la constante d,~ 2.059 depende del tamajio del subgrupo (cuatro en este caso) y esta tabulado en el apéndice. Por lo general, los indices de capacidad de corto plazo se calculan con esta forma de obtener la desviacién estindar, por lo que C, ~ 1.875 y C,_~ 1.27015. Asi que, desde una perspectiva de corto plazo, se tiene un proceso éapaz La otra forma de calcular ¢ consiste en determinar de manera directa la desviacin extn darde todos los datos, Porlo tanto, sise tiene una buena cantidad de datos y ésts representan un periodo de tiempo suficientemente grande (ver inicio del capitulo 2), entonces se tendré tuna perspectiva de largo plazo en la cual se consideran los desplazamientos y la variacién del proceso a través del tiempo; ademés, se toma en cuenta la variacin entre muestras y dentro de muestras. Enel aso que nos ocupa la desviacién estandar de los 80 datos dela tabla 16.5 es 6 = S=4.16, que es considerablemente mayor a la obtenida con el otro método y habla de un mal contol del proceso. Con esta desviaciin estandar se pueden caleular los indices P,y Py. indices P, y Poy Estos indices estan enfocados al desempefio del proceso a largo plazo, y no sélo a su capaci dad. Por ello, el indice de desempetio potencial del proceso (process performance) P, se calcula de la siguiente manera: or Indice donde G, esa desviaciin estindar de largo plazo, Nétese que el indice P se calcula Indicader del desempero porencia! | en forma similar al C, la tnica diferencia es que Fy utiliza o,, mientras que Cp mgreygurseciniaenfomasiny Svante se cucu con la desvincin etindar de corto plazo. Un rodiems Siam eveinda de argo plaza del indice P, es que no toma en cuenta el centrado del proceso, porello suele com- plementarse con el indice de desemperio real del proceso P,, que se obtiene con =I # x= minin| SoM, BS Advierta que este indice se calcula de la misma manera que el indice C,,, la nica diferen cia es que P,, utiliza 6, (la desviacién estindar de largo plaz0). Para los datos de la tabla 16.5 se vio que 6, = 4.16, EI= 10, ES=40, N=25 yu se puede estimar con la media de medias, es decir, sera igual a 20.16. Porlo tanto, Indice P P= 1.2, lo cual se considera potencialmente adecuado si el proceso esta centra- IngicadeFel desempeho real del pro- 40, mientras que P,.= 0.81, lo cual sefiala que el proceso en realidad no tiene un ces0, quesecalculaen formasimilar buen desempefio debido principalmente a que el proceso no esta centrado, como al ingie cy pero usando a deswac'é" queda claro a partir de la diferencia entre ambos indices. De hecho, al calcular ersindar largo plazo elindice de centrado K = -0.32, lo cual sefiala que la media del proceso esta 32% descentrada a la izquierda del valor nominal Métricas Seis Sigma (tat Sei Sigma o os procetos Seis Sigma se refeen aun conspto que lana una aspiracién o meta comtin en calidad para todos los procesos de una organizacién. El término se acuiié en el decenio de 1980-1989, y le dio su nombre al programa de mejora Seis Sigma. Por medio de los conceptos vistos antes es facil analizar y entender el nivel de calidad fen términos del mimero de sigmas,indice Z tra forma de medir la capacidad del proceso es mediante el indice Z, el cual con- siste en calcular la distancia entre las especificaciones y la media 41 del proceso en unidades de la desviacién estandar, o. De esta manera, para un proceso con doble especificacién se tiene Z superior, Z, y Z inferior, Z,, que se definen de la siguiente manera: EL BJEMPLO 5.2 En un proceso de envasado de cemento de una empresa cementera se tiene como especificacién del contenido de los costales 50 kg, con una tolerancia de 0.6 kg. De esta forma, la especificacién inferior es EI= 49.4 kg, y la supe- rior ES= 50.6 kg. De acuerdo con los datos histéricos se fétr Sigma 109 indice Z Es la métrica de capacidad de proce- s0s de mayor uso en Seis Sigma. Se obtiene calculando la distancia entre ta media yas especificaciones,y esta distancia se divide entre la desviacién estindar. tiene que la media del praceso es l= 50.01 y la desviacién ‘estandar es 0.2 kg. De aqui que, 506-5001 45 7, _ 5001-494 02, 02 La capacidad de un proceso medida en términos del indice Zes igual al valor mas pequefio. de entre Z,y Z, es decir: Z=minimo [Z, Z] Por lo que en el caso del ejemplo 5.2, el proceso tiene una calidad de Z=2.95 sigmas. Si la desviacién estandar utilizada para calcular el indice Z es de corto plazo, entonces el correspondiente Z también sera de corto plazo y se denota como Z,. En cambio, sila Ges de largo plazo, entonces el correspondiente Z sera designado indice Z, Valor del indice Zen el cual se emplea Ia denviacion ertindar de con plo. de largo plazo y se denota con Z,. La diferencia entre la capacidad de corto y lar- g0 plazo se conoce como desplazamiento 0 movimiento del proceso y se mide a través del indice Z de la siguiente manera: Zn= Indice Z, Valor éetindice 2 que tiza a desta clin escndar daar pla. El indice Z,, representa la habilidad para controlar la tecnologia. Hay estudios que ponen de manifiesto que la media de un proceso se puede desplazar a través del tiempo hasta 1.5 sigmas en promedio hasta cualquier lado de su valor actual. Por lo gene- ral, este 1.5 se utiliza de la siguiente manera: cuando es posible calcular Z,, y si éste es menor que 1.5, se asumird que el proceso tiene un mejor control que el promedio de los procesos con, un control pobre, y si es mayor que 1.5, entonces el control es muy malo. Sino se conoce Z,,, centonces se asume un valor de 1.5. ‘De la forma que se obtiene el indice Z, es posible ver que: 3G = ZY 3Pop = Zi10 | cAPiruLo s:i apacidad, m Seis Sigma y andlisis de toleran Calidad Tres Sigma Proceso Tres Sigma ‘Tener un proceso Tres Sigma significa que el indice Z correspondiente es igual a Proceso cuyacapacidad para cumplie tres, Por lo tanto, en el caso del proceso del ejemplo 5.2 practicamente tiene una fepsctfeacones acortoplazocs gual calidad Tres Sigma porque Z= 2.95, En la figura 5.2a se aprecia la grafica de este ™ proceso y se observa cémo sus limites reales (1+ 30) coinciden con las especifi- caciones de calidad para el peso del contenido de los costales. En efecto, Limite real inferior = 1 - 36 = 50.01 ~ 3(0.20) = 49.41 Limite real superior = + 30 = 50.01 + 3(0.20) = 50.61 Esto significa que bajo condiciones de estabilidad (véase capitulo 7) se espera que el peso de los costales varie de 49.41 a 50.61 kg. Al observar lo anterior a través de la grafica de capa. cidad (figura 5.20) y suponiendo que el peso sigue una distribucién normal, se espera que el porcentaje de costales envasados que cumplen con especificaciones (rea bajo la curva nor- mal que cae dentro de especificaciones) sea de 99.73% y sélo 0.27% no, lo cual corresponde 2 700 partes por millin (PPM) fuera de especificaciones. En este caso, los indices C, y Cy practicamente son iguales a 1 De acuerdo con lo anterior, a primera vista un proceso Tres Sigma parece que tiene un ni- vel de calidad adecuado. Sin embargo, para las exigencias actuales, tal calidad por lo general no ¢s suficiente por dos razones: + Unporcentaje de 0.27% de articulos defectuosos implica 2700 partes defectuosas por cada milldn (PPM) producidas, En un mundo donde las cifras de consumo anual para muchos a Ss a Ss Calisad 60 Calidad 34 io 20-10 0 10 26 30 “oe 30 (0 30 80 4) Calidad Tes Sigma; Z= 3y Gu>1 )Caldad 3 y 60 (G.