6 Sigma Training Manual

DEFINE
6 SIGMA INTRODUCTION INTRODUCCIN A 6 SIGMA
Introduccin a 6 sigma
D1-1
Objetivo
Objetivos:
Comprender las definiciones de 6 sigma. Comprender las metodologas de 6 sigma. Comprender la direccin de implementacin de 6 sigma en la compaa.
DEFINE
D1- 2
Contenido
Qu es 6 sigma?. Meta. Filosofa. Estrategia. Caractersticas de 6 sigma. Satisfaccin del Cliente Centrado en proceso. Uso de mtodos cientficos. Formacin de especialistas. Alineacin directamente con el beneficio econmico. Factores del xito de 6 sigma. Metodologas. DMAIC. DMADV. Herramientas de 6 sigma.
DEFINE
D1- 3
Qu es 6 sigma?
Proceso con capacidad de 6 sigma.
Significa que la distancia entre la media del proceso al lmite de especificacin es de 6 desviaciones estndar (6) e indica que hay una posibilidad menor a 3.4 defectos por milln estn fuera del lmite de especificacin.
6 sigma como meta administrativa.

Es la meta de una compaa para reducir notablemente la probabilidad de ocurrencia de errores o defectos en el producto o servicio a 3.4 por milln.
6 sigma como Filosofa

La forma y actitud de la forma de pensar y negociar. Un proceso con buena calidad nos lleva con el tiempo a a lograr un producto de mejor calidad con menor inversin. Un proceso completo lleva a una salida completa, por lo tanto el nivel 6 sigma es obtenible. Si la salida de un proceso es insatisfactoria, algo esta mal.
6 sigma como estrategia.

6 sigma es una estrategia de innovacin para maximizar la creacin de beneficios de la organizacin y la satisfaccin de los clientes por medio de la eliminacin de los defectos de todos los procesos que estn incluidos no solo de diseo y de produccin del producto sino tambin el de la administracin, y del apoyo para minimizar la desviacin a partir del objetivo.
DEFINE
D1- 4
Qu es 6 sigma?
Objetivo de 6 sigma
Cp 0.67 1.00 1.33 1.67 2.0 2 3 4 5 6 PPMs 308,537 66,807 6210 233 3.4
El nivel de sigma es una unidad de escala estadstica que refleja la capacidad de proceso. El nivel de sigma tiene una relacin muy estrecha con DPU, PPM, cantidad de defectos o la probabilidad de producir las fallas.
DEFINE
D1- 5
Qu es 6 sigma?
Qu es el Nivel de sigma ()?
(Sigma) es el trmino estadstico para denotar la desviacin estndar, la cual muestra como los datos estn esparcidos individualmente con respecto al valor central de la poblacin, esto es el tamao de la variacin. El nivel de sigma es una medida utilizada para indicar en longitud cuantas veces cabe la desviacin estndar de la media a el lmite de especificacin mas cercano. Menor variacin representa mayor nivel de sigma.
LSL
Media
USL Cuntas veces cabe () la desviacin estndar de el lmite de especificacin mas cercano a la media?
? Veces
-3
-2
-1
+1
+2
+3
6 sigma se concentra en la disminucin de la variacin (reduccin de )
DEFINE
D1- 6
Qu es 6 sigma?
Por qu 3.4 PPMs ?
En un proceso esttico (sin variacin de media)
La distancia entre USL y LSL es 12 La probabilidad de estar fuera del lmite de especificacin es: 0.02 PPMs
En un proceso dinmico (La media no es constante) :

El desplazamiento de la media es aproximadamente 1.5 . La distancia mas corta entre la media y USL y LSL es 4.5 . La probabilidad de estar fuera de limite de especificacin es 3.4 PPMs.
DEFINE
D1- 7
Caractersticas de 6 sigma
1. Centrado en el cliente.
Identifica los puntos crticos de calidad (CTQ) que son de importancia para los clientes y la realizacin de proyectos para mejorarlos. Ejemplo) En una conferencia:
DEFINE
D1- 8
2. Centrado en el Proceso
Y=
f (X)
Para obtener un resultado exitoso, a dnde debe enfocarse X o Y ? Y X1 . . . XN Las variables Las variables dependientes independientes La salida La entrada - Proceso El resultado Las causas El sntoma Los problemas El monitor El control Si estamos controlando a X como es debido, Y estar en condiciones debidas. Detectar Y y controlar Xs principales Detectar Y y controlar Xs principales
DEFINE
D1- 9
2. Centrado en el Proceso
Todos los defectos generan tiempo y costo.
Entrada Operacin Re-trabajo
Fbrica escondida
OK Inspeccin rechaza
% Eficiencia
90% de calidad en los clientes
% de recuperacin despus de la inspeccin o la prueba
Desecho
NVA (No Valor adquirido)
Planta escondida
Tiempo, costo, persona
Causa COPQ (Cost of Poor Quality, costo por mala calidad) , por retrabajo o scrap que se produce por la imperfeccin del proceso. Al eliminar re-trabajos y scrap por defecto se puede aumentar la capacidad de medida, y no requiere inversin La mejora del proceso a travs de 6 Sigma saca a la luz la fabrica escondida, posibilitando el aumento de la capacidad sin la inversin.
DEFINE
D1- 10
3. Uso de Mtodos cientficos.
Juicios y toma de decisiones en base a hechos Obtencin de datos confiables. Mtodos cientfico para el anlisis. Uso de herramientas de anlisis estadstico. Uso de conocimientos tcnico cientficos Mtodo lgico para solucin de problemas. DMADV / DIDOV DMAIC
DEFINE
D1- 11
3. Uso de Mtodos cientficos.
Cuales son las Xs?
Problema Real
Y = f(X1, X2, , X3)

Problema Estadstico
Como es f ?
Solucin Estadstica
Cul es el valor ptimo y la especificacin de X?
Controlar X para establecer el punto ptimo de la meta y especificacin. ( Aplicar estandarizacin, mistake-proofing, SPC
Solucin Real
etc.)
DEFINE
D1- 12
4. Formacin de Especialistas
Campen: Lder de la organizacin MBB: Mejores Especialistas en 6 sigma de
la compaa.
Apoyo a tareas de identificacin de proyectos. Desarrollo de metodologas 6 sigma , educacin y entrenamiento Guiar proyectos de BB
FEA
Champion
Personas que verifican el desempeo de los proyectos de 6 sigma.
BB: Especialista de 6 sigma

Lder de proyectos 6 sigma por segmento Gua de proyectos GB Entrenamiento a GB
Master Black Belt
Black Belt
GB: Personal de acciones 6 sigma

Implementacin de 6 sigma en su rea de trabajo.
Green Belt
FEA: (Financial Effects Analist) Personas

que verifican el desempeo de los proyectos de 6 sigma.
Organizacin TOP-DOWN
D1- 13
DEFINE
Champion (Campen.)
Difunde 6 sigma. Selecciona proyectos y estimula el personal. Da Seguimiento a proyectos de Black Belt (BB). Elimina los obstculos para el Black Belt (BB). Elabora sistema de apoyo. Base de datos de grado de logro La formacin de Master Black Belt (MBB).
Master Black Belt (MBB).

Es el especialista de la empresa sobre herramientas y mtodos de 6 sigma. Entrena y apoya a los Black Belt (BB) para obtener los mejores resultados posibles. Desarrolla y Transmite el conocimiento de 6 sigma. Ayuda a la seleccin e instalacin de proyecto. Tiene relacin de compaero con el campen. Confirma y desarrolla las mejores prcticas. Asegura que la empresa pueda entrenarse por s misma.
DEFINE
D1- 14
Black Belt (BB).
Toma Iniciativa del proyecto de mejoramiento de proceso estratgico y con gran efecto. Adiestra las herramientas bsicas y de alta calidad, y la estadstica a Green Belts Desarrolla la tecnologa de medicin, anlisis, mejoramiento y control. Lleva un programa de entrenamiento intensivo de 4 meses Es el agente de cambio que sistematiza 6 sigma.
Green Belt (GB).

Toma iniciativa de los principales proyectos para mejoramiento de proceso. Ayuda a los proyectos estratgicos de cinturn negro. Trabaja en el sector de su funcin. Impulsa el mejoramiento sostenido de proceso Especialista de procesos Tcnicos. Agente de cambio.
DEFINE
D1- 15
5. Alineacin directamente con el beneficio econmico.
La meta principal de 6 sigma es el expandir las ganancias financieras de la compaa. (Reduccin de COPQ) Establecer un sistema para verificar y estrictamente evaluar las ganancias financieras.
Nivel de 6 5 4 3 2
COPQ Dentro del 10% de las ventas 10-15% 15-20% 20-30% 30-40%
Si una compaa tiene un nivel de sigma de 3, el COPQ puede alcanzar al menos un 20 % de la ganancia de venta.
DEFINE
D1- 16
COPQ
(4-5% de las ventas) Cuando se calcula COPQ por primera vez, se puede incluir solo los factores visibles como se muestra en la figura siguiente.
Costo de prueba Re-Trabajos
Scrap Defectos
Retornos de Cliente Costos de Inspeccin Recall
DEFINE
D1- 17
La definicin extensa del costo por mala calidad nos muestra claramente la parte oculta del iceberg.
Scrap Costo de prueba Defectos Re-trabajos Retornos de Cliente Costo de inspeccin Recall
15 ~ 25% Del costo total es COPQ
Tiempo extra excesivo Error de cobro Costo de servicio Rotacin excesiva de personal Retardo de planeacin
Papeleo
Costo de contenedor Falta de medidas de seguimiento De programa actual Customer Allowances P/O Incorrecta
Inventario excesivo Costo de expedicin Instalaciones de produccin no Costo de desarrollo para utilizadas Manejo de Quejas Tiempo de respuesta a quejas del producto equivocado cliente Delay in Costo Excesivo de sistema A/R collection
6 Sigma ataca el iceberg completo!
DEFINE
D1- 18
Factores de xito de 6 sigma

Puntos de introduccin de 6 sigma.
Formacin sistemtico de especialistas.
Trabajo de tiempo completo. En la etapa de introduccin inicial, el entrenamiento y gua de proyectos es realizada por consultores externos (JURAN, BGM, HONEYWELL etc..)
En la introduccin, el juicio estratgico y las acciones debidas son la llave del xito.
No establecer/implementar estrategias de 6 sigma con vista a 1 o 2 aos sino verse como inversin a medio/largo plazo. Alojamiento estratgico de recursos administrativos: requiere esfuerzos de muchos trabajadores y la administracin.
Alinear a 6 sigma con las actividades de innovacin existentes

La falta de alineacin con las actividades de innovacin existentes genera problemas. Alineamiento gradual a la ingeniera de proceso existente, mejoras inmediatas ( TPM, equipos de produccin , sugerencias)
DEFINE
D1- 19

Relacin entre 6 sigma y otras innovaciones existentes.
IE/VE SQM Crculo
Innovacin existente TPM TPI SQM Crculos ISO IE VE
ISO TPM TPI

Relacin con 6 sigma PJT. GB CTQ-Flow Down Control Plan MAIC Etapa de Control PJT. BB DFSS BB PJT.
Area Maquinaria. Lnea Productividad Calidad Lnea Calidad Productividad Diseo, Material
Mtodo 5S, Manto. Desarrollo de Poltica SPC Herramientas QC Estandarizacin Anlisis de prdida Anlisis de funcin / valor
Participantes Toda produccin Directivos Toda Produccin Produccin Toda Tarea Ing. Manufactura Compras
DEFINE
D1- 20

El Proyecto Correcto El Personal Indicado
El Apoyo Adecuado
La Herramienta Exacta
DEFINE
D1- 21
Metodologas de 6 sigma
DMAIC VS DMADV
Elegir la metodologa adecuada a aplicar DMAIC o DMADV a un proyecto en base a las caractersticas propias del proyecto, es decir en funcin del rea, por ejemplo, manufactura, transaccional, investigacin y diseo .
DMADV
Se enfoca en la causa raz que determina el desempeo del CTQ
Cuando alcanzamos el lmite de la capacidad potencial de proceso, el mejoramiento no se puede lograr a travs de DMAIC. En resumen, si no podemos cumplir nuestras metas de mejoras utilizando DMAIC debido a su limitante, entonces utilizar DMADV en lugar de DMAIC.
DEFINE
DMAIC
Manufacturing
ns Tra
al n tio ac
R&D
Optimiza globalmente CTQ, diseo y subprocesos
D1- 22
DMAIC
Define Measure Analyze Improve Control
Mejorar procesos o productos existentes. Metodologa estructurada y repetitiva de mejora de proceso. Enfocado a la reduccin de defectos.
DMADV
Define Measure Analyze Design Verify
Desarrollo de nuevos productos o procesos, o redisear productos o procesos existentes. Es una metodologa para disear productos o procesos que satisfagan mas de lo que los clientes esperan Enfocado a la prevencin de errores o defectos.
DEFINE
D1- 23
DMAIC
Define Seleccin de proyectos de 6 sigma y establecer planes de accin especficos. Identificar el nivel actual y factores potenciales. Seleccionar factores vitales a travs de anlisis cientfico de factores potenciales. Optimizar factores vitales y verificar los resultados de la aplicacin. Para mantener los resultados de mejora, establecer un sistema control y completar proyecto. Introduccin a 6 sigma D1- 24
Measure
Analyze
Improve
Control
DEFINE
DMADV
Define
Seleccionar proyectos de 6 sigma y establecer planes de accin concretos.
Measure
Identificar el nivel actual y disear un sistema de alto nivel.
Analyze
Identificar detalladamente los factores de diseo y seleccionar los factores vitales de diseo a travs de anlisis cientfico. Optimizar los factores vitales de diseo y evaluar su capacidad de diseo. Completar/ Transferir el proyecto verificando los resultados de diseo y llevar acabo documentacin.
Design
Verify
DEFINE
D1- 25
Herramientas de 6 sigma.
Herramientas de 6 sigma.
ANOVA (Anlisis de varianza. Box Plots. Brainstorming. Diagramas de Causa y efecto. Correlacin y regresin. Diseo de experimentos. EVOP (evolutionary operations). FMEA. Grficas y Tablas. Histogramas. Pruebas de hiptesis. MSA (Measuring system anlisis) Mistake profing Pareto Anlisis Anlisis de capacidad de proceso. SPC ( statistical process control ). Diagramas de flujo de Proceso, Process Map QFD ( quality function deployment RSM (Response surface method) Scatter Diagrams Standard Operation Procedures (SOPs) Estratificacin
Estas son las herramientas en que se apoya la estrategia de 6 sigma, pero durante la realizacin de proyectos solo se utilizarn las que sean necesarias.
DEFINE
D1- 26
DEFINE
6 SIGMA METRICS MTRICAS DE 6 SIGMA
Mtricas de 6 Sigma
D2- 1
Objetivo
Objetivo:
Establecer una definicin operacional de las variables de salida de importancia para el proyecto. Comprender la utilizacin de mtricas numricas para verificacin de avance de proyecto.
DEFINE
Mtricas de 6 Sigma
D2- 2
Contenido
DPU, DPO, DPMO, PPMs
DPU (Defectos por unidad). DPO (Defectos por oportunidad). DPMO. PPMs.
RTY
Yield Rolled Troughoutput Yield Yield Normalizado.
Nivel de Sigma.
Datos Discretos. Datos Continuos.
DEFINE
Mtricas de 6 Sigma
D2- 3

Clculo de DPU, DPO, DPMO y PPMs.
EJEMPLO 1
1 Error ( Defecto )
Orificio dentro de especificacin.
En este ejemplo ilustrativo. Se toma una muestra de 4 piezas de metal (unidades) , a las cuales se les realizan 9 perforaciones (oportunidades de defecto). Donde las perforaciones oscuras representan perforaciones fuera de especificacin (defectos).
DEFINE
Mtricas de 6 Sigma
D2- 4

DPU ( Defectos por unidad )
Es la cantidad promedio de defectos que presenta una unidad.
DPU = Errores Totales Total de unidades de produccin
Para el ejemplo 1, nos dicen que es una muestra de 4 unidades de las cuales presentan 2, 3, 0 y 1 defecto respectivamente.
DPU =
(2+3+0+1) = 4
6 4
1.5
Significa que en base a la muestra tomada cada unidad producida presenta 1.5 defectos en promedio.
DEFINE
Mtricas de 6 Sigma
D2- 5

DPO (Defectos por oportunidad )
Representa la cantidad de defectos que se presentan en promedio segn la cantidad de oportunidades de falla que se tengan.
1.- DPO = Errores Totales Total de oportunidades en las unidades 2.- DPO = DPU Oportunidades de defecto de cada unidad
Para el ejemplo 1, nos dicen que es una muestra de 4 unidades de las cuales presentan un total de 6 defectos y 9 oportunidades de defecto respectivamente.
DPO =
6 (4) (9)
= 6 36
0.16666
Significa que en base a la muestra tomada Se presentan 0.1666 defectos por cada oportunidad de defecto.
DEFINE
Mtricas de 6 Sigma
D2- 6

DPO.
Ejemplo B) En un proceso de produccin de un repuesto, haba 100,000 oportunidades de las cuales se puede generar defectos. Pero en el proceso normal de operacin , solamente se evala sobre 1000 oportunidades. Cual sera DPO en una muestra se encontraron 10 defectos. Cul sera el razonamiento correcto??
a) DPO = 10 / 100, 000 b) DPO = 10/ 1000 CORRECTO !!
La oportunidad se cuenta solo cuando se evala DEFINE

Mtricas de 6 Sigma D2- 7

DPMO
Representa la cantidad de defectos que se presentan en promedio en un milln de oportunidades de falla.
1.- DPMO = ( DPO ) ( 1000,000 ) 2.- DPMO = ( DPU ) (1000,000) Oportunidades de defecto de cada unidad
Para el ejemplo 1, nos dicen que es una muestra de 4 unidades de las cuales presentan un total de 6 defectos y 9 oportunidades de defecto respectivamente.
1.- DPMO = 0.166666 * 1000,000 = 166,666 DPMO 2.- DPMO = 1.5* 1000,000 = 166,666 DPMO 9
En general cuando se habla sobre nivel de 6 sigma es mas correcto decir 3.4 DPMO, que la expresin representativa de porcentaje de defecto de 3.4 PPMs.
DEFINE
Mtricas de 6 Sigma
D2- 8

Ejemplo B)
Un PCB esta compuesto por 800 puntos de soldadura y 200 componentes, en el PCB se encontraron 6 defectos de soldadura y 2 por componentes de mala calidad. Cunto es el DPMO?
Cuantos defectos son en total?: 6 + 2 = 8 Cuantas oportunidades hay en total ? : 800 + 200=1000
DPO = (6 + 2 ) / ( 800 + 200) = 8 / 1000 = 0.008 DPO DPMO = DPO * 1000,000 = 0.008 * 1000000 = 8000 DPMO
DEFINE
Mtricas de 6 Sigma
D2- 9

PPMs (Partes por Milln).
Esta mtrica se utiliza para representar la cantidad de partes defectuosas que se presentan en un milln de unidades. Es utilizada cuando se evala partes defectuosas, mientras en DPO, DPMO, DPU se habla de defectos ( varios defectos posibles en cada unidad ), PPMs evala solo si la unidad es defectuosa o no lo es. Es utilizado cuando se evala con un criterio de Pass / No Pass, Bueno /Malo
PPMs = (Unidades defectuosas) (1000,000) Total de unidades de produccin

Para el ejemplo 1, nos dicen que es una muestra de 4 unidades de las cuales la primera presenta 2 defectos, la segunda 3 defectos, la tercera no presenta defectos y la cuarta presenta 1 defecto. Entonces se tiene un total de 3 unidades defectuosas y 1 unidad libre de defectos.
PPMs = 3 * 1000,000 = 750,000 PPMs 4

El resultado significa que en base a la muestra tomada se estima que por cada milln de unidades producidas 750,000 presentan defecto.
DEFINE
Mtricas de 6 Sigma
D2- 10
RTY - Rendimiento
RTY (Rolled Troughput Yield)
Es una mtrica que se concentra en la capacidad de cada etapa de proceso y no solo los resultados finales. Expone y nos ayuda a identificar las fbricas escondidas donde los costos se encuentran enterrados. Resalta las reas de mayor efecto sobre los esfuerzos de mejora. Nos mantiene enfocados al proceso completo midiendo el impacto total de mejora en diferentes partes del proceso.
DEFINE
Mtricas de 6 Sigma
D2- 11
RTY - Rendimiento
Yield (Rendimiento ) tradicional
CTQ CTQ CTQ CTQ
100
S1
S2
S3
S4
S5
S6
S7
S8
TEST
Yield 95
Defectos Scrap
Defectos Retrabajo
Defectos Tuning
Defectos
Fabrica escondida El Rendimiento tradicional se mide en el final del proceso: YFP= 95 /100 = 0.95 ( 95%) La fbrica escondida, en los pasos S2, S5 y S7 se identifican como crticos para el cliente (CTQ Critical to Quality) o responsables para la generacin de COPQ. Es necesario utilizar metricas adicionales de rendimiento para cuantificar las perdidas del negocio.
DEFINE
Mtricas de 6 Sigma
D2- 12
RTY - Rendimiento
RTY (Rolled Troughput Yield)
CTQ CTQ CTQ CTQ
100
S1
S2
S3
S4
S5
S6
S7
S8
TEST
Yield 95
Defectos Scrap
Defectos Retrabajo
Defectos Tuning
Defectos
Rendimiento Interno Medido en las estaciones que son CTQ: YS2= 1 - 2 /100 = 0.98 ( 98%) YS5= 1 - 1 /100 = 0.99 ( 99%) YS7= 1 - 5 /100 = 0.95 ( 95%) RTY (YRT) Probabilidad de producir cero defectos en cada estacin CTQ para una unidad de produccin. YRT = YS2* YS5* YS7*YFP = 0.98 * 0.99 * 0.95 * 0.95 = 0.876 ( 87.6%) O aproximadamente: d = Total de defectos = 13 u = Unidades producidas=100 YRT = e d/u YRT = e 13/100 = 0.878 ( 87.8 %)
DEFINE
Mtricas de 6 Sigma
D2- 13
RTY - Rendimiento
Normalized Yield (Rendimiento Normalizado)
CTQ CTQ CTQ CTQ
100
S1
S2
S3
S4
S5
S6
S7
S8
TEST
Yield 95
Defectos Scrap
Defectos Retrabajo
Defectos Tuning
Defectos
Rendimiento Normalizado YNM = Rendimiento promedio de todas las CTQs medidas en proceso. YNM = n YRT = ( YRT ) 1/n = Promedio Geomtrico de Razones. YNM = 4 ( YS2 * YS5 * YS7 * YFP ) = 4 0.876 = 0.967 ( 96.7% ) O Tambien YNM = YCTQ / n = (0.98 + 0.99 + 0.95 + 0.95) / 4 = 0.967 ( 96.7% )
DEFINE
Mtricas de 6 Sigma
D2- 14
Nivel de sigma
Nivel de .
El nivel de sigma se dice que es la cantidad de veces que cabe la desviacin estndar entre la media y el lmite de especificacin superior ms cercano.
Confirmacin del los Confirmacin del los tipos de los datos tipos de los datos
Discretos Discretos
Continuos Continuos
Confirmacin de unidad Confirmacin de unidad El clculo de DPU El clculo de DPU El clculo de DPO El clculo de DPO El clculo de DPMO El clculo de DPMO
La prueba de normalidad La prueba de normalidad La conversin de los datos La conversin de los datos (en caso necesario) (en caso necesario)
El anlisis de la capacidad El anlisis de la capacidad de proceso (Uso de MINITAB )) de proceso (Uso de MINITAB
Convierta el valor de DPMO en valor Z en la tabla Convierta el valor de DPMO en valor Z en la tabla de Sigma para saber el nivel de sigma de Sigma para saber el nivel de sigma
DEFINE
Mtricas de 6 Sigma
D2- 15
Nivel de sigma
Nivel de Sigma para datos Discretos.
En caso de los datos sobre el nmero de defecto. Se calcula DPMO. De la tabla de Sigma se obtiene el valor de Zst que corresponde a DPMO.
En caso de datos de defectos. Calcule PPM del % de producto defectuoso. DPMO = (% de falla)*1,000,000 Desde la tabla de sigma, encuentre el valor de Zst que corresponde al valor de DPMO obtenido. En caso de los datos de porcentaje de rendimiento. El desecho y re-trabajo sern considerados como fallas. Se Calcula el porcentaje de rendimiento. De la tabla de Sigma se obtiene el valor. Zst que corresponde a la cantidad de productos buenos por cada un milln.
DEFINE
Mtricas de 6 Sigma
D2- 16
Nivel de sigma
Tabla de Z.
999,999.6 999,995 999,991 999,987 999,979 999,968 999,952 999,928 999,892 999,841 999,767 999,663 999,517 999,313 999,032 998,650 998,134 997,445 996,533 995,339 993,790 991,802 989,276 3.4 5 9 13 21 32 48 72 108 159 233 337 483 687 968 1,350 1,866 2,555 3,467 4,661 6,210 8,198 10,724 .st 6.0 5.9 5.8 5.7 5.6 5.5 5.4 5.3 5.2 5.1 5.0 4.9 4.8 4.7 4.6 4.5 4.4 4.3 4.2 4.1 4.0 3.9 3.8 .lt 4.5 4.4 4.3 4.2 4.1 4.0 3.9 3.8 3.7 3.6 3.5 3.4 3.3 3.2 3.1 3.0 2.9 2.8 2.7 2.6 2.5 2.4 2.3 986,097 977,250 971,284 964,070 955,435 945,201 933,193 919,243 903,199 884,930 864,334 841,345 815,940 788,145 758,036 725,747 691,462 655,422 617,911 579,260 539,828 500,000 460,172 13,903 22,750 28,716 35,930 44,565 54,799 66,807 80,757 96,801 115,070 135,666 158,655 184,060 211,855 241,964 274,253 308,538 344,578 382,089 420,740 460,172 500,000 539,828 .st 3.7 3.5 3.4 3.3 3.2 3.1 3.0 2.9 2.8 2.7 2.6 2.5 2.4 2.3 2.2 2.1 2.0 1.9 1.8 1.7 1.6 1.5 1.4 Tabla de (Z) sigma .lt 2.2 2.0 1.9 1.8 1.7 1.6 1.5 1.4 1.3 1.2 1.1 1.0 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.0 -0.1 420,740 382,089 344,578 308,538 274,253 241,964 211,855 184,060 158,655 135,666 115,070 96,801 80,757 66,807 54,799 44,565 35,930 28,716 22,750 17,864 13,903 10,724 8,198 579,260 617,911 655,422 691,462 725,747 758,036 788,145 815,940 841,345 864,334 884,930 903,199 919,243 933,193 945,201 955,435 964,070 971,284 977,250 982,136 986,097 989,276 991,802 .st 1.3 1.2 1.1 1.0 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.0 -0.1 -0.2 -0.3 -0.4 -0.5 -0.6 -0.7 -0.8 -0.9 .lt -0.2 -0.3 -0.4 -0.5 -0.6 -0.7 -0.8 -0.9 -1.0 -1.1 -1.2 -1.3 -1.4 -1.5 -1.6 -1.7 -1.8 -1.9 -2.0 -2.1 -2.2 -2.3 -2.4 6,210 4,661 3,467 2,555 1,866 1,350 968 687 483 337 233 159 108 72 48 32 21 13 9 5 3 993,790 995,339 996,533 997,445 998,134 998,650 999,032 999,313 999,517 999,663 999,767 999,841 999,892 999,928 999,952 999,968 999,979 999,987 999,991 999,995 999,997 .st -1.0 -1.1 -1.2 -1.3 -1.4 -1.5 -1.6 -1.7 -1.8 -1.9 -2.0 -2.1 -2.2 -2.3 -2.4 -2.5 -2.6 -2.7 -2.8 -2.9 -3.0 .lt -2.5 -2.6 -2.7 -2.8 -2.9 -3.0 -3.1 -3.2 -3.3 -3.4 -3.5 -3.6 -3.7 -3.8 -3.9 -4.0 -4.1 -4.2 -4.3 -4.4 -4.5
DEFINE
Mtricas de 6 Sigma
D2- 17
Nivel de sigma
Ejemplo 1.
Como resultado de una investigacin de un producto durante un periodo prolongado, se detect 1 falla entre 346 productos. Calcule el nivel de sigma relacionado con este tipo de defecto.
Lmite del estndar
1 DPMO = 1,000,000 = 2,890 346

En la tabla podemos observar que el nivel de sigma es el valor de Zst que corresponde a DPMO =2,890 ( aprox. 4.26).
Probabilidad de ser Producto bueno= 0.9971
Producto malo = 0.002890
DEFINE
Mtricas de 6 Sigma
D2- 18
Nivel de sigma
Ejemplo 2.
Un proceso est compuesto por 5 operaciones y el rendimiento de cada operacin es de 0.99, 0.95, 0.90, 0.90, y 0.95 respectivamente.
A
0.99
La media de rendimiento total
B
0.95
C
0.90
D
0.90
E
0.95
= 5 (0.99)(0.95)(0.90)(0.90)(0.95)
= 0.937375
El nivel de sigma es el valor de Zst que corresponde al nmero de productos buenos por 1 milln de productos = 9 3 7 , 3 7 5 y su nivel de es aproximadamente 3.03
DEFINE
Mtricas de 6 Sigma
D2- 19
Nivel de sigma
Nivel de Sigma para datos continuos.
LSL Media USL
Cuantas veces cabe valor de la desviacin estndar entre la media y el lmite de especificacin mas cercana
Unidades fuera de especificacin. DPMO, PPMs Unidades fuera de especificacin DPMO PPMs
(1) La recoleccin de los datos para formar los subgrupos racionales
Zstst
(2) La confirmacin de los datos para ver si tienen una distribucin normal o no. Minitab: Stat> Basic Statistics > Normality Test (3) El anlisis de la capacidad de proceso Minitab: Stat> Quality Tools> Capability Analysis(Normal) (4) En el resultado de la ejecucin de Minitab, lee el PPM total en Expected LT Performance. (5)Encontrar el nivel de sigma en su tabla correspondiente.
DEFINE
Mtricas de 6 Sigma
D2- 20
Nivel de sigma
TORQUE 24 14 18 27 17 32 31 27 21 27 24 21 24 26 31 34 28 32 24 16 22 37 36 21 16 17 22 34 20 19 16 16 18
30 21
16 14 15 14 14 25 15 16 15 19 15 15 19 19 30 24 10 15 17 17 21 34 22 17 15 17 20 17 20 15 17 24 20
Anlisis de Capacidad ( Stat>Quality Tools >Capability Analisis (normal) )

Process Capability Analysis for Torque
Process Data USL Target LSL Mean Sample N StDev (Within) StDev (Overall) 30.0000 * 10.0000 21.2647 68 4.73695 6.44602
LSL
USL
Within Overall
Potential (Within) Capability Cp CPU CPL Cpk Cpm Overall Capability Pp PPU PPL Ppk 0.52 0.45 0.58 0.45 0.70 0.61 0.79 0.61 *
10
Observed Performance PPM < LSL PPM > USL PPM Total 0.00 132352.94 132352.94
20
Exp. "Within" Performance PPM < LSL PPM > USL PPM Total
30
40
Exp. "Overall" Performance PPM < LSL PPM > USL PPM Total 40271.59 87685.79 127957.38
8702.27 32586.16 41288.42
En este ejemplo se tiene una serie de medidas de torque dentro de una especificacin de 10-30 kg/cm2. teniendo 127,957 PPMs lo que le corresponde un nivel de sigma de : 2.64
DEFINE
Mtricas de 6 Sigma
D2- 21
Nivel de sigma
La desviacin estndar de perodo largo y de perodo corto
La desviacin estndar de perodo largo(Long-Term Sigma lt )
Relativamente un perodo largo (ejemplo: semana, mes) Considera la influencia de las variables de ruido de perodo largo (Ejemplo: el desgaste de equipo, el efecto de estacin) Necesita aproximadamente 100 a 200 datos
La desviacin estndar de perodo corto (Short-Term Sigma st )

Relativamente un perodo corto (ejemplo: da, semana) Considera la influencia de las variables de ruido de perodo corto (ejemplo: da y noche ) Necesita aproximadamente 30 50 datos
Dependiendo de que si es suficientemente largo como para incluir todos las variables de proceso o no, hace la divisin de perodo corto o largo y, no siempre es igual la duracin de tiempo.
DEFINE
Mtricas de 6 Sigma
D2- 22
DEFINE
INTRODUCCIN A ESTADSTICA
Introduccin a Estadstica
D3- 1
Objetivo
Objetivos:
Entender los conceptos bsicos de las mtricas utilizadas para identificar las caractersticas de los datos. Entender los conceptos bsicos de la distribucin de probabilidad. Entender como obtener las estadsticas bsicas y probabilidades utilizando Minitab.
DEFINE
D3- 2
Contenido
Estadstica
Poblacin y muestra. Caractersticas de distribucin. Tipos de distribucin.
Distribucin Normal.
Distribucin Normal Distribucin Normal Estndar Clculo de probabilidad
DEFINE
D3- 3
Estadstica Bsica
Qu es la estadstica ?.
Los conceptos estadsticos son reconocidos en la vida cotidiana, ejemplos de ellos son los siguientes : Para pronosticar el resultado de un partido de bisbol, se investiga el porcentaje de juegos ganados de cada equipo. Con base a datos del sistema meteorolgico, se puede pronosticar el clima. Concepto:
Es una ciencia que proporciona una conclusin con base a los datos reunidos, clasificados y analizados para proporcionar la informacin necesaria para la toma de decisin en un futuro inseguro.
DEFINE
D3- 4
Estadstica Bsica
Poblacin y Muestra
Se llama la poblacin al conjunto total de datos que son objeto de atencin y la muestra es una parte de la poblacin seleccionada para la investigacin.
Caracterstica de poblacin : mdulo Valor medio Dispersin 2 Desviacin estndar Caracterstica de muestra : estadstica Valor medio X Dispersin S2 Desviacin estndar S
POBLACION
MUESTRA
No tendr problemas si puede calcular exactamente el nmero de mdulos de la poblacin, pero existen situaciones que dificultan conocer su valor, sin embargo puede estimarse a partir del clculo estadstico de la muestra.
DEFINE
D3- 5
Estadstica Bsica
La clase de poblacin.
La poblacin finita: Cuando el nmero de datos es cuantificable.
Ejemplo) la cantidad producida dentro de los lotes terminados.
La poblacin infinita: Cuando la cantidad de datos que compone la poblacin es infinito.

Ejemplo) el nmero de productos que sern elaborados en el proceso.
La importancia del muestreo.

La muestra debe ser extrada de una manera que presente las caractersticas de la poblacin sin ningn sesgo.
Ejemplo) De 10 cajas con tornillos tomar 20 tornillos de cada una (aleatoriamente)
El mtodo de muestreo : muestreo simple al azar, muestreo estratificado, muestreo grupal, muestreo sistemtico
La Clase de datos.
Variable cuantitativa : la variable que puede expresar el tamao o cantidad en nmero.
Variables discretas : puede ser contadas y son los datos numricos tales como la cantidad de productos defectuosos y la cantidad de defectos. Variables continuas : son los valores continuas y son los datos mtricos tales como la fuerza de tensin, la longitud.
Variable cualitativa : la variable que no puede expresar su tamao o la cantidad. Ej) sexo, religin, ocupacin, etc.
DEFINE
D3- 6
Estadstica Bsica
El anlisis estadstico es la manera de indicar en nmero a las caractersticas de distribucin de los datos. Las caractersticas de dispersin.
Medidas de tendencia central (Media aritmtica, Mediana, Modo) Muestra en donde estn concentrados los datos. El grado de dispersin (Rango, dispersin, desviacin estndar) Es el grado de esparcimiento de los datos tomando como centro a la media aritmtica. El sesgo ( Skewness, Kurtosis ) - Hacia dnde estn concentrados los datos ?
DEFINE
D3- 7
Estadstica Bsica
Medidas de Tendencia Central La moda (Mode)
El modo es el valor que repite ms frecuentemente en la dispersin de los datos.
La mediana (Median)
Es el valor observado en el centro al ordenar los datos en forma creciente. Cuando el nmero de datos es impar : el dato que est en el centro Cuando el nmero de datos par : ( la suma de los dos del centro)/2
La media aritmtica
El promedio de la muestra / poblacin
Media de una poblacin
= X=
X1 + X2 + X3 + + Xn = Xi . N N
Media de una muestra
X1 + X2 + X3 + + Xn = Xi . n n
DEFINE
D3- 8
Estadstica Bsica
Medidas de dispersin
Rango.
La diferencia entre el nmero ms grande y el nmero ms chico del conjunto de los datos.
La Varianza y la desviacin estndar.

