Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Módulo II
1
Contenido - Módulo II
1. Introducción
2. Despliegue de Seis Sigma en la empresa
3. Gestión de procesos en la empresa
4. Gestión de proyectos y liderazgo
5. Fase de Definición
6. Fase de Medición
7. Fase de Análisis
8. Fase de Mejora
9. Fase de Control
Fase de análisis
3
7. Fase de Análisis
Propósitos y salidas
Salidas:
Causas raíz validadas
Factores de variabilidad identificados
5
Estudios de R&R por atributos
6
Aplicación Transaccional de
Repetibilidad y Reproducibilidad
Ejemplo de Administración de Programa:
A lo largo de la duración de un Programa…
Se proyecta el tiempo necesario para alcanzar una
meta en particular.
Se registra el tiempo que tomó en realidad alcanzar la
meta.
Se calcula la diferencia entre el tiempo proyectado y el
real. Los datos a usar son “número de semanas de
atraso”.
7
Datos de GR&R
(Número de Semanas de Atraso)
Programas Gerente de Comprador
Los datos son “número
Programa de semanas de atraso”
1 0 -37 para la selección de
2 1 91 proveedores.
3 6 124
4 0 68 Observe cuan diferente
5 0 -24 miden el mismo evento
6 23 45 el Comprador y el
7 23 19 Gerente de Programa.
8 0 66
9 69 86
10 14 86
8
Resultado de Minitab®
GR&R (ANOVA) para las Semanas de Atraso
Componenentes de Variación
100
%Contribución
Porcentaje
%Var. Estudio
50
Promedio
50
100
Programas 1 2 3 4 5 6 7 8 9 10
50
-50
0
9
Resultados de GR&R
Gage R&R
Source Variance %Contribution
Total Gage R&R 1948.0 88.52
Repeatability 0.0 0.00
Reproducibility 1947.9 88.52
Part-To-Part 252.7 11.48
Total Variation 2200.6 100.00
14
Estudio de Repetibilidad y
Reproducibilidad de Atributos
16
Interpretación de Resultados
1. % del Evaluador es la consistencia de una persona.
17
Estudio de Repetibilidad y
Reproducibilidad de Atributos -
Guías de Aceptabilidad
Aunque el 100% es el resultado que deseamos obtener,
en un estudio de repetibilidad y reproducibilidad de
atributos, la siguiente guía se usa frecuentemente:
Porcentaje Guía
De 90% a 100% Aceptable
De 80% a 90% Marginal
Menos de 80% Inaceptable
18
QFD
FASE DE ANÁLISIS
Diagrama de
relaciones
Diagrama
Causa Efecto Diagrama de
Ishikawa
Diagrama
de Árbol
Definición
Y=X1 + X2+. .Xn
CTQs = Ys Medición Y,
Operatividad X1, X2, Xn
X's
Causas
Análisis del Modo y Efecto de potenciales
Falla (AMEF)
Pruebas
de
hipótesis
Diagrama
de Flujo
del X's vitales
proceso No ¿Causa Si Causas raíz
Raíz? validadas
19
Pruebas de Hipótesis
Variables Atributos
No Normal Tablas de
Contingencia Chi Cuad.
Varianza Medianas
Correlación
Correlación
Homogeneidad Prueba de signos
de Varianzas
Wilcoxon
Normal Proporciones - Z
de Levene
Mann-
Whitney Variancia Medias
Kurskal-
Wallis 1- Población - Chi Pruebas Z, t
2- Pob. F 1- Población
Residuos
Prueba de Mood 2- Poblaciones
Homogeneidad distribuidos
Friedman de Varianzas ANOVA
de Bartlett Una vía normalmente
Dos vías
Correlación
Regresión 20
Análisis del Modo y
Efecto de Falla (AMEF)
21
¿ Qué es el AMEF?
El Análisis de del Modo y Efectos de Falla es un grupo sistematizado
de actividades para:
23
AMEFP o AMEF de Proceso
Fecha límite:
Concepto Prototipo Pre-producción /Producción
FMEAD
FMEAP
FMEAD FMEAP
Característica de Diseño Paso de Proceso
Falla Forma en que el Forma en que el proceso falla
producto o servicio falla al producir el requerimiento
que se pretende
Controles Técnicas de Diseño de Controles de Proceso
Verificación/Validación
24
Modos de fallas vs
Mecanismos de falla
25
Definiciones
Modo de Falla
Diseño Proceso
Alcance insuficiente Omisiones
Recursos inadecuados Monto equivocado
Servicio no adecuado Tiempo de respuesta excesivo
26
Definiciones
Efecto
- El impacto en el Cliente cuando el Modo de Falla no se previene
ni corrige.
28
¿Cuando iniciar un FMEA?
Al diseñar los sistemas, productos y procesos nuevos.
Al cambiar los diseños o procesos existentes o que serán
usados en aplicaciones o ambientes nuevos.
Resultados de Acción
O Controles de D
Función S Causa(s)
Efecto (s) c Diseño o e R Responsable S O D R
del Producto/ Modos de Falla e Potencial(es) Acción Acción
Potencial (es) c Proceso t P y fecha límite e c e P
Paso del Potenciales v o Mecanismos Sugerida Adoptada
de falla u Actuales e N de Terminación v c t N
proceso . de falla
r c
30
ANALISIS DEL MODO Y EFECTO DE FALLA
AMEF de Diseño / Proceso
Componente ______________________ Responsable del Diseño ____________AMEF Número _________________
Ensamble ________________ Preparó _______________ Pagina _______de _______
Equipo de Trabajo ___________ FECHA (orig.) de AMEF ______(rev.) ______
Resultados de Acción
O D
Función S Causa(s) Controles del
Efecto (s) c e R Responsable S O D R
de Modos de Falla e Potencial(es) Diseño / Acción Acción
Potencial (es) c t P y fecha límite e c e P
Componente/Paso Potenciales v de los Mecanismos Proceso Sugerida Adoptada
de falla u e N de Terminación v c t N
de proceso . de falla Actual
r c
Factura correcta
Relacione las
funciones del
diseño del
componente
31
ANALISIS DEL MODO Y EFECTO DE FALLA
AMEF de Diseño / Proceso
Componente ______________________ Responsable del Diseño ____________AMEF Número _________________
Ensamble ________________ Preparó _______________ Pagina _______de _______
Equipo de Trabajo ___________ FECHA (orig.) de AMEF ______(rev.) ______
Resultados de Acción
Función O D
Causa(s) Controles de
del Efecto (s) D c e R Responsable S O D R
Modos de Falla Potencial(es) Diseño / Acción Acción
componente/ Potencial (es) i c t P y fecha límite e c e P
Potenciales de los Mecanismos Proceso Sugerida Adoptada
Paso del de falla v u e N de Terminación v c t N
de falla Actuales
proceso r c
Factura
correcta
Datos incorrectos Identificar modos
de falla Tipo 1
inherentes al
diseño
32
Efecto(s) Potencial(es) de falla
Evaluar 3 (tres) niveles de Efectos del Modo de Falla
• Efectos Locales
– Efectos en el Área Local
– Impactos Inmediatos
• Efectos Finales
– Efecto en el Usuario Final del producto o Servicio
33
ANALISIS DEL MODO Y EFECTO DE FALLA
AMEF de Diseño
Componente ______________________ Responsable del Diseño ____________AMEF Número _________________
Ensamble ________________ Preparó _______________ Pagina _______de _______
Equipo de Trabajo ___________ FECHA (orig.) de AMEF ______(rev.) ______
Resultados de Acción
O Controles de D
Función Causa(s)
Efecto (s) D c Diseño / e R Responsable S O D R
del componente Modos de Falla Potencial(es) Acción Acción
Potencial (es) i c Proceso t P y fecha límite e c e P
/ Paso del Potenciales oMecanismos Sugerida Adoptada
de falla v u Actuales e N de Terminación v c t N
proceso de falla
r c
Esta calificación resulta cuando un modo de falla potencial resulta en un defecto con un cliente final y/o una planta de manufactura
/ ensamble. El cliente final debe ser siempre considerado primero. Si ocurren ambos, use la mayor de las dos severidades
Peligroso Calificación de severidad muy alta cuando un modo potencial de Puede exponer al peligro al operador (máquina o ensamble)
con aviso falla afecta la operación segura del producto y/o involucra un no sin aviso 9
cumplimiento con alguna regulación gubernamental, con aviso
Muy alto El producto / item es inoperable ( pérdida de la función El 100% del producto puede tener que ser desechado op
primaria) reparado con un tiempo o costo infinitamente mayor 8
Alto El producto / item es operable pero con un reducido nivel de El producto tiene que ser seleccionado y un parte desechada
desempeño. Cliente muy insatisfecho o reparada en un tiempo y costo muy alto 7
Modera Producto / item operable, pero un item de confort/conveniencia Una parte del producto puede tener que ser desechado sin
do es inoperable. Cliente insatisfecho selección o reparado con un tiempo y costo alto 6
Bajo Producto / item operable, pero un item de confort/conveniencia El 100% del producto puede tener que ser retrabajado o
son operables a niveles de desempeño bajos reparado fuera de línea pero no necesariamente va al àrea 5
de retrabajo .