= 2.0, Gu=20,2,=2,=6) a s Ey «5803)PeM 3.4PeM| “te 26-10 0 16 28 30 45-6 0 36 60 1) Calidad 36; con un movimiento de 1.50 4) Calidad 65; con un movimiento de 1.50 Con VS) (G™ 10, Ge= 0.5) on™ 15) (G" 2.0, Gy [GLEN Frcesos cn cals Tey Sts Sigma, yun desplazarieno de 150productos es de varios millones, esa cantidad de defectuosos es demasiado. Por ejemplo, una sola empresa que fabrica aparatos telefonicos produce més de 10 millones de aparatos por afio, lo cual, con calidad Tres Sigma, implica que 27000 consumidores tuvieron pro: bblemas con su aparato nuevo, Ahora imaginemos 2 700 errores por cada millén de pasaje- ros en una linea aérea, en los envios de una compafiia de mensajeria, en los medicamentos de una empresa farmacéutica, asi como en las reservaciones y cobros de la industria hote. lera. Estaremos de acuerdo en que 3000, 10000 0 27000 clientes no satisfechos en menos de un afio es un Iujo que, en el contexto de la competitividad global, una empresa no puede darse. En suma, la calidad Tres Sigma implica demasiados errores. + Lo anterior se agrava si consideramos la diferencia entre la capacidad de corto y largo plazo que se estudid antes, en donde los estudios indican que la media de un proceso puede desplazarse hasta 1.5 sigmas respecto al valor nominal, debido a factores externos y desplazamientos del propio proceso. Es decir, que el indice Z puede tener un cambio 0 ‘movimiento a largo plazo hasta de 1.5 (Z,,= 1.5), que si ocurriera en el caso del peso de los costales y el desliz fuera hacia la especificacién superior, la media del proceso seria: H= M+ 1.5() = $0.01 + 1.5(0.2)= 50.31 Con ello, la gréfica de capacidad podria tomar la forma que se muestra en la figura 5.26), donde ahora el area de la curva dentro de especificaciones es s6lo de 93.32%, lo cual implica una taza de defectos de 66810 PPM y Z,= 1.5. Por lo tanto, a corto plazo, sie tiene una ca- lidad de tres sigmas, Z,= 3, pero a largo plazo con este desplazamiento se tiene una calidad de LS sigmas, Z, = 1.5. Todo esto hace a la calidad Tres Sigma poco satisfactoria, por eso se requiere tener una meta de calidad mas elevada, y ésta se llama: calidad Seis Sigma. Calidad Seis Sigma Tener esta calidad significa disediar productos y procesos que logren que la variacién de las caracteristicas de calidad sea tan pequefia que el indice Z, de corto plazo sea igual a seis, lo cual implica que la campana de la distribucién quepa dos veces dentro de las especificaciones (véase figura 5.20) En ese caso, a corto plazo se tendria una tasa de defectos de 0,002 PPM, que en términos practicos equivale a un proceso con Proceso Seis Sigma ut cero defectos, Por ejemplo, en el caso del peso de los costales de cemento, tener Proceso cuya capacidad para cumplir calidad Seis Sigma significa que en lugar de que la desviacién esténdar tenga un P#sicaciones «corto plazo es igual valor de 0.2, se requiere que 6= 0.1. Es decir, implica reducir la variacién un 50% con respecto a la calidad 30, En términos del indice Cye, un proceso Seis Sigma equivale a que el proceso en el corto plazo tenga un Cyt = 2.0. Con un proceso Seis Sigma, si a largo plazo ocurriera que la media del proceso se moviera hasta 1.50 veces a partir del valor nominal, hacia la especificacion supe- rior por ejemplo, eso no generaria problemas, ya que la media del proceso seria H= 11+ 1.5(0)= 50.01 ~ 1.50.1) = 50.16 yel Prey Z, ahora seria de: » 50.6 - 50.16 50,6-50.16 0.44 me 30.1) Ot Ot 4) y 2, 4 Jo cual, de acuerdo con la tabla 5.3, es un valor cercano a 4.5, y le cortesponde una tasa de calidad fuera de especificaciones de 3.4 defectos por cada millén de unidades producidas (3.4 PPM), como seiustra en la figura 5.2¢). De acuerdo con lo anterior, en la practica, la calidad Seis Sigma, a pesar de los posibles desplazamientos es un proceso de practicamente cero de- fectos y, por lo tanto, representa una meta para los procesos de clase mundial. 2, 6 0 cuando es largo plazo Z,~ lo cual, a corto plazo signifi Cy ya largo plazo Pyy~ 15.12) cAPiTULO 5: i apacidad, m Seis Sigma y andlisis de toleran Lo anterior se resume en la tabla 5.3; en la parte izquierda se aprecia el nivel de calidad de corto plazo, sin desplazamiento del proceso, y en la parte derecha se representa la calidad de largo plazo, por lo que se incluye un desplazamiento del proceso de 1.5a° 5. En general, si se conocen las partes por millon fuera de especificaciones de largo plazo, PPM, centonces el nivel de calidad en sigmas (de corto plazo) se obtiene con la siguiente ecuacion (Schmidt y Launsby 1997) Nivel de calidad en sigmas (Z,) = 0.8406 +[29.37~2.221xIn(PPM) donde In es el logaritmo natural. Por ejemplo, suponga que de acuerdo con datos hist6ricos un proceso tiene PPM =200000, entonces éste tiene una calidad 0.8406 + 29.37 2.221xIn (20000) = 3.56 sigmas. De la misma manera, si se conoce Z, es posible obtener las PPM que se esperan a largo plazo: j 29.37 0.8406)? Tai PPM, = exp| TABLA 5.3 Calidad de corto y largo plazo en términos de C,, Z, Z, y PPM ‘CALIDAD DE CORTO PLAZO CALIDAD DE LARGO PLAZO (SUPONIENDO UN PROCESO CENTRADO) CON UN MOVIMIENTO DE 1.56 % DELACURVA PARTES POR S6DELACURVA CALIDAD EN DENTRODE —_MILLON FUERA DE DENTRO DE PPM FUERA DE INDICEG, __SIGMASZ, _ESPECIFICACIONES _ESPECIFICACIONES INDICE Z, _FSPECIFICACIONES _ESPECIFICACIONES 038 1 6627 317300 “0s 3023 697700 oor 2 95.48 45500 os ens 308700 100 3 oa73 2700 1s 93.32 65807 13a 4 999937 6 2s 99.379 6210 167 5 99.999943 os7 as 99.9767 233 2.00 6 99.9989998 0.002 4s 99.99966 ae 2937-(2,~0,8406)? Nivel de calidad en sigmas:Z, =0.8406 + 29.37—2.221KIn(PPM,) PPM, = exp a Los niveles de calidad medidos en sigmas no slo son ntimeros enteros, sino que pueden ser niimeros reales con decimales. Ademas, pasar de un nivel de calidad sigma al siguiente superior no es una tarea sencilla, A partir de la tabla 5.3 es posible obtener la tabla 5.4, en. donde se muestra la reduccién de defectos de un nivel de sigma al siguiente. Con la informacién de la tabla 5.4 queda claro que tener una empresa Seis Sigma no es una labor que termine en un afto, por el contrario requiere del trabajo decidido de varios afi. Por ejemplo, en Harry (2000) se hace un andlisis en donde se plantea que pasar de cuatro a Seis Sigma requiere de cinco afios.TABLA 5.4. Reduccién de defectos al subir el numero de sigmas de un proceso. FACTOR DE REDUCCION DE REDUCCION PASAR DE A DEFECTOS PORCENTUAL 2sigmas (308537 PPM) | 3 sigmas (66807 PPM) 5 78% 3 sigmas (66807 PPM) 4 sgmas (6210 PPM) ” O16 4 gras (6210 PPM) S sgmas (238 PPM) ” 68% Ssigmas (285 PPM) ca 29% Métrica Seis Sigma