La Varianza de la poblacin. La desviacin estndar de la poblacin.
2 =
( Xi )2 N
( Xi )2 N
La Varianza de la muestra.
La desviacin estndar de la muestra.
S2 =
( X Xi )2 n-1
S =
( X Xi )2 n-1
Tanto la Dispersin como la Desviacin Estndar representan que tanta variacin existe en promedio de los datos con respecto a la media.
DEFINE
D3- 9
Estadstica Bsica
Simbologa de Poblacin y Muestra
Variable
Nmero de grupo Promedio Dispersin Desv. estndar Coeficiente de correlacin Coeficiente de regresin Error
Poblacin
N 2 ,
Muestra
N X s2 s r a, b e
DEFINE
D3- 10
Estadstica Bsica
Definicin de probabilidad : La posibilidad de que ocurra un acontecimiento determinado sobre todos los casos probables.
Espacio muestra : Es el nmero de todos los casos que tienen misma posibilidad de acontecimiento. Aplicacin : Es el nmero de casos que corresponde a un acontecimiento A. Variable aleatoria : El espacio de muestra es el conjunto de los valores que pueden ser obtenidos por medio de medicin y, la funcin que asigna un nmero real a cada uno de estos valores es conocido como variable aleatoria. Tiene el concepto de un conjunto como (H, 1/2).
Distribucin de probabilidad : La distribucin de probabilidad es el grfico o tabla de probabilidad que pueden ser tomadas por todos los valores posibles de la variables aleatorias.
Distribucin de probabilidad discreta : Es la distribucin de probabilidad que corresponde a las variables aleatorias contables tales como el nmero de productos defectuosos y de defectos. Distribucin de probabilidad contnua : Es la distribucin de probabilidad que corresponde a las variables aleatorias con valores continuos e incontables tales como el peso y el tamao del producto.
DEFINE
D3- 11
Estadstica Bsica
Funcin de densidad de probabilidad (Probability Density Function) Es la funcin que explica la relacin de probabilidad correspondiente a la variable aleatoria. La funcin de densidad de probabilidad siempre tiene el valor positivo y la suma de todos es 1. Funcin de densidad de probabilidad utilizada en 6-Sigma 1) La funcin de densidad de probabilidad discreta La distribucin hiper-geomtrica La distribucin binomial La distribucin de Poisson La distribucin -2 2) La funcin de densidad de probabilidad continua La distribucin normal La distribucin- t La distribucin- F La distribucin- Weibull
DEFINE
D3- 12
Tipos de distribucin
DISTRIBUCION
FORMA
FUNCION
COMENTARIOS O APLICACIN
Es aplicable cuando hay una concentracin de observaciones sobre el promedio y es muy probable que las observaciones sean mayores y menores al promedio. La variacin en las observaciones es usualmente el resultado de causas pequeas.
DISTRIBUCIONES DE DETAOS CONTINUOS
Normal
y = [ 1/(s2)] e -(X-)^2 / 2^2 = Promedio = Desvicin estndar
Exponencial
=1/2
Y = (1/) e ( x / )
Aplica cuando es mas probable que las observaciones sean menores al promedio.
=1
=1
=3
Y = (X- ) -1 e -(X- ) ^
Weibull X
= Parmetro de escala = Parmetro de forma

= Parmetro de localizacin
Aplica para describir una variedad de patrones de variacin, incluyendo formas partiendo de la distribucin normal y exponencial.
DEFINE
D3- 13
Tipos de distribucin
DISTRIBUCION
FORMA
p = 0.1 p = 0.3 p = 0.5
FUNCION
y = [(np)r e np] / r!
n = Nmero de intentos r = Numero de ocurrencias p = probabilidad de ocurrencia
COMENTARIOS O APLICACIN
Es igual que la distribucin Binomial pero se aplica particularmente cuando existen varias oportunidades de ocurrencia de un evento, pero con baja probabilidad ( menos de 0:10 ) en cada intento.
DISTRIBUCIONES DE DETAOS DISCRETOS
POISSON r
p = 0.1 p = 0.3 p = 0.5
y = [ n! / (r! (n-r)!)] pr q n-r

n = Nmero de intentos r = Numero de ocurrencias p = probabilidad de ocurrencia q = 1-p
BINOMIAL r
LOW d/N
Aplicable en la definicin de probabilidad de r ocurrencias en n intentos de un evento que tiene una probabilidad de ocurrencia de p en cada intento.
HYPERGEOMETRICA
( d ) ( N- d ) Y = ( r ) ( n- r ) (N) (n)
Aplicable en la definicin de la probabilidad de r ocurrencias. en n intentos de un evento cuando hay un total de ocurrencias en una poblacin N.
DEFINE
D3- 14
Distribucin Normal
La distribucin normal
La distribucin normal es una distribucin ms natural y es la distribucin de probabilidad que puede tomar todos los valores de nmeros reales existente en un rango determinado. Adems es la distribucin ms representativa entre las distribuciones de probabilidad continua.
Las caracterasticas de la distribucin normal 1) La forma y la posicin de la distribucin normal es determinadas mediante el promedio y la desviacin estndar de la distribucin. 2) La funcin de densidad de probabilidad de la distribucin normal tiene la forma de una campana simtrica que toma como eje al valor de la media. 3) La curva normal no contacta con el eje X, por lo tanto el rango del valor que puede tomar la variable aleatoria X es - < X < +. (Sin embargo 99.7% de los valores observados estn contenido dentro de 3.) 4) Sin importar los valores de la media de distribucin() y la deviacin estndar() la superficie total conte nida entre la curva normal y el eje X es 1.
La funcin de densidad de la distribucin normal f(x) = 1 e-(x-)2/22 22 - < X < +
:3.142(relacin de circunferencia de crculo con su dimetro) e:2.7183 : media de distribucin :Dev. Estndar de distribucin.
DEFINE
D3- 15
Distribucin Normal
La curva normal
[ las formas de la distribucin normal de acuerdo al valor de y ]
1 2 , 1 = 2
68.3 %
1 = 2 , 1 2
1 2
95.5% 99.73%
-4
-3
-2
-1
X = + Z
1 2 , 1 2
1 = 1
2
2
DEFINE
D3- 16
Distribucin Normal
La distribucin normal estndar
La distribucin normal estndar es el producto de estandarizacin de la distribucin normal para que sean la media =0, la desviacin estndar =1. La distancia entre un valor observado (x) y la media de la distribucin, puede ser expresada en nmero de desviacin estndar de dicha variacin y esta es conocida como la variable aleatoria Z y la indica con N(0,12). Z =X-
La probabilidad de que la variable aleatoria est entre Z=0 a Z=1.5 Z=0, el valor X que corresponde a 45% La probabilidad de que la variable aleatoria este en rea Z igual o menor que 2 o ms grande o igual que 2
P=0.0228
P=0.0228
0
P(0 Z 1.5) = 0.4332
0
Z = 1.6449
-2
P(-2 Z, Z 2) = 0.0456
DEFINE
D3- 17
Distribucin Normal
Ejercicio.
En una distribucin normal donde X~N(10,4), Cul es la probabilidad de que X sea 8 X12?
12 - 10 X- = = 0.5, la probabilidad es 0.6915 4 8 - 10 X- Z= = = - 0.5 la probabilidad es ( 1 - 0.6915) 4 Por lo tanto 0.6915 - 0.3085 = 0.3829 Z=
8 10 12
DEFINE
D3- 18
DEFINE
PROJECT DEFINE DEFINICIN DE PROYECTO
Definicin de Proyecto
D4- 1
Objetivo
Objetivos:
Entender el proceso de seleccin de proyecto alineado con la estrategia y la meta. Determinar metodologa de implementacin apropiada para el objetivo del proyecto. Establecer la base para la seleccin de proyecto y problema/meta. Establecer alcance de proyecto. Calcular el efecto esperado de proyecto. Hacer un equipo de trabajo eficiente y desarrollar plan de trabajo de proyecto. Desarrollar y registrar enunciado de misin de proyecto.
DEFINE
D4- 2
Contenido
Metodologa DMAIC Camino a seguir Definicin de proyecto. 1.- Seleccin Proyectos.
Identificar Big Ys Identificar Proyectos Potenciales Seleccionar proyecto potenciales. Determinar tipo de proyecto.
2.- Definir el Proyecto.

Establecer meta. Alcance de proyecto. Formar Equipo de trabajo. Estimar efectos de proyecto.
3.- Aprobar el Proyecto.

Establecer cual es la misin del proyecto. Registro de proyecto. Aprobacin de proyecto.
DEFINE
D4- 3
DMAIC ROADMAP
DEFINE
Step1 : Seleccionar proyecto
Identificar las Big Y Identificar proyectos Potenciales Seleccionar proyectos potenciales Determinar Tipo de proyecto
MEASURE
Step4 : Determinar Ys
Identificar las CTQs
ANALIZE
step7 : Coleccin de Datos
Identificar datos necesarios Establecer plan de coleccin de datos Revisin de plan de coleccin de datos Colecciona datos y administrarlos
IMPROVE
Step 10 : Establecer estrategia de mejora
Identificar caracterstica de X Desarrollo de plan de mejora
CONTROL
Step13 : Desarrollo de plan de control
Identificar temas de control Establecer estrategia de control Establecer plan de control
Determinar Ys Establecer el criterio de evaluacin de las Ys
Step11 : Optimizar Vital Few Xs
Step5 : Establecer baseline Step2 : Definir proyecto

Establecer meta MSA aplica? Alcance de proyecto No Formar equipo de trabajo Estimar efectos de proyecto Establecer Estado de Baseline Hacer MSA Plan de coleccin de datos para las Ys
Caracterstica Alternativas de X
Factores
Step14 : Llevar a cabo plan de control

Control
Step8 : Analizar datos

Generar alternativas Planear experimento
No Datos Numricos Si ?
Evaluar alternativas
Seleccionar Alternativa ptima
Llevar acabo experimento Determinar punto ptimo
Monitoreo Respuesta No Estable?
Anlisis Cualitativo
Anlisis Cuantitativo
Establecer meta
Step3 : Aprobar Proyecto

Establecer cual es la misin de proyecto Registro de Proyecto Priorizar Xs potenciales Seleccionar Vital Few Xs
Step12 : Verificar resultado Step6 : Identificar Xs potenciales Step9 : Seleccin de Vital Few Xs
Verificar confiabilidad de datos Determinar en nivel de las Xs Pilot
Step15 : Documentacin Compartir

Identificar efecto
Identificar Xs Potenciales
Identificar factores significantes
Documentacin Transferencia / Compartir
Aprobacin de proyecto
DEFINE
D4- 4
1.- Seleccin de Proyecto

Seleccin de proyecto.
Identificar Identificar Big Ys Big Ys Identificar Identificar proyectos proyectos potenciales potenciales Seleccionar Seleccionar proyectos proyectos potenciales potenciales Determinar Determinar tipo de tipo de proyecto proyecto Registro de Registro de proyecto proyecto
anlisis VOC anlisis VOB anlisis COPQ Seleccionar Big Y
Identificar unidades potenciales de proyectos
Prioritizacin Matriz de seleccin
Clasificar proyecto Determinar metodologa
Procedimiento de Confirmacin Flujo administrativo
DEFINE
D4- 5

Identificar Big Ys a nivel Gerencia
Primero , identificar los CTQs que pueden generar mxima repuesta administrativa a nivel GBM / Equipo analizando la estrategia de negocio, los requerimientos del cliente o costos asociados con operaciones de valor no agregado en proceso. Despues, seleccionar los CTQs a los cuales es aplicable 6 sigma como Bg Y Qu significa Big Y?
Un proyecto de gran escala que puede ser enfocado a la aplicacin de la metodologa 6 sigma mediante CTQs encontrados mediante estudios de VOB, VOC y COPQ Big Y es utilizado para determinar mtricas de desempeo a lograr, identifica proyectos de 6 sigma al desglosar el big Y a menores niveles, y al vincular el proyecto a las metas administrativas.
Qu significa Small Y?
Un proyecto de tamao medio que es identificado de un Big Y a un nivel departamental. Como el Big Y , mtricas de desempeo para lograr la satisfaccin de necesidades.
Qu significa CTQ (Critical to Quality)?

Son las variables determinadas como criticas al proceso y que tienen peso importante en los requerimientos del cliente.
DEFINE
D4- 6

Identificar Big Y
VOC ->CCR anlisis Quejas del cliente Requerimientos de Empleados (Velocidad, Costo, Calidad) Seleccionar CTQ (priorizacin) COPQ anlisis Anlisis de perdidas de proceso VOB->CBR anlisis Lead Time, entrega. Service/ Claim Mejora de producto
GBM CTQ Group CTQ Unit CTQ
Big Y
GBM Chief/ Team Head Group Chief Project Owner (BB/GB)
Small Y
Unit Project
VOC : Voice of Customer CCR : Critical Customer Requirement COPQ : Cost of Poor Quality
GOAL
MBO
VOB : Voice of Business CBR : Critical Business Requirement
DEFINE
D4- 7

Como identificar proyectos.
Juntas WorkOut. Se utiliza la tcnica de lluvia de ideas con las siguientes reglas:
No evaluar las ideas de los otros compaeros. Asegurar que los participantes (6-8 personas) se sientan cmodos al expresar sus ideas. Entre mas ideas se generen es mejor. Apoyarse en las ideas de otras personas para generar ideas.
Mtodos para Lluvia de ideas:

Opinin Libre: Llevar una conversacin y generar ideas de forma espontnea. Round Robin: Cada persona, propone una idea por turno y tiene la libertad de ceder turno. Mtodo de Post Its: Escribir ideas en post its y ponerlas en una pared en clasificaciones.
DEFINE
D4- 8
2.- Definir Proyecto

Cosas a Verificar en la ejecucin de un proyecto exitoso. Cual es el problema ? Que tanta mejora es necesaria? Que debe mejorarse? En quien debemos apoyarnos para una implementacin eficiente de las mejoras. Cuento tiempo debemos de tomar en la implementacin de mejoras. Que efecto tendr la mejora? Se tiene el apoyo necesario de otros departamentos relacionados con el proyecto? Definir proyecto. Revisar detalladamente e identificar lo necesario para llevar a cabo eficientemente el proyecto asignado y maximizar su efecto.
DESCRIPCIN DE PROBLEMA ESTABLECER META ESTABLECER ALCANCE FORMAR EQUIPO DE TRABAJO HACER CRONOGRAMA ESTIMAR EFECTO ESPERADO
DEFINE
D4- 9

Descripcin de problema.
4 Elementos en la descripcin de un problema: Establecer Intereses, problemas o oportunidades. En vez de adivinar, deben de ser conocidos, verificables y medibles Tener al menos mas de una mtrica para indicar la importancia del problema, e investigar cuando y donde los problemas ocurren o son identificados. Los problemas deben tener relacin a proyectos. Establecer el efecto o resultado del problema o riesgo asociado con el problema.
Como establecer un problema:
Especifico: Nombrar un proceso en
particular y cual es su problema.
Evidencia de que un problema puede ser obtenido de reportes internos y retroalimentacin de clientes
Observable:
Medible: la eficiencia es medida en das.
Administrable: El problema es limitado a
un tipo de eficiencia.
DEFINE
D4- 10

Una buena descripcin de problema no contiene lo siguiente:
Implicacin de causa.
Puede prevenir al equipo de trabajo el descubrir la causa real.
Crtica. Esto es, no establecer quien es el culpable.

Si se atribuye culpa dentro del enunciado de problema, es muy probable que genere un comportamiento defensivo, lo que puede afectar la habilidad del equipo a analizar y colectar datos de forma objetiva.
Sugerir solucin.
La solucin puede ser equivocada y mandar el proyecto por el camino equivocado.
DEFINE
D4- 11

Ejemplos INCORRECTOS:
1. El procedimiento de nuestra compaa para el envo de partes de reemplazo toma
en promedio 10 das mas que nuestra competencia. Instalar un registro computarizado de envos para acelerar el proceso. Revisin:
Este problema implica que el problema sera resuelto mediante un registro computarizado de envos sin importar la causa del retraso Sugerir Solucin. Sin saber la causa, no es posible encontrar una solucin efectiva. Intentos de resolver un problema sin conocer la causa estn destinados al fracaso.
2. El departamento de envos necesita mejorar su procedimiento de trabajo para

reducir el tiempo de reemplazo de partes. Revisin:
Este problema implica que el departamento de envos tiene la culpa del problema. El implicar culpa. La solucin permanente de un problema requiere de la participacin de varias partes de la organizacin. El asignar culpas reduce la disposicin de los individual a participar en la solucin del problema As que, sin saber la causa del problema, cualquier culpa es probable de ser adjudicada.
DEFINE
D4- 12

Ejemplo general Aumentar la eficiencia de operacin de las instalaciones de SMT en un 30%
Mejorar el rendimiento del proceso de X semiconductor en un 30% Mejorar productividad de X proceso en un 20%
La meta no esta claramente definida. Si el nivel de sigma actual es menor a 3 , mejorar el indicador actual en un 90%.
Ejemplo: Si el % de defecto es de 20%, establecer una meta cercana a 2%(90% de reduccin).
Si el nivel de sigma actual es mayor a 3 , mejorar el indicador actual en un 50%.

Ejemplo: Si el % de defecto es de 2%, establecer una meta cercana a 1% (50% de reduccin).
DEFINE
D4- 13

Establecer meta.
Establecer Meta
La meta debe ser : S.- Especfica M.- Medible A.- Agresiva y obtenible R.- Relevante a las metas de la empresa T.- Dentro de periodo de tiempo. El enunciado de meta debe ser : Objetivo, usando valores numricos Centrado en el cliente utilizar in indicador centrado en el cliente.
En la etapa de medicin , la Y ser subdividida en Ys menores dentro del proceso controlable, y se establecera la meta para cada una.
DEFINE
D4- 14

La meta del proyecto

-
En la meta logro debe estar incluido el objetivo del proyecto. Aqu debe tratar sin falta :
la cuestin descrita en la descripcin de problema. Debe cuantificar la mejora de la eficiencia previsto. Debe averiguar el tiempo necesario previsto.
Igual que en la descripcin de problema, en la meta de logro del proyecto no debe estar incluido la suposicin de la causa del defecto o de la medida que debera tomar
La meta no descrita suficientemente

Al realizar la medicin de la eficiencia individual, disminuye el error de embarcacin
La meta establecida correctamente

Al termino de este proyecto se pretende reducir el porcentaje de defecto de soldadura de 5% a 2.5 % .
DEFINE
D4- 15

La determinacin de la lnea bsica
Debe reunir los datos de la etapa inicial de cada proceso que compone el proyecto de inters. Esto no requiere un sistema de recoleccin de los datos aunque ahora mismo no tenga los datos disponibles. A travs de una investigacin simple puede producir los suficientes datos para completar una tabla. El cinturn negro debe desarrollar un reporte del proyecto y para poner mayor detalles en este reporte, debe producir y confirmar los datos.
Pregunta:
Existe los datos? _____________ En caso de no tenerlo, es difcil de reunir? _____________ Puede acceder el cinturn negro a los datos y sabe el mtodo de bsqueda? _____________________
DEFINE
D4- 16

La determinacin del valor ideal
El valor ideal de COPQ y de RTY pueden ser determinados con bastante facilidad. La cantidad de produccin El valor ideal de la cantidad de produccin supone la cantidad que se produce cuando el proceso opera en optimas condiciones.
No existe tiempo perdido debido a las siguientes causas:

La disponibilidad las materias primas El plan de trabajo El desgaste y la confiabilidad de mquina Por el descanso, el almuerzo y la reunin, etc. El pre-mantenimiento
El proceso es operado a tiempo completo y a la mxima eficiencia.
DEFINE
D4- 17

Ejemplos:
En los siguientes enunciados describen un problema y su meta, lea y decida si son correctos.
Toma mucho tiempo el envo de partes extras a los clientes. Reducir el tiempo de entrega. La organizacin paga actualmente $1.3 milln anuales en cargo de intereses asociados con errores de cobro y colecta retrasada de pagos. Reducir el valor del dlar de cuentas resultantes de errores de pago. Se necesita un sistema de rastreo computarizado para planear fecha lmite de proyecto y rastrear cumplimiento de trabajo de forma precisa. Establecer dicho sistema para el fin de este ao. Recepcin no avisa debidamente a limpieza cuando un husped se ha retirado. Mejorar comunicacin entre recepcin y limpieza para reducir el tiempo necesario para preparacin de habitaciones.
DEFINE
D4- 18

La revisin de posibilidad de medicin
Las caractersticas a mejorar, tienen su estndar y es posible de medir? Cmo determinaron el estndar, y est seguro de que los clientes quedarn satisfechos si cumplen con este estndar? Si el estndar ha sido establecido correctamente, descrbalo. Sino establzcalo nuevamente. Enumere las ideas para medir las caractersticas que no son posibles de medir. Cmo definir usted al defecto?
DEFINE
D4- 19

4. El establecimiento de meta
Cual es la situacin actual (la lnea bsica)? Cual seria la situacin en condiciones optimas(el valor ideal)? Cunto se va a lograr con este proyecto(la meta)?
Valor Ideal Meta Lnea Bsica

COPQ = $125,000 Defect Rate = 2.4 % PPM = 24,000 Sigma Level = 3.48 COPQ = $100,000 Defect Rate = 1.1 % PPM = 11,000 Sigma Level = 3.79 COPQ = $75,000 Defect Rate = 0.8 % PPM = 8,000 Sigma Level = 3.91
Seis Sigma es un procedimiento para reducir rpidamente la diferencia entre la lnea bsica y el valor ideal
DEFINE
D4- 20
MEASURE
MEASURE OVEVIEW INTRODUCCIN A MEDICIN
Introduccin a Medicin
M1- 1
Objetivo
Objetivos:
Definir los clientes y sus requerimientos. Identificar CTQs y Ys analizando los requerimientos del cliente. Evaluar el sistema de medicin para asegurar confiabilidad. Medir el punto de partida y establecer la meta basada en el anlisis de capacidad de proceso. Identificar las Xs potenciales desarrollando un mapa de proceso detallado. Priorizar las Xs potenciales identificadas.
MEASURE
M1- 2
DMAIC Roadmanp
Define Measure Analyze
Paso 5 :: Identificar Paso 5 Identificar Baseline Baseline
Planear coleccin de datos para Ys Si Aplica MSA? Determinar Ys No Realizar MSA Establecer Criterio de desempeo de Ys Identificar Baseline Performance Si Priorizar Xs potenciales
Improve
Control
Paso 4 :: Determinar Paso 4 Determinar las Ys las Ys

Identificar CTQs de Proyecto
Paso 6 :: Identificar Paso 6 Identificar Xs potenciales Xs potenciales
Identificar Xs potenciales
Establecer Meta
El propsito de la etapa de Medicin es identificar las Xs potenciales que afectan a nuestra salida Y.
MEASURE
M1- 3
Actividades de la Fase de Medicin

Determinar las Ys Determinar las Ys
Identificar CTQ de Proyecto Identificar CTQ de Proyecto SIPOC SIPOC Especificar proceso Especificar proceso Identificar requerimientos del Identificar requerimientos del cliente cliente Identificar factores con efecto Identificar factores con efecto indirecto indirecto Determinar Ys Determinar Ys Establecer el criterio de Establecer el criterio de desempeo de las Ys desempeo de las Ys
Establecer el criterio de Establecer el criterio de desempeo de las Ys desempeo de las Ys
Identificar Baseline Identificar Baseline

Plan de coleccin de datos para Ys Plan de coleccin de datos para Ys Identificar mtricas relevantes Identificar mtricas relevantes Decidir muestreo. Decidir muestreo. Completar plan de coleccin de datos Completar plan de coleccin de datos Evaluar sistema de medicin. Evaluar sistema de medicin. MSA para datos continuos MSA para datos continuos MSA para datos discretos MSA para datos discretos Medir Baseline Performance Medir Baseline Performance Recolectar Datos Recolectar Datos Identificar Baseline Identificar Baseline Establecer Meta Establecer Meta Establecer meta razonable para Ys Establecer meta razonable para Ys Crear Matriz de Medicin de Crear Matriz de Medicin de Desempeo Desempeo
Identificar Xs potenciales Identificar Xs potenciales

Identificar Xs potenciales Identificar Xs potenciales Estratificacin Estratificacin Mapa de Proceso. Mapa de Proceso. Diagrama C&E Diagrama C&E Priorizar Xs Potenciales Priorizar Xs Potenciales FDM FDM FMEA FMEA Lista priorizada de Xs Lista priorizada de Xs Potenciales. Potenciales.
Revisar viabilidad Revisar viabilidad Matriz de medicin de Matriz de medicin de desempeo. desempeo.
Criterio de desempeo Criterio de desempeo de Ys. de Ys.
Matriz de Medicin de Matriz de Medicin de Desempeo Desempeo
Lista Priorizada de Lista Priorizada de Xs Potenciales. Xs Potenciales.
Herramientas: Metodologa de encuesta al cliente, Affinity diagram, Anlisis de escena, KANO, Estadstica Bsica, Herramientas: Metodologa de encuesta al cliente, Affinity diagram, Anlisis de escena, KANO, Estadstica Bsica, MSA, Anlisis de capacidad de proceso, Benchmarking, Box-Plot, Pareto, PFD, C&E, FDM, FMEA, Plan de MSA, Anlisis de capacidad de proceso, Benchmarking, Box-Plot, Pareto, PFD, C&E, FDM, FMEA, Plan de coleccin de datos. coleccin de datos.
MEASURE
M1- 4
MEASURE
MSA (MEASUREMENT SYSTEM ANALYSIS) MSA (ANALISIS DEL SISTEMA DE MEDICIN)
MSA (Anlisis del Sistema de Medicin)
M2- 1
Objetivo
Objetivo:
Comprender el error de medicin Comprender MSA para datos continuos. Comprender MSA para datos discretos.
MEASURE
M2- 2
Contenido
Introduccin a MSA Variacin de sistema de medicin. Terminologa.
Sesgo Estabilidad Linealidad Repetibilidad Reproductividad Discriminacin
Gage R&R para datos continuos. Gage R&R para datos discretos.
MEASURE
MSA (Anlisis del Sistema de Medicin) M2- 3
Introduccin a MSA
Qu es la medicin?
Es la atribucin de un nmero a los objetos para poder expresar su relacin con una caracterstica determinada.
Por qu se utiliza MSA?

Para evaluar correctamente el estado del sistema de medicin y mejorar la calidad y confiabilidad de los datos medidos. Para cuantificar la variacin observada que es debido al error en el sistema de medicin. Para comparar las diferencias entre dispositivos de medicin. Para evaluar algn instrumento de medicin que se sospecha deficiente. Para asegurar que algn error de medicin no nos lleve a aceptar falsamente un producto o interpretar equivocadamente los resultados de SPC Para asegurar la confiabilidad de los datos medidos y coleccin de datos en un futuro.
MEASURE
M2- 4
Atributos de Sistema de Medicin

Atributos estadsticos de un sistema de medicin:
Un sistema de medicin deber tener los siguientes atributos estadsticos: El sistema de medicin debe estar en control estadstico. Esto significa que la variacin del sistema de medicin es generado por alguna causa aleatoria y no alguna causa en especfico. La variacin del sistema de medicin es pequea en comparacin a la variacin del proceso. La variacin del sistema de medicin es pequea en comparacin a los lmites de especificacin. Los incrementos de medicin deben ser pequeos en relacin tanto a la variacin de proceso y los lmites de especificacin. En general, los incrementos no deben ser mayores a 1/10 de la variacin del proceso o lmites de especificacin. Los atributos estadsticos de un sistema de medicin pueden cambiar cuando cambia la meta (target). Si es el caso, la mayor variacin del sistema de medicin debe ser menor a la menor variacin del proceso o variacin de los lmites de especificacin.
MEASURE
M2- 5
Variacin de un sistema de medicin.

Qu es el error de medicin?
Error de medicin = Exactitud (promedio) + Precisin (variacin)
Exactitud
Sesgo
total = product + MS
Precisin
Dispersin
Estudio de Calibracin - Perodo de correccin. - Mtodo y procedimiento.
Estudio de R&R
-Mejora del instrumento. -Mejora del mtodo de medicin. - Estandarizacin. M2- 6
total
product
MS
MEASURE

Sesgo de sistema de medicin (Promedio)
Total = Producto + Sistema medicin
Observacin = Valor de referencia +
Error de medicin Valor Verdadero Valor de Medicin
Calibracin
2 Total = 2 Producto + 2 Sistema medicin
Variacin Observada = Variacin de
producto + Variacin de medicin Valor Verdadero
Offset de medicin
Precisin de de sistema de medicin (Variacin )

Valor de Medicin
Gage R&R
MEASURE

Fuentes de variacin en un sistema de medicin.
Variacin Total
Variacin Parte a Parte
Variacin del Sistema de Medicin Variacin debido a Operador Reproductividad
Variacin debido a Medidor Repetibilidad
Operador
Operador por Parte
MEASURE
M2- 8
Terminologa
Vocabulario y conceptos.
La exactitud.- El grado de coincidencia entre el promedio de la medicin y el valor verdadero. El valor verdadero
El valor correcto por la teora El estndar de NIST (Instituto Nacional de Estndar y Tecnologa), etc.
Sesgo
La diferencia entre el promedio y el valor verdadero. El error del instrumento de medicin. El error o la diferencia sistemtica.
La precisin.- La variacin total del sistema de medicin Repetibilidad

Capacidad de sistema de medicin de generar la misma medicin bajo las mismas condiciones.
Reproductividad
Capacidad de sistema de medicin de generar la misma medicin bajo diferentes condiciones.
Estabilidad
Un grado de que la variacin de los valores medidos son fijos con su promedio y la desviacin estndar durante un tiempo prolongado posibilitando la presuposicin de los datos. No hay una flotacin, una variacin brusca ni ciclo. Se puede evaluar formando una tabla de tendencia.
MEASURE
M2- 9
Terminologa
Sesgo
El sesgo es la diferencia que existe entre el promedio observado de la medicin y el valor verdadero. Tiene relacin directa con la exactitud. El sesgo del medidor (Error de paralaje): El sesgo producido por error del observador. El sesgo del instrumento de medicin (error de offset): El sesgo producido por la error del instrumento de medicin.

Valor Real Promedio Observado
<Causas> Error en valor de referencia (real) Instrumento de medicin desgastado
Sesgo
Instrumento de dimensionado
medicin
mal
Medicin de caracterstica incorrecta. Mala Calibracin 0.75 0.80 Mal uso de instrumento de medicin por parte de operador.
MEASURE
M2- 10
Terminologa
Qu instrumento tiene mayor sesgo?
Instrumento1 Valor Valor promedio promedio Instrumento2
SESGO
Qu instrumento tiene mayor sesgo? El instrumento 2 presenta mayor sesgo. Qu instrumento es mas exacto? El instrumento1.
Entre menor sea el sesgo del instrumento de medicin es mas Exacto (mas cercano al valor verdadero)
MEASURE
M2- 11
Terminologa
Estabilidad
La variacin obtenida cuando la misma persona mide la misma muestra o la misma caracterstica de una muestra idntica con el mismo instrumento de medicin sobre un periodo de tiempo
<Causas> Esta relacionada con las propiedades del instrumento de medicin. Ejemplo= temperatura efectos de
Estabilidad
Tiempo 1
Tiempo 2
MEASURE
M2- 12
Terminologa
Qu instrumento de medicin tiene mejor estabilidad?
Valor verdadero Tiempo1 Tiempo2 Valor verdadero Tiempo1 Tiempo 2
Instrumento 1
Instrumento 2
Tiene buena estabilidad
Tiene mala estabilidad
Un instrumento de medicin tiene buena estabilidad cuando a travs del tiempo presenta poca variacin de exactitud y precisin en sus mediciones.
MEASURE
M2- 13
Terminologa
Linealidad
La consistencia del sistema de medicin en el rango completo de la escala de medicin.
Valor Verdadero 1 Observacin 1 Sesgo pequeo Valor Verdadero2 Observacin 2
Sesgo grande
Parte baja del rango de medicin

Valor Observado Sesgo Sin sesgo
Parte alta del rango de medicin <Causas> La calibracin no cubre apropiadamente el rango de mediciones potenciales. Error en el master cubriendo el rango de mediciones potenciales. Deterioro de instrumento. Caractersticas internas en el diseo del instrumento.
Valor Verdadero
MEASURE
M2- 14
Terminologa
Repetibilidad precisin La variacin de las mediciones obtenidas por un operador mientras se realizan las mediciones bajo las mismas condiciones/caractersticas utilizando el mismo instrumento de medicin

Referencia
Buena Repetibilidad
<Causas> Instrumento desgastado de medicin
Referencia
Pobre Repetibilidad
Variacin del instrumento de variacin debido a diseo Variacin de instrumento. posicin del
Factores ambientales (iluminacin, ruido). Factores Fsicos (visin)
Precisin = capacidad de repeticin + capacidad reproductiva
MEASURE
M2- 15
Terminologa
Qu instrumento tiene mayor capacidad de repeticin (Repetibilidad)?
Valor verdadero Valor verdadero
Instrumento 1 Tiene buena capacidad de repeticin
Instrumento 2 Tiene mala capacidad de repeticin
Un instrumento de medicin tiene buena capacidad de repeticin (repetibilidad) cuando presenta poca variacin de medicin bajo las mismas condiciones sobre la misma caracterstica/unidad.
MEASURE
M2- 16
Terminologa
Reproductividad precisin La variacin del sistema de medicin obtenida por diferentes operadores realizando mediciones mismas caractersticas del mismo artculo repetidamente utilizando el mismo instrumento de medicin.
<Causas> Diferencia en el mtodo o tcnica de medicin entre operadores.
Operador B
El operador no entiende como leer correctamente el instrumento de medicin Mtodo o procedimiento medicin no es claro. Reproductividad de
Operador C
Es necesario un JIG para ayudar al operador mantener consistencia.
Operador A
Precisin = capacidad de repeticin + capacidad reproductiva
MEASURE
M2- 17
Terminologa
Qu instrumento tiene mayor Reproductividad?
Valor verdadero Medidor A Medidor B Medidor C Medidor B Medidor A Medidor C
Instrumento 1 Tiene buena capacidad reproductiva
Instrumento 2 Tiene mala capacidad reproductiva
Un instrumento de medicin tiene buena capacidad reproductiva cuando presenta poca variacin de medicin bajo diferentes condiciones sobre la misma caracterstica/unidad.
MEASURE
M2- 18
Terminologa
Discriminacin (resolucin).
Discriminacin es la capacidad del sistema de medicin para detectar e indicar de forma confiable los pequeos cambios en la caracterstica/unidad tambin se le conoce como resolucin El sistema de medicin no puede percibir diferencias en diferentes caractersticas / unidades medidas, Entonces , los valores medidos de una caracterstica/unidad medida se agrupa en categoras. Partes en la misma categora tienen el mismo valor para la caracterstica medida. Cuando la discriminacin de un sistema de medicin es inadecuada, el sistema de medicin no puede ser utilizado para detectar la variacin del proceso. Si la discriminacin de un sistema de medicin no es capaz de detectar la variacin del proceso y la presencia de causas especiales , el sistema de medicin no puede ser utilizado para analizar o controlar, por lo tanto debe ser corregido o cambiado.
Qu instrumento de medicin tiene mayor discriminacin?
VS.
Qu usaras para medir el grosor de un lpiz?
MEASURE
M2- 19
Terminologa
Categoras
Control Puede ser utilizado para control si: La variacin de proceso es pequea comparado con la especificacin. La fuente principal de variacin genera un desplazamiento de promedio. Anlisis Inaceptable para estimar parmetros e ndices de proceso Solo indica si el proceso esta produciendo partes conformes o no conformes
1 categora
Puede producir diagramas de control para datos continuos insensible a cambios. 2~4 categoras
Generalmente inaceptable para estimar parmetros e ndices de proceso Solo provee calidad real. estimados de la
Puede ser utilizado con diagramas de control para datos continuos. 5 o ms categoras
Recomendado
MEASURE
M2- 20
Gage R&R
Men de Gage R&R
1. 2. 3. 4.
MINITAB v.13.32 ofrece 5 herramientas para anlisis de Gage R&R: Gage Run Chart.- Sirve para ver de forma grfica las mediciones por operador y parte Gage linearity Study.- Es una herramienta para evaluar que tan exacta es la medicin a travs del rango esperado de medicin. Gage R&R study (crossed).- Herramienta para anlisis de sistema de medicin (Utilizado mas comnmente). Gage R&R study (Nested).- A diferencia del estudio crossed este se utiliza cuando se toma una menor cantidad de muestras (1,2 o 3 muestras). Utilizado en Pruebas destructivas. Attibute Gage R&R Study.- Herramienta para evaluar sistema de medicin para datos discretos.
5.
MEASURE
M2- 21
GAGE R&R PARA DATOS CONTINUOS
M2- 22
Gage R&R para datos Continuos

Las materias comunes:
Generalmente es efectuada a 2 ~ 3 operadores Generalmente mide a unos 10 repuestos Ordinariamente mide unos 2 ~ 3 veces repetidamente
El procedimiento
(1) Seleccione 10 muestras que representen la variacin del proceso a largo plazo. (2) Verifique la calibracin del instrumento de medicin. (3) Haga que el primer operador mida una vez a todas las muestras en el orden aleatoria (Medicin a ciegas) (4) Haga que el segundo operador efecte el mismo trabajo. (ser igual para todos los operadores) (4) Repita esta operacin las veces que crea necesario. (5) Ingrese los datos obtenidos en Minitab y analcelos. (6) Tomar decisin sobre sistema de medicin.
MEASURE
M2- 23

La seleccin de la muestra.
Por lo comn, la cantidad de muestra sern 10 y ellas deben representar la dispersin del proceso. Si selecciona las muestras con los valores semejantes al promedio del proceso, el ndice de la capacidad de la medicin ser peor que el real.
Si selecciona las muestras en un rango ms amplio que la dispersin del proceso, el ndice de la capacidad de la medicin ser mejor que el real.
La seleccin de operadores
Seleccione a los operadores que trabajaban en la medicin. para coleccionar o examinar los datos. Revise la posibilidad de efectuar la evaluacin del sistema de medicin sin avisarles a los operadores.
La medicin a ciegas
Evite que el operador sepa anticipadamente las lecturas de las muestras que est midiendo. De esta manera puede prevenir que los valores medidos sean influenciados por los valores anteriormente medidos. (Los valores medidos por el mismo operador o por otro) Previene el efecto de Hawthorne
MEASURE
M2- 24