Muy bajo No se cumple con el ajuste, acabado o presenta ruidos y El producto puede tener que ser seleccionado, sin desecho,
rechinidos. Defecto notado por el 75% de los clientes y una parte retrabajada 4
Menor No se cumple con el ajuste, acabado o presenta ruidos y El producto puede tener que ser retrabajada, sin desecho,
rechinidos. Defecto notado por el 50% de los clientes en línea, pero fuera de la estación 3
Muy No se cumple con el ajuste, acabado o presenta ruidos, y El producto puede tener que ser retrabajado, sin desecho en
menor rechinidos. Defecto notado por clientes muy críticos (menos del la línea, en la estación 2
25%)
Ninguno Sin efecto perceptible Ligero inconveniente para la operación u operador, o sin
efecto 1
36
ANALISIS DEL MODO Y EFECTO DE FALLA
AMEF de Diseño / Proceso
Componente ______________________ Responsable del Diseño ____________AMEF Número _________________
Ensamble ________________ Preparó _______________ Pagina _______de _______
Equipo de Trabajo ___________ FECHA (orig.) de AMEF ______(rev.) ______
Resultados de Acción
O D
Función S Causa(s) Controles de
Efecto (s) c e R Responsable S O D R
del componente Modos de Falla e Potencial(es) Diseño / Acción Acción
Potencial (es) c t P y fecha límite e c e P
/ Paso del Potenciales v o Mecanismos Proceso Sugerida Adoptada
de falla u e N de Terminación v c t N
proceso . de falla Actuales
r c
La abertura del
engrane propor La abertura no LOCAL:
ciona una aber- es suficiente Daño a sensor
tura de aire entre de velocidad y
diente y diente engrane
MAXIMO PROXIMO
Usar tabla para
Falla en eje 7 determinar severidad o
gravedad
CON CLIENTE
Equipo
parado
37
Identificar Causa(s) Potencial(es) de la Falla
• Mecanismos de Falla
– Rendimiento, tiempo de entrega, información completa
38
ANALISIS DEL MODO Y EFECTO DE FALLA
AMEF de Diseño
Componente ______________________ Responsable del Diseño ____________AMEF Número _________________
Ensamble ________________ Preparó _______________ Pagina _______de _______
Equipo de Trabajo ___________ FECHA (orig.) de AMEF ______(rev.) ______
Resultados de Acción
O D
S Causa(s) Controles de
Función Efecto (s) c e R Responsable S O D R
Modos de Falla e Potencial(es) Diseño/Proces Acción Acción
de Potencial (es) c t P y fecha límite e c e P
Potenciales v de los Mecanismos o Actuales Sugerida Adoptada
Artículo de falla u e N de Terminación v c t N
. de falla
r c
Nota:
El criterio se basa en la probabilidad de ocurrencia de la causa/mecanismo.
Se puede basar en el desempeño de un diseño similar en una aplicación
similar.
CRITERIO DE EVALUACIÓN DE OCURRENCIA SUGERIDO PARA AMEFP
Probabilidad Indices Posibles de ppk Calif.
falla
Muy alta: Fallas 100 por mil piezas < 0.55 10
persistentes
50 por mil piezas > 0.55 9
Resultados de Acción
Función O D
S Causa(s) Controles de
del Efecto (s) c e R Responsable S O D R
Modos de Falla e Potencial(es) Diseño/ Acción Acción
Componente / Potencial (es) c t P y fecha límite e c e P
Potenciales v o Mecanismos Proceso Sugerida Adoptada
Paso del de falla u e N de Terminación v c t N
. de falla Actuales
proceso r c
CON CLIENTE
Molestia
Insatisfacción
42
Identificar Controles de Diseño o de
Proceso Actuales
• Verificación/ Validación de actividades de Diseño o
control de proceso usadas para evitar la causa,
detectar falla anticipadamente, y/o reducir impacto:
Resultados de Acción
Función O D
S Causa(s) Controles de
del Efecto (s) c e R Responsable S O D R
Modos de Falla e Potencial(es) Diseño / Acción Acción
Componente / Potencial (es) c t P y fecha límite e c e P
Potenciales v o Mecanismos Proceso Sugerida Adoptada
Paso del de falla u e N de Terminación v c t N
. de falla Actuales
proceso r c
CON CLIENTE
Molestia
Insatisfacción
44
Rangos de Detección (AMEFD)
• Rango de Probabilidad de Detección basado en la
efectividad del Sistema de Control Actual; basado en el
cumplimiento oportuno con el Plazo Fijado
Muy Alta Controles casi seguros para X X Detección del error en la estación (medición automática
detectar con dispositivo de paro automático). No puede pasar la 2
parte discrepante
Muy Alta Controles seguros para detectar X No se pueden hacer partes discrepantes porque el item ha
1
pasado a prueba de errores dado el diseño del
proceso/producto
Resultados de Acción
Función O D
S Causa(s) Controles de
del Efecto (s) c e R Responsable S O D R
Modos de Falla e Potencial(es) Diseño / Acción Acción
Componente / Potencial (es) c t P y fecha límite e c e P
Potenciales v o Mecanismos Proceso Sugerida Adoptada
Paso del de falla u e N de Terminación v c t N
. de falla Actuales
proceso r c
¿Cuál es la probabilidad
MAXIMO PROXIMO
de detectar la causa de
Contabilidad 7 3 5
falla?
erronea
CON CLIENTE
Molestia
Insatisfacción
47
Calcular RPN (Número de Prioridad de
Riesgo)
48
ANALISIS DEL MODO Y EFECTO DE FALLA
AMEF de Diseño / Proceso
Componente ______________________ Responsable del Diseño ____________ AMEF Número _________________
Ensamble ________________ Preparó _______________ Pagina _______de _______
Equipo de Trabajo ___________ FECHA (orig.) de AMEF ______(rev.) ______
Resultados de Acción
O D
S Causa(s)
Función Efecto (s) c e R Responsable S O D R
Modos de Falla e Potencial(es) Controles de Acción Acción
de Potencial (es) c t P y fecha límite e c e P
Potenciales v de los Mecanismos Diseño Actual Sugerida Adoptada
Artículo de falla u e N de Terminación v c t N
. de falla
r c
Riesgo = Severidad x
MAXIMO PROXIMO Ocurrencia x Detección
Contabilidad 7 3 5 105
erronea
CON CLIENTE
Molestia
Insatisfacción
Causas probables a
atacar primero
49
Planear Acciones
Resultados de Acción
O D
Función S Causa(s) Controles de
Efecto (s) c e R Responsable S O D R
del componente Modos de Falla e Potencial(es) Diseño / Acción Acción
Potencial (es) c t P y fecha límite e c e P
/ Paso del Potenciales v o Mecanismos Prcoeso Sugerida Adoptada
de falla u e N de Terminación v c t N
proceso . de falla Actuales
r c
MAXIMO PROXIMO
Contabilidad 7 3 5 105
erronea
CON CLIENTE
Molestia
Insatisfacción Usar RPN para identificar
acciones futuras. Una vez que
se lleva a cabo la acción,
recalcular el RPN.
51
Ejemplo de AMEFP
52
Herramientas de la
Fase de Análisis
53
Identificación de causas
potenciales
Tormenta de ideas
Diagrama de Ishikawa
Diagrama de Relaciones
Diagrama de Árbol
Verificación de causas raíz
54
Tormenta de ideas
Técnica para generar ideas creativas cuando la mejor
solución no es obvia.
55
Tormenta de ideas
Permite obtener ideas de los participantes
56
Diagrama de Ishikawa
Anotar el problema en el cuadro de la derecha
Mediciones
Materia Prima
Maquinaria
Personal y
Métodos
o
Las diferentes etapas del proceso de manufactura o
servicio
57
Diagrama de Ishikawa
Medio
ambiente Métodos Personal
Frecuencia Falta de
Rotación de
Clima personal
de visitas supervi
húmedo Falta de
ción
motivación
Posición de Ausentismo
Distancia de exhibidores
la agencia al
Elaboración ¿Qué
changarro de pedidos produce
bajas ventas
Clientes con Calidad del de
ventas bajas Seguimiento producto Tortillinas
Malos
semanal Tía Rosa?
Conocimiento
itinerarios
de los Tipo de
Descompostura mínimos por exhibidor
del camión ruta
repartidor
13/0 2/1
Bandas de
Dancer transmisión
2/4 Taco generador 1/1 Causas a validar
del motor Empaques de arrastre
60
Diagrama de árbol o sistemático
Meta Medio
Meta Medio
Meta Medio
Segundo Tercer Cuarto
Primer nivel nivel nivel
nivel
Medios
Medios
Medios
Medios
o planes
Meta u
objetivo
Medios
o planes
61
Diagrama de Arbol- Aplicación Sistema SMED
¿Cómo? ¿Cuándo?