para atributos (DPMO) El indice Z se emplea como métrica en Seis Sigma cuando la caracteristica de calidad es de tipo continuo; sin embargo, muchas caracteristicas de calidad son de atributos, En este caso se utilizara como métrica a los Defectos por millin de oportunidades de error (DPMO), que explicamos censeguida, EJEMPLO 5.3 En una Fabrica de muebles, durante Ia etapa de ensamble del producto se quiere evaluar el desempetio del proceso. En particular, se pretende evaluar la calidad del ensamble de la silla que se muestra en Ia figura 5.3. El producto tie- ne 24 puntos de ensamble; por lo tanto, en la inspeceién final se evaliia cada uno de los puntos de ensamble. De los resultados del dltimo mes se tiene que de 2000 sillas revisadas, se encontraron 120 puntos de ensamble insa- tisfactorios. A continuacién, veamos cémo evaluar esta situacién en cérmino de las métricas Seis Sigma, [GIST Products ensarbiade del eemplo 5 tiene 24 puntos de enable14 caPiruLo si apacidad, m Seis Sigma y andlisis de toleran Se entiende por unidad a la parte o producto que es elaborada por un proceso y Unidad ‘que, por lo tanto, es posible inspeccionar o evaluar su calidad. En el caso del ejem- Ela parte o producto queseelabora plo 5.3, la unidad es la silla, puesto que es el producto del proceso de ensamile. ‘mediante un proceso, Ahora bien, en la elaboracion de un producto 0 unidad por lo general existe ‘mas de una oportunidad de error, En el caso del ejemplo del ensamble de las sillas, cada punto de ensamble es una oportunidad de error. En este caso, como se deduce de la figura 5.3, en el ensamble de cada unidad Gilla) se tendrén 24 Oportunidad de error ‘oportunidades de error. En general, se define como oportunidad de error cualquier Cualquier parte de a unidad que pue- parte de la unidad que es posible medirse o probarse si es adecuada. De acuerdo ddemecirseo probarsesiesadecvads on Jo anterior, un defacto es cualquier no conformidad o desviacion de la calidad especificada de un producto; en el caso del ejemplo 5.3 seré alguna desviacién con respecto a que el ensamble se realice en forma correcta y de acuerdo con Indice DPU (defectos por unidad) __criterios de calidad bien especificados, Métriea de calidad que es igual an En este contexto surge el indice DPU (defects por unidad), el cual es una métri- mero de defectos encontrades entre ela que determina el nivel de no calidad de un proceso que no toma en cuenta las imate ds unidads nspesconasas. oportunidades de eror y se abtiene con el siguiente coviete: DPU. donde U es el niimero de unidades inspeccionadas en las cuales se observaron d defectos; ambas referidas a un lapso de tiempo especifico. Por ejemplo, de 2000 sillas inspeccionadas se detectaron 120 ensambles con defectas, por lo tanto: 0.06 120 DPU= 2000 Esto significa que, en promedio, cada sila tiene 0.06 ensambles defectuosos (en 100 sillas se esperarian seis ensambles defectuosos). Es claro que una misma silla puede tener mas de un ensamble defectuoso. Indice DPO ‘Una desventaja del DPU es que no toma en cuenta el niimero de oportuni- {Gefectos por oportunidad) dades de error en la unidad. En el caso del ejemplo 5.3 no es lo mismo tener un Métriea de caided que es igual al DPU = 0.06 para una silla que sélo tiene 12 puntos de ensamble a la que se esta rnimero de defectos encontrados entre considerando, que tiene 24. Por ello, para tomar en cuenta la complejidad de la st total de oportunidades de error al unidad o producto se utiliza el indice DPO (defécos por oportunidad), que mide la no Producieuna cansiéad especica de calidad de un proceso y se obtiene como sigue: Gnidades ppo-—4 xO donde Uy d son como antes, y O es el nimero de oportunidades de error por unidad. Nétese que para calcular el DPO es necesario dividir el total de defectos encontrados, d, entre el total de oportunidades de error, ya que éste se obtiene multiplicando el total de unidades inspeccio nadas, U, por el mimero de oportunidades de error por unidad, O. De esta manera, en el caso de las sillas, ppo=— 120 _ - 129 _o.o025 2000%24~ 48000 DPMO (defectos por millén de Jo cual significa que de 48000 ensambles (oportunidad de error) se fabricaron ‘oportunidades) 120 con algiin defecto, Para lograr un mejor entendimiento de la métrica DPO, es aria Si Sm gra proces mejor abtener el indice DPMO (Defects por millon de apartunidads, el cual cuanti- Ccperadesta un milone oportunida: fica los defectos del proceso en un millén de oportunidades de error, y se obtiene des de error al multiplicar al DPO por un millén, por lo que para las sillas se tiene que:DPMO = 1000 000 x 0.0025 = 2500 Entonces, de un milln de ensambles realizados (24 por silla) se espera tener 2 500 con algiin tipo de defecto, lo cual habla de que no se tiene un proceso Seis Sigma, ya que la meta sera tener 3.4 DPMO como maximo. En suma, la métrica Seis Sigma para este tipo de procesos con una caracteristica de cali- dad de atributos que, en el procesamiento de una unidad o producto es posible tener mas de una oportunidad de error, es el indice DPMO. En general, bajo las condiciones anteriores hay una tendencia a preferirlo sobre el DPU, e incluso sobre el DPO. DPU frente a PPM y el nivel de sigmas Es importante aclarar que tanto la métrica DPU como la DPMO se refieren a variables para atributos mds cercanas a variables con distribucién Poisson (véase capitulo 3), donde una pieza puede tener mas de un defecto y no necesariamente debe rechazarse. Ein cambio, PPM. se aplica cuando la parte cumple o no cumple (pasa 0 no pasa), y aqui mas bien se aplica la dis tribucién binomial y su aproximacién a la normal. En la tabla 5,3 ya se dijo cmo se relaciona un nivel de PPM con un nivel de sigmas de un proceso. En cambio, en el caso del ejemplo 5.3, donde el DPU = 0.06, se quiere saber cual es el nivel de sigmas del proceso correspondiente. Lo primero que se hace es calcular el rendimiento ¥ del proceso mediante la distribucién de Poisson? con la siguiente formula: ya er PPO De esta ecuacién también se aprecia que: DPU=-In() ‘Asi, por ejemplo, en el ejemplo 5.3 la estimacién del rendimiento esta dada por: = eU6 - (2,7183) 008 = 9418 Es decir, la probabilidad de que una unidad esté libre de defectos es de 94.18%. Para convertir esto al nivel de sigma de largo plazo es preciso encontrar el valor de Zen una tabla de distribu- cién normal estandar que da una probabilidad acumulada igual a ¥, es decir, el nivel de sigma de largo plazo para el proceso = Zy donde: P(ZZy)=1-¥ Enel caso del ejemplo, y usando la siguiente funcién de Excel DISTR.NORM.ESTAND.INV(0,9418) = 1.57 Se encuentra que el nivel de sigmas de largo plazo del proceso es igual a 1.57, asi que supo- niendo un desplazamiento de 1.5 sigmas, el mimero de sigmas del proceso estaré dado por: 7 El rendimiento puede verse como la probabilidad de que la distbucién caiga dentro de tolerancias @ cspeciicaciones Aplcarladistribucibn Poisson (véase capitulo 3) equivale ala probabildad de cero falls, es