Tabla de coleccin de datos
operador 1
Repuesto
operador 2
Medic.3 Medic.1 Medic.2 Medic.3 Medic.1
operador 3
Medic.2 Medic.3
Medic.1
Medic.2
1 2 3 4 5 6 7 8 9 10
MEASURE
M2- 25

Capturar los datos en MINITAB.
Se establecen 4 columnas en MINTAB, estableciendo la parte, el operador, el intento y la respuesta. Como se muestra en la figura. Para efectos de anlisis del software los datos deben ser apilados en una sola columna como se muestra en la figura. Archivo:
02 MSA Continuous Manual.mtw
MEASURE
M2- 26

Realizar anlisis con MINITAB.
Stat>Quatlity Tools> Gage R&R study (crossed)
Especificar tolerancia del cliente si es necesario
Minitab ofreces 2 mtodos de anlisis, ANOVA y XbarR. Del cual, ANOVA se considera a ser un mejor mtodo.
MEASURE
M2- 27

Criterio de evaluacin de sistema de medicin:
% Contribution % Study Variation % Tolerance Number of Distinct Categories
Clasificacin
Aceptar (Muy bueno) Considerar costo / significancia (regular) Rechazar (necesita corregirse o cambiar)
% Contribucin
% Study Variation Or %Tolerance < 10% 10~30%
Numero de categoras > 10 4~9
< 1% 1~10%
> 10%
> 30%
<4
MEASURE
M2- 28

Como interpretar Grficas (1/2)
Gage R&R (ANOVA) for Respuesta
Components of Variation
100
50
0 Gage R&R Repeat Reprod Part-to-Part
Despliega: Es suficientemente pequea la porcin de variacin debida al instrumento %Contribution %Study Var de medicin sobre la variacin total? %Tolerance Entre mas bajas sean las columnas de Gage R&R, Repeat y Reprod nuestro sistema de medicin es mas confiable. Despliega: Las mediciones por operador son estables?. Atencin !!! Si hay puntos que pasan los lmites de control del R Chart , se necesita investigar cual fue la causa y realizar de nuevo estas mediciones. Despliega Hay sificiente capacidad para distinguir(categoras) entre partes?. Al contrario del R chart, es mejor tener una gran cantidad de puntos fuera de los lmites de control.
Percent
R Chart by Operador
0.15
1 2 3
Sample Range
UCL=0.1252 0.10 0.05 0.00 0
R=0.03833 LCL=0
Xbar Chart by Operador

1.1 1.0 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0
1 2 3
Sample Mean
UCL=0.8796 Mean=0.8075 LCL=0.7354
MEASURE
M2- 29

Como interpretar Grficas (2/2)
Despliega: La muestra seleccionada refleja debidamente la variacin de proceso?. Si el valor es consistente (lnea casi horizontal) , significa que la muestra no refleja la variacin del proceso o el sistema no es capaz de detectar diferencias entre partes. Despliega: Existe alguna diferencia significativa entre operadores?. Es preferente que no exista diferencia entre operadores (lnea horizontal) Despliega: Existe diferencia en la medicin entre operadores sobre cada parte?. Es mejor que todos los operadores obtengan la misma medicin en cada parte. El menor cantidad de cruces entre rectas refleja mayor uniformidad de medicin entre operadores
1.1 1.0 0.9 0.8 0.7 0.6 0.5 0.4
Gage name: Date of study: Reported by: Tolerance: Misc:
Magoscope 18/July/2003 Alfonso Villalobos
By Parte
Parte
1.1 1.0 0.9 0.8 0.7 0.6 0.5 0.4
10
By Operador
Operador
1.1 1.0 0.9 0.8 0.7 0.6 0.5 0.4
Operador*Parte Interaction
Average
Operador
1 2 3
Parte
10
MEASURE
M2- 30

Como interpretar los resultados numricos.
Componentes de Variacin
Source %Contribution VarComp (of VarComp) 0.004437 0.001292 0.003146 0.000912 0.002234 0.037164 0.041602
2MS
Total Gage R&R Repeatability Reproducibility Operador Operador*Parte Part-To-Part 2TOTAL Total Variation
10.67
3.10 7.56 2.19 5.37
Variacin debido al sistema de medicin

(dividido en Repetibilidad y Reproductividad)
89.33
100.00
Variacin debido a la parte

Variacin Parte-a-Parte :: 89.33% Variacin Parte-a-Parte 89.33% Variacin por sistema de medicin :: 10.67% Variacin por sistema de medicin 10.67% -Variacin por repetibilidad :: 3.10% -Variacin por repetibilidad 3.10% -Variacin por reproductividad: 7.56% -Variacin por reproductividad: 7.56% ->Variacin por reproductividad de ->Variacin por reproductividad de operadores: 2.19% operadores: 2.19% ->Interaccin entre operador y parte :: 5.37% ->Interaccin entre operador y parte 5.37%
% de Contribucin =
2MS 2TOTAL
A que se debe la mayor parte de la Variacin? Qu variacin nos interesa observar? R.- La variacin entre Parte y Parte
MEASURE
M2- 31

Como interpretar los resultados numricos. Componentes de Desviacin Estndar
Componentes de desviacin estdar
Source
MS
StdDev (SD) 0.066615 0.035940 0.056088 0.030200 0.047263 0.192781 0.203965
Study Var %Study Var (5.15*SD) (%SV) 0.34306 0.18509 0.28885 0.15553 0.24340 0.99282 1.05042 32.66 17.62 27.50 14.81 23.17 94.52 100.00
%Tolerance (SV/Toler)
Total Gage R&R Repeatability Reproducibility Operador Operador*Parte Part-To-Part TOTAL Total Variation
22.87 12.34 19.26 10.37 16.23 66.19 70.03
% de variacin que contribuye a la desviacin estndar debido al sistema de medicin

% Study Variation = % Tolerance =
5.15*MS = 5.15*TOTAL =
Precisin
Variacin Total
% Quien contribuye a la desviacin estndar con respecto a la tolerancia

5.15*MS USL LSL
Precisin
Tolerancia
El porcentaje de contribucin del sistema de medicin a la desviacin estndar esta dentro de un rango aceptable?
MEASURE
M2- 32

Como interpretar los resultados numricos. Discriminacin
Source Total Gage R&R Repeatability Reproducibility Operador Operador*Parte Part-To-Part Total Variation StdDev (SD) Study Var (5.15*SD) 0.34306 0.18509 0.28885 0.15553 0.24340 0.99282 1.05042 %Study Var (%SV) 32.66 17.62 27.50 14.81 23.17 94.52 100.00 %Tolerance (SV/Toler) 22.87 12.34 19.26 10.37 16.23 66.19 70.03
0.066615
0.035940 0.056088 0.030200 0.047263
La parte esta aqu
O Aqu?
O O Aqu? Aqu?
0.192781
0.203965
Number of Distinct Categories = 4
Signal to Noise Ratio =
Part Variation (P) = 0.19278 = 2.89 Measurement variation (MS) 0.06661
Nmero de Categoras = Redondeo de ( SN Ratio * 1.41 ) = 2.89* 1.41 = 4.07 El redondeo de 4.07 es igual a 4!!!!
MEASURE
M2- 33

Conclusin Final
Gage R&R
Source Total Gage R&R Repeatability VarComp %Contribution (of VarComp) 0.004437 0.001292 Reproducibility 0.003146 Operador 0.000912 Operador*Parte 0.002234 Part-To-Part 0.037164 Total Variation 0.041602 StdDev (SD) 0.066615 0.035940 0.056088 0.030200 0.047263 0.192781 0.203965
10.67
3.10
7.56
2.19 5.37 89.33 100.00 Study Var (5.15*SD) 0.34306 0.18509 0.28885 0.15553 0.24340 0.99282 1.05042 %Study Var (%SV) %Tolerance (SV/Toler)
En base a nuestra criterio se tiene lo siguiente: % contribucin > 10% % Study Variation >30% Nmero de categoras = 4
Conclusin: Este sistema de medicin esta justo en el borde de ser aceptable, pero si nos apegamos estrictamente al criterio ..debemos rechazarlo. Donde debemos mejorar?? La Reproductividad tiene la mayor parte de la contribucin a la variacin.
Source Total Gage R&R Repeatability Reproducibility Operador Operador*Parte Part-To-Part Total Variation
32.66
17.62 27.50 14.81 23.17 94.52 100.00
22.87
12.34 19.26 10.37 16.23 66.19 70.03
Number of Distinct Categories = 4
MEASURE
M2- 34

Que decisiones tomar: Si la fuente de variacin dominante es la repetibilidad (instrumento de medicin) , se necesita reemplazar, reparar o ajustar el instrumento de medicin . Si la fuente de variacin es la reproductividad (operador) , se debe atender esta situacin ya sea con entrenamiento o el uso de procedimientos de calidad para procesos estndar. Se deben buscar las diferencias entre operadores para tomar como indicador si el problema es relacionado con habilidad, criterios, procedimiento o entrenamiento. Evaluar si las especificaciones son razonables. Si la capacidad del instrumento de medicin es marginal (tanto como el 30% o sea justo en el borde de ser rechazado) y el proceso esta operando con alta capacidad , entonces el instrumento de medicin no esta afectando severamente y puede continuar usndose . Si , en consulta con el vendedor de equipo se encuentra que se esta trabajando con un instrumento de tecnologa de punta y esta trabajando dentro de especificacin, se deber aprender a trabajar con ello. Una solucin a este problema es promediar seales.
MEASURE
M2- 35
GAGE R&R PARA DATOS DISCRETOS
M2- 36
Gage R&R para datos Discretos

Pasos para realizar un Gage R&R de datos discretos
Paso 1 : Planear Gage R & R Seleccionar la muestra representando el 80% del proceso completo Determinar el nmero de replicaciones y operadores. Determinar orden de evaluacin. Paso 2 : Medir las muestras aleatoriamente. Muestreo a ciegas. Cada parte es medida por cada operador. Repetir medicin completa 4 a 5 veces Paso 3 : Analizar con Minitab: Paso 4 : Tomar medidas necesarias.
MEASURE
M2- 37

EJEMPLO: Paso 1 : Planeacin de Gage R&R
Escoger 20 muestras incluyendo tanto buenas como defectuosas que puedan representar al producto por completo. Nmero de replicaciones : 2 Nmero de operadores : 2
Paso 2 : Realizar mediciones de la muestra seleccionada.

Hacer las mediciones de forma aleatoria. El operador no debe saber que esta participando en un estudio. Repetir la medicin completa.
MEASURE
M2- 38

Paso 3. Ingresar Datos en Minitab.
La primera columna muestra el numero de operador que realiz la medicin La segunda columna la parte que se esta evaluando La tercera columna muestra la clasificacin dada por el operador (G = Good , F = Fail ) La cuarta columna estndar es la respuesta correcta sobre la medicin. Archivo: 02 MSA Discrete Manual.mtw
MEASURE
M2- 39

Anlisis en Minitab:
Stat>Quality Tools>Attribute Gage R&R study
Single column: Las mediciones Samples: Las partes de la muestra Appraisers: Los operadores / inspectores
Seleccionar columna con estndar (Medicin correcta)
MEASURE
M2- 40

Criterio de evaluacin de Gage R&R para Datos Discretos.
Clasificacin MINITAB Indicador Inspectores vs Estndar Criterio (aceptar) 90% Criterio (considerar) 80~90% Criterio (rechazar) 80%
El criterio anterior puede cambiar dependiendo de la meta del proyecto. Por ejemplo, si la meta del proyecto es reducir el % de defectos de 0.1% a 0.001% , el sistema de medicin debe tener un nivel de deteccin (% de consistencia) de 100% Si la meta del proyecto es mejorar el nivel de satisfaccin de 40% a 60% , el sistema de medicin debe tener un nivel de deteccin (% de consistencia de 70% o mayor para poder ser utilizado. Bsicamente, cuando no es 100%, es necesario investigar las causas.
MEASURE
M2- 41

Interpretacin de resultados.
Within Appraiser
Assessment Agreement Appraiser # Inspected # Matched Percent (%) 95.0% CI 1 20 17 85.0 ( 62.1, 96.8) 2 20 16 80.0 ( 56.3, 94.3) # Matched: Appraiser agrees with him/herself across trials.
% de operadores de acuerdo consigo mismo entre intentos. El Operador 1 esta de acuerdo consigo mismo 17 de 20 veces, teniendo un 85% de ndice de concordancia consigo mismo. % de concordancia de evaluacin por operador contra el estndar. Operador 2 concuerda 15 de 20 veces con el estndar, teniendo un 75% de ndice de concordancia con el estndar.
Each Appraiser vs Standard

Assessment Agreement Appraiser # Inspected # Matched Percent (%) 95.0% CI 1 20 17 85.0 ( 62.1, 96.8) 2 20 15 75.0 ( 50.9, 91.3) # Matched: Appraiser's assessment across trials agrees with standard.
Assessment Disagreement
Appraiser 1 2 # G/F Percent (%) 0 0.0 1 20.0 # F/G Percent (%) 0 0.0 0 0.0 # Mixed Percent (%) 3 15.0 4 20.0
# G/F: Assessments across trials = G / standard = F. # F/G: Assessments across trials = F / standard = G. # Mixed: Assessments across trials are not identical.
% de desacuerdo de la evaluacin por operador contra el estndar. La evaluacin del Operador 2 no esta de acuerdo con el estndar 1 de 20 veces y 4 veces desacuerdo mixto dando un 20% (4/20) de ndice de desacuerdo.
MEASURE
M2- 42

Between Appraisers Assessment Agreement Ambos operadores estn de # Inspected # Matched Percent (%) 95.0% CI acuerdo entre si 12 de 20 veces, 20 12 60.0 ( 36.1, 80.9) dando un 60% de ndice de # Matched: All appraisers' assessments agree with each other. concordancia
% de concordancia operadores.
entre
All Appraisers vs Standard Assessment Agreement # Inspected # Matched Percent (%) 95.0% CI 20 12 60.0 ( 36.1, 80.9) # Matched: All appraisers' assessments agree with standard.
% de acuerdo entre evaluacin de operador y el estndar. La evaluacin de los operadores contra el estndar estn de acuerdo 12 de 20 veces , dando un 60% de ndice de concordancia.
En base a nuestro criterio tenemos que el % de concordancia entre el estndar y los operadores(inspectores) es de 60% < 80%.
Por lo Tanto este sistema de medicin no es confiable y es necesario mejorar. MEASURE


Assessment Agreement
Date of study: Reported by: Name of product: Misc:
El punto representa el % de concordancia y la lnea el Intervalo de confianza

90
Within Appraiser
Appraiser vs Standard
[ , ] 95.0% CI
90
Percent
80
80
Percent
70
Percent
1 2
70
60
60
50
50
1 2
Appraiser
Appraiser
Esta grfica nos muestra el % de acuerdo de operadores consigo mismos.
Esta grfica nos muestra el % de acuerdo de los operadores contra el estndar.
MEASURE
M2- 44

Paso 4.- Toma de decisiones necesarias
Si la fuente de variacin dominante es el operador (entre s). Es necesario hacer revisin de criterios , procedimiento de inspeccin, entrenamiento, ambiente y personalidad, etc. de cada operador. Si la fuente de variacin dominante es entre operadores Es necesario revisar el producto que presenta diferencias en las evaluaciones. Es necesario revisar en ambiente, criterio, procedimiento de inspeccin y entrenamiento de cada operador. Si la fuente de variacin dominante es el operador contra el estndar Es necesario revisar la relacin entre el estndar y el operador Se debe identificar claramente la causa del problema y establecer mejora, realizar MSA de nuevo y asegurar que el sistema de medicin es adecuado para su aplicacin.
MEASURE
M2- 45
MEASURE
PROCESS CAPABILITY ANALYSIS ANLISIS DE CAPACIDAD DE PROCESO
Anlisis de Capacidad de Proceso
M4- 1
Objetivo
Objetivos:
Comprender el concepto de capacidad de proceso. Determinar el anlisis apropiado de acuerdo al tipo de datos y calcular la capacidad de proceso. Aprender como calcular la capacidad de proceso con apoyo en Minitab.
MEASURE
M4- 2
Contenido
Anlisis de Capacidad Anlisis de Capacidad para datos continuos.
Cp, Cpk Pp, Ppk Ejemplo de Anlisis de Capacidad para datos continuos.
Ejercicios
MEASURE
M4- 3
Anlisis de Capacidad
Gua para calcular Capacidad de Proceso
Tipo de Datos
Datos continuos
Stat - Quality Tools - Capability Analysis
Datos Discretos
Datos No-Normales
Capability Analysis (Weibull)
Prueba de Normalidad
Stat - Basic Stat - Normality Test Normal : P-value > 0.05 Non-normal : P-value < 0.05
Datos Normales
Capability Analysis (Normal)
Defectuosos
Capability Analysis (Binomial)
Defectos
Capability Analysis (Poisson)
**Transferir Datos nonormales a datos Normales -Transfomacin Box-Cox - Utilizar Datos estratificados. (Brush function in Minitab)
Determinar P(d), probabilidad de ocurrencia de defecto.

Calc Probability Distributions - Normal
Determinar valor de Z (ZLT) correspondiente a P(d) Estimar capacidad de proceso (ZST)

ZST = ZLT + Z Shift(1.5 sigma)
MEASURE
M4- 4
Anlisis de Capacidad para Datos Continuos.

Tipos de Indicadores Datos de Defectuosos. Datos de Defectos. Datos Continuos.
El tipo de Datos puede cambiar dependiendo del punto de vista.

Ejemplo: Brillantez en CRT Se Divide la pantalla en 9 zonas y se prueba si un producto cumple con las especificaciones en trminos de brillantez por cada zona
Del punto de vista de datos Defectuosos. Si por lo menos hay una zona fuera de especificacin, se considera como una pantalla defectuosa. Se cuenta el nmero de partes defectuosas. Del punto de Vista de datos de Defectos. Cuenta el nmero de zonas que se encuentran fuera de especificacin de brillantez Del punto de vista de datos continuos Se compara la medicin de brillantez con respecto a la especificacin (Target).
MEASURE
M4- 5
Anlisis de Capacidad para Datos Continuos. ndice de Capacidad de Proceso.

El ndice de capacidad de proceso es una medicin que nos refleja que tan estable es nuestro proceso en la produccin de productos de calidad uniforme. Es una mtrica para cuantificar la capacidad de nuestro proceso. La capacidad de proceso a corto plazo es denotada por Cp y Cpk (Process Capability). La capacidad de proceso a largo plazo es representada como Pp y Ppk (Process Performance). Cp y Pp son los ndices de capacidad cuando la media de nuestro proceso esta en el centro de la especificacin (target), Cpk y Ppk reflejan la capacidad cuando la media de nuestro proceso no est en el centro de la especificacin (target).
MEASURE
M4- 6

Cp, Cpk. La frmula para calcular la capacidad de proceso (Cp) establece: en que condiciones esta nuestro proceso para satisfacer las necesidades de nuestros clientes a corto plazo Cp = Voz del Cliente = Voz del proceso Cp = Tolerancia Total Variacin de Proceso .
USL - LSL 6ST
Zst = 3 Cp
Cpk = Min* [ - LSL , USL - ] 3ST 3ST

* Para el clculo de Cpk, se toma el lmite de especificacin mas cercano al promedio de la distribucin del proceso.
USL = Limite de especificacin Superior (Upper Specification Limit) LSL = Lmite de especificacin Inferior (Lower Specification Limit) = Promedio de la distribucin de proceso Zst = Nivel de sigma
ST = Desviacin estndar a corto plazo
MEASURE
M4- 7

Ejemplo Cp:
LSL = -3 =0 =3 USL = 3 LSL = -3 =0 USL = 3 =1
Target=0 Cp = (USL LSL) / 6 = [ 3-(-3)]/ (6*3) Cp = 6/ 18 = 0.333333 Zst = 3 Cp= 1 LSL = -3 =1 USL = 3 =3
Target=0 Cp = (USL LSL) / 6 = [ 3-(-3)]/ (6*1) Cp = 6/ 6 = 1.0 Z= 3Cp =3
Target=0 Cp = (USL LSL) / 6 = [ 3-(-3)]/ (6*3) Cp = 6/ 18 = 0.333333 Zst = 3Cp = 1
Cp (al igual que Pp) solo evala en base a la desviacin estndar y no considera el desplazamiento que tenga el promedio de la distribucin con respecto a la meta (target). Cp representa la capacidad mxima actual de nuestro proceso
MEASURE
M4- 8

Ejemplo Cpk:
Cpl = [ - LSL ] 3ST Cpu = [ USL - ] 3ST
LSL = -3 USL = 3 =4 =3
Cpk = Min* [ - LSL , USL - ] 3ST 3ST

LSL = -3 =1 USL = 3 =3
Target=0 Cpk = ( USL )/ (3*) = (3-4) / (3*3) Cpk = -1/9 = -0.11111 Cpk (al igual que Ppk) considera el valor del promedio de la distribucin. Qu significa que Cpk sea negativo? Significa que el promedio de la distribucin del proceso esta fuera de especificacin. Cp y Cpk pueden ser iguales? Solo cuando el promedio de la distribucin de proceso es igual a la meta.
Target=0 Cpk = ( USL )/ (3*) = (3-1) / (3*3) Cpk = 2/9 = 0.22222
MEASURE
M4- 9

Pp, Ppk. La frmula para calcular la capacidad de proceso (Pp) establece: en que condiciones esta nuestro proceso para satisfacer las necesidades de nuestros clientes a largo plazo Pp = USL - LSL 6LT Zlt = 3 Pp
Ppk = Min [ - LSL , USL - ] 3LT 3LT

USL = Limite de especificacin Superior (Upper Specification Limit) LSL = Lmite de especificacin Inferior (Lower Specification Limit)
Pp y Ppk, representan bsicamente lo mismo que Cp y Cpk, la diferencia radica en que Pp y Ppk ven la capacidad de proceso a lago plazo.
LT = Desviacin estndar a largo plazo = Promedio de la distribucin de proceso MEASURE

Anlisis de Capacidad de Proceso M4- 10

Consideraciones:
La medicin de la capacidad de proceso (Cp,Cpk, Pp, Ppk) solamente tiene significado en los siguientes casos :
Con datos continuos ( con los datos discretos no tiene significado) La velocidad , el peso y el tamao de la bomba. Cuando el proceso est bajo el control, estable, o sea cuando haya eliminado todos factores extraos. La distribucin de los datos : Distribucin normal (o aproximadamente) El sistema de medicin debe ser confiable ( Realizar MSA antes de evaluar capacidad de proceso)
LSL
USL
+
Datos Normales y Continuos Proceso controlado y estable.
OK!!
Estudio de Capacidad Cp, Cpk, Pp, Ppk
Sistema de medicin Confiable
MEASURE
M4- 11
Anlisis de Capacidad para Datos Continuos. Gua para calcular Capacidad de Proceso para datos continuos:
Datos continuos
Stat - Quality Tools - Capability Analysis
Datos No-Normales
Capability Analysis (Weibull)
Prueba de Normalidad
Stat - Basic Stat - Normality Test Normal : P-value > 0.05 Non-normal : P-value < 0.05
Datos Normales
Capability Analysis (Normal)
Determinar P(d), probabilidad de ocurrencia de defecto.

Calc Probability Distributions - Normal
Determinar valor de Z (ZLT) correspondiente a P(d) Estimar capacidad de proceso (ZST)

ZST = ZLT + Z Shift(1.5 sigma)
MEASURE
M4- 12
Anlisis de Capacidad en MINITAB

Men de Anlisis de Capacidad:
1.
MINITAB v.13.32 ofrece 8 opciones para anlisis de capacidad de proceso: Capability Analysis (Normal).- Esta opcin es para datos normales y nos da la informacin mas completa de capacidad de proceso y ser la que utilizaremos ms comnmente. Capability Analysis (Between /Within).- Esta opcin para determinar la normalidad de los datos. Este anlisis se utiliza para subgrupos de datos donde existe gran variacin entre subgrupos. Capability Analysis (Weibull).- Esta opcin se utiliza cuando se manejan datos forma no normal en base a la distribucin Weibull Capability Sixpack (Normal).- Esta opcin nos da informacin sobre estabilidad y normalidad de los datos en base al anlisis de capacidad normal.
2.
3. 4.
MEASURE
M4- 13
Anlisis de Capacidad en MINITAB

Men de Anlisis de Capacidad:
5.
MINITAB v.13.32 ofrece 8 opciones para anlisis de capacidad de proceso: Capability SixPack (Between/Within).- Esta opcin es apropiada para casos cuando existe mucha variacin entre subgrupos. Muestra informacin de estabilidad, normalidad y variacin de proceso. Capability Sixpack (Weibull).- Esta opcin se utiliza para obtener informacin de estabilidad , capacidad cuando los datos siguen una distribucin Weibull (no normal) Capability Analysis (Binomial).- Esta opcin se utiliza para determinar de capacidad cuando se evalan partes defectuosas en diferentes muestras. Capability Sixpack (Poisson).- Esta opcin es apropiada cuando se evalan defectos por unidad (DPU).
6.
7.
8.
MEASURE
M4- 14
Anlisis de Capacidad para Datos Continuos. Ejemplo:

De un proceso manufactura de motores para automviles . Una de las partes, un Chamshaft, debe medir 600mm 2mm , se desea la capacidad de nuestro proceso. Archivo: (02_CP Manual.mtw)
LONGITUDES DE CAMSHAFT 601.6 600.4 598.4 600.0 596.8 602.8 600.8 603.6 604.2 602.4 598.4 599.6 603.4 600.6 598.4 598.2 602.0 599.4 599.4 600.8 600.8 598.6 600.0 600.4 600.8 600.8 597.2 600.4 599.8 596.4 600.4 598.2 598.6 599.6 599.0 598.2 599.4 599.4 600.2 599.0 599.4 598.0 597.6 598.0 597.6 601.2 599.0 600.4 600.6 599.0 602.2 599.8 599.8 601.0 601.6 601.6 600.2 601.8 601.2 597.6 599.8 602.8 600.0 599.6 602.2 603.8 603.6 601.8 602.0 603.6 600.8 600.2 600.4 600.2 602.2 598.0 598.4 600.8 602.8 597.6 601.6 603.4 597.0 599.8 597.8 602.4 602.2 600.6 596.2 602.4 601.4 599.2 601.6 600.4 598.0 601.2 604.2 600.2 600.0 596.8
MEASURE
M4- 15

Paso 1.- Verificar Normalidad de los datos.
1.- Capturar Datos en una columna 2.- Evaluar Normalidad STAT>BASIC STATISTICS>NORMALITY TEST
Normal Probability Plot
.999 .99 .95
Probability
.80 .50 .20 .05
Esta muestra presenta un tipo de distribucin Normal
.01 .001 596 597 598 599 600 601 602 603 604
Supp2
Average: 600.23 StDev: 1.87388 N: 100 Anderson-Darling Normality Test A-Squared: 0.287
P-Value: 0.615
Si P>0.05 se dice que la distribucin es normal. Si P<0.05 se dice que la distribucin no es normal
MEASURE
M4- 16

Paso 2.- Realizar estudio de Capacidad de proceso.
1- Analizar con minitab STAT>QUALITY TOOLS>CAPABILITY ANALISIS (NORMAL). 5- Especificar el Target ( este parmetro es opcional )
2- Introducir en single column la columna donde se ingresaron los datos. 3.- Establecer el tamao del subgrupo. Si son datos individuales : especificar tamao de grupo = 1. 4.- Especificar los limites de la tolerancia.
MEASURE
M4- 17

Paso 3.- Analizar Resultados y establecer nivel de sigma.
Process Capability Analysis for CAMSHAFT
Cp = 0.39 Cpk = 0.35 Pp= 0.35 Ppk=0.31 PPMs = 290,654.29
Process Data USL Target LSL Mean Sample N StDev (Within) StDev (Overall) 602.00 600.00 598.00 600.23 100 1.70499 1.87861
LSL
Target
USL
Within Overall
Potential (Within) Capability Cp CPU CPL Cpk Cpm Overall Capability Pp PPU PPL Ppk 0.35 0.31 0.40 0.31 0.39 0.35 0.44 0.35 0.35
594
596
Observed Performance
598
600
602
604
606
Exp. "Within" Performance PPM < LSL PPM > USL PPM Total 95449.70 149605.40 245055.10
Exp. "Overall" Performance PPM < LSL PPM > USL PPM Total 117604.96 173049.32 290654.29
PPM < LSL PPM > USL PPM Total
110000.00 180000.00 290000.00
Los 290,654.29 PPMs representan las partes por millon que se presentan fuera de especificacin para este proceso, y en base a estos PPMs se calcula el nivel de sigma.
MEASURE
M4- 18

Paso 4.- Calcular Nivel de Sigma.
Si el proceso para el Camshaft tiene 290,654 PPMs Qu probabilidad de defecto P(d) se tiene? P(d) = PPMs/ 1000,000 P(d) = 290,654 / 1000,000 = 0.290654 Qu probabilidad de producto conforme P(c) se tiene? P(c) = 1 P(d) P(c) = 1- 0.290654 = 0.709346
P(c)
P(d)
P(d), probilidad de que el producto se encuentre fuera de especificacion.
MEASURE
M4- 19

Utilizar Minitab
CALC>PROBABILITY DISTRIBUTIONS>NORMAL.
Seleccionar Inverse cumulative probability Introducir la probabilidad de producto bueno.
El valor de Zlt es igual a 0.5515
Zst = Zlt + 1.5

Inverse Cumulative Distribution Function Normal with mean = 0 and standard deviation = 1.00000 P( X <= x ) 0.7093 x 0.5515
Zst = 0.5515 + 1.5 Zst = 2.0515
CONCLUSIN.- La capacidad de proceso para el proceso de CAMSHAFT es: Zst = 2.0155
MEASURE
M4- 20
Ejercicios
1. Para los siguientes datos de un proceso de fabricacin de plumas encuentre: Cp, Cpk, Pp, Ppk, PPMs y el Nivel de sigma para este proceso. USL =10, LSL=8.2 (tamao de subgrupo n=20). (Archivo: 02_CP Ejercicio 1.mtw)
Cp = Cpk = Pp= Ppk= PPMs = Zst =
9.25 9.16 9.43 8.36 8.77
8.88 8.78 8.76 9.42 9.28
8.85 8.52 9.20 9.26 9.57
9.16 9.19 9.24 8.81 9.67
MEASURE
M4- 21
MEASURE
PROCESS MAP MAPA DE PROCESO
Mapa de Proceso
M5- 1
Objetivo
Objetivos:
Comprender la herramienta til para anlisis de proceso. Aprender como usar el mapa de proceso y analizar el hueco de proceso para seleccionar alternativas.
MEASURE
Mapa de Proceso
M5- 2
Contenido
Mapas de Proceso Mapa de Proceso. PFD (Process Flow Diagram) SIPOC
MEASURE
Mapa de Proceso
M5- 3
Mapas de Proceso
Tipos de Mapa de Proceso
Mapa para variables de proceso Es utilizado como primer paso en el proceso de embudo de 6 sigma. Es crtico para mejorar el proceso exitosamente reducir/eliminar variacin. As is / Can be Como es / Puede ser Es un mtodo excelente para identificar los pasos de proceso sin valor agregado al producto Es necesario como primer paso en proyectos de reduccin de tiempo de ciclo. Un mapa para variables de proceso bien definido puede ser utilizado para desarrollar un mapa tipo As is/Can be.
MEASURE
Mapa de Proceso
M5- 4
Mapas de Proceso
Qu es el mapa de proceso? Es una ilustracin grfica del proceso de manufactura. Para que nos sirve esta herramienta? Identificar los siguientes puntos:
Identificar pasos de proceso con valor agregado y de no valor agregado. Variables de Entrada claves al proceso (KPIVs) Variables de Salida claves al proceso. (KPOVs) Puntos de coleccin de datos Las primeras KPIVs a analizar en FMEA
Que resultados podemos obtener?

Identificar sistemas que necesiten estudio de sistema de medicin (MSA) Identificar KPOVs para estudio de capacidad. Identificar elementos faltantes en planes de control. Identificar posibles pasos de proceso sin valor adquirido.
MEASURE
Mapa de Proceso
M5- 5
Mapas de proceso
Niveles de de Mapa de Proceso
TIPO DE MAPA DE PROCESO
No-Manufactura
Organizacin Proceso Sub-proceso
Ejemplo
Atencin al Cliente Ordenes de Clientes Entrada de Orden
Manufactura
Planta rea de Proceso Paso de Proceso
Ejemplo
Planta de Electrodomsticos Ensamble de Pantalla Alambrado
MACRO LOCAL MICRO
Comencemos con un mapa de proceso MACRO y llvese hacia un nivel Micro o Local segn sea necesario Enfquese en mapas de proceso Locales y Micro para las reas con mayor potencial de ganancia.
MEASURE
Mapa de Proceso
M5- 6
Mapa de proceso
1. 2. 3. 4.
Pasos Para realizar un Mapa de Proceso. Identificar el Proceso, sus entradas externas y salidas que llegan al cliente. Identificar grficamente todos los pasos de proceso. Enlistar las variables de salida de cada paso de proceso. Enlistar las KPIVs y clasificar las entradas como controlables y no controlables.
Mapa de Proceso M5- 7
MEASURE
Mapa de proceso
Paso 1: Identificar el Proceso, sus entradas externas y salidas que llegan al cliente. IPO (Input process Output)
ENTRADAS SALIDAS
ESTAMPADO
Troquel Mtodo de Trabajo Equipo Mantenimiento de Troquel Turno Operador
Ejemplo: Manufactura
Nivel de Planicie Partes no daadas Dimensiones Tiempo de Ciclo Libre de chillido Fuerza de tensin
ENTRADAS
SALIDAS
TOMA DE ORDEN
Telfono FAX E-mail
Ejemplo: No- Manufactura
Precio Disponibilidad Confirmacin de orden Fecha de Entrega Nmero de Orden
MEASURE
Mapa de Proceso
M5- 8
Mapa de proceso
Paso 2:Identificar grficamente todos los pasos de proceso.
Ejemplo: Manufactura ALIMENTAR (Alimentar material de Rollo) CORTAR (Cortar longitud de material) ESTAMPADO (Estampar pieza al material) DIBUJAR (Dibujar caractersticas) RESALTAR (Resaltar caractersticas) LIMPIAR (Limpiar superficie metlica)
Ejemplo: No- Manufactura CONTESTAR TELEFONO (Saludar al cliente, determinar las partes necesarias, Identificar fecha de entrega Identificar direccin de envo Identificar medio de envo Identificar precio INFORMACIN INTERNA (Obtener N/P interno, Determinar trminos, Identificar lead time, Completar orden, hoja de trabajo. ENTRADA DE ORDEN (Introducir informacin , Imprimir confirmacin de orden, determinar fecha de envo, revisar orden)
CONFIRMACIN DE ORDEN (Confirmacin por FAX para el cliente, Verificar recibo de manufactura para la orden)
MEASURE
Mapa de Proceso
M5- 9
Mapa de proceso
Paso 3: Enlistar Las KPOVs (Variables de proceso Crticas al proceso)
Ejemplo: Manufactura SALIDAS ALIMENTAR (Alimentar material de Rollo) Tiempo de Ciclo Propiedades de material DIBUJAR (Dibujar caractersticas) SALIDAS Tiempo de Ciclo Parte Correcta Dimensiones correctas Fuerza de tensin.
CORTAR (Cortar longitud de material)
Tiempo de Ciclo Longitud correcta Libre de chillido
RESALTAR (Resaltar caractersticas)
Tiempo de Ciclo Parte Correcta Libre de chillido Dimensiones correctas Fuerza de tensin.
ESTAMPADO (Estampar pieza al material)
LIMPIAR (Limpiar superficie metlica)
Tiempo de Ciclo Superficie limpia Libre de residuos
MEASURE
Mapa de Proceso
M5- 10
Mapa de proceso
Paso 3:
CONTESTAR TELEFONO (Saludar al cliente,
determinar las partes necesarias, Identificar fecha de entrega Identificar direccin de envo Identificar medio de envo Identificar precio
Ejemplo: No-Manufactura SALIDAS Contestacin rpida Carisma Numero de parte Disponibilidad Fecha de entrega ENTRADA DE ORDEN
(Introducir informacin , Imprimir confirmacin de orden, determinar fecha de envo, revisar orden)
SALIDAS Orden en computadora Informacin correcta Material de lnea completos Fecha de Terminado Numero de orden Confirmacin impresa
INFORMACIN INTERNA (Obtener N/P interno,

Determinar trminos, Identificar lead time, Completar orden, hoja de trabajo.
Nmero de cliente Orden Precio
Confirmacin de orden de cliente Orden a produccin
MEASURE
Mapa de Proceso
M5- 11
Mapa de proceso
Paso 4: Enlistar y clasificar las entradas (KPIVs).
Clasificar las entradas como controlables (C) y no controlables (U). Entradas controlables (C): KPIVs que pueden ser modificadas para ver su efecto sobre las KPOVs Entradas no Controladas (U): Son las variables de impacto a las KPOVs pero son dificil o imposible de controlar (o pueden ser controlables, pero no estan controladas actualmente). Ejemplo: Variables de ambiente tales como la Humedad. Entradas Crticas: KPIVs que sido demostradas estadsticamente como variables de gran impacto a la variacin de las KPOVs
MEASURE
Mapa de Proceso
M5- 12
Mapa de proceso
Paso 4: Enlistar y clasificar las entradas (KPIVs).
Ejemplo: Manufactura ENTRADAS TIPO ALIMENTAR (Alimentar material de Rollo) SALIDAS
Tiempo de Ciclo Propiedades de material Velocidad de Dibujo C Propiedades de material U Numero de troquel C
SALIDAS DIBUJAR (Dibujar caractersticas)

Tiempo de Ciclo Parte Correcta Dimensiones correctas Fuerza de tensin.
Velocidad de engranes C Desgaste de engranes U Lote de material U Propiedades de material U
Velocidad de navaja C Desgaste de navaja U Propiedades de material U Fuerza de clamping C Fuerza de navaja U
CORTAR (Cortar longitud de material)
Tiempo de Ciclo Longitud correcta Libre de chillido
Velocidad de Puncher C Despaste de Puncher U Propiedades de material U Fuerza de Clamp C Fuerza de RAM U
RESALTAR (Resaltar caractersticas)
Desgaste de troquel Propiedades de material Fuerza de RAM Numero de troquel Dureza de troquel
U U C C C
ESTAMPADO (Estampar pieza al material)
Tipo de Solvente Pureza de solvente Edad de solvente Porosidad de Superficie Nivel de contaminacin Humedad Temperatura
C U U U U U U
LIMPIAR (Limpiar superficie metlica)
Tiempo de Ciclo Superficie limpia Libre de residuos
MEASURE
Mapa de Proceso
M5- 13
Mapa de proceso
Paso 4:
ENTRADAS CONTESTAR TELEFONO (Saludar al cliente,
determinar las partes necesarias, Identificar fecha de entrega Identificar direccin de envo Identificar medio de envo Identificar precio
Ejemplo: No-Manufactura
ENTRADAS SALIDAS
Contestacin rpida Carisma Numero de parte Disponibilidad Fecha de entrega
TIPO ENTRADA DE ORDEN

(Introducir informacin , Imprimir confirmacin de orden, determinar fecha de envo, revisar orden)
SALIDAS
Orden en computadora Informacin correcta Material de lnea completos Fecha de Terminado Numero de orden Confirmacin impresa
TIPO
Informacin del cliente C Guin de recepcin. C Procedimiento de atencin. C Sistema Telefnico. U
Hoja de trabajo de orden U Formato de captura en PC C Informacin de Lead time U Mtodo de envo C
Referencia P/N Informacin de orden Informacin de plant loading Hora de trabajo de orden Algoritmo de cotizacin
C U U C C
INFORMACIN INTERNA (Obtener N/P interno,

Determinar trminos, Identificar lead time, Completar orden, hoja de trabajo.
Nmero de cliente Orden Precio
Hoja de trabajo de orden U Formato de captura en PC C Informacin de Lead time U Mtodo de envo C
Confirmacin de orden de cliente Orden a produccin
MEASURE
Mapa de Proceso
M5- 14
PFD
Smbolos opcionales para mapas de proceso. Un diagrama de flujo es una representacin grfica de una secuencia de pasos que se realizan para producir alguna salida. La salida puede ser un producto fsico , servicio, informacin, o una combinacin de las 3.
1. 2. 3. 4. 5. 6. 7.
El smbolo de Actividad es un rectngulo que representa una etapa individual del proceso. El smbolo de decisin ees un diamante que designa una decisin en un punto de proceso. Segn la respuesta a la pregunta ser el camino que seguir. El smbolo de Terminacin es designado por el rectangulo ovalado que identifica el inicio i fin de un proceso. Las lneas de flujo representan la direccin de flujo del proceso. El smbolo de Documento representa informacin escrita pertinente al proceso. El ttulo o descripcin del documento es mostrado adentro del smbolo El smbolo de Base de Datos representa informacin almacenada electronicamente que es pertinente al proceso. El smbolo de Conector es un crculo que representa la continuacin de un diagrama de flujo. Se utiliza una letra o smbolo para dar continuidad al flujo del programa.
MEASURE
Mapa de Proceso
M5- 15
PFD
PFD = Process Flow Diagram.
Este tipo de mapa de proceso es muy similar al anterior con la diferencia que es mas detallado y da mejor visin del flujo del proceso.
VA (Value Added, Valor agregado):
Valor agregado Real.