Filmar la preparación 5- 12 - Mar-04
Preparación
para el SMED
Analizar el video 10 y 17 –Mar-04
63
Calendario de las actividades
4 Poleas de 4.1 Puede generar 4.1.1 Verificar alineación, entre poleas de Abril’04 1804 J. R.
transmisión de vibración excesiva ejes principales y polea de transmisión del Embob. U. P.
ejes durante el ciclo de motor.
embobinadores cambio. 4.1.2 Tomar dimensiones de poleas(dientes
. de transmisión).
4.1.3 Tomar dimensiones de bandas (dientes
de transmisión)
4.1.4 Verificar valor de tensión de bandas. 64
Modelando relaciones entre
variables
Cartas Multivari
y
Análisis de regresión
65
Cartas Multivari
Su propósito fundamental es reducir el gran número de causas
posibles de variación, a un conjunto pequeño de causas que
realmente influyen en la variabilidad.
66
Cartas Multivari
8 AM 9 AM 10 AM 11 AM 12 AM
2.0 dias
1.5 días
1.0 días
Zona A
Zona B
Zona D
Zona C
67
Zona ordenTipo de orden
Tiempo
respuesta
3 1 23
Corrida en Minitab
3 1 20
3 1 21
3 2 22
3 2 19
3 2 20
Se introducen los datos en varias 3 3 19
columnas C1 a C3 incluyendo la 3
3
3
3
18
21
respuesta (tiempo) y los factores 1 1 22
1 1 20
(Zona y Tipo de orden) 1 1 19
1 2 24
1 2 25
1 2 22
1 3 20
1 3 19
1 3 22
2 1 18
2 1 18
2 1 16
2 2 21
2 2 23
2 2 20
2 3 20
2 3 22
2 3 68 24
Corrida en Minitab
Utilizar el archivo de ejemplo orden.mtw
69
Resultados
Multi-Vari Chart for Tiempo respuesta by Zona orden - Tipo de orden
24 Zona
orden
1
23
2
3
22
Tiempo respuesta
21
20
19
18
17
1 2 3
Tipo de orden
70
Análisis de Regresión
El análisis de regresión es un método
estandarizado para localizar la correlación entre dos
grupos de datos, y, quizá más importante, crear un
modelo de predicción.
Regresión
Describe con más detalle la relación entre las variables.
72
Correlación de la información de las X y las Y
Correlación Positiva Correlación Negativa
25
Evidente 25
Evidente
20 20
15 15
10
Y
Y
10
5
5
0
0 5 10 15 20 25 Sin Correlación 0
0 5 10 15 20 25
X 25 X
20
15
Correlación Y 10
Correlación
5
25
Positiva 0 Negativa
0 5 10 15 20 25 25
20
X 20
15
15
Y
10
Y
10
5
5
0
0 5 10 15 20 25 0
0 5 10 15 20 25
X
X
73
Ejemplo
Considere el problema de predecir las ventas mensuales
(score2) en función del costo de publicidad (Score 1). Calcular
el coeficiente de correlación, el de determinación y la recta.
Score1 Score2
4.1 2.1
2.2 1.5
2.7 1.7
6 2.5
8.5 3
4.1 2.1
9 3.2
8 2.8
7.5 2.5
74
Corrida en Minitab
Utilizar el archivo de ejemplo Exh_regr.mtw
Opción: Stat > Regression > Regression
Para regresión lineal indicar la columna de respuesta
Y (Score2) y X (Score1)
Analysis of Variance
Source DF SS MS F P
Regression 1 2.5419 2.5419 156.56 0.000
Residual Error 7 0.1136 0.0162
Total 8 2.6556 76
Resultados de la regresión lineal
Fitted Line Plot
Score2 = 1.118 + 0.2177 Score1
3.5 Regression
95% CI
95% PI
3.0 S 0.127419
R-Sq 95.7%
R-Sq(adj) 95.1%
2.5
Score2
2.0
1.5
1.0
2 3 4 5 6 7 8 9
Score1
77
Interpretación de los Resultados
La ecuación de regresión (Score2 = 1.12 + 0.218 Score1)
describe la relación entre la variable predictora X y la respuesta de
predicción Y.
78
Corrida en Minitab
Se introducen los datos HeatFlux East South North
en varias columnas C1 a
C5 incluyendo la 271.8 33.53 40.55 16.66
respuesta Y (heatflux) y
264 36.5 36.19 16.46
las variables predictoras
X’s (North, South, East) 238.8 34.66 37.31 17.66
79
Resultados de la regresión Múltiple
Regression Analysis: HeatFlux versus East, South, North
The regression equation is
Analysis of Variance
Source DF SS MS F P
Regression 3 1173.46 391.15 32.37 0.030
Residual Error 2 24.17 12.09
Total 5 1197.63
80
Relaciones no Lineales
¿Qué pasa si existe una relación causal, no lineal?
El siguiente es un conjunto de datos Fitted Line Plot
experimentales codificados, sobre Y = 18.13 + 1.089 X
resistencia a la compresión de una - 0.02210 X**2
35.0
aleación especial: Regression
95% CI
95% PI
32.5
Resistencia a S
R-Sq
1.35809
66.8%
Concentración la Compresión R-Sq(adj) 61.2%
x y Y
30.0
81
Otros Patrones No Lineales
A veces es posible transformar una o ambas variables, para mostrar
mejor la relación entre ambas. La meta es identificar la relación
matemática entre las variables, para que con la variable transformada
se obtenga una línea más recta. Algunas transformaciones comunes
incluyen:
x’ = 1/x
x’ = Raíz cuadrada de (x)
82
Resumen de la Regresión
• La regresión sólo puede utilizarse con información de
variables continuas.
• Los residuos deben distribuirse normalmente con media
cero.
Intervalos de confianza
Pruebas de hipótesis
84
Estimación puntual
y por intervalo
Las medias o desviaciones estándar calculadas de
una muestra se denominan ESTADÍSTICOS, son
puntos estimados de la media y desviación estándar
real de población o de los PARAMETROS.
85
Estimación puntual
y por intervalo
¿Cómo obtenemos un intervalo de confianza?
86
Estimación puntual
y por intervalo
Nivel de significancia Alfa = 1 – NC, para el caso
de NC = 95%, se tiene un alfa de 0.05 o 0.025 de
cada lado.
87
Representación gráfica
Rango en el que se
Encuentra el parámetro
IC = 90, 95 o 99% Con un nivel de confianza NC
n=30
Alfa/2
n=15
n=10
88
Estimación puntual
y por intervalo
Por Ejemplo:
89
Estimación puntual
y por intervalo
C. I. Multiplicador Zalfa/2 Alfa/2
99 2.576 0.005
95 1.960 0.025
90 1.645 0.05
85 1.439 0.075
80 1.282 0.10
p (1 p )
p Z
2
n
91
Pruebas de hipótesis para medias,
varianzas y proporciones
92
Pruebas de Hipótesis
Variables Atributos
No Normal Tablas de
Contingencia Chi Cuad.
Varianza Medianas
Correlación
Correlación
Homogeneidad Prueba de signos
de Varianzas
Wilcoxon
Normal Proporciones - Z
de Levene
Mann-
Whitney Variancia Medias
Kurskal-
Wallis 1- Población - Chi Pruebas Z, t
2- Pob. F 1- Población
Residuos
Prueba de Mood 2- Poblaciones
Homogeneidad distribuidos
Friedman de Varianzas ANOVA
de Bartlett Una vía normalmente
Dos vías
Correlación
Regresión 93
Resumen de pruebas de Hipótesis – Datos normales
Pruebas de Medias
Pruebas de Variancias
Prueba X2: Compara la variancia de una muestra con
una variancia de un universo conocido.
Hipótesis alterna Ha
Es la hipótesis que se acepta como verdadera cuando
se rechaza Ho, es su complemento
Puede ser por ejemplo 5 para prueba de dos colas
< 5 para prueba de cola izquierda
> 5 para prueba de cola derecha
98
Conceptos fundamentales
Estadístico de prueba
Para probar la hipótesis nula se calcula un estadístico
de prueba con la información de la muestra el cual se
compara a un valor crítico apropiado. De esta forma se
toma una decisión sobre rechazar o no rechazar la Ho
Región de
rechazo
P(Z>= + Zexcel ) = alfa
100
Conceptos fundamentales
Pruebas de una cola
Si la Ho: que un valor poblacional, entonces el
riesgo alfa se coloca en el extremo izquierdo de la
distribución. Por ejemplo si Ho 10 y Ha: < 10
se tiene una prueba de cola izquierda:
Región de
rechazo
P(Z<= - Zexcel ) = alfa
Zexcel ( 0.01 )
101
Conceptos fundamentales
Pruebas de dos colas
Si la Ho: = que un valor poblacional, entonces el
riesgo alfa se reparte en ambos extremos de la
distribución. Por ejemplo si Ha: ≠ 10 se tiene:
Regiones de rechazo
102
Conceptos fundamentales
El Tamaño de muestra requerido en función del error
máximo E o Delta P intervalo proporcional esperado
se determina como sigue:
Z 2 / 2 2
n
E2
Z 2 / 2 ( p )(1 p )
n
( p ) 2
103
Elementos de una Prueba de Hipótesis
Pruebas de Hipótesis de dos colas:
Ho: a = b Región de Región de
Ha: a b Rechazo Rechazo
-Z 0 Z
Pruebas de Hipótesis de cola derecha:
Ho: a b
Ha: a > b Región de
Rechazo
0 Z
Pruebas de Hipótesis cola izquierda:
Ho: a b
Ha: a < b Región de
Rechazo
-Z 0 Z
Pasos en la Prueba de Hipótesis
105
Pasos en la Prueba de Hipótesis
7. Establecer el tamaño de la muestra, >= 10 y colectar
datos.