decir Ye ree Egtome onde A es nimero promedio de defects, que es justo lo que estima DPU. us16 CAPITULO 5: i Por lo tanto, el nivel de sigmas del proceso de ensamble de sillas es 1.57 + 1.5 = 3.07 que, de acuerdo con la tabla 5.3, corresponde a un nivel de PPM cercano a 66 807. Es decir, est muy lejos de la meta de tener un proceso Seis Sigma, Rendimiento combinado (Rolled Throughput Yield) ‘Supongamos que un proceso tiene & etapas o subprocesos, y el rendimiento a la primera vez sin considerar retrabajos de cada uno de los subprocesos es ¥,, Yo, .., Yj por lo tanto, el ren- dimiento combinado del proceso es el producto de los rendimientos de Sus etapas, es decir: Yor YX YX a0. x Mp donde: Niimero de unidades que pasan a la primera vez en la etapa i Niimero de unidades probadas en la etapa i Elindice ¥,,se interpreta como la probabilidad de que una unidad esté libre de defectos desde la primera hasta la tiltima etapa dal proceso. Por ejemplo, supongamos un proceso con cinco tapas y los rendimientos para cada una de ellas que se muestran en la figura 5.4. En la gra fica se aprecian el rendimiento por etapa, asi como la forma en la que va disminuyendo el rendimiento acumulado hasta que, al final, coincide con el rendimiento combinado, como se aprecia en ¥-= 60.8%; por lo tanto, la probabilidad de que una unidad pase libre de defectos allo largo de los cinco pasos es de 60.8%. ‘Asimismo, la tendencia descendente del rendimiento acumulado indica una disminucién dela probabilidad de que una unidad llegue hasta al final libre de defectos; ademas, entre mas fuerte sea esa tendencia, indicara una mayor presencia de no calidad (desperdicios y retraba- jos). En la figura 5.4 se destaca la etapa tres, ya que es la que tiene un menor rendimiento y, por lo tanto, es en la que hay una mayor oportunidad de mejora Inicio Final % LJ Ls , L4 coi Rendimiento Rendimiento Rendimiento —Rendiminto—_—Rendimvenca ¥908 ¥95% Ye 93% ¥918 eMt-100000 PPMso000 —pP¥-760000‘FPNI-70000 —_—PPM-S0000 os “Se fendimieres por ___Rendeiento combinado 06 opener = 9.95% 84% 93.91 = 608 os a Rennes sree partes por 02 acumulade inn desperdciadas ° apa [ULESE a sees eee0s con sélo una especificacion ) 117 Procesos con sdlo una especificacién Pisin prosesoscuyas variables de slid tenen una sola espcifiacio, ya sea ques ts. /e de variables del tipo entre mas grande mejor, donde lo que interesa es que sean mayores a cierto valor minimo quiere es que nunca excedan cierto valor maximo (ES), EJEMPLO 5.4 Variable entre ms pequefia mejor. En las plantas trata- doras de aguas residuales, una forma de medir la eficacia del tratamiento biol6gico aerobio de la clarificacién se- ‘cundaria y de la filtracién, es mediante los sélidos suspen- didos totales (SST), ya quela alta concentracién impedirs volver a usarla. En una planta, en particular, se tiene que los SST no deben ser mayores a ES= 30 para considerar que el proceso fue satisfactorio. Por lo tanto, esta varia- ble es del tipo “entre mas pequena mejor”, De acuerdo ‘con datos histéricos, se tiene que la media y la desviacién estdndar de SST son = 10.2 y 6= 5.1. En este caso no es posible calcular el indice C,, ya que sélo se cuenta con la © de variables del tipo entre mas pequefia mejor, donde lo que se ‘especificacién superior. Mas bien, dado el tipo de varia- ble, lo que se debe calcular es ef indice para la especjicacin superior Cy que, como ya se vio, esta dado por: E5— yw _ 30-102 3035.1) el cual, de acuerdo con la tabla 5.2, tiene un porcentaje fuera de especificaciones cercano a 0.0048%, que se con- sidera adecuado al menos que se tenga uns exigencia atin mayor. En casos como los anteriores, donde sélo se tiene una especificacién, se debe tener cui- dado de no caer en la mala préctica de fijar de manera artificial una especificacién inferior, ya que con frecuencia eso distorsiona el diagnéstico que se realiza acerca del proceso; por ‘ejemplo, en el caso del ejemplo 5.4 se podria estar tentado a fijar como especificacién inferior al cero (ET= 0), pero eso no es necesario debido a que los SST no pueden ser negativos, por lo que en forma natural esta variable esta limitada por el lado inferior. Lo adecuado es no imponerle mas exigencias al proceso de las que sean realmente necesarias para la calidad, Por ello, lo correcto es evaluar el proceso sélo con la especificacién superior, Ahora veamos un ejemplo de variable entre mas grande mejor. EJEMPLO 5.5 Variable entre més grande mejor. En una armadora de autos, en el area de pintado, una caracteristica de calidad es el espesor de la capa antipiedra en la zona trasera de los arcos de rueda, que debe tener un espesor minimo de 100 micras (E1= 100). A partir de la carta de control de me- dias y rango que se lleva normalmente para monitorear el espesor, se sabe que = 105 y @= 6.5. Dado el tipo de variables lo que se debe aplicar es el indice C,, para evaluar la capacidad del proceso para cumplir com la es- pecificacién inferior. Como ya se habia visto, este indice esc dado por: 256 {que es un valor demasiado pequefo, por lo que el proce 50 es incapaz de cumplir con la especificacién inferior, y de acuerdo con la tabla 5.2, el porcentaje aproximado de productos que tienen un espesor menora 100 micras est fentre 18.4 y 27.4%, por lo que es necesario hacer esfuer 208 muy serios para mejorar ese proceso.us CAPITULO 5: i Estimacién por intervalo de los fndices de capacidad Jara caleular los indices de capacidad e interpretalos se necesita conocer la media, py la desviacién estandar, 6 del proceso con una buena aproximacin. Sin embargo, cuando io se conocen estos parimetros seré necesario utilizar datos muestrales y estimar por inter alo a estos indices. Sea, x. x, una muestra aleatoria del proceso, y X y S'la media y a Gesviacin estindar de tal muestra” Silos indices se estiman usando 2 y Sen lugar de 13 0, respectivamente, entonces la estimacién puntual de los indices estar dada por: 6s? +(F- Ny? y sila muestra es pequefia, de unas cuantas decenas (menor a 80 por ejemplo), es incorrec- to comparar los valores estimados con los valores minimos recomendados para los indices. ‘También es erroneo interpretar los valores estimados de los indices como en la tabla 5.2, ya que los valores minimos son para los verdaderos indices, o indices poblacionales, y no para su estimacién muestral, pues silos indices son estimados con base en muestras pequefias, enton- ces un valor grande de un indice muestral no necesariamente implica que se tiene una buena capacidad de proceso. Lo contrario también es verdad: un valor pequeio del indice estimado no necesariamente implica una mala capacidad del proceso. Deacuerdo con fo anterior es preciso realizar una estimacibn por intervato (véase capitulo 4), en la cual se tome en cuenta el error estandar de su correspondiente estimador muestral (véase Kushler y Hurley, 1992). De forma especifica, los intervalos de confianza para C,, Cy, ¥ Cy estan dados por: aur % G * Zanz 2 Pod & Egy ® Za aotee b CoS 201N 75-1"9 donde nes el tamaiio de muestra y Z,,. es el percentil de la distribucién normal que determi: na la confianza de la estimacin (si se quiere trabajar con 95% de confianza, el valor de Zain ¢s 1.96). De esta manera, ¢l verdadero valor del indice de capacidad del proceso se encontrara centre el intervalo obtenido con las expresiones anteriores y con la confianza deseada. 