Es todo lo que de se del punto de vista del cliente. Necesario para crear la salida esperada.
Valor agregado al negocio.

Punto de vista del administrador. Necesario para establecer relaciones de negocio. El cliente final no espera pagar por esta variable. NVA (Non-Value Added, No valor agregado)
Actividades que se realizan debida a una deficiencia de diseo de proceso.

Ej. Movimiento, Espera, Instalacin, Almacenamiento, Trabajo redundante, Entrenamiento.
Actividades que n o requiere el cliente o proceso de negocio.

Papeleo, Datos redundantes, revisin.
MEASURE
Mapa de Proceso
M5- 16
PFD
Entradas Tipo
(C) (U) (C) (C) (C) (C) (C) (C) (C) (C) (C) (C) (C)
NV A
INICIO Alimentacin de Wafer Limpiado de SC1

NV A
Salidas
Mtodo de alimentacin a Wafer Condicin de lnea Temperatura Concentracin de solucin Tiempo de proceso Concentracin de HF Indice de Sobreflujo de DIW Tiempo de Spray IPA Cantidad de spray IPA Tiempo de inicio de spray IPA Velocidad de brazo Cantidad de Exhaust Tiempo de espera
VA
ndice de Etch Uniformidad ndice de Etch Uniformidad
Limpiado de DHF
VA
Secado Espera Medicin de Pad poly Depo/Tpoly Medicin de Partcula

OK
NV A
VA
Capacidad de Secado Defecto de Mancha
NG
Rechazar
Partcula
Verificacin de defecto de Nail
Rendimiento
OK
NG
Defecto de Nail Historial de Defectos
FIN
MEASURE
Mapa de Proceso
M5- 17
SIPOC
SIPOC. Es un mapa de proceso de alto nivel (Macro). Significa (Supplier - Input Process Output - Control ).
Muestra los 4 o 5 pasos de mayor importancia en forma secuencial. Sirve de base para elaboracin de un mapa de proceso detallado. Ayuda a determinar si el rea esta dentro del alcance del equipo de trabajo y se poseen los recursos necesarios Permite que personas fuera del proyecto entiendan fcilmente el proceso.
MEASURE
Mapa de Proceso
M5- 18
SIPOC
Pasos para elaborar un mapa de proceso de alto nivel.
Definir el proceso Definir los CTQs del cliente Identificar cliente, necesidades y salidas Identificar los pasos mayores de proceso Identificar los pasos crticos de entrada Identificar los proveedores de cada entrada Validar posibilidad de realizar mapa de proceso Nombrar al proceso: Determinar lmites del proceso (inicio y fin). Punto de inicio : Primer paso que recibe entrada del proveedor Punto Final: Punto de entrega de producto al cliente. Definir los CTQs del cliente y la especificacion de cada CTQ Identificar los CTQs del cliente y salida de cada CTQ Usar sustantivos para salidas (Ej. Llamadas, Sugerencia, etc.) Usar adjetivos para CTQs (Ej. A tiempo, Identificable, etc.) Dividir el proceso completo en 5~7 pasos
Pasos crticos de entrada.
Identificar proveedores
Refleja el proceso como es?
MEASURE
Mapa de Proceso
M5- 19
SIPOC
Ejemplo de SIPOC.
Proyecto
Incremento 30 % en eficiencia de instalaciones de planta de SMT
Nombre de Proceso
SMT (Surface Mount Tech.)
S
Administracin de produccin. Proveedor de PCB Proveedor de Soldadura Proveedor de partes Herramientas de trabajo
I
Plan de produccin PCB Crema de soldadura ICs Especificacin
P
Recivo Impresin Montar Reflujo
Inspecci n
O
ndice de operacin de instalaciones
C
Cliente (overseas)
Retrabajo
MEASURE
Mapa de Proceso
M5- 20
Aplicacin de Mapa de Proceso

Base para FDM Base para FMEA Referencia para plan de control Referencia para anlisis de capacidad de proceso Base para anlisis de Multi-vari. Datos para realizar DOE Rastrear actividades de equipo.
Causas Potenciales
MEASURE
Mapa de Proceso
M5- 21
Mapa de Proceso
Relacin de Herramientas
High-Level Process Map Pareto Analysis
Detailed Process Map
C-E Diagram
FDM
FMEA
Prioritized List of Potential Xs
MEASURE
Mapa de Proceso
M5- 22
MEASURE
FDM FUNCTION DEPLOYMENT MATRX MATRIZ DE C&E
FDM (Function Deployment Matrix)
M6- 1
Objetivo
Objetivos:
Comprender el concepto de FDM. Comprender como desarrollar un FDM. Aprender como analizar un FDM.
MEASURE
M6- 2
Contenido
FDM Ejemplo de FDM
1. Revisar el Mapa de proceso y diagrama de C&E 2. Enlistar las variables (Ys y KPOVs) n la parte superior de la matriz. 3. Asignar importancia numrica a cada variable. 4. Colocar variables de entrada 5. Identificar la relacin entre X y Y 6. Determinar prioridad. 7. Analizar el resultado (enlistarlos en orden de prioridad)
MEASURE
M6- 3
FDM
Qu es FDM? FDM (Function Deployment Matrix) Es una tabla que se utiliza para identificar la relacin entre Xs y Ys que son crticas (CTQs) al cliente, as tambien como priorizar las Xs. Es una herramienta para toma de decisiones que se utiliza para seleccionar en base a importancia sugerida por la opinin del equipo de trabajo. Un QFD simplificado. Usos de FDM Determinar la importancia de las variables de salida
Permite a un equipo de trabajo asignar la importancia de cada variable dando un nivel numrico.
Cuantificar el efecto de las variables de entrada.

Evaluar numricamente que tan grande es el efecto de las Xs sobre las Ys.
Especificar relacin Y= f (xs)

Especificar la relacin que existe entre Xs y Ys que es identificado a travs un mapa de proceso y diagramas de C&E.
Mostrar donde debe enfocarse el anlisis de FMEA.
MEASURE
M6- 4
FDM
FDM en 6 Sigma Variable de entrada
Variable de entrada que afecta a la variable Y ( KPIVs, factores en el ltimo nivel del diagrama C&E ). X1, X2.
Variable de salida
Caracterstica o artculo que es considerado crtico a la calidad (CTQ) Cuando hay varias Ys en un proyecto: Y1, Y2,. Cuando es un proyecto de una Y, estratificar la caracterstica Y: Y1, Y2,. (si ya se ha desarrollado diagrama de pareto, utilicese) KPOVs en el mapa de proceso que estan asociados con la Y del proyecto. Causas del primer nivel del diagrama C&E.
Antes de realizar un FDM, deben haberse establecido los siguientes puntos mediante Mapa de Proceso y diagrama de C&E:
Xs y Ys deben haberse identificado claramente en un paso de proceso. Los factores deben estar en las ramas de diagrama de C&E.
MEASURE
M6- 5
FDM
Pasos para realizar un FDM
1. 2. 3. 4. 5. 6. 7.
Revisar el Mapa de proceso y diagrama de C&E Enlistar las variables (Ys y KPOVs) n la parte superior de la matriz. Asignar importancia numrica a cada variable. Colocar variables de entrada Identificar la relacin entre X y Y Determinar prioridad. Analizar el resultado (enlistarlos en orden de prioridad)
Reglas para evaluar la relacin entre X y Y Ejemplos de Valores

(1,3,5), (1,3,9) o valor de 0 a 10
Criterio para evaluar

0 : Cuando no hay efecto relacionado. 1 : Existe poco efecto a los requisitos del cliente. 5 : Efecto moderado 10: Existe un efecto directo y de gran magnitud.
Puede evaluarse por promedios de los valores dados por los miembros del equipo.
MEASURE
M6- 6
Ejemplo de FDM
Paso 1. Revisar el Mapa de proceso y diagrama de C&E
PCB Routing Manual Insertion
X1: Material angle (C) X2: Lead angle (C) X3: Bottom Flux amount (X) X4: Guide processing (SOP) X5: Lead plating (N)
Fluxing
X6: Conveyor speed (C) X7: Sensor detection (X) X8: Flux coating (X) X9: Air pressure (X) X10: Pump pressure (X) X11: Clogged Nozzle (X) X12: Setting condition (SOP) X13: Chain Cleaning (X) X14: Pressure inflation (X) X15: Nozzle height (X) X16: Nozzle angle (X)
Soldering
X17: Conveyor width (X) X18: Finger level difference (N) X19: P/H temp (X) X20: C/V Speed (X) X21: Soldering temp (C) X22: Amount of foreign substance (C) X23: Lead tub height (N) X24: Conveyor angle (N) X25: Head width (N) X26: Lead supply amount (N) X27: BackPlate level difference (X) X28: PCB surface temp (SOP) X29: RPM (X) X30: Flow of lead pipe (X) X31: Installation of lead tub (X)
Material
Bent lead Cu content Angle
Human
Setting condition Dross amount Clogged net PCB surface temp Finger level difference Impeller speed Clogged pipe
Installation of lead tub Head width Conveyor width Bottom FLUX
Back Plate Lead tub level height difference P/H Lead supply temp amount Pressure inflation C/V Speed FLUX coating Guide Clogged processing nozzle Conveyor speed
Soldering temp Nozzle height Chain Cleaning Air pressure Sensor detection
Lead Short
Method
Machine
MEASURE
M6- 7
Ejemplo de FDM
Paso 2. Enlistar las variables (Ys y KPOVs) n la parte superior
de la matriz.
CTQ's & KPOV's 1 2 3 4 5 6 7 8 9 10
FDM
X's list (KPIV's) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Ausente
Corto
WEIGHT Rank 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 % Efe cto
MEASURE
M6- 8
Ejemplo de FDM
Paso 3. Asignar importancia numrica a cada variable.
A cada variable KPOV se le debe asignar un valor numrico del 0~10. El criterio es darle un valor mayor a la variable de mas importancia para el cliente Escriba el nmero en el espacio debajo del nombre de la variable.
CTQ's & KPOV's 1 2 3 4 5 6 7 8 9 10
FDM
X's lis t (KPIV's) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Ausente
Corto
WEIGHT
10
2 Rank 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 % Efe cto
MEASURE
M6- 9
Ejemplo de FDM
Paso 4. Colocar variables de entrada.
Ingresar las potenciales entradas obtenidas con ayuda del mapa de proceso y diagrama de C&E. Enlistar en la columna de las Xs
CTQ's & KPOV's 1 2 3 4 5 6 7 8 9 10
FDM
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 X's list (KPIV's) Angulo de Mate rial "X" Angulo de le ad "C" Cantidad de Flux "C" Gua "C" Laminado de Le ad "N" Ve locidad de conve yor "C" De te ccin de se nsor "C" Cubie rta de flux "N" Pre sion de Aire "C" Pre sin de bomba "C" Limpiado de cade na "C" Pre sin de inflado "C" Altura de vlvula "C" Angulo de vlvula "C" Ancho de conve yor "C" Dife rne cia de Nive l "N" Te mp P/H "C" Ve locidad C/V "C" Angulo de conve yor "N" RPM's "C"
Ausente
Corto
WEIGHT
10
2 Rank 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 % Efe cto
MEASURE
M6- 10
Ejemplo de FDM
Paso 5. Identificar la relacin entre X y Y
Evaluar el efecto de cada X sobre cada Y. Capturar el valor en la matriz.
CTQ's & KPOV's 1 2 3 4 5 6 7 8 9 10
FDM
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 X's list (KPIV's) Angulo de Mate rial "X" Angulo de le ad "C" Cantidad de Flux "C" Gua "C" Laminado de Le ad "N" Ve locidad de conve yor "C" De te ccin de se nsor "C" Cubie rta de flux "N" Pre sion de Aire "C" Pre sin de bomba "C" Limpiado de cade na "C" Pre sin de inflado "C" Altura de vlvula "C" Angulo de vlvula "C" Ancho de conve yor "C" Dife rne cia de Nive l "N" Te mp P/H "C" Ve locidad C/V "C" Angulo de conve yor "N" RPM's "C"
Ausente
Corto
WEIGHT
10 9 4 6 3 0 0 2 2 0 0 3 0 0 0 0 0 4 0 0 0
2 0 0 5 6 3 0 0 0 0 3 2 1 9 3 0 5 8 7 4 2 Rank 90 40 70 42 6 0 20 20 0 6 34 2 18 6 0 10 56 14 8 4
446 % Efe cto 20.18% 8.97% 15.70% 9.42% 1.35% 4.48% 4.48% 1.35% 7.62% 0.45% 4.04% 1.35% 2.24% 12.56% 3.14% 1.79% 0.90%
MEASURE
M6- 11
Ejemplo de FDM
Paso 6. Determinar Prioridad
La suma de ( Weight de KPOV) * ( Relacin entre X y Y ). Identificar las variables que tienen mayor prioridad en funcin del rango y porcentaje de efecto mayor
CTQ's & KPOV's 1 2 3 4 5 6 7 8 9 10
FDM
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 X's list (KPIV's) Angulo de Mate rial "X" Cantidad de Flux "C" Angulo de le ad "C" Te mp P/H "C" Gua "C" Limpiado de cade na "C" De te ccin de se nsor "C" Cubie rta de flux "N" Altura de vlvula "C" Ve locidad C/V "C" Dife rne cia de Nive l "N" Angulo de conve yor "N" Laminado de Le ad "N" Pre sin de bomba "C" Angulo de vlvula "C" RPM's "C" Pre sin de inflado "C" Ve locidad de conve yor "C" Pre sion de Aire "C" Ancho de conve yor "C"
Ausente
Corto
WEIGHT
10 9 6 4 4 3 3 2 2 0 0 0 0 0 0 0 0 0 0 0 0
2 0 5 0 8 6 2 0 0 9 7 5 4 3 3 3 2 1 0 0 0 Rank 90 70 40 56 42 34 20 20 18 14 10 8 6 6 6 4 2 0 0 0
446 % Efe cto 20.18% 15.70% 8.97% 12.56% 9.42% 7.62% 4.48% 4.48% 4.04% 3.14% 2.24% 1.79% 1.35% 1.35% 1.35% 0.90% 0.45%
MEASURE
M6- 12
Ejemplo de FDM
Paso 7. Analizar el resultado (enlistarlos en orden de prioridad).
Se utiliza como referencia el valor de la columna Rank para decidir sobre que variables debe enfocarse el estudio de FMEA. Priorizar las Xs y seleccionar las que se analizaran estadisticamente/ graficamente en la etapa de anlisis.
Customer Key Process Input Variable (KPIV's) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Temp P/H "C" Cantidad de Flux "C" Angulo de Material "X" Gua "C" Altura de vlvula "C" Velocidad C/V "C" Limpiado de cadena "C" Angulo de lead "C" Difernecia de Nivel "N" Angulo de conveyor "N" Laminado de Lead "N" Presin de bomba "C" Angulo de vlvula "C" Deteccin de sensor "C" Cubierta de flux "N" RPM's "C" Presin de inflado "C" Velocidad de conveyor "C" Presion de Aire "C" Ancho de conveyor "C" Rank 104 100 90 78 72 56 46 40 40 32 24 24 24 20 20 16 8 0 0 0 % 11.34% 12.59% 5.04% 13.10% 9.82% 5.79% 2.52% 2.52% 9.07% 7.05% 5.04% 4.03% 3.02% 3.02% 3.02% 2.02% 1.01% 0 0 0
Pareto Chart for KPIV

800 700 600 80 60 40 20 0 100
Count
500 400 300 200 100 0

" " " " " "C " "N "X" r "N " C" "C " "C x "C el na yo ial la "C /V ad de ve Niv F lu C" vu t er rs ca on dC a" he de e le vl Ma de P/H c d de p Ot ida de de ad de cia Gu em u lo do loc lo t id lo ne ra g T n u er pia Ve gu gu An Alt Ca Dif An An Lim
Defect
Count Percent Cum %
104
100
90
78
72
56
46
40
40
32
136
13.1 13.1
12.6 25.7
11.3 37.0
9.8 46.9
9.1 55.9
7.1 63.0
5.8 68.8
5.0 73.8
5.0 78.8
4.0 82.9
17.1 100.0
MEASURE
M6- 13
Percent
Pareto Chart
Paso 7. Como parte complementaria de FDM se puede realizar un diagrama de Pareto.
1.- Se capturan los datos en 2 columnas. Una para las entradas Y la segunda para los nmeros de prioridad Ranks 2.- STAT > Quality Tools > Pareto Chart
Seleccionar Chart defects table
En Labels in seleccionar columna con entradas En Frecuencies in seleccionar columna de Ranks En % establecer de 80% (regla de 80-20)
MEASURE
M6- 14
Ejemplo de FDM
C-E Diagram
FDM
FMEA
MEASURE
M6- 15
MEASURE
FMEA FAILURE MODES AND EFFECT ANALYSIS MODO DE FALLA Y ANLISIS DE EFECTOS
FMEA(Failure Modes Effects Analysis)
M7- 1
Objetivo
Objetivos:
Comprender el concepto de FMEA. Comprender como desarrollar un FMEA. Aprender como analizar un FMEA.
MEASURE
M7- 2
Contenido
Introduccin a FMEA
FMEA Tipos de FMEA Cuando realizar FMEA.
FMEA de Proceso.
1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15.
Registro de puntos bsicos. Registro de funcin de proceso. Registro de Modo de Falla Potencial. Registro de efectos potenciales de falla. Registro de grado de severidad Registro de Clase. Registro de causas potenciales y el mecanismo de falla. Registro de grado de ocurrencia. Registro de control del proceso actual. Registro de grado de deteccin Registro de RPN. Medidas recomendadas. Responsables y Fecha de cumplimiento de medida. Real accin tomada. Evaluar de nuevo RPN.
MEASURE
M7- 3
Introduccin a FMEA
FMEA. Es un mtodo para detectar las fallas potenciales de los sistemas diseados o de las instalaciones. Tambin analiza y evala los efectos sobre la ejecucin de trabajo, cuando ocurre alguna falla de sistema o de instalacin en pleno funcionamiento. Adems, para las fallas de mucha influencia, prepara una medida adecuada para prevenir la falla. Herramienta que permite la prevencin, prediciendo posibles problemas y causas para un producto o proceso, as tambin como evaluar el riesgo. Es una serie de actividades sistemticas llevadas a cabo para:
Identificar y evaluar fallas potenciales y sus defectos de producto/proceso. Identificar y evaluar causas de problemas de producto/proceso. Determinar medidas que deben tomarse para prevenir fallas de producto/proceso. Documentar el proceso. Crear un documento para prevenir la ocurrencia de problemas en vez de atenderlos una vez presentes.
MEASURE
M7- 4
Introduccin a FMEA
Tipos de FMEA.
FMEA de Sistema (S-FMEA).
Se utiliza para analizar fallas funcionales potenciales de un sistema o subsistema en la fase inicial del diseo de un producto (enfocarse en funciones de subsistema).
FMEA de Diseo (D-FMEA).

Se utiliza para analizar las posibles fallas resultantes de defectos en la fase de desarrollo de produccin (pase de diseo detallado).
FMEA de Proceso (P-FMEA).

Se utiliza para analizar las posibles fallas resultantes del fracaso de cumplir con el diseo o especificaciones del proceso de manufactura (diseo de proceso y fase de mejora)
FMAE de software.
Se utiliza para analizar las posibles fallas asociadas con la operacin de software.
MEASURE
M7- 5
Introduccin a FMEA
Cuando se realiza FMEA?
En general:
Cuando se disea un nuevo sistema, producto , parte de un proceso, o se introduce una nueva tecnologa. Cuando se modifica un diseo o proceso. Cuando algo nuevo se aplica a una nueva rea o proceso.
FEMA de Sistema.
Despus que las funciones de sistema son definidas. Antes de seleccionar H/Ws (Hows/ Whys).
FMAE de Diseo.
Despus de haber definido las funciones del producto. Antes de aprobar diseo
FMEA de Proceso.
Cuando la vista preliminar de un producto se desarrolla y el flujo de proceso es definido.
MEASURE
M7- 6
Introduccin a FMEA
Cuando realizar FMEA por tipo.
Define Measure Analyze Design Improve Verify Control
Product Development / Process Development Mass-production S-FMEA D-FMEA P-FMEA

Update D-FMEA Update P-FMEA
MEASURE
M7- 7
Introduccin a FMEA
Aplicaciones en metodologa 6 sigma.
DMAIC
Fase de Medicin.
Determinar CTQ y Y Identificar Xs potenciales Identificar relacin entre X potencial y Y Evaluar riesgo esperado
DMADV
Fase de Medicin.
- Determinar CTQ y Y - Identificar fallas previas para diseo de sistema.
Fase de Anlisis.
- Predecir que tanto riesgo ser eliminado tomando acciones sobre las Xs vitales identificadas.
Fase de Anlisis.
- Para predecir el riesgo de un diseo de alto nivel.
Fase de Diseo.
- Para ver si el diseo-detallado elimina el riesgo.
Fase de Mejora.
- Para ver si las acciones tomadas en Xs eliminan el riesgo.
Fase de Control.
- Identificar temas de control.
Fase de Control.
- Identificar temas de control.
MEASURE
M7- 8
Introduccin a FMEA
Trminos
Modo de Falla :
Incapacidad de realizar funciones que son el propsito del proceso. Si no se encuentra durante proceso, tendr un efecto negativo sobre el cliente final. Esta relacionado con defectos ( Y, KPOV)
Efecto:
Efecto sobre el cliente. El cliente incluye tanto el siguiente proceso, as como el cliente final.
Causa:
Actividad de proceso que causa modos de falla La definicin de la causa de be ser tan simple y completa como sea posible. La identificacin de la causa: Dar prioridad al modo de falla con alto grado de severidad.
Control Actual:
Mtodo de deteccin o prevencin del modo de falla y causa. Prevencin: Mistake Proofing Deteccin: Auditora, Checklist, Inspeccin, Pruebas, Entrenamiento. Etc.
MEASURE
M7- 9
Introduccin a FMEA
Enfoques de FMEA: Enfoque de Matriz de C&E
Comenzar con las Variables de entrada con mayor nmero de prioridad del anlisis de C&E. Llenar FMEA solo para esas entradas. Calcular RPN y desarrollar acciones recomendadas para los RPNs de mayor valor. Completar el FMEA de proceso para otras variables con tiempo.
Enfoque del Cliente.

Llenar las columnas de los modos de falla y efectos en la hoja de trabajo. Evaluar severidad. Para los mas altos valores de Severidad, enlistar causas y evaluar ocurrencia para cada causa. Para los mas altos valores de Severidad * Ocurrencia, evaluar controles actuales. Para los RPNs de valor alto desarrollar acciones recomendadas.
MEASURE
M7- 10
Introduccin a FMEA
Enfoques de FMEA:
Enfoque Comprehensivo
Buen mtodo para procesos pequeos Llenar la hoja de FMEA empezando con el primer paso de proceso y terminando con el ltimo. Evaluar SEV, OCC y DET para todas las causas. Desarrollar acciones recomendadas para los RPNs de mayor valor.
Enfoque Super
Seleccionar el artculo de mayor efecto en un diagrama de Pareto (ej. componentes daados) o modo de falla (Variacin de temperatura). Enfocar el FMEA solo a ese modo de falla o defecto. Propsito: eliminar ese modo de falla.
MEASURE
M7- 11
FMEA de Proceso
Pasos Para realizar FMEA de Proceso. 1. Registro de puntos bsicos. 2. Registro de funcin de proceso. 3. Registro de Modo de Falla Potencial. 4. Registro de efectos potenciales de falla. 5. Registro de grado de severidad 6. Registro de Clase. 7. Registro de causas potenciales y el mecanismo de falla. 8. Registro de grado de ocurrencia. 9. Registro de control del proceso actual. 10. Registro de grado de deteccin 11. Registro de RPN. 12. Medidas recomendadas. 13. Responsables y Fecha de cumplimiento de medida. 14. Real accin tomada. 15. Evaluar de nuevo RPN.
MEASURE
M7- 12
FMEA de Proceso
Paso 1. Registro de puntos bsicos
Nmero de FMEA.
Utilizado para rastreo
Tipo de FMEA
Sistema Subsistema Componente Anlisis de nivel Proceso correspondiente.
Nombre relevante de modelo de producto. Primer fecha lmite

Primer fecha lmite terminacin de FMEA. para
Fecha de elaboracin.
Primer fecha de elaboracin Fecha final de revisin. (Nmero de revisin)
Persona a cargo de diseo/Proceso Nmero de pgina / edicin

Nombre Informacin de contacto
Lista de miembros de equipo

Nombre e informacin para contactar a los miembros de equipo.
MEASURE
M7- 13
FMEA de Proceso
Paso 2. Registro de funcin de proceso.
Simplificando la funcin de proceso (sustantivo + verbo) En caso de haber varias funciones, regstrese separadamente.
Funcin de proceso / Requerimientos Modo de falla Potencial S Efectos Potenciales E de Falla V C O Controles actuales L Causas Potenciales / C de proceso A Mecanismos de falla C S D E T R P N
Cortado de Parte
Perforado de parte
MEASURE
M7- 14
FMEA de Proceso
Paso 3. Registro de modo de falla potencial
Funcin de proceso / Requerimientos Modo de falla Potencial Velocidad de Navaja muy alta Velocidad de Navaja muy Baja S Efectos Potenciales E de Falla V C O Controles actuales L Causas Potenciales / C de proceso A Mecanismos de falla C S D E T R P N
Cortado de Parte
Perforado de parte
Velocidad de Perforacin Alta Velocidad de Perforacin Baja
Enumerar los modos potenciales de falla relacionados con la etapa de proceso correspondiente. De que forma puede fallar esta parte de nuestro proceso???
Velocidad Variante
MEASURE
M7- 15
FMEA de Proceso
Paso 4. Registro de efectos potenciales de falla.
Funcin de proceso / Requerimientos Modo de falla Potencial Velocidad de Navaja muy alta S Efectos Potenciales E de Falla V Zumbido Dao al Material y a la Navaja Velocidad de Navaja muy Baja Corte insuficiente Borde Redondo Perforado de parte Velocidad de Perforacin Alta Velocidad de Perforacin Baja Punzon Daado Deformacin de Material Caracterstica de Tamao Incorrecto Velocidad Variante Caracterstica de Tamao variante C O L Causas Potenciales / C A Mecanismos de falla C S Controles actuales de proceso D E T R P N
Cortado de Parte
Establecer los efectos vistos por clientes internos o externos. Riesgo de violar reglas de seguridad y regulaciones gubernamentales.
MEASURE
M7- 16
FMEA de Proceso
Paso 5. Registro de grado de severidad.
Funcin de proceso / Requerimientos Modo de falla Potencial Velocidad de Navaja muy alta S Efectos Potenciales E de Falla V Zumbido Dao al Material y a la Navaja Velocidad de Navaja muy Baja Corte insuficiente Borde Redondo Perforado de parte Velocidad de Perforacin Alta Velocidad de Perforacin Baja Punzon Daado Deformacin de Material 9 9 6 6 6 5 5 10 C O L Causas Potenciales / C A Mecanismos de falla C S Controles actuales de proceso D E T R P N
Cortado de Parte
Establecer los efectos vistos por clientes internos o externos. Riesgo de violar reglas de seguridad y regulaciones gubernamentales.
Caracterstica de 10 Tamao Incorrecto Velocidad Variante Caracterstica de Tamao variante 9
MEASURE
M7- 17
FMEA de Proceso
Criterio para evaluar severidad
10 puntos
Peligroso sin advertencia Infringe a las regulaciones gubernamentales o de seguridad sin ningn aviso.
9 puntos
Peligroso sin advertencia Infringe a las regulaciones gubernamentales o de seguridad con aviso.
8 puntos
Muy alto Imposible de efectuar principales funciones
7 puntos
alto Ejecucin limitada de funciones principales Quejas de los clientes
6 puntos
Moderado Imposible de ejecutar las funciones de comodidad.
5 puntos Bajo Ejecucin limitada de las funciones de comodidad 4 puntos Muy bajo Los defectos de terminacin que pueden ser detectados por la mayora de los clientes 3 puntos Sin importancia Los defectos de terminacin que pueden ser detectados por clientes comunes 2 puntos Menos importancia que anterior Los defectos de terminacin que pueden ser detectados por los clientes quisquillosos 1 punto No tiene
MEASURE
M7- 18
FMEA de Proceso
Paso 6. Evaluacin de Clase.
Funcin de proceso / Requerimientos Modo de falla Potencial Velocidad de Navaja muy alta S Efectos Potenciales E de Falla V Zumbido Dao al Material y a la Navaja Velocidad de Navaja muy Baja Corte insuficiente Borde Redondo Perforado de parte Velocidad de Perforacin Alta Velocidad de Perforacin Baja Punzon Daado Deformacin de Material 9 9 6 6 6 5 5 10 C O L Causas Potenciales / C A Mecanismos de falla C S Controles actuales de proceso D E T R P N
Cortado de Parte
Evaluar con un triangulo inverso las fallas que tienen un mayor valor de severidad.
MEASURE
M7- 19
FMEA de Proceso
Criterio de evaluacin de Clase.
Esta parte de la evaluacin es opcional y se usa con los siguiente propsitos: Utilizado para clasificar caractersticas especiales del producto.
Caractersticas que requieren controles de proceso adicionales. Caractersticas relacionadas con temas de seguridad humana. Caractersticas especificadas por alguna norma gubernamental.
Tcnica del triangulo invertido.

Marque con tringulo invertido cuando la caracterstica tenga una severidad mayor a 8 Puede marcarse cuando la caracterstica tiene una severidad entre 4 y 8.
Esta columna puede ser utilizada para clasificar caractersticas especiales de proceso (ej. Crticas, Mayor, Significante ) para componentes, subsistemas, o sistemas que requieran controles adicionales.
MEASURE
M7- 20
FMEA de Proceso
Paso 7. Registro de causas potenciales y el mecanismo de falla.
Funcin de proceso / Requerimientos Modo de falla Potencial Velocidad de Navaja muy alta Efectos Potenciales de Falla S E V 9 9 6 6 6 Perforado de parte Velocidad de Perforacin Alta Punzon Daado 5 5 Velocidad de Perforacin Baja Deformacin de Material 10 C L A S Causas Potenciales / Mecanismos de falla Punto de operacin incorrecto Pobre Calibracin de equipo Punto de operacin incorrecto Pobre Calibracin de equipo Desgaste de Navaja Punto de operacin incorrecto Pobre Calibracin de equipo Punto de operacin incorrecto Pobre Calibracin de equipo Variacin Actual O C C Controles actuales de proceso D E T R P N
Cortado de Parte
Zumbido Dao al Material y a la Navaja
Puntos dbiles Enlistar las posibles causas de la falla Hacer repetidamente la pregunta por que? Y cual es? para encontrar causas bsicas.
Velocidad de Navaja muy Baja
Corte insuficiente Borde Redondo
MEASURE
M7- 21
FMEA de Proceso
Paso 8. Registro de grado de ocurrencia
Funcin de proceso / Requerimientos Modo de falla Potencial Velocidad de Navaja muy alta S Efectos Potenciales E de Falla V Zumbido Dao al Material y a la Navaja Velocidad de Navaja muy Baja Corte insuficiente Borde Redondo Velocidad de Perforacin Alta 9 9 6 6 6 Perforado de parte Punzon Daado 5 5 Velocidad de Perforacin Baja Deformacin de Material 10 C O L Causas Potenciales / C A Mecanismos de falla C S Punto de operacin incorrecto Pobre Calibracin de equipo Punto de operacin incorrecto Pobre Calibracin de equipo Desgaste de Navaja Punto de operacin incorrecto Pobre Calibracin de equipo Punto de operacin incorrecto Pobre Calibracin de equipo Variacin Actual 7 2 4 2 5 9 4 3 4 6 Controles actuales de proceso D E T R P N
Cortado de Parte
Evaluar Grado de ocurrencia de las fallas potenciales. Que tan frecuente se preesenta el problema??
MEASURE
M7- 22
FMEA de Proceso
Criterio de evaluacin acontecimiento).
10 puntos
de
Ocurrencia
(grado de
5 puntos
Ms de la mitad Casi no puede evitar la falla.