8. Decidir la prueba estadística apropiada y calcular el
estadístico de prueba (Z, t, X2 or F) a partir de los datos.
9. Obtener el estadístico que define la zona de rechazo ya
sea de tablas o Excel.
10.Comparar el estadístico calculado con el de tablas y ver
si cae en la región de rechazo o ver si la probabilidad es
menor a alfa, rechazar Ho y acepte Ha. En caso contrario no
rechazar Ho.
11.Con los resultados interprete una conclusión estadística
para la solución práctica.
106
Estadísticos para medias,
varianzas y proporciones
X
Z ;Una.media; n 30; conocida
/ n
X
t ;Una.media; n 30; desconocida
S/ n
S12
F 2 ; DF n1 1, n2 1; prueba.dos. var ianzas
S2
X1 X 2
t ; dos.medias; ' s desconocidas. pero.
1 1
Sp /
n1 n2
( n1 1) s12 ( n2 1) s22
Sp ; DF n1 n2 2
n1 n2 2
X1 X 2
t ; dos.medias; ' s desconocidas.diferentes
2 2
s s
1
2
n1 n2
DF formula.especial 107
Estadísticos para medias
pareadas y varianzas
Para el caso de muestras pareadas se calculan las
diferencias d individuales como sigue:
d
t ; Pares.de.medias; di . para.cada. par
Sd / n
2
( n 1) S
X2 2
; DF ( n 1); prueba.una.v ar ianza
2
(O E )
X2 ; DF ( r 1)(c 1); bondad .ajuste
E
108
Ejemplo de prueba de hipótesis
Probar la hipótesis de igualdad de una media u para n > 30
1) Ho: Ha:
Región de
Zcalc= Rechazo Región de
s
Rechazo
n 0
-Z
-Zt Zt 110
Ejemplo para dos colas
Supongamos que tenemos muestras de dos reactores que
producen el mismo artículo. Se desea ver si hay diferencia
significativa en el rendimiento de “Reactor a Reactor”.
Reactor A Reactor B
89.7 84.7 Estadísticas Descriptivas
81.4 86.1
84.5 83.2 Variable Reactor N Media Desv.Std
84.8 91.9
87.3 86.3 Rendimiento A 10 84.24 2.90
79.7 79.3 B 10 85.54 3.65
85.1 82.6
81.7 89.1
83.7 83.7
84.5 88.5
¿Qué representa esto?
Reactor A Reactor B
B B B B B BB BB B
A AA AAAA A A
80.0 82.5 85.0 87.5 90.0 92.5
Pregunta estadística:
113
Prueba de Hipótesis
Ho: a b
Ha: a b
Pruebas de hipótesis de
varias medias a la vez
115
ANOVA – Prueba de hipótesis para probar
la igualdad de medias de varias
poblaciones para un factor
Ho : 1 2 3 ......... a
Ha : A lg unas. ' s.son.diferentes
116
ANOVA - Condiciones
Todas las poblaciones son normales
117
ANOVA – Ejemplo de datos
Niveles del Factor Peso % de algodón y Resistencia de tela
118
ANOVA – Suma de
cuadrados total
Xij
Gran media
Xij
a b 2
SCT ( Xij X )
i 1 j 1
119
ANOVA – Suma de cuadrados de
renglones (a)-tratamientos
Media Trat. 1 Media Trat. a
a renglones
Gran media
Media trat. 2
SCTr b( X i X ) 2
i 1
120
ANOVA – Suma de cuadrados
del error
X2j X3j
X1j
Media X1.
Media X3.
Media X2.
a b
SCE (X ij X i) 2
i 1 j 1 121
ANOVA – Suma de cuadrados
del error
X2j X3j
X1j
Media X1.
Media X3.
Media X2.
gl.SCT n 1
gl.SCTr a 1
gl.SCE ( n 1) ( a 1) n a
123
ANOVA – Cuadrados medios:
Total, Tratamiento y Error
MCT SCT /( n 1)
MCTr SCTr /( a 1)
MCE SCE /( n a )
124
ANOVA – Cálculo del estadístico
Fc y Fexcel
MCTr
Fc
MCE
Fexcel FINVALFA , gl .SCTr , gl .SCE
125
Tabla final de ANOVA
TABLA DE ANOVA
Regla: Rechazar Ho si la Fc de la muestra es mayor que la F de Excel para una cierta alfa
o si el valor p correspondiente a la Fc es menor al valor de alfa especificado
126
ANOVA – Toma de decisión
Distribución F Fexcel
Alfa
Fc
127
ANOVA – Toma de decisión
O si el valor de p correspondiente a Fc es
menor de Alfa se rechaza Ho
128
Corrida en Minitab
Se introducen las respuestas en una columna C1
Se introducen los subíndices de los renglones en una
columna C2 Durability Carpet
18.95 1
12.62 1
11.94 1
14.42 1
10.06 2
7.19 2
7.03 2
14.66 2 129
Corrida en Minitab
Opción: stat>ANOVA – One Way (usar archivo
Exh_aov)
En Response indicar la col. De Respuesta (Durability)
132
ANOVA – Prueba de hipótesis para
probar la igualdad de medias de
varias poblaciones con dos vías
Se trata de probar si el efecto de un factor o
Tratamiento en la respuesta de un proceso o sistema es
Significativo, al realizar experimentos variando
Los niveles de ese factor (Temp.1, Temp.2, etc.)
POR RENGLON
Y
Considerando los niveles de otro factor que se piensa
Que tiene influencia en la prueba – FACTOR DE BLOQUEO
POR COLUMNA
133
ANOVA – Prueba de hipótesis para
probar la igualdad de medias de
varias poblaciones con dos vías
Para el tratamiento – en renglones
Ho : 1 2 3 ......... a
Ha : A lg unas. ' s.son.diferentes
Para el factor de bloqueo – en columnas
136
Tabla final ANOVA 2 Vías
FUENTE DE VARIACIÓN SUMA DE GRADOS DE CUADRADO VALOR F
CUADRADOS LIBERTAD MEDIO
Regla: No rechazar si la F de la muestra es menor que la F de Excel para una cierta alfa
137
ANOVA – 2 Vías Toma de decisión
Distribución F Fexcel
Alfa
Fc
Tr o Bl 138
ANOVA – 2 vías toma de decisión
139
Adecuación del modelo
Los residuales o errores deben seguir una recta en la
gráfica normal
140
Corrida en Minitab
Se introducen las Zooplank- Supple-
ton ment Lake
respuestas en una
columna C1 34 1 Rose
43 1 Rose
Se introducen los 57 1 Dennison
subíndices de los 40 1 Dennison
renglones en una 85 2 Rose
columna C2 y de las 68 2 Rose
columnas en C3
67 2 Dennison
53 2 Dennison
141
Corrida en Minitab
Opción: stat>ANOVA – Two Way (usar archivo
Exh_aov)
Source DF SS MS F P
Supplement 1 1225.13 1225.13 11.46 0.028
Lake 1 21.13 21.13 0.20 0.680
Interaction 1 351.13 351.13 3.29 0.144
Error 4 427.50 106.88
Total 7 2024.88
143
Pruebas de Hipótesis no
paramétricas para datos no normales
144
Pruebas de Hipótesis
Variables Atributos
No Normal Tablas de
Contingencia Chi Cuad.
Varianza Medianas
Correlación
Correlación
Homogeneidad Prueba de signos
de Varianzas
Wilcoxon
Normal Proporciones - Z
de Levene
Mann-
Whitney Variancia Medias
Kurskal-
Wallis 1- Población - Chi Pruebas Z, t
2- Pob. F 1- Población
Residuos
Prueba de Mood 2- Poblaciones
Homogeneidad distribuidos
Friedman de Varianzas ANOVA
de Bartlett Una vía normalmente
Dos vías
Correlación
Regresión 145
Resumen de pruebas de Hipótesis – Datos no normales
Pruebas de Varianzas
Homogeneidad de la varianza de Levine : Compara dos o
más varianzas de muestras de la misma población.
Pruebas de la Mediana
Pruebas de la Mediana
148
Ejemplo 2: Chi2 Para comparación de dos
grupos; ¿son las mismas proporciones?)
Ho: No existen diferencias en los índices de defectos de las dos máquinas
Ha: Existen diferencias en los índices de defectos de las dos máquinas.