1 2. BJEMPLO 5.6 Supongames que una caracteistica de calidad tere ex pecifcaciones de 50 + 1. Con el fin de tener una primera idea de la capacidad del proceso para cumplir con esta specifica oe obesen Ura) mies’ aleatorin| cle 40 unidades producidas por el proceso, De las mediciones de esas 40 unidades se obtiene que la media y la desvia cin estandar para la muestra son: X = 50.15 y S= 0.289, com fo cuales posible estimar los indices 2 51-49 (0.289) = sy, (501849 51-5018 Ey = Min [5015-28 in (.38098)=098 ia fs 285)" 30.289) ) ee Gq aie) = 1.02 ef co.285y«(50:15=50)2 ‘Ahora, para tener una idea del valor de los indices pobla- cionales del proceso se calcula un intervalo de confianza (lo haremos al 95%): G 11.152 1.96. 1.15 +0.26 x :0.9821.96 9840.24 1, (04 : z 7 Gye 1022196 282 [2 0289" gp s022 VOUf, Gons-s0)! (0.289) 110.26, 0.24y 022 en las ecunciores anteiores son los errores de estimacin para eads indice. De esta maner, con una confiana de 95% el verdadero valor dl indice C, tstd entre 0.89 1.41 (1.154 0.26}; en canto, Gy se loc lien con una confanza de 95% entre 0.74 y 1.53 (098+ 0124) yel indice C,, std entre 0.80 y 1.26 (.02:0.2) Por fo arco) or base en fa ners sera resco afimar que el proceso es potencialmente capaz, ya que tl valor real de , podria ser de hast 0.89; sn embargo, earibién seria rietgeso fer que estates yalgve ever dadero valor del C, posriaserhasta de 1.41, Lo mismo se puede decir con respecto a la capacidad real, ya que lo trismo puede sermala (Gy =074, Gp =0.80), que buena (Gu= 122, Ga= 1.24), Para reduc esta incertidumbre y Gh error de trimacién ex necesrio medi ms piezas {Gieremereareltamaro dela muesrs} ‘De manera general, si se toma una muestra pequefia de un proceso para evaluar su capa- cidad, entonces con base en los intervalos de confianza para los indices es posible encontrar tres tipos de procesos: Proceso con muy buena capacidad, Se tiene este caso cuando el limite inferior de los inter- valos de confianza para los indices es mayor que 1.33 (0 por lo menos de 1.0). Proceso con muy mala capacidad. Se afirma esto cuando el limite superior de los interva- los de confianza para los indices es menor que 1.0. Proceso con una capacidad intermedia o incertidumbr senta cuando no se estd en ninguna de las dos situacior intervalo incluya al nimero uno a 1.33, como en el cas re sobre su capacidad real. Se pre- nes anteriores, es decir, cuando el \s0 del ejemplo anterior, En esta si- tuacién se debe seguir monitoreando el proceso hasta tener un tamafio de muestra mayor, afin de tener una mayor certidumbre sobre la capacida .d del proceso correspondiente.120 caPiTuLo s:i apacidad, m Seis Sigm Estudio real (integral) de capacidad n el capitulo 2 y en las secciones anteriores se han presentado varias técnicas para estu- diar la capacidad de un proceso. En esta seccién, a manera de resumen, aplicaremos en forma conjunta varias de estas téenicas sin detenernos en volverlas a explicar, a fin de tener una informacién mas completa acerca de los diferentes aspectos del estudio de la capacidad de un proceso. EJEMPLO 5.7 Proceso descentrado. De manera similar al ejemplo 5.1, fen otro modelo de llantas para automdvil se tiene que la longitud de la capa debe ser de 550 mm, con una toleran- cia de8 mm, La longitud de la capa es el resultado de un proceso de corte de una tira de hule, el cual debe garan- tizar que la longicud esté entre la especificacién inferior E1= 542 y la superior ES= 558, con un valor ideal o nomi- nal de N= 550, Para detectar ia posible presencia de cau- sas especiales de variacién, y en general para monitorear el correcto funcionamiento del proceso de corte, cada hora se toman cinco capasy se miden. Los datos obtenidos en Jos ltimos cuatro dias se muestran en la tabla 5.5. TABLA 5.5 Datos para longitud de capa para llantas, ejemplo 5.7. MUESTRA 0 SUBGRUPO -MEDICIONES DE LONGITUD 556552552 SSI 2 sso S85 583882 3 so 5458288 4 5s. Sk ©5455 5 58155651581 6 ssh 54550 7 550581552 5 50 555 8 353 392 0 52 ssa " ssi 553 sg 2 56 SS] SSR SSI 3 553 S848 ry 5s) Sah 556 1s 582553585 16 556 S82 55483, ” ss} 55255585 18 sso sso 553.550 9 58655751880 2 2558552550 an 580553552885 MEDIA RANGO 582 5526 5 ss 5832 3 582 5526 2 549 5926 s 82 3522 5 549 ssi 5 ssi ssi 2 ss20 5 383.2 6 555 532 3 583 5520 5 554 530 5 ssi ssi 6 583 ss20 5 549 526 6 583 5536 4 582 ssa4 3 549 sso4 4 81 553.0 7 583 522 4 583 5926 5(comincn) [MUESTRA O SUBGRUPO. MEDICIONES DE LONGTTUD MEDIA RANGO 2 ss 554553552552 ssi0 2 % S49 551558 S51 555 5528 8 2 S51 551552 S51 554 S518 3 2s 582 Se 551 $52 853 3512 s 26 551558 S81 S54 S48 ssi 6 » 551550555 $52 854 5524 s 28 551556553. 852855 ssa s 2» 582 584 S57 553553, 5538 5 30 551 552554553550 5520 4 3 587551 S52 S54 555 5538 ‘ 2 580554 S54 S54 856 5536 ‘ 8 582 582 S53. 582553 S524 1 4 582 556 SSK S82 S54 5536 4 35 582550583552. 553 5500 3 36 583 S83 S49 SI 582 ssi 4 Fess25 Rea Ademés la tabla 5.5 muestra los aspectos mas relevantes para evaluar la capacidad del proceso de corte y cumplir con la especificacién de la longitud de la capa. Por medio de este andlisis se aprecia que las conclusiones mas importantes son: la variacién del proceso es acep- table, pero su capacidad real no lo es, debido a que esta descentrado ala derecha. Por lo tanto, ¢s preciso hacer los ajustes 0 cambios necesarios para que la longitud de las capas disminuya 2.5 mm en promedio, ademas de seguir monitoreando el proceso para evaluar estos cambios y prevenir que no haya un incremento en la variacién. so “0 30 Frecuencia 20 0 sa se sa 592 S56 60 Longiud Gréfica de capacidad para longitud de capas (al histograma se le agregaron las especificaciones yla curva dela distribucién normal con U=552.5y O= 1.98}.122 | CAPITULO 5: indices ¢ TABLA 5.6 Anilisis de la capacidad del proceso, ejemplo 5.7. EsTADISTICO. ANALISISY COMENTARIOS ‘CONCLUSIONES Mecidas detendencia | « La tendencia central del proceso esté movida hacia la derecha de a longi Sptima Proceso descentrado a cen deseada (550 mm, Ia derecha eX 25525 + EL Sos de la 180 mediciones Fue mayor $52 mm. b= 5825, Meciana = 552.0 © La longitad mis Fecuente fue de 552 mm Mods = 552.0 © Las meidas de vendenca central son relatvamente similares, pro que hay cierta simetia en la dstrbueién de los datos. Rango medio y desviacién. | « La desviacién esndar de largo plazo se calcula drecramente de los datos dela abla SS, | o> 1.98 essindar yes S= 1.96, La desviacién estindar de corto plizo se obtiene a civ el promedio de los Rast Fangosentela constanted, S=196 + Alserambas desvaciones excndar similares, significa qué el proceso correspondiente