9 puntos
1 de 400 A veces falla

4 puntos
1 de 3
8 puntos
1 de 2,000
3 puntos
1 de 8 Fallas repetidas
7 puntos
1 de 15,000 Relativamente no falla

2 puntos
1 de 20
6 puntos
1 de 150,000
1 punto
1 de 80
Menos de 1 de 1,500,000 Muy rara vez produce la falla
MEASURE
M7- 23
FMEA de Proceso
Paso 9. Registro de control del proceso actual
Establecer los mtodos de control actuales. Las medidas preventivas. El trabajo realizado para aclarar las causas para rectificacin de problema. El trabajo de detectar el mismo modo de falla.
MEASURE
M7- 24
FMEA de Proceso
Paso 10. Registro de grado de deteccin.
Evaluar el Grado de deteccin del proceso actual de control con un rango de 1 a10. Que tan bueno es nuestro control actual para detectar/prevenir la falla potencial?
MEASURE
M7- 25
FMEA de Proceso
Criterio de evaluacin de Grado de Deteccin.
10 puntos Absolutamente indeciso Imposible de detectar las causas de fallas y los defectos mismos con el control de proceso actual 9 puntos Muy remota La posibilidad de detectar las causas de las fallas y los defectos mismos es muy rara 8 puntos Remota La posibilidad de detectar las causas de las fallas y los defectos mismos es rara 7 puntos Muy baja La posibilidad de detectar las causas de las fallas y los defectos mismos es muy baja 6 puntos Baja La posibilidad de detectar las causas de las fallas y los defectos mismos es baja 5 puntos Moderada La posibilidad de detectar las causas de las fallas y los defectos mismos es normal 4 puntos Moderadamente alta La posibilidad de detectar las causas de las fallas y los defectos mismos es ms alta que en condicin normal 3 puntos Alta La posibilidad de detectar las causas de las fallas y los defectos mismos es alta 2 puntos Muy alta La posibilidad de detectar las causas de las fallas y los defectos mismos es muy alta 1 punto Casi segura
Casi seguramente detecta las causas de las fallas y los defectos mismos.
MEASURE
M7- 26
FMEA de Proceso
Paso 11. Registro de RPN
RPN: Entre mas grande sea el valor de RPN significa que la variable de ese rengln es mas importante y debe atenderse primero. RPN = (SEV)*(OCC)*(DET)
MEASURE
M7- 27
FMEA de Proceso
Paso 12. Acciones Recomendadas
S Efectos Potenciales E de Falla V Zumbido Dao al Material y a la Navaja Corte insuficiente Borde Redondo 9 9 6 6 6 C O Controles actuales L Causas Potenciales / C de proceso A Mecanismos de falla C S Punto de operacin incorrecto Pobre Calibracin de equipo Punto de operacin incorrecto Pobre Calibracin de equipo Desgaste de Navaja Punto de operacin incorrecto Pobre Calibracin de equipo Punto de operacin incorrecto Pobre Calibracin de equipo 7 2 4 2 5 Verificacin de Operador Mantenimiento Mensual Verificacin de Operador Mantenimiento Mensual Ninguna D E T 6 3 6 3 10 R P N 378 54 144 36 300 Incluir en Plan de mantenimiento Determinar punto de operacin e introducirse en SOP 1234 Acciones Recomendadas Determinar punto Mximo , instruir a trabajadores Responsables y fecha de cumplimiento de target RESULTADOS DE ACCIONES R S O D Acciones Tomadas E C E P N V C T
Acciones Recomendadas: Para los modos de falla con mayor RPN se procura tomar accin inmediata para reducir el riesgo de falla. A partir de esta columna comienza la forma de FMEA a largo plazo.
Punzon Daado
Ninguna Mantenimiento Trimestral Ninguna Mantenimiento Trimestral
10
450
5 Deformacin de Material 10
4 3 4
5 10 5
100 300 200 Investigar sistemas de condicionamiento de lnea
Caracterstica de 10 Tamao Incorrecto Caracterstica de Tamao variante
Variacin Actual
Ninguna
10
540
MEASURE
M7- 28
FMEA de Proceso
Paso 13. Responsables y Fecha de cumplimiento de medida
S Efectos Potenciales E de Falla V Zumbido Dao al Material y a la Navaja Corte insuficiente Borde Redondo 9 9 6 6 6 C O Controles actuales L Causas Potenciales / C de proceso A Mecanismos de falla C S Punto de operacin incorrecto Pobre Calibracin de equipo Punto de operacin incorrecto Pobre Calibracin de equipo Desgaste de Navaja Punto de operacin incorrecto Pobre Calibracin de equipo Punto de operacin incorrecto Pobre Calibracin de equipo 7 2 4 2 5 Verificacin de Operador Mantenimiento Mensual Verificacin de Operador Mantenimiento Mensual Ninguna D E T 6 3 6 3 10 R P N 378 54 144 36 300 Incluir en Plan de mantenimiento Determinar punto de operacin e introducirse en SOP 1234 RBM 9 de abril CA para 31 de Marzo Acciones Recomendadas Determinar punto Mximo , instruir a trabajadores Responsables y fecha de cumplimiento de target CA para 31 de marzo RESULTADOS DE ACCIONES R S O D Acciones Tomadas E C E P N V C T
Punzon Daado
10
450
4 3 4
5 10 5
100 300 200 Investigar sistemas de condicionamiento de lnea
Responsables y fecha de cumplimiento de meta: Establecer que persona o departamento tomar responsabilidad sobre la Accin recomendada
XYZ para 15 deAbril
Variacin Actual
Ninguna
10
540
MEASURE
M7- 29
FMEA de Proceso
Paso 14. Acciones Recomendadas
Efectos Potenciales de Falla S E V C O L Causas Potenciales / C Mecanismos de falla A C S Punto de operacin incorrecto Pobre Calibracin de equipo Punto de operacin incorrecto Pobre Calibracin de equipo Desgaste de Navaja 7 Controles actuales de proceso D E T R P N Acciones Recomendadas Determinar punto Mximo , instruir a trabajadores Responsables y fecha de cumplimiento de target CA para 31 de marzo RESULTADOS DE ACCIONES S O D R Acciones Tomadas E C E P V C T N SOP actualizado, auditora a operadores 3 de abril
Zumbido Dao al Material y a la Navaja Corte insuficiente Borde Redondo
Verificacin de Operador Mantenimiento Mensual Verificacin de Operador Mantenimiento Mensual Ninguna
378
9 6 6 6
2 4 2 5
3 6 3 10
54 144 36 300
Real accin tomada: Aqu se pone la o las acciones / medidas que se realizaron.
Incluir en Plan de mantenimiento Determinar punto de operacin e introducirse en SOP 1234 RBM 9 de abril Actualizar plan de mantenimiento 1ro de abril SOP actualizado, auditora a operadores 12 de abril
Punzon Daado
Punto de operacin incorrecto Pobre Calibracin de equipo Punto de operacin incorrecto Pobre Calibracin de equipo
10
450
CA para 31 de Marzo
4 3 4
5 10 5
100 300 200 Investigar sistemas de condicionamiento de lnea Instalacin de condicionador de lnea
Variacin Actual
Ninguna
10
540
XYZ para 15 deAbril
MEASURE
M7- 30
FMEA de Proceso
Paso 15. Evaluar de nuevo el RPN.
Efectos Potenciales de Falla S E V C O L Causas Potenciales / C A Mecanismos de falla C S Punto de operacin incorrecto Pobre Calibracin de equipo Punto de operacin incorrecto Pobre Calibracin de equipo Desgaste de Navaja 7 Controles actuales de proceso D E T R P N Acciones Recomendadas Determinar punto Mximo , instruir a trabajadores Responsables y fecha de cumplimiento de target CA para 31 de marzo RESULTADOS DE ACCIONES R S O D Acciones Tomadas E C E P N V C T SOP actualizado, auditora a 9 5 5 225 operadores 3 de abril 0 0 0 0
Zumbido Dao al Material y a la Navaja Corte insuficiente Borde Redondo
Verificacin de Operador Mantenimiento Mensual Verificacin de Operador Mantenimiento Mensual Ninguna
378
9 6 6 6
2 4 2 5
3 6 3 10
54 144 36 300
Reevaluar RPN para verificar si las acciones tomadas fueron efectivas.

Incluir en Plan de mantenimiento Determinar punto de operacin e introducirse en SOP 1234 RBM 9 de abril Actualizar plan de mantenimiento 1ro de abril SOP actualizado, auditora a operadores 12 de abril
Punzon Daado
Punto de operacin incorrecto Pobre Calibracin de equipo Punto de operacin incorrecto Pobre Calibracin de equipo
10
450
CA para 31 de Marzo
120
4 3 4
5 10 5
100 300 200 Investigar sistemas de condicionamiento de lnea Instalacin de condicionador de lnea
0 0 0
Variacin Actual
Ninguna
10
540
XYZ para 15 deAbril
54
MEASURE
M7- 31
FMEA de Proceso
Puntos de cuidado al realizar FMEA de Proceso (P-FMEA)
1. 2. 3. 4. 5. 6. 7.
Puntos Bsicos.
Formar un equipo de trabajo de FMEA. Revisar detalladamente la informacin actual.
Paso de Proceso:
Desarrollar un mapa de proceso enfocado a actividades. Establecer claramente las actividades en forma de verbo + objetivo.
Modos de Falla Potenciales:

Enlistar los modos de falla potenciales de la perspectiva de los KPOVs Verificar que los modos de falla tengan relacin con las Ys.
Efectos Potenciales:
Considerar los efectos potenciales de los modos de falla potencial para el siguiente paso hasta el cliente final
Severidad:
La evaluacin es hecha en base a los efectos mas severos de los efectos potenciales.
Causas Potenciales:
Identificar causas potenciales utilizando mapa de proceso y diagramas de C&E a detalle.
Ocurrencia:
Calcular la ocurrencia de modo de falla por causa. El valor dado a la ocurrencia a una causa debe ser congruente en comparacin con otra causa.
MEASURE
M7- 32
FMEA de Proceso
Puntos de cuidado al realizar FMEA de Proceso (P-FMEA)
8.
Controles Actuales de Proceso por Causa.
Enlistar los controles de proceso que se utilizan actualmente para detectar el defecto de Y. Ver si los controles son para propsitos de prevencin o para propsitos de deteccin.
9.
Deteccin:
Evaluacin debe ser basada en la eficiencia de los controles actuales de proceso. El resultado del clculo de RPN es razonable desde la perspectiva razonable. Priorizar los factores de acuerdo al RPN.
10. Clculo de RPN: 11. Acciones Recomendadas:

Considerar las acciones a ser tomadas para factores de mayor RPN. Enlistar acciones de prevencin de preferencia a acciones de deteccin. Considerar acciones a tomar de forma que reduzca o elimine la ocurrencia de un modo de falla potencial. Verificar si el RPN confirmado requiere de algn control especial o un control comn.
12. Persona Responsable:

Establecer claramente el tiempo y persona responsable para las acciones recomendadas.
13. Reales Acciones Tomadas:

Revisar FMEA despus de haber implementado las acciones recomendadas.
MEASURE
M7- 33
FMEA
C-E Diagram
FDM
FMEA
MEASURE
M7- 34
ANALIZE
ANALYSIS OVERVIEW INTRODUCCIN A ANLISIS
Introduccin a Anlisis
A1- 1
Objetivo
Objetivos:
Comprender el flujo de la fase de anlisis. Seleccionar mtodo de anlisis para verificar las Xs potenciales. Desarrollar plan de coleccin de datos apropiado para el mtodo de anlisis. Realizar anlisis utilizando los datos recolectados. Seleccionar las variables Xs vital Few basadas en los resultados de anlisis.
ANALYZE
A1- 2
Por qu se realiza Anlisis?

Por qu se realiza anlisis?
Por que la presa se avera repetidamente?
El tomar acciones sin analizar las causas del problema puede traer grandes consecuencias negativas
ANALYZE
A1- 3
Definicin de Anlisis
Definicin de diccionario:
Anlisis: Examinar metdicamente separando en partes.
Anlisis en 6 sigma:
Examinar la Y separando en Xs potenciales que afectan al CTQ.
Colectar datos por causa : Analizar los datos recolectados: Obtener conclusin: Colectar datos. Analizar los datos Seleccionar Xs vital Few.
El Objetivo de Anlisis es encontrar Y= F (X1, X2, X3,X4,., Xn)
ANALYZE
A1- 4
Introduccin
Anlisis en 6 Sigma:
Pensamiento 6 Sigma
Forma anterior de trabajar.

Cmo puede atacarse este problema? Cmo puede atacarse este problema con beneficios mutuos? Pueden evitarse tales problemas? No se expone el por que ocurri el problema.
Forma de trabajar mejorada.

Preguntar primero: por qu ocurri este problema?, despus realizar la mejora. Hacer juicio basado en el hechos objetivos tanto como sea posible. Los hechos objetivos son los mejores datos. Tratar de atacar los problemas como equipo no como individuo. Crear pensamiento centrado en el proceso
ANALYZE
A1- 5
DMAIC Roadmap
Paso 8 :: Analizar Datos Paso 8 Analizar Datos
No
Improve
Control
Paso 7 :: Colectar datos Paso 7 Colectar datos

Identificar datos necesarios Desarrollar plan de coleccin de Datos
Paso 9 :: Seleccionar Xs Vital Few Paso 9 Seleccionar Xs Vital Few

Identificar Factores significantes Anlisis Tcnico Anlisis de Riesgos Anlisis Numrico Seleccionar Xs Vital Few rbol Lgico
Datos Numricos?
Si
Anlisis
Revisar plan de coleccin de datos
Cualitativo
Anlisis Cuantitativo
Benchmarking Investigacin On-site
Anlisis Grfico Pruebas de Hiptesis Anlisis de Regresin Encuestas
Colectar y administrar datos
Materiales Tcnicos Comentarios de expertos.
Registro de Proyecto
El objetivo de anlisis es identificar objetivamente la causa del decremento en el pobre desempeo de nuestras Ys a travs de anlisis cientfico
ANALYZE
A1- 6
Actividades en la fase de Anlisis

Coleccin de Datos Coleccin de Datos
Identificar datos necesarios Identificar datos necesarios
Definir por que colectar los datos Definir por que colectar los datos Identificar datos necesarios Identificar datos necesarios
Anlisis de datos Anlisis de datos

Verificar el tipo de datos Verificar el tipo de datos
Determinar el tipo de dato Determinar el tipo de dato colectado. colectado.
Seleccionar las Vital Few Seleccionar las Vital Few

Identificar factores Identificar factores significativos significativos
Confirmar significancia prctica. Confirmar significancia prctica.
Desarrollar plan de coleccin de Desarrollar plan de coleccin de datos datos

Evaluar los datos de la muestra Evaluar los datos de la muestra Decidir anlisis y mtodo de muestreo .. Decidir anlisis y mtodo de muestreo Disear gua/forma. Disear gua/forma.
Decidir mtodo de anlisis. Decidir mtodo de anlisis.

Anlisis No-numrico. Anlisis No-numrico. Anlisis verbal de datos Anlisis verbal de datos Anlisis numrico Anlisis numrico
Resumir la relacin entre Y y Resumir la relacin entre Y y las Xs las Xs

Resumen grfico de la relacin entre Resumen grfico de la relacin entre Y y las Xs vital few. Y y las Xs vital few.
Anlisis de datos Anlisis de datos

Obtener conclusin Obtener conclusin estadstica. estadstica.
Verificar plan de coleccin de Verificar plan de coleccin de datos datos

Verificar coleccin en proceso y MSA Verificar coleccin en proceso y MSA Seleccionar/ entrenar personal Seleccionar/ entrenar personal relacionado relacionado
Coleccionar datos y Coleccionar datos y administrarlos administrarlos

Completar plan de coleccin de datos Completar plan de coleccin de datos Colectar y administrar los datos. Colectar y administrar los datos.
Plan de coleccin de Plan de coleccin de datos para Xs datos para Xs
Resultados de Resultados de anlisis de datos anlisis de datos
Xs Vital Few Xs Vital Few
Herramientas: Mtodo de muestreo, MSA, plan de coleccin de datos ,, Anlisis cualitativo, Anlisis grfico, Prueba de Herramientas: Mtodo de muestreo, MSA, plan de coleccin de datos Anlisis cualitativo, Anlisis grfico, Prueba de
promedios, pruebas de varianzas, ANOVA, prueba Chi-square ,, Anlisis de Correlacin /regresin ,, pruebas no paramtricas. promedios, pruebas de varianzas, ANOVA, prueba Chi-square Anlisis de Correlacin /regresin pruebas no paramtricas.
ANALYZE
A1- 7
ANALIZE
GRAPH ANALYSIS ANLISIS GRFICO
Anlisis Grfico
A2- 1
Objetivo
Objetivo:
Comprender anlisis basado en grficas.
ANALYZE
Anlisis Grfico
A2- 2
Contenido
Histograma. Box Plot. Estadstica Descriptiva. Pareto Chart Multi Vari
ANALYZE
Anlisis Grfico
A2- 3
Gua de Herramientas segn tipo de Datos
Y
Datos Continuos Datos Continuos
Como afectan los cambios en X a Y? Estadsticas: Anlisis de Regresin Grficas: Diagrama de Dispersin (Scatter plot)
Datos Discretos
Cmo afectan los cambios en X a Y? Estadsticas: Anlisis de regresin Logstica
X
Datos Discretos
Los promedios son diferentes? Estadsticas: t-Test, ANOVA Grficas: Histogramas Las variaciones son diferentes? Estadsticas: Test for Equal Variances Grficas: Box Plot, Dot Plot
Los resultados son diferentes? Estadsticas: Chi-square test Grficas: Pareto chart
ANALYZE
Anlisis Grfico
A2- 4
Introduccin
Objetivos:
Realizar anlisis basado en grficos para entender los factores que afectan a los CTQs o variables de salida (Ys). Este tipo de anlisis nos ayuda a entender cuales son los problemas y como resolverlos Realizar grficas antes de analizar los datos.
Herramientas principales:
Histograma, Box plot, Diagrama de Pareto, Multi-Vari chart, etc.
5 preguntas para anlisis

Qu queremos saber? Qu resultados queremos dibujar? Qu herramientas debemos utilizar? Cmo obtener datos? Cul es la conclusin?
ANALYZE
Anlisis Grfico
A2- 5
Histograma
Ejemplo:
Estos son los datos calibrados del dimetro engranes. Analice la dispersin de los dimetros dibujando un histograma con los datos de la tabla siguiente: (03_Graph Histograma.mtw ).
29.57 29.99 30.58 31.00 31.34 31.26 31.17 30.96 30.50 29.99 29.48 29.06 28.81 28.60 28.51 28.51 28.43 28.34 28.34 28.26 28.43 28.64 29.02 29.52 30.07 30.67 31.17 31.55 31.76 31.81 31.68 31.34 31.00 30.79 30.45 30.07 29.69 29.36 29.02 28.76 28.51 28.30 28.09 28.00 28.13 28.30 28.72 29.14 29.74 30.37 30.92 31.34 31.51 31.55 31.34 31.05 30.54 30.04 29.52 29.14 28.81 28.60 28.47 28.47 28.38 28.30 28.30 28.34 28.55 28.81 29.10 29.52 30.07 30.62 31.09 31.47 31.59 31.72 31.68 31.47 31.09 30.58 29.99 29.27 28.72 28.30 28.00 27.84 27.75 27.71 27.67 27.71 27.84 27.92 28.09 30.07 30.83 30.88 31.14 31.97
ANALYZE
Anlisis Grfico
A2- 6
Histograma
1.
Introducir los datos en una columna de la hoja de trabajo.
2.
Del men de Minitab Seleccionar
Graph>Histrogram.
Especificar grupo de datos a Graficar.
En esta opcin se puede editar caractersticas de la grfica
ANALYZE
Anlisis Grfico
A2- 7
Histograma
3. Interpretar Resultado.
15
Al parecer la forma de la distribucin es Bi-modal, probablemente los datos se agrupan alrededor de dos procesos, turnos, etc.
Frequency
10
0 27 28 29 30 31 32
datos
ANALYZE
Anlisis Grfico
A2- 8
Histograma
Interpretacin de grficas en base a su forma
Estable: el proceso es estable y no prsenta variacin debida a alguna causa en especial.
Doble Pico: La operacin es llevada a cabo bajo dos diferentes condiciones de proceso.
Diente de sierra : Nmeros dentro de cierto rango no son ledos correctamente, o no son detectados debido a problema con el sistema de medicin.
Isla Remota : Cambios en la condicin de proceso debido a alguna causa en especial.
ANALYZE
Anlisis Grfico
A2- 9
Histograma
Patrones de Distribucin
Forma de Campana
Doble Pico
Meseta .. Plana
Isla Remota
Cerro
Lmite Puntiagudo
Asimtrico
Peine
ANALYZE
Anlisis Grfico
A2- 10
Boxplot
Los Boxplots, como los histogramas, proveen un resumen grfico de la forma de variacin de un grupo de datos. El Boxplot es particularmente til cuando se trabaja con poca cantidad de datos o cuando se compara entre diferentes distribuciones de datos. Ejemplo:
Estos son los datos de dureza de los productos segn el nmero de mquina. Dibujar Box-Plot de cada mquina.
(Archivo: 03_Graph BoxPlot.mtw )
Mquina1 Mquina2 Mquina3 6 5 1 3 4 7 4 3 2 5 3 2 4 5 6 4 5 4 3 6 3 6 4 7 4 3 5 6 4 6 7 4 3 6 4 8 6 4 7 5 4 6 3 2 6 8 5 4 8 4 8 4 5 3 6 7 5 7 4 7
ANALYZE
Anlisis Grfico
A2- 11
Boxplot
1.
Introducir 1 columna con los datos de dureza y otra con los datos especificando la mquina correspondiente.
2.
Del men de Minitab Graph>Boxplot
seleccionar:
Especificar en Y a la variable de salida (Dureza) y X la variable de entrada (Mquina)
Aqu se pueden ajustar las opciones visuales de la grfica
ANALYZE
Anlisis Grfico
A2- 12
Boxplot
3. Interpretar Resultado.
8 7 6
Dureza
5 4 3 2 1 1 2 3
Maquina
Este tipo de presentacin facilita la comparacin entre las distribuciones de diferentes grupos de datos.
ANALYZE
Anlisis Grfico
A2- 13
Boxplot
Como se compone un Boxplot
Caracterstica (Outlier) Punto 75 + [1.5 ( 75% - 50 % ) lmite] hasta el punto Mximo 3er Cuartil: Punto75% Mediana: Punto 50% (valor medio) 1er Cuartil: Punto 25% Punto 25 - [1.5 ( 50% - 25 % ) lmite] hasta al punto Mnimo Notas (Outlier) 50 % Datos centrales
*
Anlisis Grfico A2- 14
ANALYZE
Estadstica Descriptiva
Estadstica Descriptiva.
Con estadstica bsica se puede leer fcilmente las caractersticas estadsticas de un grupo de datos.
Ejemplo: Pesos de nueva especie de Lechuga

(Archivo: 03_Graph Basic Statistics.mtw )
Ejemplo) <lista 2> Pesos de nueva specie de Lechuga 3.6 2.4 2.6 2.9 2.6 2.9 2.8 3.4 2.0 2.6 2.4 2.7 3.4 2.1 2.2 3.2 2.6 2.8 2.2 3.0 2.7 2.6 2.4 1.8 ( unidad : g ) 2.6 2.7 2.5 2.4 2.4 3.0
ANALYZE
Anlisis Grfico
A2- 15
1.
Introducir 1 columna con los datos.
2. En el men de Minitab seleccionar: Stat>Basic Satistics>Display Drescriptive Statistics.
ANALYZE
Anlisis Grfico
A2- 16
3. Establecer opciones en Minitab.
Seleccionar la columna que contiene los datos a graficar. Seleccionar Grphical Summary
En Graphs se selecciona la grfica para representar el grupo de datos deseado.
ANALYZE
Anlisis Grfico
A2- 17
4. Resultados:
Descriptive Statistics
Variable: Datos
Anderson-Darling Normality Test A-Squared: P-Value: Mean StDev Variance Skewness Kurtosis N Minimum 1st Quartile Median 3rd Quartile Maximum 0.400 0.342 2.65000 0.41335 0.170862 0.351533 0.254257 30 1.80000 2.40000 2.60000 2.90000 3.60000
Prueba de Normalidad: Si P>0.05 entonces distribucin es normal la
Datos estadsticos de la distribucin de la muestra
1.8
2.2
2.6
3.0
3.4
Datos de Boxplot para la los datos de la muestra.
95% Confidence Interval for Mu
95% Confidence Interval for Mu 2.49565

2.4 2.5 2.6 2.7 2.8
2.80435
95% Confidence Interval for Sigma 0.32920 0.55568
95% Confidence Interval for Median
95% Confidence Interval for Median
2.42287
2.77713
Intervalos de confianza para la Media, Desviacin Estndar y Mediana de la Poblacin en base a la muestra tomada
ANALYZE
Anlisis Grfico
A2- 18
Resultados de Hoja de sesin
Descriptive Statistics: Datos Variable Datos Variable Datos N 30 Minimum 1.8000 Mean 2.6500 Maximum 3.6000 Median 2.6000 Q1 2.4000 TrMean 2.6423 Q3 2.9000 StDev 0.4134 SE Mean 0.0755
N : Cantidad de Datos Mean = Promedio de los datos. Median = Mediana. (Dato central de la distribucin) TrMean = Trimmed Mean ( El promedio de los datos de la muestra eliminando el 5% superior y 5% inferior de los datos) StDev = Desviacin Estndar. SE Mean = Standard Erro of Mean : El error estndar del promedio. Minimum = Valor Mnimo de la distribucin. Maximum = Valor Mximo de la distribucin. Q1 = 1er Cuartil (25% de los datos con respecto al valor mnimo) Q3 = 3er Cuartil (75% de los datos con respecto al valor mnimo)
ANALYZE
Anlisis Grfico
A2- 19
Diagrama de Pareto
Es utilizado para identificar el rea donde se concentran productos defectuosos, defectos, accidentes, etc. y determinar que contribuye mayormente al problema. Es una Herramienta para seleccionar los factores sobre los cuales se deben aplicar controles, por que muestra los factores que afectan mayormente al problema.
Pareto Chart for Componente
100 100 80
Count
60 50 40 20 0 0
T CR g Yu o c Bo ina IC r we Po Ch ord p Ca a r cito he Ot rs
Defect
Count Percent Cum %
38 38.0 38.0
24 24.0 62.0
14 14.0 76.0
9 9.0 85.0
6 6.0 91.0
5 5.0 96.0
4 4.0 100.0
ANALYZE
Anlisis Grfico
A2- 20
Percent
Diagrama de Pareto
Ejemplo: Se analiza los defectos de gabinete de TV. (Archivo: 03_Graph Pareto.mtw)
1.
Introducir los datos en la Hoja de trabajo de Minitab. Capturar en una columna los grupos y en otra los defectos.
2.
En men de Minitab seleccionar: Stat>Quality Tools>Pareto Chart
ANALYZE
Anlisis Grfico
A2- 21
Diagrama de Pareto
3. Establecer opciones a Minitab
Seleccionar Charts defect Table Cuando se agrupan los grupos en una columna y los defectos/frecuencias en otra columna Establecer el % al que se comenzara a a agrupar los factores de menor efecto como otros En Labels in seleccionar la columna con el nombre de los grupos En Frecuencies inseleccionar la columna con las frecuencias o defectos
ANALYZE
Anlisis Grfico
A2- 22
Diagrama de Pareto
4. Resultados:
El defecto de Sucio Representa el 53.6% del total de defectos de Gabinete de TV. Primeramente Se debe enfocar medidas de mejora para problema de material sucio
ANALYZE
Anlisis Grfico
A2- 23
Multi Vari
Es una herramienta analtica basada en una grfica para identificar como variables de entrada en forma de categoras afectan variables de salida continuas.
Es un mtodo de caracterizacin de la capacidad actual de produccin. Monitorea el proceso como esta, adopta un mtodo de coleccin de datos de forma pasiva. Se utiliza para relacionar la capacidad de proceso , estabilidad, variables de entrada de proceso y variables de salida de proceso coleccionando datos en una periodo corto de tiempo. Se utiliza para identificar capacidad de proceso y sus lmites. Este mtodo fue desarrollado por Leonard Sedar Gillete Safety Razor en lo 1950s.
Objetivos:
La meta es remover las Xs que no tienen un efecto significativo en la variable de salida de la lista de variables de entrada y despues identificar las vital Few que tienen un efecto significativo sobre la entrada.
ANALYZE
Anlisis Grfico
A2- 24
Multi Vari
Ejemplo:
Se colectaron los siguientes datos en un proceso por 2 das. (Archivo: 03_Graph MultiVari.mtw) Estudiar que Factores afectan mayormente a la fuerza de adhesin del producto.
Da 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 Mquina 1 1 1 2 2 2 3 3 3 1 1 1 2 2 2 3 3 3 Trabajador 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 Fuerza de adhesin 4.64 5.25 3.97 4.04 5.00 4.75 4.36 4.72 4.84 5.04 4.36 3.46 5.10 4.58 4.64 5.10 4.88 4.34
ANALYZE
Anlisis Grfico
A2- 25
Multi Vari
1.
Introducir los datos en la Hoja de trabajo de Minitab. Capturar en las columna necesarias los datos monitoreados.
En el Men de Minitab seleccionar: Stat > Quality Tools > Multi Vari Chart..
2.
ANALYZE
Anlisis Grfico
A2- 26
Multi Vari
Resultados:
1 2 3
Multi Vari Chart

Trabajador Da
1 2
1 2 3 1 2 3
5.0
Fuerza de ad
4.5
4.0
3.5
1 2 3
Mquina
ANALYZE
Anlisis Grfico
A2- 27
Multi Vari
Main Effects Plot
1.
Seleccionar en el Men de Minitab: Stat>ANOVA>Main Effects Plot..
ANALYZE
Anlisis Grfico
A2- 28
Multi Vari
Resultados:
Main Effects Plot - Data Means for Fuerza de ad
Da
4.8
Mquina
Trabajador
4.7
Fuerza de ad
4.6
4.5
4.4
Las variables que presentan mayor efecto sobre la fuerza de adhesin son: 1.- Trabajador (el trabajador 2 es el que genera mayor adhesin) 2.- Mquina (la mquina 3 parece presentar mayor adhesin)
ANALYZE
Anlisis Grfico
A2- 29
ANALIZE
CORRELATION AND REGRESSION CORRELACIN Y REGRESSIN
Anlisis de Correlacin y Regresin
A3- 1
Objetivo
Objetivos:
Comprender el coeficiente de correlacin y la interrelacin entre variables mediante un anlisis de correlacin. Poder predecir el comportamiento de la variable de salida mediante la variable de entrada, dada como el resultado del clculo de una ecuacin de regresin. Comprender el anlisis de correlacin y regresin a travs de Minitab.
ANALYZE
A3- 2
Contenido
Introduccin Coeficiente de correlacin Correlacin Regresin
ANALYZE
A3- 3
Y
Cmo afectan los cambios en X a Y? Estadsticas: Anlisis de Regresin Grficas: Diagrama de Dispersin (Scatter plot)
Datos Discretos
X
Datos Discretos
ANALYZE
A3- 4
Introduccin
Correlacin: es una tcnica para determinar el nivel de asociacin entre dos variables presentadas en trminos numricos, a travs de diagrama de dispersin y un coeficiente de correlacin.
Precio de un carro usado vs. Edad de carro Temperatura de proceso vs. Dureza de producto Fumar vs. Incidencia de cncer de pulmn.
Existe alguna relacin entre estos factores? Qu tan fuerte es la relacin? Qu tipo de relacin tienen?
ANALYZE
Anlisis de Correlacin y Regresin A3- 5
Coeficiente de Correlacin
Coeficiente de correlacin:
Es un valor numrico que representa el grado de linealidad (relacin lineal) entre dos variables. Generalmente, es un valor desconocido, por lo que se calcula r que es el coeficiente de correlacin para muestras.
=r=
(x
x )( y i y ) ( yi y ) 2
( xi x ) 2
Si es (+), entonces la correlacin es positiva (directa). Si es (), entonces la correlacin es negativa (indirecta). Si es casi 0, no tiene la correlacin. Si es 1 o cercano, se dice que hay una correlacin fuerte.
ANALYZE
A3- 6
Formas de correlacin vistas en Scatter Plot.
La correlacin positiva intensa

La correlacin positiva intermedia
La correlacin positiva dbil

| r | = 0.936
| r | = 0.560

| r | = 0.339
La correlacin negativa intensa
La correlacin negativa intermedia
La correlacin negativa dbil
ANALYZE
A3- 7
Criterio para evaluar / r:
Si | r | < 0.2, la correlacin entre dos variables no es tan importante. Si | r | > 0.8, la correlacin entre dos variables es importante. Cuanto ms cerca est al valor r 1, la correlacin entre dos variables es ms intensa.
Cf. de correlacin negativo Cf. de correlacin nulo
Cf. de correlacin positivo
-1.0
0
Punto determinacin de idea
+1.0
ANALYZE
A3- 8
Correlacin
Ejemplo:
Para verificar si hay relacin entre los aos pasados de la fecha de lanzamiento al mercado y el precio de los automviles, se colectaron los siguientes datos. Qu tan fuerte es la relacin entre el precio de un carro usado y el nmero de aos que han pasado desde la salida al mercado?
(Archivo: 03_C&R Correlacion.mtw)

Aos Pasados 1 2 2 3 3 Precio (1 milln) 2.5 1.8 2.2 2.0 1.7 Aos Pasados 4 5 6 6 9 Precio (1 milln) 1.2 1.5 1.2 1.0 0.6
ANALYZE
A3- 9
Correlacin
Paso 1.- Capturar datos en hoja de trabajo
Paso 2.-Hacer diagrama de dispersin (Scatter plot). MINITAB: Graph > Plot
Especificar los datos del eje X y eje Y
ANALYZE
A3- 10
Correlacin
Paso 3 Evaluar coeficiente de correlacin.
MINITAB : Stat> Basic Statistics > Correlation.
Seleccionar Columnas a Verificar Correlacin
Correlations: Aos, Precio Pearson correlation of Aos and Precio = -0.933 P-Value = 0.000
Coeficiente de correlacin negativo
Como p-value = 0.000 < 0.05, se puede concluir que existe relacin entre los aos pasados de salida al mercado y el precio del vehculo. Como el coeficiente de correlacin r = -0.933, ;a correlacin es negativa y significativa.
ANALYZE
A3- 11
Correlacin
Puntos a considerar:
Aunque exista correlacin entre dos variables, eso no necesariamente significa que una variable sea la causa de otra. Alguna tercer variable puede estar afectando a ambas variables. En anlisis de correlacin muestra el grado de asociacin entre dos variables pero no indica una relacin exacta de forma de funcin.
La correlacin no significa una relacin de causa y efecto

ANALYZE
Regresin
Qu es el anlisis de Regresin?
Es una tcnica de anlisis estadstico el cual nos permite predecir una variable de salida en base a una variable de entrada, identificando relaciones funcionales entre ambas variables utilizando una ecuacin de regresin (modelo matemtico). Ecuacin de regresin. Es una ecuacin para predecir salidas en base a valores de entrada.
ANALYZE
A3- 13
Regresin
Variables de Anlisis de Regresin.
Predictor (variable independiente) : variable influyente Respuesta (variable dependiente) : variable influida
Ejemplo: La variacin de tiempo de produccin segn el tamao de lote
120 100 Tiempo de 80 produccin 60 40 20 0 0 10 20 30 40 50 60 70 80 90
Talla de lote
Tamao de Lote Tiempo de Produccin
10
20
30
40
40
50
60
60
70
80
20
29
50
60
70
85
90
95
109
120
ANALYZE
A3- 14
Regresin
Tipos de anlisis de regresin
El modelo de regresin de lnea simple: Analiza estableciendo una relacin lineal. Ejemplo: Y = a + bx El modelo de regresin de curva: Analiza estableciendo una relacin de curva. Ejemplo: Y = a + bx + cx2 + dx3 Y = a bx El modelo de regresin simple : La cantidad de variables independientes son una El modelo de regresin mltiple: La cantidad de variable independiente es igual o mayor que 2 Ejemplo: Y = a + bx1 + cx2 + dx3
ANALYZE
A3- 15
Regresin
Conceptos. Fit
Es el valor de la variable de salida calculado por el modelo matemtico de regresin para un valor de una variable de entrada.
Residual
Es la diferencia que hay entre el valor real de la observacin y el valor calculado por el modelo matemtico de regresin.
Lnea de ecuacin de Regresin
ANALYZE
Variable de Salida
Fit
Valor Real
Residuo
Variable de Entrada
A3- 16
Regresin
Modelo de Regresin Simple:
Yi = + xi + i (i = 1,., n)
son independientes entre s y es una variable de probabilidad que sigue N(0, 2)
ANALYZE
A3- 17
Coeficiente de Determinacin R2
R2 es conocido como el coeficiente de determinacin el cual se encuentra dentro de un rango : 0 R2 1 Es la fraccin de variacin entre la variable de salida que es supuesta por la lnea de regresin: R2 = (SSregresin / SStotal ) = 1 - (SSerror / SStotal) Si R2 es 0.7, se puede concluir que el 70% de la variacin es explicada por la ecuacin de regresin y el restante 30% es debido a otros factores.
ANALYZE
Regresin
Procedimiento para hacer anlisis de Regresin:
1. Paso 1.- Capturar Datos en Minitab. 2. Paso 2.- Ver grficamente la dispersin de los datos. 3. Paso 3.- Realizar anlisis de correlacin para identificar el nivel de relacin entre las dos variables. 4. Paso 4.- Obtener ecuacin de regresin a travs de anlisis de regresin. 5. Paso 5.- Determinar ecuacin de regresin. 6. Paso 6.- Validar ecuacin de regresin a travs de anlisis de modelo de regresin
ANALYZE
Regresin
Ejemplo: Se puede saber que los modelos de regresin de la lnea simple X-Y1, X-Y2, todas las cantidades estadsticas resumidos casi coinciden.
(Archivo 03_C&R Regresion.mtw).
X 10 8 13 9 11 14 6 4 12 7 5 Y1 8.04 6.95 7.58 8.81 8.33 9.96 7.24 4.26 10.84 4.82 5.68 Y2 9.14 8.14 8.74 8.77 9.26 8.10 6.13 3.10 9.13 7.26 4.74
ANALYZE
A3- 20
Regresin
Paso 1.- Capturar datos. Paso 2.- Hacer diagrama de dispersin. Graph > Plot
Especificar Variables de entrada y salida
ANALYZE
A3- 21
Regresin
Paso 3.- Realizar anlisis de correlacin para identificar el nivel de relacin entre las dos variables. Stat > Basic Statistics > Correlation
11 10 9
9 8 7
Y1
Y2
4 9 14
8 7 6 5 4
6 5 4 3 4 9 14
Correlations: X, Y1 Pearson correlation of X and Y1 = 0.816 P-Value = 0.002
Correlations: X, Y2 Pearson correlation of X and Y2 = 0.816 P-Value = 0.002
ANALYZE
A3- 22
Regresin
Paso 4.- Obtener ecuacin de regresin a travs de anlisis de regresin. Stat > Regression > Fited Line plot
Especificar: Y Variable de salida y X variable de entrada Para anlisis de residuos, seleccionar Residuales y Fits
Seleccionar Tipo de modelo Matemtico
ANALYZE
A3- 23
Regresin
Paso 5.- Determinar ecuacin de regresin.
Regression Analysis: Y1 versus X The regression equation is Y1 = 3.00009 + 0.500091 X S = 1.23660 R-Sq = 66.7 % R-Sq(adj) = 62.9 %
Analysis of Variance Source Regression Error Total DF 1 9 10 SS 27.5100 13.7627 41.2727 MS 27.5100 1.5292 F 17.9899 P 0.002
Regression Analysis: Y2 versus X The regression equation is: Y2 = 3.00091 + 0.5 X S = 1.23721 R-Sq = 66.6 % R-Sq(adj) = 62.9 %
Analysis of Variance Source Regression Error Total DF 1 9 10 SS 27.5000 13.7763 41.2763 MS 27.5000 1.5307 F 17.9656 P 0.002
ANALYZE
A3- 24
Regresin
Paso 6.- Validar ecuacin de regresin a travs de anlisis de modelo de regresin
Stat > Regression > Residual Analysis
Las columnas de RES y FITS aparecern despus de haber obtenido el modelo de regresin, siempre y cuando se haya seleccionado en la opcin de STORAGE
Especificar las columnas donde se encuentran los FITS y RES
ANALYZE
A3- 25
Regresin
Que se evala en anlisis de residuales??
Residual Model Diagnostics
Normal Plot of Residuals
I Chart of Residuals
14 12
UCL=12.95
La dispersin de los residuales deben seguir una distribucin normal
10 9 8 7 6 5 -2 -1 0 1 2
Residual
Residual
10 8 6 4 2 0 0 5 10
LCL=2.048 Mean=7.501
No debe haber puntos fuera de control en el Ichart.
Normal Score
Observation Number
Histogram of Residuals
2 10 9
Residuals vs. Fits
La distribucin del Histograma debe tener forma de campana.
8 7 6
0 5 6 7 8 9 10
5 -2 -1 0 1 2
La dispersin de los residuales Vs Fits no debe tener ninguna forma en particular

Fit
Frequency
Residual
Anlisis de residuales para X vs. Y1

ANALYZE
Residual
Regresin
Anlisis de residuales.
10 14
UCL=12.95
12
La dispersin de los residuales deben seguir una distribucin normal
9 8 7 6 5 -2 -1 0 1 2
Residual
10 8 6 4 2 0 0 5 10
LCL=2.049 Mean=7.501
No debe haber puntos fuera de control en el Ichart.
Residual
Normal Score
Observation Number
2 10 9
Residuals vs. Fits
En casos en los que la cantidad de datos son muy pocos, la distribucin de los datos es muy posible que no parezca ser normal
8 7 6
0 5 6 7 8 9 10
5 -2 -1 0 1
Residual
Fit
Anlisis de residuales para X vs. Y2

En este caso la forma de Res Vs. Fits tiene forma de parbola lo que indica que el modelo de regresin no es el mas adecuado
Frequency
ANALYZE
Residual
A3- 27
Regresin
Las suposiciones que no considera el anlisis de residuos.
1. Cuando se duda de que haya varianzas similares. 2. Cuando se duda de la independencia y linealidad. 3. Cuando afectan variables no consideradas en el anlisis.
2 Anlisis de Correlacin y Regresin
3 A3- 28
ANALYZE
Regresin
Que hacer cuando el Modelo no es el mas adecuado?
Si el anlisis de residuales indica que el modelo no es el mas adecuado, debe intentarlo con diferentes modelos y evaluar R2. MINITAB ofrece 3 modelos para anlisis de regresin:
Lineal ( de 1er grado) Cuadrtico ( de 2do grado) Cbico ( de 3er grado )
Entre mayor sea el grado del modelo matemtico, la ecuacin de regresin ser mas compleja.
MINITAB: Stat > Regression > Fitted Line Plot..