149
Ejemplo 2: Chi2 Para comparación de dos
grupos; ¿son las mismas proporciones?)
Cálculo de los valores esperados
2 232 3 235
233.47 1.53
Total 764 5 769
Ejemplo:
Se cuestionó a veinte personas sobre cuánto tiempo
les tomaba estar listas para ir a trabajar, en las
mañanas. Sus respuestas (en minutos) se muestran
más adelante. ¿Cuáles son el promedio y la mediana
para esta muestra?
153
Un dibujo dice más que mil palabras
Promedio
Mediana
115 144
Después de todo, tal vez
esto SEA lo correcto.
161
Prueba de Mann-Whitney
Se llevó a cabo un estudio que analiza la frecuencia del pulso
en dos grupos de personas de edades diferentes, después de
diez minutos de ejercicios aeróbicos.
Ta y Tb suma de rangos n1 = 10 n2 = 9
Ta = 130.5 Tb = 55.5 163
Prueba de Mann-Whitney
Ho: Las distribuciones de frecuencias relativas de las poblaciones A y B son iguales
Ha: Las distribuciones de frecuencias relativas poblacionales no son idénticas
Ho: 1 = 2 Ha: 1 2 1, 2 = Medianas de las poblaciones
Ordenando los datos y asignándoles su posición relativa se tiene:
Ua = n1*n2 + (n1) * (n1 + 1) /2 - Ta
Ub = n1*n2 + (n2) * (n2 + 1) /2 - Tb
Ua + Ub = n1 * n2
Ua = 14.5 Ub = 79.5
Utilizando el estadístico Z y la distribución normal se tiene:
45 12.24
Z = [ (U - (n1* n2 / 2 ) / Raiz (n1 * n2 * (n1 + n2 + 1) / 12)
Con Ua y Ub se tiene:
El valor crítico de Z para alfa 0.025 por ser prueba de dos colas, es 1.96.
Como Za > Zcrítico se rechaza la Hipótesis Ho de que las medianas son iguales.
150 20 -16 22 24 10 14 18 22 26
140 10 -26 12 14 0 4 8 12 16
144 14 -22 16 18 4 8 12 16 20
de edad
154 24 -12 26 28 14 18 22 26 30
160 30 -6 32 34 20 24 28 32 36
144 14 -22 16 18 4 8 12 16 20
136 6 -30 8 10 -4 0 4 8 12
148 18 -18 20 22 8 12 16 20 24
Una vez ajustados los "enlaces" (eventos de un mismo valor en ambos grupos de
información), Minitab usa este punto estimado para calcular el valor p.
166
Prueba de Kruskal Wallis
Ordenando los datos de ventas y asignándoles el (rango) de su
posición relativa se tiene (promediando posiciones si son iguales):
n1 = 8 n2 = 10 n3 = 7 N = n1 + n2 + n3
Ta = 118 Tb = 111.5 Tc = 95.5 N = 25
167
Prueba de Kruskal Wallis
168
Coeficiente de correlación de
rangos para monotonía de
preferencias
Una persona interesada en adquirir un TV asigna
rangos a modelos de cada uno de 8 fabricantes
Rango
Fab. Preferencia Precio Di
(rango) Di cuadrada
6 36
1 7 449.50 (1)
-1 1
2 4 525.00 (5)
-1 1
3 2 479.95 (3)
2 4
4 6 499.95 (4)
-7 49
5 1 580.00 (8)
-4 16
6 3 549.95 (7)
6 36
7 8 469.95 (2) 169
-1 1
Coeficiente de correlación de
rangos para monotonía de
preferencias
170
Tabla de constantes
n Alfa=0.05 Alfa = 0.025
5 0.900 -
6 0.829 0.886
7 0.714 0.786
8 0.643 0.738
9 0.600 0.683
10 0.564 0.648
11 0.523 0.623
12 0.497 0.591
13 0.475 0.566
14 0.457 0.545
15 0.441 0.525
16 0.425 0.507
17 0.412 0.490
18 0.388 0.476
19 0.377 0.462
20 0.368 0.450
21 0.359 0.438
22 0.351 0.428
23 0.343 0.418
24 0.336 0.409
25 0.329 0.400
26 0.329 0.392
27 0.323 0.385
28 0.317 0.377
29 0.311 0.370
30 0.305 0.364 171
Salidas de la Fase de Análisis
Causas raíz validadas
172
Resumen de la validación de las causas
# de Causa
Resultados Causa
Causas Raíz
Fase de Mejora
174
8. Fase de Mejora
Propósitos y salidas
Diseño de experimentos
Técnicas de creatividad
175
Fase de mejora
Propósito:
Desarrollar, probar e implementar soluciones que atiendan a
las causas raíz
Salidas
Acciones planeadas y probadas que eliminen o reduzcan el
impacto de las causas raíz identificadas
176
FASE DE MEJORA
Causas
raíz Técnicas de
Diseño de creatividad
experimentos Tormenta de
ideas
Optimización Ideas Metodología
TRIZ
Evaluación de soluciones
(Fact., ventajas, desventajas)
¿Solución
No factible?
Si
Implementación de
soluciones y verificación
de su efectivdad
Soluciones
verificadas
177
Diseño de Experimentos
(DOE)
178
Perspectiva histórica
Ronald Fisher los desarrolla en su estación agrícola
experimental de Rothamsted en Londres (ANOVA)
1930
180
¿Por qué no probar un factor a la
vez?
TEMPERATURA TEMPERATURA
1 3
PRESION
PRESION
Zona Máxima Conclusión de la Prueba
2 4
PRESION
Optimo
PRESION
Respuesta Máxima
Conclusión de la Prueba
TEMPERATURA TEMPERATURA
181
Introducción
El DOE varia varios factores simultáneamente de
forma que se puede identificar su efecto combinado
en forma económica:
Diseño de
Proceso
Producto
183
El Diseño de experimentos tiene
como objetivos determinar:
Las X’s con mayor influencia en las Y’s
184
Principios básicos
Obtención de réplicas: repetición del experimento (5
resultados en cada corrida expermental)
185
Términos
Error experimental
Variación en respuesta bajo las mismas condiciones de
prueba. También se denomina error residual.
Fraccional
Un arreglo con menos experimentos que el arreglo
completo (1/2, ¼, etc.)
Factorial completo
Arreglo experimental que considera todas las
combinaciones de factores y niveles
Interacción
Ocurre cuando el efecto de un factor de entrada en la
respuesta depende del nivel de otro factor diferente
186
Términos
Nivel
Un valor específico para un factor controlable de
entrada
Efecto principal
Un estimado del efecto de un factor
independientemente del efecto de los demás
Optimización
Hallar las combinaciones de los factores que maximizen
o minimizen la respuesta
187
Factores y niveles
Los factores son los elementos que cambian durante un
experimento para observar su impacto sobre la salida. Se
designan como A, B, C, etc.
191
Pasos para Diseñar y Realizar un
Diseño de Experimentos
192
Ejemplo: Proceso de atención a clientes
en un Call Center
Objetivos de los experimentos
Horas de atención
194
Ejemplo: Proceso de soldadura de una
tarjeta de circuito impreso
Variables que no se pueden o desean controlar Z’s –
Variables de ruido
Edad del ejecutivo de cuenta
Distribución del Call Center
Día del año
Medio ambiente
Horarios de comida
195
Los Factores Pueden Afectar...
1. La Variación del Resultado 3. La Variación y el Promedio
Con
Banda ancha
Entren.
Sin
Banda
entren.
angosta
Meta
2. El Valor Mínimo es el Mejor
Tendencia de • Tiempo de Ciclo
salida hacia cero
• Tiempo de
conexión
0
3. El Valor Máximo es el Mejor Tendencia de • Confiabilidad
salida
hacia arriba
• Satisfacción
197
Respuesta de Salida Y =Tiempo de
La salida que se mide como resultado del experimento
y se usa para juzgar los efectos de los factores. conexión
Factores A. Tiempo de llamada
B. LOcalización
Las variables de entrada de proceso que se C. Experiencia
establecen a diferentes niveles para observar D. Tipo de Material usado
su efecto en la salida.
199
Experimento factorial completo –
sin interacción
Un experimento factorial completo es un experimento donde se
prueban todas las posibles combinaciones de los niveles de todos los
factores.
Factor A:
-1 +1
+1 30 52
Factor B: Y = Respuesta
-1 20 40
Respuesta
Promedio
B = -1 20 40
A = -1 A = +1
201
Experimento sin interacción
Respuesta
52
+1
B=
1 40
30 B =-
20
A = -1 A = +1
202
Modelo de regresión lineal
y 0 1 x1 2 x2 12 x1 x2
ˆ (20 40 30 52) / 4 35.5
0
ˆ1 21/ 2 11
ˆ2 11/ 2 5.5
ˆ12 1/ 2 0.5
ˆ 35.5 10.5 x1 5.5 x2 0.5 x1 x2
y
El coeficiente 0.5 es muy pequeño dado que no hay interacción
203
Gráfica de contornos – Experimentos
sin interacción
1 49 Dirección
De ascenso
46 rápido
.5 40
X2 34
0
28
-.5 22
-1
X1 -1 -.6 -.4 -.2 0.0 +.2 +.4 +.6 +.8 +1
204
Superficie de respuesta –
Experimentos sin interacción
Y = respuesta
Superficie de respuesta
X1
X2
205
Experimento factorial completo –
con interacción
Un experimento factorial completo es un experimento donde se
prueban todas las posibles combinaciones de los niveles de todos los
factores.