tiene un buen contol, Lites reales © Porlo general a longitu de as capas vara etre 46.56 556.48 mm. Con un promedio. | Lavariacion el del uz36) de $525 mm. Laamplitud de extos lines es menor ala variacin tlerada proceso es aceptabie, Rin =546.56 + ELLRSsuperala espeifcacién inferior (58), porlo que se estén coreando capas que __| pero st xtincortando IRsup= 558.46 cxceden e longtudaceprable aps que exceden os 558mm Grafica decapacidad | « La dsribucidn se ajustarazonablemente bien aa normal A centarel proceso (histograms, ase figra | «La tendencia central se uieaaededor de S52 y «cuerpo del histograma exh cesplazado | su capaida elses 53) hacia a erecha de S50 ceptable + Hay problemas cn a especicacién superior © Siel proceso se centrara el histograms cabriaperfctamente dentro dels espcifiacions. Porcentaje fuera de * El porcenae del ea bao la curva normal dela gua 55, queescedelaespecifcacién | Las capas queexceden sspeciicaciones superior es de0.2737%, que corresponde 22737 partes por mlén 558 mm generarin o273r% problemas de calidad enialan, Indices decapacidsc: | La capaccad poten del proceso es adecuads, ya que el es mayor que 133. Fo CCenrarel proces: Goss tambien se aprecia a través del C,ya que la amplitude la viracién del proceso eubre7@% | hacerlo ajustes o coor dela amplizud dela bands de expecfcaciones, cambios necesarios . + La capaccad eal de proceso ex mals, ya que ant el G, como! G,, son menores que 1.0, | pa quelalongtud Gu 998 ccandosus valores deberansermayeresa 130, . e as capas dsminuye Gm O84 * Los problemas de capacidad se deben a que el proceso esté descentrado 31.25% a laderecha | 2.5 mm. Ko 3125% dess0, CConclsiones finales Sina es abo qué cambios hacer para centarel proceso, erecomienda generar propuesas mediante una lia de ideas o apical diseo de ‘xpermentos para encontrar asvarabls de ecraca que mueven Ia als, + Es necesario seguir mnitoreando el proceso para evlvarlos cambios reaizadosy preven que no haya unincremento en su vara, Disefio de tolerancias “LUprassinportntsenel desarrollo deun product esa conversién de ss peuliardades a caracteristi dimensionales, quimicas, eléctricas y otras. Por ejemplo, un sistema de calentamiento para un automévil tendré muchas caracteristicas para el calentador, los ductos de aire, el ensamble del ventilador, el radiador, etc. Para cada caracteristica del tipo valor nominal el diseflador debe especificar:1. Elpromedio deseado (o “valor nominal”, N). 2, Los limites de especificacién (0 “limites de tolerancia”) arriba y abajo del valor nominal que deben cumplir los componentes individuales del producto. En este caso, y en general para fijar los limites de la especificacién se deben tomar en cuen- ta dos aspectos: las necesidades funcionales del producto y lo que el proceso de produccién realmente puede realizar. Muchas veces, estos dos aspectos son antagénicos, ya que desde la perspectiva de las necesidades funcionales (calidad) del producto, entre més estrechos sean los limites de especificaciones es mejor. Pero desde la perspectiva del proceso de produccién, entre mds estrechos sean estos limites mas dificil seré cumplir con tales exigencias. Por lo tanto, la tarea del disefiador cuando establece los limites de especificaciones sera conciliar estas dos perspectivas. Lo ideal seria que el disefiador contara con la informacién acerca de las necesidades fun- cionales y de la capacidad del proceso, Sin embargo, por lo general, los disefiadores no dispo- nen de la informacion sobre la capacidad de los procesos. Entonces, su problema sera obtener una muestra de los datos de los procesos, calcular los limites que pueden cumplir ¥y comparar éstos con los limites de tolerancia propuestos. Cuando no se tiene idea de los limites de tolerancia, los limites reales calculados _Limites de tolerancia, a partir de los datos del proceso proporcionan un conjunto de limites realistas 0 especificaciones 123 desde el punto de vista del proceso de produccién, Estos limites deben evaluar- Sen !os valores entre los cuales debe se frente a las necesidades funcionales del producto. A continuacién se explica ‘cémo se pueden establecer los limites de tolerancias, para uno y varios compo- nentes que al ser ensamblados forman un solo producto. product. Estimacion de los limites naturales de tolerancia de un proceso Leslie patra de lance wm proceso, osemplemente iis natures 0 eles de proceso (véase capitulo 2), son aquellos entre los cuales por lo regular varia el proceso, y por lo general se obtienen de la siguiente manera: Limite real inferior (LRI)= 1 ~ 3oy Limite real superior (LRS) = p- 3 donde ry son la media y la desviacién estandar del proceso, respectivamente. Sila caracte- ristica de calidad tiene una distribucién normal (1, 0), entonces 99.73% de la distribucién se localiza dentro de los limites naturales. En forma mas general, los limites naturales de tolerancia de un proceso son aquellos que contienen (1 - a) x 100% de su distribucién, Por lo tanto, sila distribucién del proceso es normal (i, 0), entonces los limites naturales estin dados por: HEL ge donde Z,y2 €8 el (I — a/2) x 100 percentl de la distribucién normal estandar. Asi, si = 0.05, entonces Z) 95/9 = 1.96; si a= 0.01, Zp o1/2 = 2-576; ¥ si = 0.0027, Zp og135= 3.0. De acuerdo con lo anterior, estimar los limites naturales de un proceso no tiene mayor problema bajo el supuesto de distribucién normal y de que se conocen #1 ¢: Pl supuesto distribucional con fre- cuencia se cumple, mientras que conocer la media y la desviacién estandar es relativamente facil en un proceso que esta en operacién, ya sea porque actualmente se tiene evidencia del valor de 1 y 6 0 porque es relativamente facil estimarlos con una buena precision. Sin embargo, cuando el disefiador requierc establecer tolerancias, por lo general el proceso atin no esta en operacién 0 no produce el producto de interés, por lo que en estos casos es , GIST IEA Ensamble para el ejemplo 5:10. El problema del ejemplo 5.10 tiene una solucién general. Es decir, silos limites naturales del ensamblaje final son definidos de modo que por lo menos (1 ~ a) x 100% caiga dentro de especificaciones. Si las tolerancias del ensamble final son V+ h, entonces el ancho de los limites de especificacién es 2h, y Zqi yeh por lo que el valor maximo posible de la varianza del ensamble final es: “le an Si el ensamble final esta formado por m ensambles de longitudes by, by, . by, Tespectivamen- te; y sila varianza de cada componente es proporcional a su longitud 7 = b,c, entonces OF = bye + bye +4 bem (bby +4 Be De aqui que el valor maximo permisible de la varianza para cada componente individual sea a A y By bby toe yy | (by by boo + by) Aa128 | cAPiTULO 5: i apacidad, m Seis Sigma y andlisis de toleran y si suponemos que los limites naturales y los limites de especificacién para los componentes coinciden exactamente, entonces los limites de especificacién para cada componente estin dados por 6; * Za so} =b; +h} Claro y ajuste