Para anlisis de residuos, seleccionar Residuales y Fits Cambie de modelo Matemtico
ANALYZE
A3- 29
Regresin
Para este ejemplo, qu pasa si analizamos para el modelo cuadrtico?
Polynomial Regression Analysis: Y2 versus X The regression equation is: Y2 = -5.99573 + 2.78084 X - 0.126713 X**2 S = 0.0016725 R-Sq = 100.0 % Analysis of Variance Source DF SS Regression 2 41.2763 Error 8 0.0000 Total 10 41.2763 Source Linear Quadratic DF 1 1 Seq SS 27.5000 13.7763 R-Sq(adj) = 100.0 % MS 20.6381 0.0000 F 7378133 P 0.000
F 18 4925016
P 0.002 0.000
Cuando hacemos el anlisis con el modelo cuadrtico notamos que el R2 = 100%, lo que significa que el modelo se ajusta exactamente al comportamiento real. Al compararlo con el modelo lineal anterior que era R2 =66%, podemos decidir fcilmente que modelo matemtico es mejor para pronosticar a Y en funcin de X. Y2 = -5.99573
+ 2.78084 X - 0.126713 X2
A3- 30
ANALYZE
Regresin
RESUMEN El anlisis de correlacin es un mtodo para analizar la interdependencia entre variables. El diagrama de dispersin (scatter plot) nos permite entender de forma grfica la relacin existente o no existente entre 2 variables. El coeficiente de correlacin (r ) es una medida numrica que nos indica la relacin lineal entre dos variables. El anlisis de regresin es utilizado para medir el efecto de los cambios de x sobre y y el coeficiente de determinacin (R2) es la mtrica que indica que tan adecuadamente se ajusta el modelo matemtico al comportamiento real de Y El anlisis de regresin es clasificado en simple y mltiple dependiendo de la cantidad de variables de entrada, o tambin en lineal o no lineal dependiendo de la relacin entre las dos variables. Analizar los residuales para saber si hay problemas con el modelo matemtico.
ANALYZE
A3- 31
Ejercicios
EJERCICIO DE HELICOPTERO Puntos:
X: Largo de Ala (cm) Y: Tiempo de vuelo (segundos) Prueba: Cambiando el largo de 13 ~ 6 cm, medir el tiempo de cada (Y) dos veces y capturar.
Salida:
Obtener un modelo de regresin ( Y = a + bX ). Obtener la Y estimada utilizando modelo matemtico cuando X = 8.5 cm Repetir el experimento 30 veces con x-8.5 para realizar un anlisis de capacidad.[Spec = Y 0.1 seg]. Dada la cantidad de PPMs (DPMO), el proceso debe ser 3 o ms.
X Y
13
12
11
10
ANALYZE
A3- 32
Ejercicios
1. Se obtuvieron registros de mantenimiento de una mquina para identificar la relacin entre la cantidad de aos y los costos de mantenimiento. (Archivo : 03_C&R Ejercicio 1.mtw)
Aos Costo (1000) 3 39 1 24 5 8 1 50 4 86 2 67 6 90 9 3 5 70 7 186 2 43 6 126 115 105 140 112
a. b.
Encuentre una ecuacin de regresin que describa el comportamiento de y en funcin de x. Calcule el costo estimado de mantenimiento y el intervalo de confianza a 95% cuando la cantidad de aos en uso sea 10.
ANALYZE
A3- 33
Ejercicios
2.
Para una reaccin qumica, se realiz una prueba para ver la respuesta de Y cuando se realizan cambios en el acelerador X que es agregado a la reaccin. Se cambia la cantidad de acelerador desde 1g a 8g y se monitorea la respuesta Y que es generada respectivamente en un minuto. (Archivo : 03_C&R Ejercicio 2.mtw)
X Y
a. b.
1 3
2 4
3 6
5 8
6 9
7 12
8 14
Encuentre una ecuacin de regresin que describa el comportamiento de y en funcin de x. Calcule el costo estimado de mantenimiento y el intervalo de confianza a 95% cuando la cantidad de aos en uso sea 10. Anlisis de Correlacin y Regresin A3- 34
ANALYZE
ANALIZE
HIPOTHESIS TESTING PRUEBAS DE HIPTESIS
Prueba de Hiptesis
A4- 1
Objetivo
Objetivos:
Comprender como estimar parmetros utilizando datos muestra para probar caractersticas poblacionales. Comprender los procedimientos para toma de decisiones sobre el aceptar hiptesis aplicadas a una poblacin en base a una muestra.
ANALYZE
Prueba de Hiptesis
A4- 2
Contenido
Definicin Conceptos
P-value. Ho (Hiptesis nula), Ha (Hiptesis Alternativa). , Potencia Estadstica. Intervalos de Confianza.
Pasos para establecer una prueba de hiptesis. Seleccin de Herramientas.
ANALYZE
Prueba de Hiptesis
A4- 3
Definicin de Prueba de Hiptesis

Qu es una prueba de Hiptesis?
Es un mtodo estadstico para determinara cuando aceptar una estimacin, una suposicin sobre una poblacin en base a un anlisis de una muestra estudiada.
Meta.
Es probar si X afecta a Y. Esto es, utilizar un anlisis estadstico para identificar si Y (Variable de salida) cambia debido a cambios en X (variable de entrada).
Por qu realizar pruebas de Hiptesis?

Es difcil verificar aserciones sobre una poblacin en forma visualizada. Es posible verificar un juicio subjetivo en un mtodo objetivo llevando acabo pruebas de hiptesis.
ANALYZE
Prueba de Hiptesis
A4- 4
Conceptos
1. Hiptesis:
Hiptesis Nula (Ho) Es una hiptesis que parte de que no hay cambio o diferencia respecto a ciertas aserciones. Hiptesis Alternativa (Ha) Es una hiptesis para probar ciertas aserciones basadas en racionalizacin mediante muestras.
2. Valor de aceptacin ()
Es el criterio para aceptar o rechazar una hiptesis. Es la mxima posibilidad para rechazar la hiptesis nula (Ho) cuando la hiptesis nula (Ho) es verdadera. Esto es, el mximo valor de del tipo de error 1. Generalmente es 0.05 (5%), 0.01 (1%) 0.10(10%) dependiendo la aplicacin.
ANALYZE
Prueba de Hiptesis
A4- 5
Conceptos
3.
Potencia estadstica.
Es la probabilidad de rechazar la hiptesis nula cuando sea falsa. Se refiere a la probabilidad de determinar claramente una hiptesis falsa como falsa y se representa como 1-.
4.
Valor de p
Es la probabilidad de juzgar equivocadamente la hiptesis nula como falsa. Por lo tanto, la probabilidad de que la hiptesis nula sea verdadera.
P-value < : se puede rechazar Hiptesis nula (Ho) P-value > : No se puede rechazar Hiptesis nula (Ho)
Ejemplo: En el caso de utilizar un valor de aceptacin de = 0.05. Si p-value< 0.05 entonces, se puede rechazar Ho Si p-value> 0.05 entonces , No se puede rechazar Ho.
ANALYZE
Prueba de Hiptesis
A4- 6
Conceptos
5.
Intervalo de Confianza: El intervalo de confianza es un rango en el cual de pronostica una parmetro de la poblacin (,, etc.) en base a una muestra. El nivel de confianza es el valor de probabilidad: 100 (1-)% asociado con el intervalo de confianza. Suele referirsele como porcentaje.
Se refiere al error. Esto es, 100(1-)% representa el rango probable en el cual pueden incluir valores verdaderos.
Considerando una distribucin de datos normal:

Confidence level
25%
25%
2.5%
2.5%
50%
Confidence interval
95%
z0.674
=0.5(50%)
z0.674
Error
z1.96
z1.96
A4- 7
=0.05(95%)
ANALYZE
Prueba de Hiptesis
Conceptos
Entre mayor sea el nivel de confianza , es mejor?? Si el nivel de confianza se incrementa, tambin se incrementa el rango de valores en donde se espera identificar algn parmetro en la poblacin. Ejemplo: Al estimar la altura promedio de hombres adultos:
Si se define un rango de 1.3m a 2.3m. Este intervalo de confianza incluye todas las alturas posibles de un hombre adulto, este intervalo tiene un alto nivel de confianza pero un valor estadstico poco significativo.
130 140 150 160 170 180 190 200 210 220 230
Si se define un rango de 1.7m a 1.75m. La probabilidad de que algn valor de altura no se incluya es alta, tambin el error. Entonces, estadsticamente sera significativo, pero tendra un nivel de confianza bajo.
130 140 150 160 170 180 190 200 210 220 230
ANALYZE
Prueba de Hiptesis
A4- 8
Conceptos
Tipos de errores de Hiptesis.
VERDAD H0 H0 No se puede rechazar JUICIO H0 se rechaza HA
Decisin Correcta Error Tipo 1
Error Tipo 2 Decisin Correcta
Error Tipo I Es el error de rechazar la Hiptesis Nula cuando la hiptesis nula es verdadera. Es el riesgo de considerar unidades de buena calidad como defectuosas. Por lo tanto, Tambin se le llama el riesgo del fabricante (Riesgo ). Error Tipo II Es el error de no rechazar la hiptesis nula. Aunque Ho sea falsa. Es el riesgo considerando a las unidades defectuosas como buenas. Por lo tanto, tambin se le llama riesgo del consumidor (riesgo -)
ANALYZE
Prueba de Hiptesis
A4- 9
Prueba de Hiptesis
Procedimiento para realizar una Prueba de Hiptesis:
Formular hiptesis Establecer (Valor de aceptacin) Seleccionar Prueba Estadstica Calcular p-value Determinar Si p-value < , entonces Ho se rechaza Interpretar el resultado
ANALYZE
Prueba de Hiptesis
A4- 10
Prueba de Hiptesis
Ejemplo:
Supngase que se ha modificado un proceso, y se desea saber si las modificaciones han mejorado significativamente al proceso. Despus de muestrear el rendimiento del proceso, como se determina si hay diferencia entre los dos rendimientos? En los datos tomados son de rendimiento de antes y despus de las modificaciones. El proceso B es el proceso modificado. Hay alguna diferencia entre Proceso A y proceso B?
Proceso A (antes) 89.7 81.4 84.5 84.4 87.3 79.7 85.1 81.7 83.7 84.5 Proceso B (despus) 84.7 86.1 83.2 91.9 86.3 79.3 82.6 89.1 83.7 88.5
ANALYZE
Prueba de Hiptesis
A4- 11
Prueba de Hiptesis
Preguntas Prcticas:
Las modificaciones del proceso B mejoran el rendimiento cuando se compara con el proceso A
Que se desea saber? Como saberlo? Que herramientas se deben usar? Que datos se necesitan? Como coleccionar los datos?
Preguntas Estadsticas:
El promedio de rendimiento del proceso B (85.54) es suficientemente diferente del promedio del proceso A (84.24) para considerarse como significativo? Los promedios son suficientemente cercanos para considerarse que las diferencias son debidas a variacin normal del proceso?
ANALYZE
Prueba de Hiptesis
A4- 12
Prueba de Hiptesis
Hiptesis Nula (Ho)
Interpretacin Estadstica: No hay diferencia en el promedio de la poblacin A con respecto al promedio de la poblacin B. Interpretacin Prctica: No Hay diferencia entre el rendimiento promedio de los dos proceso. Esto es, los cambios realizados no mejoraron el proceso.
Hiptesis Alternativa (Ha)

Interpretacin Estadstica: Existe diferencia en el promedio de la poblacin A con respecto al promedio de la poblacin B. Interpretacin Prctica: Hay diferencia entre el rendimiento promedio de los dos proceso. Esto es, los cambios realizados han mejorado el proceso.
Ho: 0 = 1 Ha: 0 1
Se debe determinar si hay diferencias significativas entre el promedio de rendimiento del proceso B con respecto al proceso A , en base a una muestra.
Meta:
ANALYZE
Prueba de Hiptesis
A4- 13
Prueba de Hiptesis
Pruebas estadsticas.
Datos continuos:
En caso de distribuciones normales:
Prueba con Promedios: 1-Sample Z, 1-Sample t, 2 sample-t, ANOVA Prueba de Dispersin. F-test (Test for Equal variances)
En caso de distribuciones no normales

1-Sample Wilcoxon, Mann-Whitnney, Krustall Wallis test
Datos Discretos:
1-Proportion, 2-Proportion, Chi-Square test
ANALYZE
Prueba de Hiptesis
A4- 14
Prueba de Hiptesis
Teora:
Pregunta: Herramienta: Hiptesis:
El proceso B ha mejorado despus de haber realizado mejoras

Ha mejorado el promedio de rendimiento en el proceso B con respecto al proceso A? 2 - Sample t Ho: El promedio de rendimiento del proceso A es igual al del proceso B Ha: El promedio de rendimiento del proceso A es diferente al del proceso B
95% Confidence Intervals for Sigmas
(1 = 2) (1 2)
Factor Levels Proceso A (antes)
Test for Equal Variances for MED
Two-Sample T-Test and CI: Proceso A, Proceso B

.999 .99 .95
Proceso B (despus)
2 3 4 5 6 7
Probability
Two-sample T for Proceso A vs Proceso B

Proceso Proceso N 10 10 Mean 84.20 85.54 StDev 2.90 3.65 SE Mean 0.92 1.2
Varianzas Similares
.80 .50 .20 .05

Proceso A (antes)
F-Test Test Statistic: 0.629 P-Value : 0.501

Boxplots of Raw Data
Levene's Test Test Statistic: 0.809 P-Value : 0.380
.01 .001 80
Average: 85.54 StDev: 3.65033 N: 10
Proceso B (despus)
Probability
Difference = mu Proceso A - mu Proceso B Estimate for difference: -1.34 P= 0.375 Ho 95% CI for difference: (-4.44, 1.76) no se puede T-Test of difference = 0 (vs not =): rechazar T-Value = -0.91
Distribucin 85 Proceso B (d Normal de NormalDatos Plot Probability
90
80 85 90
MED
Anderson-Darling Normality Test A-Squared: 0.150 P-Value: 0.942
Boxplots of Proceso and Proceso

(means are indicated by solid circles)
.999 .99 .95 .80 .50 .20 .05 .01 .001 80 85 90

90
85
P-Value = 0.375
DF = 18 Both use Pooled StDev = 3.29
80
Proceso
Proceso
Proceso A (a
Average: 84.2 StDev: 2.89597 N: 10
Conclusin
P-value = 0.375 > 0.05 No se puede rechazar Ho El rendimiento promedio del proceso B no ha mejorado conrespecto al del proceso A
ANALYZE
Prueba de Hiptesis
A4- 15
Seleccin de Herramientas.
Cuando el nivel de aceptacion = 0.05: P-value>0.05 No se puede rechazar Ho P-value< 0.05 Se puede Rechazar Ho
CRITERIO PARA EVALUAR P
Prueba de Hiptesis
Datos Continuos Normality Test Datos Discretos Datos Normales
2 o ms poblaciones
Una poblacin
1-Proportion 2-Proportion
Stat -Basic Stats -2 proportion
Stat Dos Poblaciones -Basic Stats -1 proportion
Datos No-Normales
Dos o ms Poblaciones
Ho: Data is normal. H1: Data is not normal. Stat - Basic Stat - Normality Test
Chi-Square Test
Stat -Tables - Chi-square Test
Una poblacin
Test for Equal Variances (Levenes Test) 1 Sample-Sign or 1 Sample-Wilcoxon
Una poblacin
Test for Equal Variances (F Test or Bartletts Test)

Ho: s1 = s2 = s3 = ... H1: al menos 1 es diferente Stat - Anova - Test for Equal Variances
CI for Standard Deviation

Ho: s1 = s (Target) H1: s1 s (Target) Minitab no proporciona prueba para comparar si la desviacin estndar es igual a cierto valor. Pero si se quiere obtener la desviacin estndar y su intervalo de confianza use: Stat -Basic Statistics - Display Descriptive Stats
Ho: M1 = M (Target) H1: M1 M (Target) Use F-test when comparing two Stat - Nonparametric - 1 Sample-Sign or populations only Stat - Nonparametric - 1 SampleWilcoxon Equal Variance No 2 o ms Dos Mann-Whitney Test poblaciones Dos poblaciones Yes poblaciones Ho: M1 = M2 H1: M1 M2 One-way 2 Sample t Stat - Nonparametric - Mann-Whitney
1 Sample t or 1 Sample Z
Ho: m1 = m (Target) H1: m1 m (Target) Stat - Basic Stats - 1 Sample-t (s is unknown) 1Sample Z (s is known)
Kruskal-Wallis Test
2 o ms Ho: M1 = M2 = M3 = ... poblaciones H : al menos una es diferente 1 Stat - Nonparametric - Kruskal-Wallis
ANOVA
(variance equal )
Ho: m1 = m2 H1: m1 m2 Stat - Basic Stats - 2-Sample t seleccione assume equal variances
(variance not equal)

Ho: m1 = m2 H1: m1 m2 Stat - Basic Stats - 2-Sample t no seleccione assume equal variances
2 Sample t
Ho: m1 = m2 = m3 = ... H1: at least one is different Stat - Anova- One-way
ANALYZE
Prueba de Hiptesis
A4- 16
Seleccin de Herramientas.
Pruebas estadsticas segn el tipo de Datos.
Parmetro
(Promedio)
Poblacin
1 Sample T Ho: =k Ha: ( , >,<) k Descriptive Statistics (Intervalo de confianza para 2) 1 Proportion Test Ho: P1 = k Ha: P1 ( , >,<) k
2 Poblaciones
2 Sample T Ho: 1 = 2 Ha: 1 ( , >,<) 2 2 Variance : 12 = 22 Ha: 12 22 2 Proportion Test Ho: P1 = P2 Ha: P1 ( , >,<) P2
2 o ms Poblaciones
ANOVA Ho: 1 = 2= ..... = n Ha: Not Ho Test for Equal Variance : 12 = 22 = .. = n2 Ha: 12 22 Chi Square test Ho: Independiente Ha: Dependiente
Datos Continuos
2 (Varianza)
Datos Discretos
P (Proporcin)
ANALYZE
Prueba de Hiptesis
A4- 17
ANALIZE
CONTINOUS DATA HYPOTHESIS TESTING PRUEBAS DE HIPTESIS PARA DATOS CONTINUOS
Pruebas de Hiptesis Para Datos Contnuos A5- 1
Objetivo
Objetivos:
Comprender como estimar la media poblacional en base al anlisis estadstico de la muestra. Aplicar el criterio para determinar si aceptar o rechazar una hiptesis utilizando datos continuos. Interpretar resultados grficos y numricos de una prueba de hiptesis aplicando Minitab.
ANALYZE
Pruebas de Hiptesis Para Datos Contnuos
A5- 2
Contenido
Pruebas con promedios
1- Sample T 2- Sample T
Pruebas de dispersin
Test for equal Variances
ANALYZE
A5- 3
Y
Datos Discretos
X
Datos Discretos
ANALYZE
A5- 4
1- Sample t
1- Sample t:
Hiptesis: Hiptesis Nula: Hiptesis Alternativa:
Ho: = k Ha: k Ha: > k Ha: < k
Seleccionar una
Prueba estadstica utilizada para comparar el promedio de un grupo de datos contra una constante cuando se desconoce la desviacin estndar. (en caso de conocer la desviacin estndar se utiliza 1-Sample Z).
ANALYZE
A5- 5
1- Sample t
Ejemplo:
El dimetro promedio de engranes producidos en la lnea es de 110 mm. Una prueba fue llevada a cabo para ver si el dimetro de los engranes de la lnea A son de dimetro inferior a las otras lneas, se tom una muestra de 15 piezas. Realice una prueba si el promedio de dimetro de la lnea A es mas pequeo al promedio de las otras lneas con un nivel de confianza de 5% (=0.05).
(Archivo 03_CONHT 1 Sample t.mtw )

Muestra 119 110 108 120 117 109 96 104 123 113 129 106 93 92 102
Ho : = 110 mm Ha : < 110 mm
ANALYZE
A5- 6
1- Sample t
1.
Capturar datos en Hoja de trabajo
2. Hacer Prueba de Normalidad de datos: Stat>Basic Statistics>Normality test.
Especificar Columna con Datos
3.
Establecer Datos a verificar Normalidad Pruebas de Hiptesis Para Datos Contnuos A5- 7
ANALYZE
1- Sample t
4.
Evaluar Normalidad de los datos
.999 .99 .95
Probability
.80 .50 .20 .05 .01 .001 95 105 115 125

5. En men de Minitab seleccionar: Stat>Basic Statistics>1-Sample t
Engranes
Average: 109.4 StDev: 10.9987 N: 15
Si P>0.05 se dice que la distribucin de datos es Normal Si P<0.05 entonces la distribucin de datos no es normal
ANALYZE
A5- 8
1- Sample t
6. Especificar parmetros para anlisis con Minitab
Especificar nivel de confianza ( en base a )
Especificar columna con datos de muestra
Especificar Promedio/Target
Seleccionar Hiptesis Alternativa
Seleccionar Grfica deseada
ANALYZE
A5- 9
1- Sample t
7. Evaluar Resultados:
One-Sample T: Engranes Test of mu = 110 vs mu < 110 Variable Engranes Variable Engranes N 15 Mean 109.40 StDev 11.00 T -0.21 SE Mean 2.84 P
Boxplot of Engranes
(with Ho and 95% t-confidence bound for the mean)
95.0% Upper Bound 114.40
0.418
_ X Ho
90
100
110
120
130
Engranes
8. Conclusin:
Cuando el nivel de confianza () es de 0.05 y el p-value es 0.418 el cual es mayor a 0.05. Por lo tanto Ho no se puede rechazar. Esto es, que no se puede decir que el dimetro promedio de los engranes producido en la lnea A no es menor a 110.
ANALYZE
A5- 10
2- Sample t
2- Sample t
Hiptesis:
Hiptesis Nula: Hiptesis Alternativa: Ho: 1 = 2 Ha: 1 2 Ha: 1 > 2 Ha: 1 < 2
Seleccionar una
Prueba estadstica utilizada para comparar los promedios de dos grupo de datos cuando se desconoce la desviacin estndar.
ANALYZE
A5- 11
2- Sample t
Ejemplo:
Un proceso de ensamble recibe partes de dos proveedores diferentes. Suponga que se desea evaluar el impacto de las partes en el tamao del producto. Llevar acabo una prueba para ver si existe alguna diferencia en el impacto sobre el tamao del producto de las partes segn el proveedor, utilice un nivel de confianza de 5%, Asuma que las varianzas son iguales. (Archivo 03_CONHT 2 Sample t.mtw) Proveedor A Proveedor B 45 59 59 68 60 63 64 66 58 48 67 64 53 69 61 60
Ho : 1 = 2 Ha : 1 2
ANALYZE
A5- 12
2- Sample t
3. 1.
Capturar los datos en columnas separadas.
Probability
.999 .99 .95 .80 .50 .20 .05 .01 .001 50
Average: 62.125 StDev: 6.70687 N: 8
Evaluar Normalidad
60
70
Muestra 2
2.
Stat > Basic Statistics > Normality Test..
Si P>0.05 los datos son normales

.999
Probability
Si P<0.05 los datos .95 son .80 no-normales

.50 .20 .05 .01 .001 45
Average: 58.375 StDev: 6.80205 N: 8
.99
55
65
Muestra 1
ANALYZE
A5- 13
2- Sample t
Evaluar si las varianzas (2) son similares para ambas muestras de datos.
4.
Stat > Basic Statistics > 2 -Variance
5.
Evaluar Varianzas iguales

Test for Equal Variances
95% Confidence Intervals for Sigmas Factor Levels Muestra 1
Si los datos son normales
Muestra 2
5 10 15

Muestra 1
P=0.971 > 0.05, las varianzas son similaes
Muestra 2
Si los datos no son normales

70
50
60
Para una Prueba 2-Variances Ho: 12 = 22 , Ha: 12 22 Si P<0.05 , se puede rechazar Ho , se dice que las Varianzas son Diferentes Si P>0.05, Ho no puede rechazarse, se dice que las varianzas son similares.
ANALYZE
A5- 14
2- Sample t
7.
En men de Minitab seleccionar: Stat > Basic Statistics > 2 Sample T.
6.
Establecer parmetros para hacer estudio estadstico.

Especificar nivel de confianza ( en base a )
Seleccionar Hiptesis Alternativa
Si el estudio de 2-Variance dio como resultado que las varianzas son similares, entonces debe selecionarse este check box
Seleccionar Grfica deseada
ANALYZE
A5- 15
2- Sample t
8.
Interpretar Resultados:
Two-Sample T-Test and CI: Muestra 1, Muestra 2 Two-sample T for Muestra 1 vs Muestra 2 N 8 8 Mean 58.38 62.13 StDev 6.80 6.71 SE Mean 2.4 2.4
Muestra Muestra
Difference = mu Muestra 1 - mu Muestra 2 Estimate for difference: -3.75 95% CI for difference: (-10.99, 3.49) T-Test of difference = 0 (vs not =): T-Value = -1.11 Both use Pooled StDev = 6.75
Boxplots of Muestra and Muestra
70
P-Value = 0.286
DF = 14
9.
Conclusin:
60
50
Muestra
Muestra
Cuando el nivel de confianza () es de 0.05 y el p-value es 0.286 el cual es mayor a 0.05. Por lo tanto Ho no se puede rechazar. Por lo tanto no se puede afirmar que el promedio en el tamao del producto es diferente de un proveedor al otro.
A5- 16
ANALYZE
Test For Equal Variance

Propsito de la prueba de varianzas iguales.
El Test for equal Variances se realiza para determinar estadsticamente si existe una diferencia entre la varianza de dos o mas grupos de datos. Ejemplos visuales de comparacin: de los siguientes casos que ejemplo presenta varianzas iguales?
Caso 1
Caso 2
Caso 3
ANALYZE
A5- 17

Procedimiento para Anlisis de varianzas.
Paso 1.- Establecer Hiptesis:
Hiptesis Nula (Ho): Las varianzas son iguales: 12 = 22 Hiptesis Alternativa (Ha): Las varianzas son diferentes: 12 22
Paso 2.- Prueba de Normalidad.

Determinar si los datos siguen una distribucin normal. Stat> Basic Statistics> Normality Test..
Paso 3.- Anlisis estadstico

Confirmar estadsticamente diferencias en varianza. Stat> ANOVA> Test for Equal Variance.. Confirmar p-value
Paso 4.- Establecer Conclusin.

Si p > , Ho no puede rechazase (las varianzas son iguales/similares) Si p < , Ho se rechaza ( las varianzas son diferentes)
ANALYZE
A5- 18

Ejemplo:
Se quiere investigar si hay diferencia en el uso de papel A4 en una oficina. Para este propsito, se seleccionaron 2 departamentos para analizar su varianza por 15 semanas. Los resultados fueron los siguientes. (Archivo 03_CONHT Test For Equal Variance.mtw)
Depto A Depto B 8.5 8.4 9.2 8.5 8.9 8.2 9.9 8.4 7.8 8.4 7.5 8.9 9.9 8.2 9.7 9.1 8.4 8.7 9.1 8.7 8.2 8.5 8.6 7.9 8.6 8.7 8.2 8.0 9.0 8.2
HIPTESIS Hiptesis Nula (Ho)
EXPRESION No ha diferencia en la varianza entre departamentos A y B en cuanto al consumo de hojas A4. Las varianzas entre departamento A y B son diferentes. La varianza del departamento A es mayor a la del departamento B. La varianza del departamento B es mayor a la del departamento A.
EXPRESION MATEMATICA Ho: 12 = 22 Ha: A2 B2 Ha: A2 > B2 Ha: A2 < B2
Hiptesis Alternativa (Ha)
ANALYZE
A5- 19

Hiptesis Nula: Ho: 12 = 22 Hiptesis Alternativa: Ho: 12 22
Paso 2.- Prueba de Normalidad

ANALYZE
A5- 20

Prueba de Normalidad.
Si las dos distribuciones son normales, se utilizar F-test Si alguna muestra tiene una distribucin no normal, se utiliza Levenes test.
.999 .99 .95
Probability
.80 .50 .20 .05 .01 .001 8 9 10

.999 .99 .95

Average: 8.76667 StDev: 0.719788 N: 15
Probability
.80 .50 .20 .05 .01 .001 8.0 8.5 9.0

P-Value > 0.05, entonces la distribucin es normal P-Value > 0.05, entonces la distribucin es normal
B
Average: 8.45333 StDev: 0.329213 N: 15
ANALYZE
A5- 21

Paso 3.- Anlisis estadstico en Minitab.
Stat > ANOVA > Test for equal Variances
Test for Equal Variances for USo
95% Confidence Intervals for Sigmas Factor Levels A
B
0.2 0.7 1.2
P-Value > 0.006, Se evalua en base a F-test debido a que la distribucin de las muestras son normales

A
10
USo
Paso 4.- Establecer conclusin.

Como el p-value es 0.006 < 0.05 , entonces no se puede decir que las varianzas son iguales. La camtidad de papel A4 que utilizan los departamentos no es la misma.
ANALYZE
A5- 22

Ejemplo 2
Los siguientes datos son los resultados de una investigacin de las horas utilizadas en investigacin en internet, 5 trabajadores fueron seleccionados aleatoriamente y observados por 15 semanas. Realice una prueba para determinar si las varianzas en horas utilizadas en uso de internet son iguales para cada trabajador. (Archivo 03_CONHT Test For Equal Variance 2.mtw)
Semana 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 WA 5.00 5.00 4.92 4.99 5.03 4.90 4.91 5.03 5.01 4.99 5.01 5.00 5.04 4.99 5.06 WB 5.02 5.03 4.90 4.89 5.07 4.91 5.07 5.03 5.00 5.06 5.08 5.01 5.13 5.12 4.94 WC 4.92 4.90 4.84 4.93 4.90 4.85 4.90 4.95 4.93 4.91 4.93 4.86 4.93 4.94 4.94 WD 4.99 5.02 5.01 4.93 4.97 5.16 4.94 5.03 4.89 4.97 5.00 5.11 4.99 5.05 4.99 WE 4.83 4.69 5.32 5.09 5.12 5.18 4.85 4.91 5.05 5.06 4.94 5.03 5.09 5.00 5.14
ANALYZE
A5- 23

Hiptesis Nula: Ho: 12 = 22 = 32 = 42 = 52 Hiptesis Alternativa: Ha: Al menos una 2 es diferente
Paso 2.- Prueba de Normalidad (para cada muestra)

Realizar prueba de normalidad para cada muestra (WA,WB,WC,WD,WE)
ANALYZE
A5- 24

.999 .99 .95
.999 .99 .95
.999 .99 .95
Probability
Probability
.80 .50 .20 .05 .01 .001 4.90 4.95 5.00 5.05
.80 .50 .20 .05 .01 .001 4.9 5.0 5.1

Probability
.80 .50 .20 .05 .01 .001 4.85 4.90 4.95

WA
Av erage: 4.992 StDev : 0.0470865 N: 15
WB
Av erage: 5.01733 StDev : 0.0768548 N: 15
WC
Av erage: 4.90867 StDev : 0.0341983 N: 15
No- Normal
Normal
No- Normal
.999 .99 .95
.999 .99 .95
Probability
.80 .50 .20 .05 .01 .001 4.9 5.0 5.1
UTILIZAR LEVENES TEST PARA EVALUAR HOMOGENEIDAD DE VARIANZAS

WD
Probability
.80 .50 .20 .05 .01 .001 4.7 4.8 4.9 5.0 5.1 5.2 5.3
WE
Av erage: 5.02 StDev : 0.157026 N: 15
Av erage: 5.00333 StDev : 0.0676827 N: 15
Normal
Normal
ANALYZE
A5- 25

Paso 3.- Anlisis estadstico en Minitab.
Stat > ANOVA > Test for equal Variances
Test for Equal Variances for Horas
95% Confidence Intervals for Sigmas Factor Levels WA
Bartlett's Test Test Statistic: 37.489

WB
P-Value
: 0.000
WC
Levene's Test
WD
Test Statistic: 5.612 P-Value : 0.001
WE
0.0
0.1
0.2
0.3
Paso 4.- Establecer conclusin.