Factor A = X1 :
-1 +1
+1 40 12
Factor B = X2: Y = Respuesta
-1 20 50
206
Experimento con interacción
B = +1 40 12
Respuesta
Promedio
B = -1 20 50
A = -1 A = +1
207
Modelo de regresión lineal
y 0 1 x1 2 x2 12 x1 x2
ˆ (20 40 30 52) / 4 30.5
0
ˆ1 2 / 2 1
ˆ2 18 / 2 9
ˆ12 58 / 2 29
ˆ 30.5 1x1 9 x2 29 x1 x2
y
El coeficiente -29 es muy grande representando la interacción
209
Gráfica de contornos
1 49 Dirección
De ascenso
25 43 rápido
.5
40
X2 31 34
0
28
-.5
-1
X1 -1 -.6 -.4 -.2 0.0 +.2 +.4 +.6 +.8 +1
210
Superficie de respuesta –
Experimentos con interacción
Superficie de respuesta
211
Experimento factorial con réplicas
Un experimento factorial con réplicas tiene varios
resultados bajo la misma combinación de niveles
Factor A :
Horas entrenamiento
70 90
y1 y5
Factor B: 30’ y2
Acceso al
Y6
Y = Tiempo de
sistema
60’ y3 y7 respuesta
y4 y8
212
Análisis del efecto de la media
Factor A :
Horas de entrenam.
70 90
Factor B:
90 84
Acceso al 30 min.
87 87 Y = Tiempo de
sistema
95 79 conexión
60 min.
92 78
90 84
B1 = 30 min.
87 87
95 79
B2 = 60 min. 95
Tiempo de conexión
92 78
91
90
A1 = 90 + 87 + 95 + 92 = 91
85
82
4 80
84 + 87 + 79 + 78 = 82
A2 = 4 70 o
90
90 84
B1 = 30 min.
87 87
95 79
B2 = 60 min.
92 78
95
Tiempo de conexión
90 87
86
B1 = 90 + 87 + 84 + 87 = 87
85
4 80
95 + 92+ 79 + 78 = 86
B2 = 4 30 min. 60 min.
Factor B : Tiempo A1 = 70 o
A2 = 90 o
de acceso
B1 = 30 90 84
min. 87 87
B2 = 60 95 79
95
Tiempo de conexión
min. 92 78
70
A1 A2 90
B1 88.5 85.5 85
90
B2 93.5 78.5 80
30 min. 60 min.
A,B, = 90 + 87 = 88.5
2
• En una gráfica de interacción, las líneas paralelas indican que no hay interacción. ¿Por qué?
• ¿Las horas de entrenamiento y el tiempo de acceso parecen interactuar?
• ¿Qué niveles de los factores deben usarse para reducir al mínimo la dureza de
las partes?
216
Corrida con Minitab – Creación del diseño
para 2 factores 2 niveles
Stat > DOE > Factorial > Create Factorial Design
o Two level
Designs: Number of center points 0
Number of Replicates 2
Number of blocks 1 OK
219
Corrida con Minitab – Análisis del
diseño factorial
Hacer una columna de RESPUESTAS e introducir los datos
correspondientes a cada celda
Stat > DOE > Factorial > Analyze Factorial Design
RESIDUALS
La gráfica NORMAL PLOT de residuos debe mostrar los puntos
cerca de la recta
La gráfica de residuos RESIDUALS vs FITS debe mostrar
aleatoriedad en los residuos
221
Corrida con Minitab –
Interpretación de resultados
Estimated Effects and Coefficients for Res (coded units)
223
Corridas con Minitab – Gráficas
factoriales
Crear las gráficas factoriales y de interacción:
224
Interpretación de gráficas
Si la interacción es significativa, entonces los mejores
niveles de operación del proceso ya sea para
maximizar o para minimizar la respuesta Y, se
seleccionan de la Gráfica de Interacción
225
Gráfica de efectos principales
Main Effects Plot (data means) for Res
90
88
Res
86
84
82
A B
226
Gráfica de interacciones
Interaction Plot (data means) for Res
A
-1
1
90
Mean
85
80
-1 1
B
227
Corridas con Minitab – Gráficas de
contorno y superficie de respuesta
Crear las gráficas de contorno y superficies de respuesta:
Stat > DOE > Factorial > Contour/Surface Plots
Seleccionar OK
228
Gráfica de contorno
Contour Plot of Res
1 82.5
85.0
87.5
90.0
92.5
0
B
-1
-1 0 1
A
95
90
Res 85
80 1
-1
0 B
0 -1
A 1
230
Trayectoria de ascenso rápido
Respuesta
Pasos
231
Diseño central compuesto
77.5
Y 76.5
75.5
74.5 1.5
1.0
73.5
-1 0.5
-1.5 -0.5
0.0
B
-1.0 -0.5 -1.0
0.0 0.5 -1.5
A 1.0 1.5
-1 0 1
A
233
Diseño de experimentos de Taguchi
L4 4 3
L8 8 7
L12 12 11
L16 16 15
L32 32 31
L64 64 63
Ejemplo: En un proceso de formación de paneles, una característica no deseada es la emisión de
formaldehido en el producto final. Se cree que 5 factores pueden estar afectando la emisión, éstos
son :
Factor Descripción Nivel I Nivel 2
A Tipo de resina Tipo I Tipo II
B Concentración 5% 10%
C Tiempo de ciclo de prensado 10 seg 15 seg
D Humedad 3% 5%
E Presión 800 psi. 900 psi.
Se desea analizar el efecto de cada factor y proponer las mejores condiciones de operación.
En este caso estamos interesados en analizar el efecto de 5 factores o efectos, a dos niveles cada
uno. Por lo tanto, se utilizará un arreglo ortogonal L8.
235
Se ejecutarán por lo tanto 8 pruebas o condiciones experimentales, ¿ A qué columna especificamente se
asignará cada factor?, en estos casos se pueden asignar a cualquier columna, aunque se recomienda
que aquellos factores que en la practica sea más dificil de variar de nivel continuamente, sean los que se
asigne a las primeras columnas.
Se acostumbra que aquellos efectos que no resultaron significantes, se consideren como error
aleatorio a fin de obtener una mejor estimación del error aleatorio, (con mayor número de
grados de libertad). 237
Gráficas lineales para el arreglo ortogonal L8
Columna 1 2 3 4 5 6 7
Col (1) 3 2 5 4 7 6
Col (2) 1 6 7 4 5
A Col (3) 7 6* 5 4
Col (4) 1 2 3
Col (5) 3 2
Col (6) 1
Col (7)
B 3 5 .7
4
2 6
2
3 C
5
1 4
6
7 238
A La matriz triangular las columnas están remarcadas, las interacciones forman la parte interior del
triangulo. Como ejemplo, sí asignamos el factor A en la columna 3 y el factor B en la columna 5, la
interacción AxB aparecerá en la en la intersección de las columnas, el número 6.
B En esta gráfica se observa el arreglo de tres factores ( 1,2 y 4) y la interacción entre ellos líneas 3,
5 y 6.
C En esta gráfica se indican cuatro factores (puntos 1,2,4 y 7) y las interacciones en las lineas 3, 5 y
6.
1 2 3 4 5 6 7
No. A B AXB D AxD AxC G
1 1 1 1 1 1 1 1
2 1 1 1 2 2 2 2
3 1 2 2 1 1 2 2
4 1 2 2 2 2 1 1
5 2 1 2 1 2 1 2
6 2 1 2 2 1 2 1
7 2 2 1 1 2 2 1
8 2 2 1 2 1 1 2
240
Método Taguchi – Crear Diseño
Usar Stat / DOE / Taguchi / Create Taguchi Design para crear el
diseño ortogonal de Taguchi
2 level Design, Number of factors (2 a 7) - 3
Designs L8
respuestas)
En Graphs seleccionar Signal to Noise Ratios, Means,
Estándar Deviations
En Options seleccionar Mayor es mejor, Nominal es mejor o
243
Response Table for Signal to Noise Ratios
Larger is better
Level A B C
1 24.9490 25.1379 24.7692
2 24.9302 24.7412 25.1099
Delta 0.0188 0.3967 0.3408
Rank 3 1 2
Response Table for Means
Level A B C
1 17.750 18.1625 17.4125
2 17.725 17.3125 18.0625
Delta 0.025 0.8500 0.6500
Rank 3 1 2
Response Table for Standard Deviations
Level A B C
1 0.98789 1.17022 1.16700
2 1.03722 0.85489 0.85810
Delta 0.04933 0.31533 0.30890
Rank 3 1 2
244
Main Effects Plot for Means Main Effects Plot for Standard Deviations
A B C A B C
18.2
1.17
18.0
1.09
17.8
StDev
Mean
1.01
17.6
0.93
17.4
0.85
A B C
25.15
25.05
S/N Ratio
24.95
24.85
24.75
245
Método Taguchi – Predicción de
respuestas
Usar Stat / DOE / Taguchi / Predict Taguchi Results para
predecir las respuestas en base a niveles de factores
seleccionados como óptimos
Seleccionar Signal to Noise Ratios, Means, Estándar
Deviations
246
Generación e implantación de
soluciones – Técnicas de
creatividad
247
Tormenta de ideas
Permite obtener ideas de los participantes
248
SCAMPER
Sustituir, Combinar, Adaptar, Modificar o ampliar,
Poner en otros usos, Eliminar, Revertir o re arreglar
250
Análisis morfológico
Conexiones morfológicas forzadas
De múltiples
Metal Tapa pegada Sin repuesto
caras
En forma de Repuesto de
Madera Retráctil
cuentas papel
En forma de Repuesto hecho
Papel Tapa desechable
escultura de tinta 251
Los Seis Sombreros de pensamiento
Dejemos los argumentos y propuestas y miremos
los datos y las cifras.