Claro y ajuste 74 Es cuando una pieza se ensambla en otra yes necesario un claro para que l ajuste sea posible y que haya poco juego u holgura BJEMPLO 5.11 Parte de una barra debe ser ensamblada en un cuerpo ilindrico como se muestra en la figura 5.8, El ensamble debe ser bueno y tener poco claro; para ello, el disefiador establecié como objetivo un claro de 0.23 mm con un to- lerancia de: 0.20 mm. De aqui que el claro minimo u hol- {gura minima sea EI = 0.23 - 0,20=0.03, y el clara maximo FS =0.23 + 0.20 = 0.43, Se trata de encontrar qué por ceentaje de los ensambles cumplen con estas exigencias De datos hist6ricos se sabe que el diémetro interno del cilindro es una variable aleatoria normal, x,, con me- dia 1, = 40 mm y una desviacién esténdar de 0, = 0.05 mm, El didmetro de la barra, x,, se distribuye normal con media jt, = 39.75 mm y una desviacién estdndar = 0.06 mie Generacén de rnimerasaleatoris (en lcaso de Exe! 2007 ‘ee: Datos Andlsis de Datos -> Generacidn de nimeres alestoris) 6) Dentro del procecimiento Genta deminer alata, para cad uno de os ensamleso variables es necsarorllenar as opciones como se mere de variables: (specifcar uno) 1 2. Gantdd de mimes loa: § 000 3. Ditbuien normal 44 Parmtrosespcica la media yladesviaidnextndar del variable 5. hia: dejar en blanc) {6 Opeonese side: especifcarlacolurna donde se desea generarlos nimeros aleatoros) 6) Una ver que se tenga una muestra de igual tamafo para cada una dels variables involueradas en el ensamble, en una column nueva se indica la operacién que representa la variable de ensambley sella. Los valores rellenados representa una muestra dela variable deensamble, con los que es posible earacterizarperfectamente su dstrouciénpiciende su media, eu desvacin extn, su istograma y cualquier otra Informacion que se dese, EJEMPLO 5.12 Un producto es suministrado en un contenedor, cuya for ma se muestra en la figura 5.9. El productor de los con- tenedores ha recibido reclamaciones por la gran varia lidad de la capacidad (volumen) del contenedor. Por ello, se decide a realizar un estudio de la variacién del volumen De acuerdo con esto, el volumen del contenedor esta dado por: LxAxH, del contenedor. El contenedor es resultado de un ensamble en el que intervienen principalmente tres dimensiones, que se pue- den suponer independientes entre s{. Ademas, de acuer- do con datos disponibles se sabe que las dimensiones (en em) se distribuyen normal con las siguientes medias y des- viaciones estandar: VARIABLE MEDIA-—_DESVIACION ESTANDAR args 30 020 A-Ancho 10 008 Hak 16 ox Enestos problemas de disefio de las tolerancias es de utilidad calcular el coeficiente de va- Se quiere obtener la media y Ia desviacién estandar de V, para lo cual se aplica el mécodo que se explica en la tabla 5.7. Ademés, en la tabla 5.8 se ilustra el procedimiento y parte de los resultados, De ahi se aprecia que la media de la variable volumen es tly = 4798.74, y su desviacién estindar es 6= 61.71 em?, Porlo tanto, los imizes natu- rales de variacién (0 tolerancias naturales) para la capa- cidad del contenedor son: 4 798.7443 (61,71) =4 798.74 * 185.12 As, la capacidad de los contenedores varia ordinariamen- eeentre 4 613,62 y 4 983.86 cm’, Esta informacién acerca de la variacién del volumen de los contenedores puede ser comparada con objetivos 0 especificaciones. riacién, CV, porque, como se vio en el capitulo 2, expresa la variacién en términos relativos. Por ejemplo, en el caso del ejemplo 5.12, este coeficiente esta dado por:Estimacién de los limites naturales de tolerancia de un proceso | 131 GETZ Forma del contenedor para el ejemplo. Una interpretacién intuitiva para este caso es la siguiente: la variacién del volumen de los contenedores es de 1.29%, TABLA 5.8 Simulacién Monte Carlo de la variable volumen (ejemplo 5.12) VARIABLE A SIMULAR (LARGO) ‘A(ANCHO) (ALTO) 1 Numero de variables 1 1 1 2, Cancidad de nimerosaleatorios 000 000 000 3. Disibucign Normal Normal Normal Media 30 10 16 Desviacién estandae 020 016 012 Rango de sada ‘avAs000 885000 cxcs000 ASBECH(VAUAYH) 1 2994 ro. 1613 4888.67 2 2m 9.96 16M 4779.17 3 3005 10.0 1615 490267 4 3026 994 1604 492816 5 3024 10005 1605 4583.71 6 303s 10.2 16.00 491282 7 2956 99 1598 am077 49952993 994 1600 476110 4996 2993 1001 1584 47a 4997 2993 992 1603 4758.61 4998 4027 10.02 16.5 4595.76 45992998 10.03, 1609 4836.42 5000 2996 9.96 1620 4804.59 [MEDIA DE DATOS SIMULADOS 30.00 10.00 16.00 4798.74 DDES\. ESTANDAR DE DATOS SIMULADOS 020 008. 012 au132 CAPITULO 5: i Uso de software ‘Pats clcato de Excel, lo largo del capitulo se deronindicaciones de cémoutiizano para realizar ciertos calculos, Statgraphics Después de introducir en una columna los datos a analizar se ejecuta la siguiente secuencia: Special -> Quality Control -> Process Capability Analysis. Para el caso de la versién Centurion de este softwar, la secuencia es: SPC—> Capability Analysis —> Variables ~> Individual Values. En ambos apareceré una pantalla donde, en primer término, en Data se da el nombre de la variable que vaa ser analizada; después se introduce, en caso que exista, el valor de la especificacién su. perior (USI), después el valor nominal para la variable. Pero si slo se tiene una especificacién, entonces es usual dar como valor nominal la media actual del proceso, Por itimo, en LSL se introduce el valor de la especificacién inferior, en caso de que exista. Dentro del procedimiento de Process Capability Analysis existen varios andliss tanto a manera de tablas 0 reportes como aréficas, que incluyen capacidad de corto y largo plazo. Minitab En este software existen varias opciones para hacer un andlisis de capacidad; para ello, se se- lecciona Stat —> Quality Tools, y después aparece una lista de opciones para realizar el andlisis: Capability Analysis (Normal); Capability Analysis (Between/ Within), con esa opcién el software es posible calcular tanto la variacién de corto como de largo plazo y los indices correspondien- tes, Después, serd necesario declarar la columna donde estén los datos a ser analizados, asi como la especificacién inferior (Lower Spec) y la superior (Upper Spec) Conceptos clave Capacidad de un proceso © Indice Z, Indice G © Indice Z, indice C, + Proceso Tres Sigma Indice Cog ‘© Proceso Seis Sigma indice C, © Unidad lndice C,, ‘® Oportunidad de error indice K + DPU (detectos por unidad) Indice Co '* PO (defectos por oportunidad) Capacidad de coro plazo + PMO (defects por milin de oportunidades) Capacidad de largo plazo + Limes de tolerancas indice P, © Claro yajuste lndice © Interferencia Indice Z ‘© Simulacién Monte CarloPreguntas y ejercicios 2, |. ¢Cundo se dice que un proceso es capazo habil? Con respecto alos indices C, y Gy, explique: a 4 eQué mide el indice C,? QUE significa que un proceso esté descentrado? Explique con un ejemplo. El indice C, toma en cuenta el centrado de un proceso? Argumente su respuesta. ePor qué se dice que el indice C, mide a capaci dad potencial y el Cy la capacidac real? Apéyese en los puntos anceriores para explicar. . Si una caractertstica de calidad debe estar entre 30:4 2, y'se sabe que su media y desviacién estandar estén dadas por t= 29.3 yo=055, calculee interprete a detalles siguientes indices: Cy, Gus Ks GY Gy J. Para el eercicio 13 del capitulo 2, acerca del grosor 5. Los siguientes datos representan las mediciones de de las laminas de asbesto, se tiene que las especifica ciones son: E1= 4.2 mm, ES = 5.8 mm. Ademas de las ediciones realizadas en los Gltimos tres meses, se aprecia un proceso con una estabilidad aceprable, con U=4.75 y o=0.45. Ahora conceste lo siguiente: 4) Caleule el indice Ke interprételo. 