Como el p-value es 0.001 < 0.05 , entonces no se puede decir que las varianzas son iguales. Al menos un trabajador presenta una varianza diferente (Menor o mayor) en la cantidad de horas que utiliza internet.
ANALYZE
A5- 26
Ejercicios
1. Un educador cree que un nuevo mtodo de lectura es bueno para mejorar la capacidad de lectura de los estudiantes de primaria. Para esto se tomaron 21 estudiantes de 3er grado y llevar el nuevo mtodo de enseanza por 8 semanas. Para propsitos de comparacin se seleccionaron 23 estudiantes y no recibieron el entrenamiento. 8 semanas despus se realizo una evaluacin de la capacidad de lectura y se dieron los siguientes resultados. (supngase que no hay diferencia de capacidad entre ambos grupos). (Archivo 03_CONHT Ejercicio1.mtw)
Grupo con nuevo entrenamiento Grupo sin nuevo entrenamiento 23 59 43 46 43 52 43 10 58 62 55 17 71 54 26 60 43 57 62 53 49 33 33 42 61 46 37 37 44 43 41 42 67 57 19 55 54 28 20 48 85 49 53 56
Conduzca una prueba para determinar si el nuevo mtodo de entrenamiento tiene efectos de mejora en la capacidad de lectura de los alumnos con un nivel de confianza de 5%.
ANALYZE
A5- 27
Ejercicios
2. Se compr un lote de 100 termmetros. Para saber si existe algn sesgo promedio de temperatura , se seleccionaron 7 termmetros del lote y se compar esta muestra un termmetro estndar. Las mediciones realizadas fueron bajo un estndar de 100 y se obtuvieron los siguientes datos: (Archivo: 03_CONHT Ejercicio2.mtw)
Temp(C)
99.5 100.2 99.5 100.9 99.1 100.3 100.0
Se puede concluir que hay un sesgo en la temperatura del lote de termmetros, con un 90% de intervalo de confianza?
ANALYZE
A5- 28
Ejercicios
3.
Se colectaron datos del tiempo promedio de trabajo en el departamento A y departamento B por 10 das. Mientras las personas del departamento A hacen muchas horas extras, las personas del departamento B hacen su jornada normal. Realice una prueba de Test for Equal Variances con un nivel de confianza de 5%
(Archivo: 03_CONHT Ejercicio3.mtw)

A (Horas) B (Horas)
10.6 9.0 11.3 8.5 13.7 10.0 10.6 10.5 12.5 9.6 9.8 8.9 10.8 10.1 13.9 10.5 13.8 9.1 10.0 9.9
4.
La parte A tiene una alta precisin pero es muy cara. De forma contraria, la parte B es mas barata que la parte A, pero tiene baja precisin. Se tienen los siguientes datos tomando 15 muestras de los productos producidos con estas dos partes respectivamente. Realice una prueba de Test for Equal Variances con un nivel de confianza de 5%.
(Archivo: 03_CONHT Ejercicio4.mtw)

Parte A (Kg) Parte B (Kg) 53 48 52 47 56 49 54 57 58 55 51 51 50 57 49 46 48 55 53 63 58 52 53 48 55 51 52 56 55 50
ANALYZE
A5- 29
ANALIZE
ANOVA ANALISIS OF VARIANCE ANLISIS DE VARIANZA
ANOVA
A6- 1
Objetivo
Objetivos:
Comprender los conceptos de ANOVA y como utilizar la tabla de ANOVA. Comprender ANOVA a travs de aplicacin de Minitab.
ANALYZE
ANOVA
A6- 2
Contenido
Definicin Pasos para realizar ANOVA. Tabla de One-Way ANOVA.
ANALYZE
ANOVA
A6- 3
Y
Datos Discretos
X
Datos Discretos
ANALYZE
ANOVA
A6- 4
Introduccin
Pruebas con promedios para una poblacin.
Si el tamao de muestra es grande o se conoce Z: Z test Si el tamao de muestra es grande o se desconoce : t test H0: = o H1: < o > o o
Pruebas con promedios para dos poblaciones.

2-sample t test H0:1 = 2 H1 : 1 < 2 1 > 2 1 2
Pruebas con promedios para dos o mas poblaciones. H : = = =

One-way ANOVA
0 1 2 k
H1: al menos 1 promedio es diferente. 1 2 ... k
ANALYZE
ANOVA
A6- 5
Introduccin
Que es ANOVA (Analysis of Variances) Es una prueba para determinar si hay diferencia significativa en el promedio de dos o mas grupos de datos, e interpretar el resultado de la prueba para ver si el factor afecta a Y. Suposiciones de ANOVA. (Valores de respuesta) son independientes entre s y siguen una distribucin normal
Para identificar claramente las diferencias entre niveles, deben ser independientes. Para utilizar la distribucin F para la comparacin de varianzas de variacin.
La varianza de la poblacin es igual entre los niveles del factor.

Si la varianza es diferente, Y puede ser afectada por diferentes factores en ciertos niveles. Resultando, que la poblacin tenga diferentes caractersticas y sera no significativo comparar varianzas o promedios de poblaciones con diferentes formas de distribucin.
Caractersticas de ANOVA.
No hay lmite de trminos de nmero de factores y nmero de muestras. En la prueba, los valores de respuesta deben ser asignados aleatoriamente.
ANALYZE
ANOVA
A6- 6
ANOVA
Procedimiento para realizar ANOVA:
Paso 1.-Establecer Hiptesis
Hiptesis Nula (Ho): 1 = 2= ...= n Hiptesis Alternativa (Ha): Al menos una es diferente.
Paso 2.- Confirmar que se cumplan los puntos necesarios para realizar ANOVA.
La variable de salida es independiente y muestra normalidad La varianza de la variable de salida es normal a travs de los diferentes niveles de los factores.
Paso 3.- Anlisis en Minitab. Paso 4.- Interpretar p-value. Paso 5.- Establecer conclusiones.
ANALYZE
ANOVA A6- 7
ANOVA
Ejemplo:
La compaa S esta tratando de reducir el costo de vuelos de trabajo fuera del pas. Se investig el costo de viaje de trabajo de la siguiente forma: Queremos realizar una prueba para ver si hay diferencias en costos por viaje de trabajo por aerolneas. (nivel de confianza = 0.05)
(Archivo 03_ANOVA Manual.mtw)

A 16.5 18 14.1 17.8 17.6 B 15.3 14.8 16.1 14.2 C 19 18.4 15.3 17.3 16.9 D 17.1 16.3 18.4 16.9 15.2 E 15.1 14.9 14.6 14.2
ANALYZE
ANOVA
A6- 8
ANOVA
Paso 1.- Establecer Hiptesis.
Hiptesis Nula (Ho): A = B= C = D = E Hiptesis Alternativa (Ha): Al menos una es diferente.
Paso 2.- Cumple con las suposiciones de ANOVA?

Las variables de salida son independientes y siguen una distribucin Normal. (Prueba de normalidad) La varianza de la poblacin de las variables de salida es igual en todos los niveles del factor. (Test for equal Variances).
ANALYZE
ANOVA
A6- 9
ANOVA
Prueba de Normalidad:
.999 .99 .95
.999 .99 .95
.999 .99 .95
Probability
Probability
14.5 15.0 15.5 16.0
Probability
.80 .50 .20 .05 .01 .001 14 15 16 17 18
.80 .50 .20 .05 .01 .001
.80 .50 .20 .05 .01 .001 16 17 18 19
A
Average: 16.8 StDev: 1.61710 N: 5 Anderson-Darling Normality Test A-Squared: 0.518 P-Value: 0.094
B
C
.999 .99 .95
.999 .99 .95
Probability
15.5 16.5 17.5 18.5
Probability
.80 .50 .20 .05 .01 .001
.80 .50 .20 .05 .01 .001 14.2 14.3 14.4 14.5 14.6 14.7 14.8 14.9 15.0 15.1
D
E
ANALYZE
ANOVA
A6- 10
ANOVA
Prueba de Varianzas iguales Test for equal Variances
1.
Capturar datos en Hoja de trabajo en forma apilada (2 columnas) Test for Equal Variances: Stat> ANOVA> Test for Equal Variances...
Test for Equal Variances for Y
95% Confidence Intervals for Sigmas Factor Levels A
2.
Bartlett's Test Test Statistic: 5.346

B
P-Value
: 0.254
P-value =0.254 > 0.05, entonces se rechaza Ho no se puede rechazar. CONCLUSIN.Las varianzas entre aerolneas son iguales
0 1 2 3 4 5 6 7
Levene's Test
D
Test Statistic: 0.553 P-Value : 0.699
ANALYZE
ANOVA
A6- 11
ANOVA
Paso 3.- Anlisis en Minitab de ANOVA
Stat > ANOVA > One way ANOVA.
Ingresar en Response la variable de salida En Factor seleccionar columna con los factores
Seleccionar Grfica comparativa para anlisis de ANOVA
Para verificar que el modelo de ANOVA sea adecuado se deben Guardar los residuales y fits :
ANALYZE
ANOVA
A6- 12
ANOVA
Paso 4.- Interpretar Resultados:
One-way ANOVA: Y versus Airline Analysis of Variance for Y Source DF SS MS Airline Error Total 4 18 22 24.20 26.56 50.75 6.05 1.48 F 4.10 P
0.016
P-Value = 0.016 < 0.05, por lo tanto se rechaza la Hiptesis nula (Ho),. CONCLUSION.Al menos una aerolnea presenta un promedio de costo diferente a las dems.
Level A B C D E
N 5 4 5 5 4
Mean 16.800 15.100 17.380 16.780 14.700 1.215
Pooled StDev =
Individual 95% CIs For Mean Based on Pooled StDev StDev -+---------+---------+---------+----1.617 (-------*-------) 0.804 (--------*-------) 1.434 (-------*------) 1.169 (-------*------) 0.392 (--------*--------) -+---------+---------+---------+----13.5 15.0 16.5 18.0
Boxplots of Y by Airline
19
18
Los (------------+----------) representan los intervalos de confianza al 95% de cada muestra de los factores. Si los intervalos de confianza estn entrelazados, no se puede decir que los promedios son diferentes.
17
Y
16 15 14 A B C D
Airline
ANALYZE
ANOVA
A6- 13
Tabla de One Way ANOVA

Grados de Libertad
Analysis of Variance for Business Trip Cost Source DF SS MS F Airline 4 24.20 6.05 4.10 Error 18 26.56 1.48 Total 22 50.75 P 0.016
Grados de Libertad = DF Total DF = Nmero total de muestras -1 = 23 - 1 = 22 DF de Aerolneas = Nmero de niveles - 1 = 5 - 1 = 4 DF del trmino de error = Total DF - DF de Aerolneas = 22 - 4 = 18
ANALYZE
ANOVA
A6- 14

Variacin: Suma de cuadrados (Sum of SquareSS)
Analysis of Variance for business trip cost Source DF SS MS F Airlines 4 24.20 6.05 4.10 Error 18 26.56 1.48 Total 22 50.75 SS aerolneas + SS Error = SS Total P 0.016
ANALYZE
ANOVA
A6- 15

Mean Square (MS)(Cuadrado de Promedios) : Varianza
La varianza puede ser calculada dividiendo la variacin (SS) entre los grados de libertad MS (varianza) = SS (suma de cuadrados) / Grados de Libertad (N-1) Ejemplo) Clculo de varianza de muestras.
s
2
n 1 1 ( X i X ) 2 n 1 i=
Grados de Libertad
Suma de Cuadrados (Variacin)
ANALYZE
ANOVA
A6- 16

Calculo del valor MS & F
Analysis of Variance for business trip cost Source DF SS MS F Airlines 4 24.20 6.05 4.10 Error 18 26.56 1.48 Total 22 50.75 P 0.016
MSA = SSA / DFA = 24.0 / 4 = 6.05 MSE = SSE / DFE = 26.56 / 18 = 1.48 F statistic = MS airlines / MS Error = 6.05 / 1.48 = 4.10
ANALYZE
ANOVA
A6- 17

Clculo de P-value
Analysis of Variance for business trip cost Source DF SS MS F Airline 4 24.20 6.05 4.10 Error 18 26.56 1.48 Total 22 50.75 P 0.016
Minitab : Calc > Probability Distributions > F Minitab : Calc > Probability Distributions > F
ANALYZE
ANOVA
A6- 18

Resultados de Clculo de P-value con MINITAB.
Cumulative Distribution Function F distribution with 4 DF in numerator and 18 DF in denominator x P( X <= x ) 0.9844
F ( 4,18)
0.9844
p value
4.1000
4.10
p-value = 1- 0.9844 = 0.0156 = 0.016 Si el valor de p es mas pequeo que el nivel de confianza (normalmente = 0.05 ), la hiptesis nuIa se rechaza. Esto es, se considerar como un factor que afecta a Y.
ANALYZE
ANOVA
A6- 19
Ejercicios
1.
En un proceso de tratamiento qumico para un producto electrnico, se lleva a cabo una prueba con niveles A1=3.0%, A2=3.5%, A3=4.0% y A4 =4.5% para un factor A que es la concentracin del lquido de tratamiento. Se mide la fuerza de adhesin y se obtienen los siguientes datos. Realice una prueba para determinar si la concentracin del lquido de tratamiento afecta la fuerza de adhesin. (Archivo: 03_ANOVA Ejercicio 1.mtw)
A1 23 23 18 15 A2 30 28 24 A3 18 14 20 15 A4 31 24 22 30
2.
Se cambio la cantidad de catalyst a agregarse a 1.0% 1.5% y 2.0% de forma que incremente el rendimiento del proceso de plateado de la parte electrnica. Conduzca una prueba para determinar si hay diferencia significativa. (Archivo: 03_ANOVA Ejercicio 2.mtw)
A1 84.3 83.9 84.2 A2 87.3 86.8 87.2 A3 89.5 89.8 90.1
ANALYZE
ANOVA
A6- 20
ANALIZE
DISCRETE DATA HIPOTHESYS TESTING PRUEBAS DE HIPTESIS PARA DATOS DISCRETOS
Pruebas de Hiptesis para datos Discretos A7- 1
Objetivo
Objetivos:
Comprender como estimar la proporcin poblacional utilizando estadstica de muestra. Comprender los procedimientos de aceptar o rechazar una hiptesis utilizando datos discretos. Capacidad de analizar problemas con ayuda de Minitab.
ANALYZE
Pruebas de Hiptesis para datos Discretos
A7- 2
Contenido
1- Proportion Test 2- Proportion Test Chi-Square Test
ANALYZE
A7- 3
Y
Datos Discretos
X
Datos Discretos
Los resultados son diferentes? Estadsticas:Chi-square test Grficas: Pareto chart
ANALYZE
A7- 4
Pruebas de Proporcin
Prueba de proporcin para una poblacin:
1 Proportion test:
Ho: p = k (target) Ha: p < k p>k seleccionar 1 pk
Prueba de proporcin para dos poblaciones:

2 Proportion test:
Ho: p1 = p2 (target) Ha: p1 < p2 p1 > p2 seleccionar 1 p1 p2
Prueba de proporcin para dos o mas poblaciones:

Chi Square test:
Ho: p1= p2 ==pk Ha: Al menos una proporcin es diferente.
ANALYZE
A7- 5
1 Proportion test
Procedimiento:
Hiptesis Nula (Ho) Hiptesis Alternativa (Ha)
Paso 2.- Determinar nivel de confianza (). Paso 3.- Calcular estadstica de clculo. Paso 4.- Anlisis estadstico.
Calcular p-value (calcular valor crtico value y estadstica de prueba)
Paso 5.- Establecer conclusin (Obtener conclusiones estadsticas y prcticas).

p-value < Nivel de confianza () Enunciado de conclusin Prctica. rechazar Ho.
ANALYZE
A7- 6
1 Proportion test
Ejemplo: Durante una campaa de eleccin, un partido ha establecido que tienen un porcentaje de apoyo del 80%. Para verificar esta suposicin , un instituto de investigacin realiz una encuesta involucrando a 50 votantes. Los resultados de la encuesta mostr que 46 de los votantes de la muestra apoyaban al candidato de tal partido. Realice una prueba para saber si la suposicin del partido es confiable al 5% de nivel de confianza.
Paso 1.- Establecer Hiptesis
Ho: p = 0.8 (Meta) H1: p > 0.8 (Meta)
Paso 2.- Determinar nivel de significacin

Generalmente, es 5%(=0.05). Si no se especifica en el problema use 5% en Minitab. En Minitab, el Intervalo de confianza (1-) podr ser ingresado en vez del nivel de confianza . Ejemplo) Si is 5%, 95.0 se especifica como intervalo de confianza.
ANALYZE
A7- 7
1 Proportion test
Paso 4.- Anlisis estadstico:
Stat> Basic Statistics > 1 Proportion
Especificar Nivel de confianza y proporcin meta.
Especificar Datos de Muestra Trials: Tamao de nuestra Successes: Cantidad de Defectos o Acierto
Seleccionar Ha: Less Than : p<0.8 Not equal: p0.8 Greater Than: p>0.8
Seleccionar estadstica de prueba.
ANALYZE
A7- 8
1 Proportion test
Paso 5.- Establecer conclusin, Interpretar resultados
Test and CI for One Proportion
Test of p = 0.8 vs p > 0.8 Sample 1 X 46 N 50 Sample p 0.920000 95.0% Lower Bound 0.856892 Z-Value 2.12 P-Value 0.017
Conclusin:
Como P-value = 0.017 < 0.05, la Hiptesis nula (p = 0.08) se rechaza. Conclusin Prctica: se puede decir que el porcentaje de apoyo al candidato es 80% o ms!!
ANALYZE
A7- 9
2 Proportion test
Ejemplo:
Para ver si existe alguna diferencia en % de productos defectuosos de una fbrica por proceso, se tomaron muestras de 250 y 200 unidades respectivamente del proceso A y proceso B, se obtuvieron los resultados de la tabla. Realice una prueba para determinar si hay diferencia en el porcentaje productos de defectuosos por proceso a un nivel de confianza del 5% . Clasificacin Proceso A Proceso B Total Tamao de muestra 250 200 450 Cantidad de defectuosos 110 104 214
ANALYZE
A7- 10
2 Proportion test
Ho: p1 = p2 Ho: p1 p2
Paso 2.- Determinar nivel de significacin.

Generalmente, es 5%(=0.05). Si no se especifica en el problema use 5% en Minitab. En Minitab, el intervalo de confianza (1-) podr ser ingresada en vez del nivel de confianza . Ejemplo) Si is 5%, 95.0 se especifica como intervalo de confianza.
Paso 3.- Computo de estadstica de prueba.

Usar distribucin normal estndar (estadstica z).
ANALYZE
A7- 11
2 Proportion test
Paso 4.- Anlisis estadstico:
Stat> Basic Statistics > 2 Proportion
Especificar Nivel de confianza (1-)
Ingresar datos de las 2 muestras tomadas.
Seleccionar Ha: Less Than : p1<p2 Not equal: p1p2 Greater Than: p1>p2
ANALYZE
A7- 12
2 Proportion test
Paso 5.- Establecer conclusin, Interpretar resultados
Test and CI for Two Proportions Sample 1 2 X 110 104 N 250 200 Sample p 0.440000 0.520000
Estimate for p(1) - p(2): -0.08 95% CI for p(1) - p(2): (-0.172630, 0.0126298) Test for p(1) - p(2) = 0 (vs not = 0): Z = -1.69
P-Value = 0.091
Conclusin:
Como P-value = 0.091 > 0.05, la Hiptesis nula (p1 = p2) no se puede rechazar. Conclusin Prctica: no se puede decir que hay diferencia significativa en el porcentaje de productos defectuosos entre los procesos A y B.
ANALYZE
A7- 13
Chi-Square test
Para el caso donde se desea evaluar proporciones entre 2 o ms poblaciones/muestras, se utiliza la herramienta de Chi-square test, Tipos de Chi-Square test:
Prueba de Homogeneidad :
Prueba para ver si una proporcin es homognea entre poblaciones.
Prueba de independencia:
Para ver si hay interrelaciones entre factores.
Prueba para verificar ajuste correcto (Goodnes of fit).

Para ver si los resultados de evaluacin siguen algn tipo de distribucin.
Consideracin:
Es necesario tener al menos 5 frecuencias en los datos para que la prueba de Chi-Square test pueda ser utilizada.
ANALYZE
A7- 14
Chi-Square test
Diferencia ente pruebas de independencia y pruebas de homogeneidad.
Por ejemplo, si so quiere conocer las correlaciones entre fumar y cncer de pulmn. Prueba de Independencia: Investigue si los pacientes de prueba fuman y tienen cncer de pulmn, Despus, realice pruebas si hay correlacin entre fumar y el cncer de pulmn.
Prueba de Homogeneidad: Divida los pacientes en dos grupos el primer grupo de fumadores y el otro de no fumadores. Despus , evaluar si hay alguna diferencia en la proporcin del cncer entre los dos grupos.
Un Prueba de Homogeneidad y prueba de independencia utilizan la misma estadstica de prueba, nosotros solo queremos utilizar la prueba de independencia.
ANALYZE
A7- 15
Chi-Square test
Ejemplo: Hay una fbrica que opera 4 mquinas. Durante cierto periodo de tiempo, experimentos aleatorios se llevan a cabo para inspeccionar el nmero de partes defectuosas para 54, 46, 60 y 40 veces respectivamente obteniendo los resultados de la tabla. Realice una prueba para ver si existe alguna diferencia en % defectuoso por mquina. (Archivo 03_DISCHT Chi.mtw)
Mquina
Defectivos Producto Bueno Total
1
6 48 54
2
14 32 46
3
13 47 60
4
7 33 40
Alguna mquina presenta mayor cantidad de defectos?

ANALYZE
Chi-Square test
Paso 1.- Establecer Hiptesis. Ho: p1 = p2=..=pk Ha: Al menos una proporcin es diferente. Cuando es prueba de independencia: Independiente. Dependiente. Paso 2.- Determinar nivel de significacin.
Generalmente, es 5%(=0.05). Si no se especifica en el problema use 5% en Minitab. En Minitab, el intervalo de confianza (1-) podr ser ingresada en vez del nivel de confianza . Ejemplo) Si is 5%, 95.0 se especifica como intervalo de confianza.
Paso 3.- Seleccionar estadstica de prueba: estadstica 2 ANALYZE

Chi-Square test
Paso 4.- Capturar datos en hoja de trabajo Paso 5.- Anlisis estadstico: Stat> Tables > Chi-Square test
Seleccionar las columnas de datos
ANALYZE
A7- 18
Chi-Square test
Paso 6.- Interpretar resultados.
Chi-Square Test: Mquina 1, 2, 3, 4 Expected counts are printed below observed counts 1 6 10.80 48 43.20 54 2.133 + 0.533 + 2 14 9.20 32 36.80 46 2.504 + 0.626 + 3 13 12.00 47 48.00 60 0.083 + 0.021 + 4 7 8.00 33 32.00 40 Total 40 Frecuencias Esperadas en la tabla de contingencia.
160
Total Chi-Sq =
200 Valor de 2
0.125 + 0.031 = 6.058
DF = 3, P-Value = 0.109
Como p-value=0.109 > 0.05, la hiptesis nula no se puede rechazar. Por lo tanto, no existe diferencia significativa en el porcentaje de defectos en las maquinas.
ANALYZE
A7- 19
Chi-Square test
Como calcular frecuencia esperada :
% defectuosos =
6 + 14 + 13 + 7 40 = = 0.2 54 + 46 + 60 + 40 200
Frecuencia esperada Frecuencia esperada Frecuencia esperada Frecuencia esperada Mquina

Defectuosos Producto Bueno Total
de defectos de la Mquina 1: 54 0.2 = 10.8 de defectos de la Mquina 2 : 46 0.2 = 9.2 de defectos de la Mquina 3 : 60 0.2 = 12 de defectos de la Mquina 4 : 40 0.2 = 8 1 2
14 (9.2) 32(36.8) 46
3
13 (12) 47(48) 60
4
7(8) 33(32) 40
6 (10.8) 48(43.20) 54
ANALYZE
A7- 20
Chi-Square test
Como Calcular 2.
Cuando la frecuencia esperada es Ei y la frecuencia (Defectos) es Oi, la estadstica de 2 es : 2
i =1
(O i E i ) 2 Ei
2 =
i
( Oi E i ) Ei
(6 - 10.8) 2 (14 - 9.2) 2 (13 - 12) 2 (7 - 8) 2 = + + + 10.8 9.2 12 8 (48 - 43.2) 2 (32 - 36.8) 2 (47 - 48) 2 (33 - 32) + + + + 43.2 36.8 48 32 = 6.058
Si la frecuencia esperada y la frecuencia observada son exactamente iguales , 2 es igual a 0. Si la frecuencia esperada y la frecuencia observada son similares, 2 es un valor pequeo. Si la frecuencia esperada y la frecuencia observada son significativamente diferentes, 2 es un valor grande.
ANALYZE
A7- 21
Chi-Square test
Tabla de distribucion F.
DF P = 0.05 P = 0.01 P = 0.001 3.84 6.64 10.83 1 5.99 9.21 13.82 2 7.82 11.35 16.27 3 9.49 13.28 18.47 4 11.07 15.09 20.52 5 12.59 16.81 22.46 6 14.07 18.48 24.32 7 15.51 20.09 26.13 8 16.92 21.67 27.88 9 18.31 23.21 29.59 10 19.68 24.73 31.26 11 21.03 26.22 32.91 12 22.36 27.69 34.53 13 23.69 29.14 36.12 14 25 30.58 37.7 15 26.3 32 39.25 16 27.59 33.41 40.79 17 28.87 34.81 42.31 18 30.14 36.19 43.82 19 31.41 37.57 45.32 20 32.67 38.93 46.8 21 33.92 40.29 48.27 22 35.17 41.64 49.73 23 36.42 42.98 51.18 24 37.65 44.31 52.62 25 DF 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 P = 0.05
38.89 40.11 41.34 42.56 43.77 44.99 46.19 47.4 48.6 49.8 51 52.19 53.38 54.57 55.76 56.94 58.12 59.3 60.48 61.66 62.83 64 65.17 66.34 67.51
P = 0.01
45.64 46.96 48.28 49.59 50.89 52.19 53.49 54.78 56.06 57.34 58.62 59.89 61.16 62.43 63.69 64.95 66.21 67.46 68.71 69.96 71.2 72.44 73.68 74.92 76.15
P = 0.001
54.05 55.48 56.89 58.3 59.7 61.1 62.49 63.87 65.25 66.62 67.99 69.35 70.71 72.06 73.41 74.75 76.09 77.42 78.75 80.08 81.4 82.72 84.03 85.35 86.66
DF P = 0.05 P = 0.01 P = 0.001 68.67 77.39 87.97 51 69.83 78.62 89.27 52 70.99 79.84 90.57 53 72.15 81.07 91.88 54 73.31 82.29 93.17 55 74.47 83.52 94.47 56 75.62 84.73 95.75 57 76.78 85.95 97.03 58 77.93 87.17 98.34 59 79.08 88.38 99.62 60 80.23 89.59 100.88 61 81.38 90.8 102.15 62 82.53 92.01 103.46 63 83.68 93.22 104.72 64 84.82 94.42 105.97 65 85.97 95.63 107.26 66 87.11 96.83 108.54 67 88.25 98.03 109.79 68 89.39 99.23 111.06 69 90.53 100.42 112.31 70 91.67 101.62 113.56 71 92.81 102.82 114.84 72 93.95 104.01 116.08 73 95.08 105.2 117.35 74 96.22 106.39 118.6 75
DF P = 0.05 P = 0.01 P = 0.001 97.35 107.58 119.85 76 98.49 108.77 121.11 77 99.62 109.96 122.36 78 100.75 111.15 123.6 79 101.88 112.33 124.84 80 103.01 113.51 126.09 81 104.14 114.7 127.33 82 105.27 115.88 128.57 83 106.4 117.06 129.8 84 107.52 118.24 131.04 85 108.65 119.41 132.28 86 109.77 120.59 133.51 87 110.9 121.77 134.74 88 112.02 122.94 135.96 89 113.15 124.12 137.19 90 114.27 125.29 138.45 91 115.39 126.46 139.66 92 116.51 127.63 140.9 93 117.63 128.8 142.12 94 118.75 129.97 143.32 95 119.87 131.14 144.55 96 120.99 132.31 145.78 97 122.11 133.47 146.99 98 123.23 134.64 148.21 99 124.34 135.81 149.48 100
ANALYZE
A7- 22
Chi-Square test
Calcular los valores crticos:
De la tabla de distribucin 2 , 2 0.005(3) = 7.82

Conclusin: 2 = 6.058 < 2 0.005(3) = 7.82, por lo tanto la hiptesis nula no puede rechazarse, entonces podemos afirmar que no existe diferencia significativa en el porcentaje de productos defectuosos entre mquinas.
Area de Aceptacin Area de Rechazo
1-
Valor estadstico 2( 6.058 )
Valor Crtico ( 7.82 )
ANALYZE
A7- 23
Ejercicios.
1.
Hay un proceso en el cual la manufactura es hecha de acuerdo a una SOP (operacin estndar). Se miden 120 muestras de un lote y se encuentran 15 defectuosas. Calcule a 95% el intervalo de confianza para el % de defectuosos. El % de defectuosos de un procesos es de 0.118. Se inspeccionan aleatoriamente 100 unidades de las cuales 9 son defectuosas. Podemos concluir que el proceso ha cambiado? (use =0.05) Dos compaas , A y B, abastecen materiales a un proceso. Para investigar la diferencia entre % de defectuosos debido a diferentes materiales de diferentes proveedores, se seleccionan aleatoriamente 120 y 150 unidades de la compaa A y B respectivamente. Se encuentran 12 y 9 unidades defectuosas respectivamente. Calcule el intervalo de confianza al 95%, para la diferencia en el % de unidades defectuosas entre la compaa A y B. Para el problema 3, podemos concluir que hay diferencia en el % de defectuosos entre compaas???. Realice la prueba con un nivel de aceptacion de =0.05.
2.
3.
4.
ANALYZE
A7- 24
Ejercicios.
5.
La fbrica que produce el producto A ha manufacturado 405 productos en total utilizando 4 mtodos diferentes de A1, A2, A3 y A4. Se realiza una inspeccin exterior, clasificndolos en productos buenos o malos. Se tomaron los siguientes datos. Realizar una prueba con =0.05 para determinar si hay diferencia en el % de defectuosos por mtodo de manufactura.
(Archivo 03_DISCHT Ejercicio 5.mtw)
Buenos Malos Total
A1 90 10 100
A2 86 9 95
A3 96 7 103
A4 88 19 107
ANALYZE
A7- 25
Ejercicios.
6. Una compaa de comida desarrollo 2 tipos de comida enlatada y realiz una
encuesta para saber que tipo de comida enlatada preferan sus clientes. Para investigar si hay preferencia de acuerdo a la edad, se encuestaron a clientes y se obtuvieron los siguientes resultados.
Puede usted concluir que hay diferencia entre el % de preferencia para el producto A y B de acuerdo a la edad? Realice la prueba con un nivel de aceptacin de =0.05. (Archivo 03_DISCHT Ejercicio 6.mtw)
Edad Menos de 20 20-30 30-40 40-50
Comida A 65 52 43 48
Comida B 58 86 41 58
Consultados 123 138 84 106
ANALYZE
A7- 26
IMPROVE
IMPROVE OVERVIEW INTRODUCCIN A IMPROVE
Introduccin a Improve
I1- 1
Objetivo
Objetivos:
Comprender el propsito de la fase de Mejora (Improve). Comprender los pasos de la etapa de Mejora (Improve). Determinar al estrategia de mejora basada en las caractersticas de Xs. Determinar la solucin ptima que puede lograr la meta del proyecto al implementar le estrategia de mejora. Verificar si la meta de un proyecto puede ser lograda con la solucin ptima determinada.
DEFINE
I1- 2
Introduccin
En la fase previa (Anlisis) , se identificaron las variables Vital Few Xs que afectan a nuestra Y( variable de salida) En la etapa de Mejora (Improve):
Se determina la solucin ptima basada en las variables Vital Few Xs.
Anlisis
Vital Few Xs
Mejora
Determinar Solucin ptima
Verificar Solucin ptima
Desarrollar estrategia de mejora
Optimizar las variables Vital Few Xs
Verificar Resultados
DEFINE
I1- 3
DMAIC Roadmap
Paso 11 :: Optimizar Xs Paso 11 Optimizar Xs Vital Few Vital Few
Elemento Crtico Caracterstica de X Generar alternativas Evaluar alternativas Seleccionar alternativas ptimas Planear experimento Conducir / analizar experimento Determinar punto de Ajuste ptimo Parmetro de operacin
Improve
Control
Paso 10 :: Desarrollar Paso 10 Desarrollar estrategia de mejora estrategia de mejora

Identificar caractersticas de las Xs Desarrollar Plan de Implementacin
Paso 12 :: Verificar Paso 12 Verificar Resultado Resultado

MSA Establecer tolerancia Planear Piloto Conducir Piloto Optimizacin Adicional No Evaluar Si Resumir el resultado
La finalidad de la etapa de Mejora (Improve) es establecer la solucin ptima para lograr las metas del proyecto.
DEFINE
I1- 4
Actividades en la fase de Mejora

Desarrollar estrategia de Desarrollar estrategia de mejora mejora Optimizar Xs Vital Few Optimizar Xs Vital Few Parmetro de Parmetro de operacin operacin Planear experimento Planear experimento Conducir y analizar Conducir y analizar experimento experimento Determinar punto de Determinar punto de ajuste ptimo ajuste ptimo Elemento crtico. Elemento crtico. Generar alternativas Generar alternativas Evaluar alternativas. Evaluar alternativas. Seleccionar las Seleccionar las alternativas ptimas alternativas ptimas Verificar Resultado Verificar Resultado
Identificar Identificar caractersticas de las Xs caractersticas de las Xs Desarrollar Plan de Desarrollar Plan de Implementacin Implementacin Parmetro de operacin. Parmetro de operacin. Elemento Crtico. Elemento Crtico.
MSA MSA Establecer tolerancia Establecer tolerancia Planear prueba piloto Planear prueba piloto Planear Planear Llevar acabo Llevar acabo Evaluar el Resultado Evaluar el Resultado Tomar acciones sobre el Tomar acciones sobre el resultado resultado
Estrategia de mejora Estrategia de mejora
Solucin ptima Solucin ptima
Resultado de verificacin Resultado de verificacin de solucin ptima de solucin ptima
Herramientas: DOE, RSM, Seleccin de alternativas Herramientas: DOE, RSM, Seleccin de alternativas
DEFINE
I1- 5
Estrategia de Mejora
Estrategia de Mejora:
Identificar caractersticas de las Xs para determinar la estrategia de mejora:
Factor
Planear Planear experimento experimento
Seleccionar mtodo de experimento Propsito del experimento DOE Planear experimento
Conducir // Conducir analizar analizar experimento experimento

Conducir experimento Analizar los datos
Determinar Determinar estado estado ptimo ptimo

Identificar los estados ptimos para las Xs Reproducir experimento
Caracterstica Caracterstica de X de X
Alternativa
Generar Generar alternativas alternativas

Generar alternativas
- Generar ideas - Evaluar Riesgo - Ejemplo
Evaluar Evaluar alternativas alternativas

Evaluar alternativas
- Seleccionar como evaluar - Establecer criterio de evaluacin - Evaluar alternativas potenciales
Seleccionar Seleccionar alternativas alternativas ptimas ptimas

Necesidad para toma de decisin estratgica.
DEFINE
I1- 6
Desarrollo de estrategia de mejora:
Cuando se tratan Xs que son Alternativas:
Si
Las Xs vitales son el problema del flujo de proceso (ej. Cuello de botella) Las Xs Vitales son dadas debido a la falta de operacin estndar Se puede identificar problemas especficos.
Optimizar el flujo de proceso.
Estandarizar proceso
Desarrollar una solucin Prctica
Herramientas: Lluvia de Ideas (Brainstorming), BenchMarking, Best Practice, Mapa de Proceso.
DEFINE
I1- 7
Desarrollo de estrategia de mejora:
Cuando se tratan Xs que son Factores:
Si
Las Xs Vital Few son continuas, y se desea predecirla salida de proceso para resolver un problema Las Xs son en su mayora continuos, pero pueden establecerse en varios niveles.
Desarrollar un modelo matemtico.
Determinar el estado ptimo de la combinacin de las Xs
Herramientas: DOE, Regresin Mltiple.