Exponer una intuición sin tener que justificarla
252
Dividir y analizar
Dividir un problema en partes pequeñas y analizarlas por
separado: (Vendedor de pescado no ofrecía el sabor de pez
fresco)
El Pez:
Vive bajo el agua; tiene agallas; se mueve constantemente;
Solución:
Se colocó un pequeño tiburón en la pecera para que el pez
253
Pensamiento forzado con palabras
aleatorias
Crear nuevos patrones de pensamiento y forzar a ver
relaciones donde no las hay.
254
Listas de verificación
Haga Preguntas en base a las 5W – 1H.
255
Mapas mentales
Se inicia en el centro de una página con la idea
principal, y trabaja hacia afuera en todas direcciones,
produciendo una estructura creciente y organizada
compuesta de palabras e imágenes claves
257
TRIZ – 40 herramientas
Segmentación Acción parcial o excesiva
Extracción Transición a una nueva dim.
Calidad local
Vibración mecánica
Asimetría
Acción periódica
Continuidad de acción útil
Combinación/Consolidación
Apresurarse
Universalidad Convertir lo dañino a benéfico
Anidamiento Construcción Neumática o
Contrapeso hidráulica
Contramedida previa Membranas flexibles de capas
Acción previa delgadas
Materiales porosos
Compensación anticipada
258
TRIZ – 40 herramientas
Equipotencialidad Cambio de color
Hacerlo al revés Homogeneidad
Retroalimentación Rechazar o recuperar partes
Mediador Transformación de
Autoservicio propiedades
Copiado Fase de transición
Disposición Expansión térmica
Esferoidicidad Oxidación acelerada
Dinamicidad Ambiente inerte
Materiales compuestos
259
Generar y evaluar las soluciones
Generar soluciones para eliminar la causa raíz o
mejora del diseño
260
Implantación de soluciones
PUNTO CRITICO ACTIVIDADES
* Realizar las medidas como se habian acordado * Antes de aplicar las medidas correctivas
* Verificar si no hay efectos secundarios * Probar las ideas de mejora, investigar efectos
* Dar capacitacion y entrenamiento. secundarios que puedan afectar al producto o áreas*
Los equipos implantan las acciones correctivas y después poner en práctica las soluciones.
* Obtener la aprobación de las áreas relacionadas, turno o puesto, Jefe inmediato etc. Es decir,
Comunicar a todos los involucrados de la mejora a realizar.
EJEMPLO 1
LISTADO DE LAS MEDIDAS CORRECTIVAS
¿A QUE? - ¿COMO?
NO CUANDO DONDE RESU JUICIO QUIEN
TOPE PROC. DE LTAD
LIMPIEZA O
AUNQUE SE DA
BARRA DE EFECTO J. PÉREZ
1 JULIO 97 APLICACION NO ES PERSISTENTE
261
Implantación de soluciones
262
15 GUOQCSTORY.PPT
Verificación de soluciones
PUNTO CRITICO ACTIVIDADES
* Verificar hasta obtener efectos estables ampliando * Hacer análisis comparativo antes y después
los datos históricos en gráficas de la etapa de * En caso de aplicar varias medidas
correctivas
"razón de selección del tema" , Verificar los efectos intangibles sin omisiones
* Comparar el efecto en gráfica entre antes y después
de DMAIC respecto al objetivo. confirmar el efecto sobre cada concepto de
(relación humana, capacidad, trabajo en equipo, contramedidas.
entusiasmo, área de trabajo alegre).
* Determinar los beneficios monetarios, indirectos e intangibles.Investigar si existen áreas y operaciones
similares tanto dentro como fuera de la planta, para aplicar las mismas contramedidas. Dar reconocimiento.
Ejemplo 1.
% 2.5
2.33
D 2.19
2.1 2.14
2.22 %D < 1 %
2 2
E 1.9
1.8 1.76
1.7
F 1.5
1.6
1.5
1.4
E 1.32 1.3
1.2
C 1 0.9 0.94
1.1
1
0.99 0.94
0.87
T 0.79
U 0.5
S
O
0
May-97 Jun-9 7 Jul-97 Ago-97 S ep-97 Oct-97 Nov-97 Dic-97 Ene-98 Feb-98 Mzo-98 263
Abr-9 8
9. Metodología Seis Sigma
Fase de Control
264
9. Fase de Control
Propósitos y salidas
Plan de control
Técnicas Lean
265
Fase de Control
Objetivos:
Mantener las mejoras por medio de control estadístico
de procesos, Poka Yokes y trabajo estandarizado
Salidas:
Plan de control y métodos de control implementados
Capacitación en los nuevos métodos
Documentación completa y comunicación de
resultados, lecciones aprendidas y recomendaciones
266
FASE DE CONTROL
Soluciones
implementadas
Plan de Documentar
Control Estándares y Capacitar
CEP - de trabajo
Herramientas
Poka Yokes Lean
Si ¿Proceso
en control?
No
267
P rototype
Control P la n Numbe r
Ke y Con ta c /P ho ne
Core Te a m
Da te (Orig.)
P a ge
S upplie r/P la nt S upp lie r Co de O th e r App rova l/Da te (if Re q'd.) O the r Ap prova l/Da te (if Re q'd.)
Nu mbe r De s c ription For Mfg. No. P roduc t P ro c e s s Cla s s . P ro duc t/P roc e s s Eva lua tion/ S a mple Control Me thod Re a c tio n P la n
Tole ra nc e Te c hniqu e
-
- Todas las Operaciones
- Todas las actividades
- Un proceso
- Una actividad
- Operaciones Limitadas Operador
Ayuda Visual
Instrucciones:
Distribución
268
CEP objetivos y beneficios
El CEP es una técnica que permite aplicar el análisis
estadístico para medir, monitorear y controlar
procesos por medio de cartas de control
269
CEP por variables y atributos
El CEP por variables implica realizar mediciones en la
característica de calidad de interés, tal como:
Tiempos
Velocidad
270
¿Qué es una Carta de Control?
Una Carta de Control es como un historial del proceso...
... En donde ha estado.
... En donde se encuentra.
... Hacia donde se puede dirigir
272
Variación – Causas comunes
Límite
inf. de
especs.
Límite
sup. de
especs.
Objetivo
273
Variación – Causas especiales
Límite
inf. de
especs.
Límite
sup. de
especs.
Objetivo
274
Patrones de anormalidad
en la carta de control
“Escuche la Voz del Proceso” Región de control,
M captura la variación
E
natural del proceso
D
I original
D LSC
A
S
C
A LIC
L Tendencia del proceso
I
D El proceso ha cambiado
A
Causa Especial
identifcada
D
TIEMPO
275
Cartas de Control para
variables
276
Cartas de Control por Variables
277
Implantación de cartas
de control por variables
1. Identificar la característica a controlar en base a un
AMEF (análisis del modo y efecto de falla)
278
Carta X, R (Continuación)
Terminología
k = número de subgrupos; n = número de muestras en cada subgrupo
X = promedio para un subgrupo
X = promedio de todos los promedios de los subgrupos
R = rango de un subgrupo
R = promedio de todos los rangos de los subgrupos
x1 + x2 + x3 + ...+ xN
x =
n
x1 + x2 + x3 + ...+ xN
x =
k
LSCX = x + A2 R NOTA: Los factores a considerar
LICX = x - A2 R para n = 5
LSCR = D4 R Son A2 = 0.577 D3 = 0 D4 = 2.114
LICR = D3 R 279
Ejemplo de carta de control X-R
Xbar-R Chart of Pulse1
90
U C L=86.84
Sample M ean
80
_
_
X=72.69
70
60
LC L=58.53
2 4 6 8 10 12 14 16 18
Sample
U C L=51.89
48
Sample Range
36
_
24 R=24.54
12
0 LC L=0
2 4 6 8 10 12 14 16 18
Sample
280
Carta de Individuales (I-MR)
281
Carta X, R (Continuación)
Terminología
k = número de piezas
n = 2 para calcular los rangos
x = promedio de los datos
R = rango de un subgrupo de dos piezas consecutivas
R = promedio de los (n - 1) rangos
x1 + x2 + x3 + ...+ xN
x =
n n 2
LSCX = x + E2 R D4 3.27
LICX = x - E2 R
D3 0
LSCR = D4 R
E2 2.66
LICR = D3 R
(usar estos factores para calcular Límites de Control n = 2) 282
Ejemplo: Carta I-MR
I-MR Chart of Pulse2
150 1
1
Individual Value
125 1 1
1 1
U C L=113.2
100
_
X=80
75
50 LC L=46.8
1 9 18 27 36 45 54 63 72 81 90
O bser vation
60
M oving Range
1
1
45
U C L=40.75
30
15 __
M R=12.47
0 LC L=0
1 9 18 27 36 45 54 63 72 81 90
O bser vation
284
Cartas de control para atributos
Datos de Atributos
Tipo Medición ¿Tamaño de Muestra ?