2) Obtengs snd y Cy «errs ©) Apartir dela tabla 5.2, estime el porcentaje de laminas que no cumplen con especificaciones: del lado inferior, del superior y ambos lados. 4) En resumen, gel proceso cumple con especificacio- res? Argumente su respuesta, viscosidad de los tltimos tres meses de un producto licteo. El objetivo es tener una viscosidad de 80 + 10 cps. Producto ldcteo 84 a 78 82 80 8685 83 82 87 84 78 83 8781 80 82 79 81 a7 83 83 7 34 83 82 83 80 7 8 82 86 8280 82 8485 80 84 84 86 86 80 85 2 83 at 81 86 82 84 78 2 82 84 83 84 83 87 78 2 83 84 81 84 82 83 2 88 83 84 2 2 86 ey 76 90 1B. 10. n. n, 133 uy ° ipo 2» 450 0 Tipo B Ss 350 15 Tipo 6 200 2s Tipo D as 350 2 Tipo 30 400 15 Teral 2) Con base en los datos de la tabla, obtenga el PU, el DPO y el DPMO para cada tipo de efecto, asicomo para el total CObtenga una estimacién de la probabilidad de que el producto no tenga ese defecto, Y= e-OPY, y con ello el nivel de sigmas de largo y corto plazo para el defecto correspondiente 5 6) Considere todos los defectos y determine cual es el nivel de sigmas del proceso. Analisis de tolerancias 29, Se proyectalaproducién de una nueva piezay se requiere etablecer sus espeifiaciones. Para elo, partir de una producciénprelminarseobtene una muestra pequeha de n= 35 piezas, se mide se ob tiene ¥~26.3 y5=0.3. Con base en eso obtenga los lites detolerancia natural, considerando confanzas de 7=90%y 9% ycoberturas dadas por @=0:10y 005. Explique los cuatro intervals obtenidos 30. Sienel problema anterior las especficaciones de seadas, de manera preliminary de acuerdo con los requermientos de diseRo son: 261, obtenga el C, que se tendra en cada uno de los casos indicados arriba, (Nota: recuerde que el C, es una azén entre la amplitud de as toleracias deseadas yla amplitud de Invariaci del proceso, lo cual se calcul en elinciso arerior) Pu a1 32. 33. 34. Po, Sienel punto anterior los C, obtenidos son malos, qué alternativas hay? Con respecto al problema 29: 4} Resuelva dicho problema considerando que se abtuviern los mismos datos (¥ = 26.3 y5=0.3), pero ahora suponga ques utliz6 un tamano de muestra de n= 10, 8) Compare los itervalos anteriores on ls obte- nidos en el problema 29. ¢Por qué tienen distinta amplitud? Supongamos que la longitud de un ensamble final, y ‘sé dado por la siguiente combinacién lineal de tres components individuales: y=x, + 3x, +x, Parala longi longitudes de cada uno de los componentes se dis- tribuyen normal con media y varianza conocida: x, ~ (39.8, 0.23), x, ~ N{60.1, 0.59) yx, ~ N{79.9, 0.92) Todas las longitudes estan dadas en mlimetros, y pue- den suponerse independientes, ya que son producidas ‘en maquinas difere uentre el porcentaje de en ssambles finales que cumplen con las especificaciones. 1d final se tiene una tolerancia de 1802.5. Las La longitud de un ensamble final, y, esta dado por la siguiente combinacién lineal de cuatro componentes individuales: y=x, + 3x, +x, +x. Para la longitud final se tiene una tolerancia de 107 + 1.5, Las longi tudes de cada uno de los componentes se dstribuye 135136 | CAPITULO 5: indices ¢ métricas Seis Sigma y andlisis de toleranc [RETA chests pars gece normal con media y varianza conocida: x, ~ N(19.8, con medias i, = 12, t= 8, Hl 12, respectivamente. 0.18), x, ~ N(10, 0.08), x, ~ N{25.02, 0.3) yx, —N(32, Se desea definir los limites de tolerancias para los en- 10.23). Todas las longitudes estan dadas en milimetros, sambles individuales de tl forma que al menos 99.73% y pueden suponerse independientes porque son produ- de los ensambles finales esté dentro de especifcacio- cidas en maquinas diferentes, res, Realice lo anterior suponiendo que la variacién 4) Qué porcentale de ensambles ales cumplen dels componentesindviduales es proporcional a su ton especifiaciones? longitd (vase ejemplo 510), 8) Calele el Cy Cy para el ensarble final interpret. 36, Resueka el problema anterior pero ahora suponga una 6) Encaso dequela capacidad sea iadecuada, qué especifacin para elensamble ial de 32.00 £03, y alkerativassuyiere? analic los cambios en las especifcaciones dels com 35. Se disefian las tolerancias de un ensamble lineal de tres Ponentes individvales. piezas, de forma que la longitud final esté dada pory= 37. Dos partes son ensambladas como se muestra em la x, +x, +X, Las especificaciones para el ensamble final figura 5.10. La distribucién dex, y xp es normal con ft son de 32.00 0,7 La longitud de cada componente, 99, 6, = 0.28, y= 19.45, 0,=0.42. La especfca- Yay, son independientes y se disribuye normal «ida para el caro entre las dos piezas es 0.50 £0.38 [EULER agave pars gece38, 39. 44) {Qué porcentajes de los ensambles cumplen con la especiicacién del claro? 4) Caleule la probabilidad de que haya interferencia y de que el ensamble no sea posible. Resuelva el problema anterior, pero ahora considere 9, =0.52, Comente y compare los resultados. lvolumen de agua en el generador de hielo de un refrigerador es igual al velocidad de llenado, V, pore tiempo dellenado, T. La velocidad de lenado la con- trola una valvula yal tiempo un eronémetro; ambos «quipos son fabricados por diferentes proveedores, por lo que se consideran independiences. Delos datos de los proveedores se sabe que: Vse distrbuye normal con = 20 em,/sy 6= 0.35 mys; en tanto, Ttam- bin se dstribuye normal con u'=6.1 sy 0= 0.42 Obtenge por medio de la simulacién Monte Carlo los limites naturales de tolerancia del volumen = VX T. 40. Como parte del ensamble de un producto, en Ia figura 5.11 se aprecia el ensamble de una barra diagonal. La longitud (L) de la barra se distribuye normal con ft, = 300 mm y 6, = 0.3 mm. El Angulo, 8, dela diagonal con la base tambidn es una variable aleatoria que se distribuye normal con Hg= 45°, y 6y= 0.4%, Con estos elementos interesa conocer los limites naturales de tolerancias para la altura, H, de la base al final dela barra diagonal (véase figura 5.11), 4) Dado que H=SENO(G) x L, mediante simulacién ‘Monte Carlo obtenga la media y la desviacion cesténdar de H. 5) De las simulaciones hechas para obtener H, cons- ‘raya un histograma y con base en éste vea si es razonable suponer que H se distribuye normal 2) Con los datos dela simulacién obtenga el minimo, el maximo y el rango para H. Suponga distribucién normal y obtenga los limites naturales de colerancia para M. 4) 137