285
Cartas de Control tipo p
p - CON n PROMEDIO
p - ESTANDARIZADA
286
Carta p (Cont..)
Ejemplo: Gráfica P para Fracción Defectiva
0.5
0.4
3.0SL= 0.4484 LSC
Proporci
0.3
ón
0.2
0.1 P= 0.1128 p
0.0 - 3.0SL= 0.000
LIC
0 5 10
Número de muestra
288
Carta np (Cont...)
Ejemplo 1:
Carta np de número de servicios erroneos
10 3.0 LSC=10.03
No. De fecetivos
5
Np =4.018 np
c – Número de defectos
Se cuentan los defectos que tienen cada
unidad de inspección de tamaño n
constante en productos como facturas
290
Carta c (Atributos)
El tamaño de la muestra (n unidades de inspección)
debe ser constante
Ejemplos:
- Número de errores en cada lote de facturas
- Número de cantidades ordenadas incorrectas
en órdenes de compra
Terminología
c = Número de defectos encontrados en cada
unidad o unidades constantes de inspección
k = número de muestras
291
Carta c (cont..)
Ejemplo:
Carta C
15 1
Número de defectos
5 C = 5.640 C
0 5 10 15 20 25
Número de Muestras
Ejemplos:
• Se toma una muestra de facturas por semana, identificando
los errores en estas.
7 3. 0L SC
= 6. 768
LSC
6
5 U=4. 979 u
4
- 3. 0L IC= 3. 190
3 LIC
2
0 10 20
Número de Muestras
295
Cartas de precontrol (Shainin)
Es más exitosa con procesos estables no sujetos a
corridas rápidas una vez que se implementan y
estabilizan
296
Pre- Control
Bajo Alto
Línea Línea
P-C P-C
Tolerancia Completa
297
Reglas de Precontrol
298
Acciones a tomar
Ultima servicio Servicio actual
Verde Continuar
Rojo Detener
299
Distribución de probabilidad
LI Espec. Línea Línea LS Espec.
P-C P-C
7% 86% 7%
Rojo Amarillo Verde Amarillo Rojo
Area Objetivo
300
Estandarización
302
22 GUOQCSTORY.PPT
10. Empresa Lean
303
Métodos Lean
Pensamiento Lean, Muda
Fábrica visual
5S’s (Organización del lugar de trabajo)
Kaizen
Kanban
Teoría de restricciones
Poka Yokes
Estándares de trabajo
SMED
TPM
304
Pensamiento Lean
Womack (1990) introduce el término de producción
Lean en occidente en 1990 con la su libro “The
machine that changed the World”, describe las
prácticas de las mejores empresas en el mundo:
305
Muda, los 7 desperdicios
El Muda son actividades que no agregan valor en el
lugar de trabajo. Su eliminación es esencial para
reducir costos y tener calidad en producto:
Recursos en exceso
Inventarios
Reparaciones / Retrabajos
Movimientos
Proceso de firmas
Esperas
Transportes
306
Pensamiento Lean
Cadenas de valor: La reducción del desperdicio se
concentran en 3 actividades clave de procesos:
Beneficios:
Satisfacer al cliente
Reducir gasto interno y externo
Incrementar la capacidad
Simplificar la operación y actividad
Continuar siendo competitivo
308
Administración visual
Tiene como propósito mostrar a la administración y
empleados lo que está sucediendo en cualquier
momento de un vistazo
Los programas
309
5S’s
Seiko (arreglo adecuado)
Seiton (orden)
Seiketso (limpieza personal)
Seiso (limpieza)
Shitsuke (disciplina personal)
En Inglés:
Sort (eliminar lo innecesario)
Straighten (poner cada cosa en su lugar)
Scrub / Shine (limpiar todo
Systematize (hacer de la limpieza una rutina)
Standardize (mantener lo anterior y mejorarlo) 310
Kaizen Blitz (evento o taller)
Involucra una actividad Kaizen (proyecto de mejora)
en un área específica por medio de un equipo de
trabajo durante 3 a 5 días:
2 días de entrenamiento
3 días para colección de datos, análisis e
implementación de la solución
Mejoras en calidad
Ambiente de trabajo seguro
Reducción de actividades que no agregan valor
312
Kanban
Kanban = signo. Es una señal a los procesos internos
para proporcionar servicios (tarjetas, banderas,
espacio en el piso, etc.). Da indicación visual de:
Tiempo de entrega
Colores en función del destino
313
Teoría de restricciones
Goldratt (1986) escribe “La Meta” describiendo un
proceso de mejora continua
314
Teoría de restricciones
Las métricas básicas son:
Throughput: es la tasa a la cual el sistema genera
dinero a través de las ventas. Dinero que ingresa.
315
Teoría de restricciones
Otras definiciones:
316
Teoría de restricciones- Método
de cinco Pasos
Identificar las restricciones del sistema que limitan el
logro de objetivos, darles prioridad por su impacto
317
Teoría de restricciones- Método
de cinco Pasos
Elevar las restricciones del sistema, tratar de eliminar
los problemas de la restricción, hacer esfuerzos para
continuar las mejoras
318
Teoría de restricciones
Evaporando nubes:
Frecuentemente existen soluciones simples para problemas
complejos, reexaminar los fundamentos del problema
Árboles de prerrequisitos:
Algo debe ocurrir antes de que algo adicional ocurra. La T.R.
Permite la transición entre la forma anterior de hacer las
cosas y la nueva forma
319
Poka Yoke
Con dispositivos sencillos a Prueba de error se
pueden evitar los errores humanos por:
Olvidos
Malos entendidos
Identificación errónea
Falta de entrenamiento
Distracciones
Omisión de las reglas
Falta de estándares escritos o visuales
320
Poka Yoke
Beneficios
321
Poka Yokes
Se puede lograr a prueba de error por medio de un
control para prevenir errores humanos o usando
mecanismos de alerta.
322
Poka Yokes
Los mecanismos de alerta de errores incluyen:
Uso de colores
Formatos guía para facilidad de llenado
Mecanismos para detectar el proceso de información
equivocada
Una alarma indica que ha ocurrido un error y se debe
atender de inmediato
Se pueden combinar los Poka Yokes para obtener cero
defectos con: inspecciones en la fuente,
autoinspecciones por el ejecutivo y métodos de
inspección sucesivos (Shingo)
323
Estándares de Trabajo
Documentan la mejor manera de hacer el trabajo, en
forma más fácil y segura.
Preservan el Know How y experiencia para hacer el
trabajo que puede perderse al irse los empleados
Códigos de colores
326
SMED
Single Minute Exchange of Die SMED se enfoca a
reducir los tiempos de preparación y ajuste de horas
a minutos.
327
SMED - Pasos
Formación de un equipo de trabajo con personal
involucrado en el servicio
Primer paso, observar las condiciones actuales por
medio de:
Uso de cronómetro para observación continua
Uso de un estudio de trabajo por muestreo
Entrevistas de ejecutivos
Videofilmación de la operación completa
329
TPM
confiabilidad
330
TPM
Hay 6 grandes pérdidas que contribuyen en forma
negativa a la efectividad del equipo:
331
Implementación del TPM
Pasos recomendados para implementar el TPM:
Anunciar el compromiso de la dirección al TPM
Campaña educacional sobre TPM en la empresa
Organizar equipos para promover el TPM
Establecer metas y políticas para el TPM
Preparar un plan detallado para el TPM
Junta directiva de arranque (kick off) del TPM
Formar equipos de mejora de la efectividad del equipo
Desarrollar a los operadores para mantto. Autónomo
Desarrollar un programa de mantenimiento de equipo
Capacitar a operadores y gente de mantenimiento
Desarrollar programas de mantto. Para el equipo nuevo
Tener implementado el TPM y buscar la perfección332
Mantenimiento autónomo
Actividades de grupos pequeños autónomos para TPM:
El supervisor es el líder del equipo
Realizan actividades de limpieza, lubricación,
protecciones, inspección, etc.