DEFINE
Introduccin a Improve I1- 8
IMPROVE
ALTERNATIVES SELECTION SELECCIN DE ALTERNATIVAS
Seleccin de Alternativas
I2-1
Objetivo
Objetivos:
Comprender como generar ideas creativas Generar alternativas considerando evaluacin de riesgos. Evaluar alternativas generadas y seleccionar la solucin estratgica ptima.
IMPROVE
I2- 2
Contenido
Seleccin de Alternativas:
Generar Alternativas Evaluar riesgo Probar las Alternativas Seleccionar Solucin ptima
IMPROVE
I2- 3
Generar Alternativas
Generar Alternativas:
Seleccionar Solucin ptima
Generar Alternativas Optimizar Producto/Pro ceso Estandarizar Proceso. Identificar solucin Actual
Evaluar Riesgo
Probar Alternativas
Process Map
Herramientas Grficas Anlisis de Capacidad Prueba de Hiptesis Selection Matrix Pay-Off Matrix
Brainstorming Pensamiento Creativo Benchmarking FMEA
Herramientas de evaluacin de riesgo FMEA
Prueba Piloto Plan de prueba Simulacin
IMPROVE
I2- 4
Mapa de Proceso.
El Mapa de Proceso se puede utilizar para: Describir el flujo de trabajo Actual. Identificar Alternativas en el flujo de trabajo actual. Remover redundancias, ciclos, pasos sin valor agregado, cuellos de botella. Promover actividades que racionalicen el flujo de proceso. Hacer el alojo de recursos mas simple.
Lo que pensamos ... Lo que es ... Lo que es ideal...
Lo que es posible...
IMPROVE
I2- 5
Brainstorming Lluvia de ideas:
Hace posible la generacin de ideas en corto tiempo. Juzgar y criticar ideas no es permitido. Reunir todas las ideas Desarrollo de ideas basada en la idea y creatividad de otras personas. Motivar a todos a participar.
+
IMPROVE
= IDEAS
I2- 6
Pensamiento Creativo:
Realicen preguntas que cuestionen y reten al proceso y mtodos:
Descubrir Reglas que deben destruirse: Quin Realiza el Trabajo? Otro puede realizar el trabajo? Donde se realiza el trabajo Puede realizarse en otra parte Que recursos se necesitan Donde se pueden conseguir recursos? Que otras cosas se pueden utilizar Cul es la condicin de trabajo a ser realizado? Se pueden cambiar las condiciones? Como se controla el trabajo? Que es valor agregado Que es lo que el cliente realmente quiere? Como el cliente utiliza el producto servicio?
Preguntas que generan pensamiento. Por que?, Quin?, Como?, Cuando?, Donde? Reemplazar?, Combinar?, Aplicar?, Corregir?, Aplicar? Remover?, Minimizar?, Maximizar?, Pensar Diferente? Reacomodar?
IMPROVE
I2- 7
BenchMarking :
Enfocarse en una posicin lder duradera. Identificar organizacin de nivel mundial, productos (bienes y servicios), y prcticas de negocio. Evaluar los factores para alcanzar un nivel de clase mundial. Integrar constantemente los conocimientos hacia el proceso y producto de la organizacin.
Desempeo
Desempeo Desempeo de nuestra de nuestra Compaa Compaa
p in Ga rac a ep S
Organizacin Organizacin sobre la cual se sobre la cual se har har Benchmarking Benchmarking
Corriente IMPROVE
Seleccin de Alternativas I2- 8
BenchMarking:
Interna:
Comparar procesos similares de diferentes departamentos dentro de una misma compaa.
Competitiva:
Investigar el proceso de la competencia y medir su satisfaccin del cliente y su parte de mercado.
Identificar que tan bien la competencia responde a las situaciones de cambio de mercado, necesidades del cliente y preferencias. Identificar que cliente piensa que nuestro producto o servicio es excelente. Identificar que tan bien su compaa satisface lo que es crtico para el cliente.
Funcional:
Enfocarse en organizaciones con procesos similares independientes de la industria que se trate.
Ejemplo practico:
Motorola hizo benchmark a Benneton cuando desarrollo el XX pager. Bennetton idenfic la preferencia de los clientes utilizando un sistema de computadoras instaladas por todo el mundo. Motorola introdujo un sistema parecido al Bennetton para identificar y reflejar inmediatamente la preferencia del pblico en nocin de estilo.
IMPROVE
I2- 9
Evaluar Riesgo
Evaluar Riesgo:
Generar Alternativas Optimizar Producto/Pro ceso Estandarizar Proceso. Identificar solucin Actual Evaluar Riesgo Probar Alternativas Seleccionar Solucin ptima
Process Map
Riesgos potenciales deben evaluarse antes de realizar pruebas o cambios al proceso.
IMPROVE
I2- 10
Evaluar Riesgo
Evaluar los riesgos asociados con cada alternativa antes de meterse a prueba.
Considere el punto de vista de:
Cliente: que defectos potenciales pueden ser causados al cliente por el un nuevo cambio de proceso no verificado? Socios de Negocios: ah algn detalle relacionado con los socios? Empleado: El nuevo cambio de proceso tendr impacto sobre la seguridad del empleado? Accionistas de Negocio: Quin entre los accionistas es afectado por el nuevo proceso y que impacto tiene?
IMPROVE
I2- 11
Evaluar Riesgo
Es necesario considerar dos aspectos de forma de aceptar un cambio exitosamente.
Calidad Tcnica de cambio sugerido. Aceptacin de solucin.
Calidad Tcnica Cliente Empleado
Se tomar el riesgo de exponer al cliente a los defectos potenciales? El nuevo proceso afecta la seguridad del empleado?
Aceptacin
El cliente aceptar el cambio?
El empleado aceptar el cambio?
El nuevo proceso tiene un Accionista de impacto negativo sobre la meta Los Accionistas principales de la empresa tales como costo y aceptarn el cambio? Negocio cronograma?
IMPROVE
I2- 12
Probar Alternativas
Probar Alternativas:
Process Map
IMPROVE
I2- 13
Probar Alternativas
Prueba Piloto.
Es un experimento realizado en la etapa inicial de un proceso o producto para predecir su comportamiento en base a los resultados obtenidos.
Opciones.
Cuando una alternativa esta compuesta por varios elementos, conducir pruebas para cada elemento por separado. Evaluar completa la solucin total. Probar si la solucin es robusta.
IMPROVE
I2- 14
Probar Alternativas
Plan de Prueba:
1. Terminar con evaluacin de riesgo de prueba piloto. 2. Desarrollar plan:
Definir detalles y alcance del piloto Seleccionar la poblacin considerando riesgo y conveniencia. Tiempo de organizacin. Identificar recursos necesarios, presupuesto, fuerza de trabajo, equipo. Definir objetivo. Establecer procedimiento de un nuevo proceso. Ejecutar el plan de coleccin de datos: Determinar que medir. Determinar como colectar los datos.
3.
IMPROVE
Probar Alternativas
Simulacin:
Es el proceso de disear y experimentar en un modelo basado en un
sistema real y llevar a trmino experiencias con el mismo con la finalidad de comprender el comportamiento del sistema o evaluar nuevas estrategias. los pasos para llevar a cabo un ejercicio de simulacin son los siguientes:
1. 2. 3. 4. 5. 6. 7. 8.
Explicar el objetivo de la prueba y procedimiento a todas las personas involucradas. Entrenar al equipo de trabajo. Correr prueba piloto y colectar los datos como se haya planeado. Verificar la eficiencia de la solucin. Identificar causas relacionadas adicionales que pueden reducir el defecto. Evaluar la prueba piloto en operacin. Sugerir soluciones practicas a pequeos problemas presentados en operacin. Verificar la eficiencia de la solucin.
Nota: En caso de existir problemas crticos suspender la aplicacin.
IMPROVE
I2- 16

Seleccionar Solucin ptima:
Process Map
IMPROVE
I2- 17

Criterio de MUSTs (deberes/Obligatorios):
Criterio de Deberes/Obligatorios MUSTs Criterio mnimo que debe ser tomado en cuenta:
CTQs del Cliente. CTQs de la compaa.
Compulsivo, medible y prctico. Ejemplo: La ley, poltica corporativa, requerimientos obligatorios del cliente, requerimientos obligatorios de la compaa, lmites de presupuesto (En otras palabras, no se tiene dinero o capital). Una forma de establecer criterio de obligatorios: Antes de realizar la etapa de Improve/Mejora establecer un criterio especfico y claro con ayuda del Champion y el cliente.
Slo las alternativas aprobadas deben ser consideradas.

IMPROVE

Matriz de Seleccin Basada en Criterio: Como desarrollar una Matriz de Seleccin Basada en Criterio:
1. 2. 3. 4. 5. 6. 7.
Desarrollar una lista de criterio que explique los completos requerimientos de proceso y negocio. Ponderacin relativa de cada criterio (10= mas importante, 1=menos importante). Seleccionar alternativa de una en una y medir la capacidad de satisfacer el criterio. Ponderacin relativa de cada alternativa en funcion del efecto sobre el criterio (10= mas importante, 1=menos importante). Multiplicar los valores asignados al criterio y la alternativa. Sumar los productos. Discutir los resultados. Seleccin de Alternativas I2- 19
IMPROVE

Matriz de Seleccin Basada en Criterio:
ALTERNATIVA 1
ALTERNATIVA 2 Score Weighted Score
ALTERNATIVA 3 Score Weighted Score
Criteria
Weight
Score
Weighted Score
Total
IMPROVE
I2- 20
Ejemplo
X2. Incrementar el % de seguimiento de confirmacin
Alternativa 1 (Falta de manpower) Contratar nuevos empleados Alternative 2 (Idle manpower) Expandir aplicacin de simple H_C Alternative 3 (Idle manpower) Usar solo el nmero de personas necesarias Must Criteria Criteria Incremento en el costo toal comparado al plan del 2002 Incremento en la cantidad total de personal comparado al plan del 2002 Alternative 1 fails to meet Must criteria Want Criteria Criteria Satisfaccin del cliente externo Implementar dentro del presupuesto disponible Apoyo a otras actividades Disatisfaccin del consejero de H_C Viabilidad WANT Total Weight 8 10 5 3 5 Alternative 2 Score 8 2 8 3 8 Weighted Score 64 20 40 9 40 173 Alternative 3 Score 6 10 4 5 8 Weighted Score 48 100 20 15 40 223 Alternative 1 Evaluation Alternative 2 Evaluation + + Alternative 3 Evaluation + +
IMPROVE
I2- 21

Matriz Pay-Off:
El pay-off matrix evala alternativas sugeridas comparando los esfuerzos necesarios y los beneficios esperados. Tambin, ayuda a comparar cada solucin bajo tal condicin.
Reevaluacin de alcance / Reconsiderar Debe Eliminarse
Alto
Alto
Implementar
Beneficio
Bajo Considerar Eliminar Bajo
Esfuerzo IMPROVE
Ejemplo
Ejemplo de Pay-Off Matrix
Seleccione las alternativas a implementar
Select [strongly recommended]
Re-establecer el proceso de recepcion A/S . Establecer nuevo sitema de entrenamiento N/W Manejar los peores materiales con mayor frecuencia de cambio o regreso Establecer sistema de aprobacin remota para cambios/regresos Entrenamiento del cliente sobre leyes de proteccin y regulaciones
Re-scoping / Reconsider [implement]

Incrementar el tiempo promedio de entrenamiento en CS/E Proveer entrenamiento de nuevos productos por producto Administrar desempeo por centro de marcas (SSQA evaluation) Analizar reclamos por tipo Trabajar en evitar recurrencia de reclamos
Alto
Beneficio Beneficio
Eliminate [consider elimination]

Re establecer el proceso para ajuste de oferta y demanda de materiales con problemas de oferta y Proveer precios de producto diferentes para A/S Estudiar mejores prcticas de servicio al cliente
Elimination [must eliminate]

Entrenamiento frecuente utilizando PDA Mejorar los fallas no defectuosas por producto Mejorar las habilidades tcnicas de reparacin Hacer Benchmark de centros con buen desempeo Entrenamiento va internet
IMPROVE
Bajo
Bajo
Esfuerzo
Alto
I2- 23
IMPROVE
DISEO DE EXPERIMENTOS FULL FACTORIAL DOE
Full Factorial DOE
I3- 1
Objetivo
Objetivos:
Comprender como planear un DOE y conocer la base terica. Aprender como atacar problemas comprendiendo como analizar los datos utilizando Minitab e interpretando el resultado de cada paso.
IMPROVE
Full Factorial DOE
I3- 2
Contenido
Diseos Factoriales 2n. Caractersticas de un Full Factorial. Efectos Principales. Interacciones. Crear Diseo Factorial. Anlisis de Datos en Minitab.
IMPROVE
Full Factorial DOE
I3- 3
Ejemplo de Experimento Factorial

Situacin : Aprender que los factores (variables de entrada) que influyen sobre el rendimiento (variables de salida) del proceso qumico por medio de las etapas de medicin y anlisis. Objeto de experimento: Decidir las condiciones ptimas de proceso que maximizan rendimiento entendiendo las relaciones de temperatura, concentracin, y catalizador con el rendimiento. Cada nivel de los factores:
A temperatura (): 160 & 180 B concentracin (%) : 20%, & 40% C catalizador : tipo A & tipo B
Mas adelante realizaremos el mtodo de experimento factorial con este ejercicio.
IMPROVE
Full Factorial DOE
I3- 4
Diseos Factoriales 2n
Arreglo de un diseo de 22
Se identifican los niveles bajos de factores como - o -1, y los altos como + o +1, por eso el arreglo normal del experimento factorial de 22 es como sigue:
Temperatura -1 +1 -1 +1
Concentracin -1 -1 +1 +1
IMPROVE
Full Factorial DOE
I3- 5
Significado del Nivel de Factores.
Experimento de 22:
A alto, B bajo +1(A),- 1(B) 0(A), 0(B) A alto, B alto +1(A), +1(B)
Punto central
A (concentracin)
A bajo, B bajo -1(A), -1(B)
A bajo, B alto -1(A), +1(B)
B (temperatura) Merito Defecto
Diseo breve Deben controlar solo 4 pruebas 1 Interaccin
Limita a la informacin sobre dos factores y sus interacciones. I3- 6
IMPROVE
Full Factorial DOE
Caractersticas del Arreglo de Factores. Balance : En el experimento anterior cada variable tiene un mismo numero de operaciones (run) en los niveles alto y bajo. La variable A tiene 2 operaciones (runs) en el nivel alto y 2 runs en el nivel bajo. Si suman todos de A, son (-1) + (+1) + (-1) + (+1) =0 . Esta propiedad hace que cada nivel de los variables influya igualmente en el resultado final, por lo cual hace fcil realizar el anlisis matemtico sobre este diseo.
Diseo de factores completos de variables de 2 Run 1 2 3 4 Order 1 a b ab A -1 +1 -1 +1 B -1 -1 +1 +1 AB +1 -1 -1 +1
IMPROVE
Full Factorial DOE
I3- 7
Ortogonalidad: El atributo ortogonalidad se hace para balancear los signos de + y de las columnas principales (A y B) mediante la multiplicacin de los signos de ambas columnas representada en una tercer columna (AB). En la tabla siguiente, la variable A tiene 2 datos en nivel alto y 2 datos en nivel bajo. Si se suman los productos de las columnas A y B, el resultado deber ser igual a cero (-1)(-1) + (+1)(-1) + (-1)(+1) + (+1)(+1) =0 . Diseo de factores completos de variables de 2 Run 1 2 3 4 Order 1 a b ab A -1 +1 -1 +1 B -1 -1 +1 +1 AB +1 -1 -1 +1 I3- 8
IMPROVE
Full Factorial DOE
Clculo de efectos principales e Interacciones.
Despus de obtener los datos que se muestran en la tabla mediante el experimento realizado a partir del ejemplo de proceso qumico, vamos a calcular los efectos principales e interacciones.
Orden del experimento 1 2 3 4 Temperatura -1 +1 -1 +1 Catalizador -1 -1 +1 +1 Rendimiento 60 72 52 83
IMPROVE
Full Factorial DOE
I3- 9
Clculo del Efecto de la Temperatura.
+1 52 83
Catalizador -1 60 -1 72 Temperatura +1
Efecto de temperatura = [ (suma de signos + ) - (suma de signos - ) ] ( +/- nmero de signos ) = [ ( 83 + 72 ) - ( 52 + 60 ) ] / 2 = 43/2 = 21.5
Con el paso de la temperatura baja aa la alta, el rendimiento Con el paso de la temperatura baja la alta, el rendimiento aumenta 21.5 en promedio. aumenta 21.5 en promedio. IMPROVE
Full Factorial DOE I3- 10
Clculo del Efecto del Catalizador
+1 52 83
Catalizador -1 60 -1 72 Temperatura +1
Efecto de catalizador = [ ( +suma de signos ) - ( -suma de signos ) ] / ( +/- nmero de signos ) = [ ( 52 + 83 ) - ( 60 + 72 ) ] / 2 = 3/2 = 1.5
Con el paso de la concentracin baja aa la alta, el rendimiento Con el paso de la concentracin baja la alta, el rendimiento aumenta 1.5 promedio. aumenta 1.5 promedio. IMPROVE
Main Effects Plot Grfica de efectos principales
Main Effects Plot (data means) for Rendimiento
-1
-1
75
Rendimiento
70
65
60
55
Temperatura
Catalizador
IMPROVE
Full Factorial DOE
I3- 12
Concepto de Interaccin.
Acabamos de calcular los efectos principales de este experimento. Es decir, averiguamos cada efecto de la temperatura y el catalizador. Tenemos inters en el efecto de la combinacin de dos factores, o sea hay efecto especial de acuerdo con la combinacin de cada factor aparte de los efectos de cada factor?
Interaccin: Es el efecto resultante de la combinacin de nivel de 2 o mas factores. Existencia de interacciones : En caso de que el efecto de un factor cambia como consecuencia del cambio del nivel de otro factor, existe un efecto de interacciones.
IMPROVE
Full Factorial DOE
I3- 13
Existencia de Interacciones.
Rendimiento Rendimiento +1 B=+1 +1 -1 B=-1 -1 -1 +1 A -1 -1 +1 A +1 +1 B=+1 B=-1 -1
Estado en que no hay interacciones
Estado en que hay interacciones I3- 14
IMPROVE
Full Factorial DOE
Existencia de Interacciones
Rendimiento +1 B=+1 +1 -1 B=-1 -1 -1 +1 A
Existe una interaccin muy grandes entre estas dos variables
IMPROVE
Full Factorial DOE
I3- 15
Calculo de efecto de interacciones.
El efecto de interacciones se calcula exactamente como los efectos principales. Primero se define el contraste El contraste de interacciones resulta de multiplicar cada factor. El contraste de interacciones de temperatura X catalizador se calcula multiplicando el contraste de la temperatura por el de catalizador.
Temperatura -1 +1 -1 +1 Catalizador -1 -1 +1 +1 Temp. X cat. +1 -1 -1 +1
IMPROVE
Full Factorial DOE
I3- 16
Clculo de efecto de interacciones.
Temperatura -1 +1 -1 +1 Catalizador -1 -1 +1 +1 Temp. X cat. +1 -1 -1 +1 Rendimiento 60 72 52 83
Efecto de la interaccin de Temp.catalizador = [ ( +suma de signos ) - ( -suma de signos ) ] / ( +/- nmero de signos ) = [ ( 60 + 83 ) - ( 52 + 72 ) ] / 2 = 19/2 = 9.5 El efecto de interacciones de la temperatura y el catalizador es 9.5. Cual es la condicin ptima de la temperatura y el catalizador en el proceso qumico?
IMPROVE
Full Factorial DOE
I3- 17
Arreglo de un diseo de 23
El arreglo normal del experimento factorial de 23:
Temperatura Concentracin -1 -1 +1 +1 -1 -1 +1 +1 Catalizador -1 -1 -1 -1 +1 +1 +1 +1 -1 +1 -1 +1 -1 +1 -1 +1
El experimento El experimento factorial de 233 factorial de 2 incluye el de 222. incluye el de 2 .
IMPROVE
Full Factorial DOE
I3- 18
Experimento Factorial de 23.
+1 B -1 -1 Merito
Diseo breve 3 interacciones de 2 factores No confounding (confusin entre factores)
+1 C A +1 -1 Defecto Se permite 3 factores Necesitan 8 experimentos
IMPROVE
Full Factorial DOE
I3- 19
La matriz siguiente muestra interacciones entre las variables llamadas efectos principales A,B,C y los calculados por tales variables. La columna AB (se llama generalmente interaccin de 2 factores) se obtiene por multiplicar la columna A por B. La columna ABC(Interaccin de 3 factores) se obtiene por multiplicacin de todos A, B, C . Todo experimento factorial completo se pueden ampliar utilizando este mtodo.
A -1 +1 -1 +1 -1 +1 -1 +1 B -1 -1 +1 +1 -1 -1 +1 +1 C -1 -1 -1 -1 +1 +1 +1 +1 AB +1 -1 -1 +1 +1 -1 -1 +1 AC +1 -1 +1 -1 -1 +1 -1 +1 BC +1 +1 -1 -1 -1 -1 +1 +1 ABC -1 +1 +1 -1 +1 -1 -1 +1
IMPROVE
Full Factorial DOE
I3- 20
Clculo de efecto de interacciones:
Suponga que despues de realizar los experimentos se obtienen los siguientes resultados de rendimiento:
Temp(A) Con (B) Cat (C) AxB
+1 -1 -1 +1 +1 -1 -1 +1
AxC
+1 -1 +1 -1 -1 +1 -1 +1
CxB
+1 +1 -1 -1 -1 -1 +1 +1
AxBxC
-1 +1 +1 -1 +1 -1 -1 +1
Y 60 72 54 68 52 83 45 80
-1 +1 -1 +1 -1 +1 -1 +1
-1 -1 +1 +1 -1 -1 +1 +1
-1 -1 -1 -1 +1 +1 +1 +1
IMPROVE
Full Factorial DOE
I3- 21
Efecto de la Temperatura
Factor Suma de - Suma de + Diferencia Efecto Efecto de la Temperatura = [ ( +suma de signos ) - ( -suma de signos ) ] / ( +/- nmero de signos ) = [ ( 72 + 68 + 83 + 80 ) - ( 60 + 54 + 52 + 45 ) ] / 4 = 92/4 = 23 Con el paso de la temperatura baja aala alta, el rendimiento aumenta por Con el paso de la temperatura baja la alta, el rendimiento aumenta por medio 23. medio 23. Temp 211 303 92 23 Con Cat
IMPROVE
Full Factorial DOE
I3- 22
Efecto de la Concentracin
Factor Suma de - Suma de + Diferencia Efecto Efecto de la Concentracin = [ ( +suma de signos ) - ( -suma de signos ) ] / ( +/- nmero de signos ) = [ (54 + 68 + 45 + 80 ) - (60 +72 + 52 + 83) ] / 4 = -20 / 4 = -5
medio disminuye 5. medio disminuye 5.
Temp 211 303 92 23
Con 267 247 -20 -5
Cat
Con el paso de la concentracin del 20% al 40% el rendimiento por Con el paso de la concentracin del 20% al 40% el rendimiento por Full Factorial DOE I3- 23
IMPROVE
Efecto del Catalizador
Factor Suma de - Suma de + Diferencia Efecto Efecto de la Catalizador = [ ( +suma de signos ) - ( -suma de signos ) ] / ( +/- nmero de signos ) = [ (52 + 83 + 45 + 80 ) - (60 +72 + 54 + 68) ] / 4 = 6 / 4 = 1.5 Con la substitucin del catalizador de tipo A en tipo B, el rendimiento Con la substitucin del catalizador de tipo A en tipo B, el rendimiento
por medio aumenta 1.5 por medio aumenta 1.5
Temp 211 303 92 23
Con 267 247 -20 -5
Cat 254 260 6 1.5
IMPROVE
Full Factorial DOE
I3- 24
Contraste de Interacciones
A -1 +1 -1 +1 -1 +1 -1 +1 Suma - Suma + Diferencia Efecto Promedio 211 303 92 23 B -1 -1 +1 +1 -1 -1 +1 +1 267 247 -20 5 C -1 -1 -1 -1 +1 +1 +1 +1 254 260 6 1.5 AB +1 -1 -1 +1 +1 -1 -1 +1 254 260 6 1.5 AC +1 -1 +1 -1 -1 +1 -1 +1 237 277 40 10 BC +1 +1 -1 -1 -1 -1 +1 +1 257 257 0 0 ABC -1 +1 +1 -1 +1 -1 -1 +1 256 258 2 0.5 Y
60 72 54 68 52 83 45 80
IMPROVE
Full Factorial DOE
I3- 25
Crear Diseo Factorial

Crear Diseo Factorial.
Para realizar el ejemplo de Temperatura, Concentracin y Catalizador, se tiene que especificar un modelo de 3 factores a 2 niveles. 23 = 8 experimentos. Stat > DOE > Create Factorial design.
Aqu se puede consultar diseos disponibles Especificar Cantidad de Factores de DOE
IMPROVE
Full Factorial DOE
I3- 26

Diseos disponibles de DOE
En este caso son 3 factores por lo que se puede seleccionar 2 tipos de modelos de DOE
No se recomienda utilizar los modelos en Rojo Los modelos en Amarillo son Aceptables pero no tan buenos como los modelos en verde
IMPROVE
Full Factorial DOE
I3- 27

Seleccin de diseo Full Factorial o Fraccional
El diseo fraccional disponible es de solo 4 experimentos. El diseo Full Factorial consta de 8 experimentos
En Este caso se seleccionar el diseo Full Factorial
Caractersticas diseo.
del
Realizar el experimento factorial completo de 3 variables con 8 runs. Primero se debe configurar el nmero de factores. Si presiona el botn de design, aparece la imagen abajo. Se destaca la lnea de factorial completo.
IMPROVE
Full Factorial DOE
I3- 28

Declaracin de Factores.
Aqu se Puede especificar el nombre de los factores y sus niveles.
Una vez seleccionado el diseo de DOE se activan las opciones de Factors.., Options y Results
Configurando nombre y nivel de los factores de experimento, concretar modelo. En el caso de este experimento, el nmero de factores es 3 y los niveles son respectivamente 2.
IMPROVE
Full Factorial DOE
I3- 29

Establecer Opciones
Al realizar un experimento se recomienda que se active Randomize Runs
En el caso de un experimento normal, se utiliza Randomize runs seleccionado desde el men de opciones. Esta opcin genera aleatoriamente la matriz de diseo en las hojas de trabajo. En caso no seleccionar esta opcin, el diseo se mostrar con el orden de arreglo normal.
IMPROVE
Full Factorial DOE
I3- 30

Resultados
Aqu se puede seleccionar la informacin que se desplegara acerca del diseo factorial
IMPROVE
Full Factorial DOE
I3- 31

Tabla de datos generada por Minitab.
Al terminar de especificar las caractersticas del diseo factorial aparece en la hoja de trabajo el diseo de experimentos:
En este caso StdOrder y RunOrder son idnticos debido a que se desactiv la opcin de Randomize Runs al momento de especificar las caractersticas del diseo factorial.
IMPROVE
Full Factorial DOE
I3- 32

Si se activa Randomize Runs la tabla de diseo factorial a parece de la siguiente forma:
StdOrder significa el Orden Estandar que es el orden donde los Factores siguen un patrn normal. RunOrder es Orden de corrida (experimento) lo que indica que experimento se debe hacerse primero, si se observa la tabla se notar que siempre es en orden ascendente.
IMPROVE
Full Factorial DOE
I3- 33

Se recomienda ampliamente hacer el experimento lo ms aleatoriamente posible, para eliminar variables ruido que puedan afectar el experimento. Utilice Randomize Runs siempre que sea posible. Para Objetos del ejercicio de este manual y facilitar la captura de datos no lo utilizaremos.
IMPROVE
Anlisis de datos en Minitab

Pasos para realizar un DOE.
En este caso el problema es que se tiene un rendimiento pobre. Las variables de entrada son Temperatura, Concentracin y Catalizador. Los niveles son:
A temperatura (): 160 & 180 B concentracin (%) : 20%, & 40% C catalizador : tipo A & tipo B
Definir problema Seleccionar las variables de salida y los de entrada Seleccionar nivel de las variables de entrada Seleccionar DOE Realizar experimento y coleccionar datos Analizar datos Conclusin y propuesta I3- 35
Se ha seleccionado un diseo Full Factorial de 3 factores a dos niveles : 23

Repetir el experimento en caso necesario
IMPROVE
Full Factorial DOE

Anlisis de Datos en Minitab.
1. 2. 3.
Introducir los datos en Minitab. Comprobar normalidad . Grficas de efecto principal (main effects plot), interacciones (interaction plots) y de cubo cube plot.
4. 5. 6. 7.
Grficas de probabilidad normal de efectos Salida de Minitab (tabla de anlisis de dispersin) Modelo Matemtico. Optimizar Respuesta.
IMPROVE
Full Factorial DOE
I3- 36

1. Introducir los datos en Minitab:
Una vez realizado los experimentos segn el run order debe registrarse el rendimiento que se obtuvo en cada caso.
IMPROVE
Full Factorial DOE
I3- 37

2. Comprobar Normalidad:
Primero verificar si los datos siguen una distribucin normal. En caso de que datos no sigan una distribucin normal, utilizar otro mtodo de anlisis:
En caso de que los datos se distribuyen slo en una parte: Cambio de Box-Cox Datos que no convienen en el cambio de Box-Cox: Utilizar Nonparametrics Mtodo de comprobar normalidad:
Utilizar: Stat>Basic Statistics>Normality Test Utilizar: Graph>Probability Plot
IMPROVE
Full Factorial DOE
I3- 38

Prueba de normalidad
MINITAB: Stat > Basic Statistics > Normality test.
Seleccionar la variable de salida, en este caso es yield. Si p>0.05 se dice que los datos siguen una distribucin normal.
.999 .99 .95
Probability
.80 .50 .20 .05 .01
Como p = 0.823 > 0.05, entonces se dice que los datos de rendimiento siguen una distribucin normal.
.001 44
Average: 64.25 StDev: 13.7191 N: 8
54
64
74
84
Yield
Anderson-Darling Normality Test A-Squared: 0.199
P-Value: 0.823
IMPROVE
Full Factorial DOE
I3- 39

Probability Plot:
Graph > Probability plot
Todos los datos se encuentran dentro de los lmites de confiabilidad, los datos siguen la distribucin normal.
Normal Probability Plot for Yield
ML Estimates - 95% CI
99
ML Estimates
Mean 64.25 12.8331 StDev
95 90 80 70 60 50 40 30 20 10 5
Goodness of Fit
AD* 1.486
Seleccionar la variable de salida, en este caso es yield.
Percent
1 20 30 40 50 60 70 80 90 100 110
Data
IMPROVE
Full Factorial DOE
I3- 40

3. Graficas de Efectos Principales Main Effects Plot
MINITAB: Stat >DOE > Factorial Plots.
Seleccionar la variable de salida, en este case yield Seleccionar las 3 Grficas de la forma de Factorial Plots
Seleccionar las tres variables de entrada.
Hacer el mismo Setup para cada grfica (Main effects, Interaction plot y cube plot)
IMPROVE
Full Factorial DOE
I3- 41

Main Effects Plot (data means) for Yield
3. Main effects Plot

-1 1 -1
Entre Mayor sea la abertura de la recta sobre el eje de las Y, significa que ese factor tiene mayor efecto sobre la salida.
1 -1 1
75
70
Yield
65
60
55 Temp Con Cat
Efecto de la temperatura: La primera grfica muestra que con el paso del nivel bajo al alto, el rendimiento aumenta considerablemente. Efecto de la concentracin: En la segunda grfica se muestra que en el paso del nivel bajo al alto, el rendimiento disminuye. Efecto del catalizador: En este caso la transicin entre niveles no es muy significante.
IMPROVE
Full Factorial DOE
I3- 42

3. Interaction Plots:
Interaction Plot (data means) for Yield
-1 1 -1 1
Temp
1 -1
80
65
50
No hay interaccin significativa entre Temperatura y Concentracin.
Con
1 -1
80
65
50
Cat
Hay interaccin significativa entre Temperatura y Catalizador
No hay interaccin significativa entre Concentracin y Catalizador
IMPROVE
Full Factorial DOE
I3- 43

Interaction Plots Utililidad de la informacin de interacciones
Cuando las rectas de una grfica de interaccin tienden a cruzarse significa que esos dos factores presentan una interaccin. Entre mas cerca sea el ngulo de cruce a 90 grados significa que hay una mayor interaccin Cuando las rectas son paralelas entre si, significa que no hay interaccin entre los factores.
Interaction Plot (data means) for Yield
Temp
En el caso de la temperatura y Catalizador se puede observar que no se cruzan las recta pero si se extienden se cruzaran en algn punto.
80
-1 1
70
Mean
60 50 -1 1
Cat
IMPROVE
Full Factorial DOE
I3- 44

Interaction Plot... Opciones. MINITAB: Stat > DOE > Factorial Plots .. (Interaction plot Setup)
IMPROVE
Full Factorial DOE
I3- 45

Interaction plot Opciones
Expresan cambiando el eje de X y Y. Pueden saber seguramente el efecto de interacciones de la temperatura y el catalizador.
IMPROVE
Full Factorial DOE
I3- 46

3. Cube Plot
Temp = +1 Con = -1 Cat = +1 Son las condiciones que presentan mayor rendimiento
Esta grfico se utiliza para visualizar fcilmente la distribucin de los datos de reaccin (salida).
IMPROVE
Full Factorial DOE
I3- 47

4. Analizar Diseo Factorial.
MINITAB: Stat > DOE > Analyze Factorial Design..
IMPROVE
Full Factorial DOE
I3- 48

Especificacin de graficas para Anlisis de DOE.
Seleccionar Normal y Pareto. Nivel de significancia Opciones Grficas residuos para de
IMPROVE
Full Factorial DOE
I3- 49

Especificacin de trminos a considerar en el anlisis.
El nivel de los trminos va en funcin de la cantidad de factores que comprenda.. Ejemplo: ABC = 3er nivel AC = 2do nivel A = Efecto Principal (1er nivel)
Selecciona desde los trminos principales a los trminos del nivel seleccionado.
IMPROVE
Full Factorial DOE
I3- 50

Anlisis estadstico de DOE
Se seleccionan los factores y las interacciones sobre las cuales se desea analizar estadsticamente.
IMPROVE
Full Factorial DOE
I3- 51

Estudio de resultados de Anlisis de diseo factorial
Normal Probability Plot of the Standardized Effects
(response is Yield, Alpha = .10) A: Temp B: Con C: Cat
1
AC
N ormal Score
-1
B
El Factor A interaccion (temp y presentan influencia rendimiento

0 10 20 30 40
(temp) y la entre AC Catalizador) mayor sobre el
-10
Standardized Effect
Entre mas lejos se encuentre de la lnea normal al nivel de confianza ( =10%), el efecto ser mayor. El clculo se realiza automticamente en Minitab, si se da el nivel significante. los efectos de temperatura, temperatura x catalizador, concentracin son significantes. La concentracin se mueve del nivel bajo al alto, esto significa la reduccin de rendimiento.
IMPROVE
Full Factorial DOE
I3- 52

Estudio de resultados de Anlisis de diseo factorial
Pareto Chart of the Standardized Effects
(response is Yield, Alpha = .10) A: Temp B: Con C: Cat
AC
AB
El Factor A (temp) y la interaccion entre AC (temp y Catalizador) y el factor B (concentracion), pueden considerarse como los factores de mayor efecto sobre el rendimiento.
BC
Cuando el nivel de la variable es superior al nivel de confianza ( =10%)se concluye que el efecto es significante
10
20
30
40
IMPROVE
Full Factorial DOE
I3- 53

Resultado se Anlisis Estadstico
Fractional Factorial Fit: Yield versus Temp, Con, Cat Estimated Effects and Coefficients for Yield (coded units) Term Constant Temp Con Cat Temp*Con Temp*Cat Con*Cat Effect 23.000 -5.000 1.500 1.500 10.000 -0.000 Coef 64.250 11.500 -2.500 0.750 0.750 5.000 -0.000 SE Coef 0.2500 0.2500 0.2500 0.2500 0.2500 0.2500 0.2500 T 257.00 46.00 -10.00 3.00 3.00 20.00 -0.00 P 0.002 0.014 0.063 0.205 0.205 0.032 1.000
Los Trminos que presentan un valor de p menor a 0.05 se consideran para el modelo matemtico de DOE.
Analysis of Variance for Yield (coded units) Source Main Effects 2-Way Interactions Residual Error Total DF 3 3 1 7 Seq SS 1112.50 204.50 0.50 1317.50 Adj SS 1112.50 204.50 0.50 Adj MS F 370.833 741.67 68.167 136.33 0.500 P 0.027 0.063
Entre los resultados arriba, cuales variables son significantes?
IMPROVE
Full Factorial DOE
I3- 54

En el ejemplo de rendimiento, entre mayor sea el rendimiento es mejor, pero supongamos que la meta es el 80%. En base a los coeficientes obtenidos en la etapa anterior se obtiene la siguiente ecuacin.
Y = 64.25+11.5A 2.5B + 0.75C + 0.75A* B + 5.0A*C

En donde: A= temperatura, B= concentracin, C= catalizador Ahora, se pueden calcular los valores de las variables ABC para los cuales el resultado (Y) sea del 80 % mediante la solucin matemtica de una ecuacin de tres incgnitas. Una regla general alternativa : Empezar desde la variable menos flexible (nivel disperso). Bajen gradualmente hasta una variable mas flexible (continuo).
IMPROVE
Full Factorial DOE
I3- 55

El catalizador es una variable continua, si empiezan con esta variable, el rendimiento se acerca al 80%. Para lo cual es bueno ubicar el catalizador en el nivel alto, se hace C = +1 (se utiliza catalizador tipo B) y la temperatura en el nivel bajo, si B = -1 (concentracin 20%) la temperatura es alta cuando el nivel A = +1(180C), el rendimiento = 4.75%, y cuando el nivel de temperatura es bajo A=-1(160 C), el rendimiento es = 49.5 , por lo tanto un valor entre 1 y +1 satisface el rendimientno =80%. Si asignamos B=-1, C=1, A (temperatura) en incgnita, se calcula el valor de A para el cual el rendimiento es igual al 80%. Introduciendo los datos en la ecuacin anterior se obtiene:
Despejando la incgnita A: A= 12.5/15.75 =0.793 . Es decir, establezcan temperatura 177.93 C.
( 180-170 ) ( (+1)- 0 )
10 X = 1 = 0.793
160C
X= 7.93 >>> 170+7.93 = 177.93 C 177.93 C
170C
180C
TemperaturaValor real Valor signalizado

-1 0 0.793 +1
IMPROVE
Full Factorial DOE
I3- 56

Response optimizer
MINITAB : Stat > DOE > Factorial> Response Optimizer.. Una vez establecido el modelo matemtico se puede utilizar el response optimizer para maximizar, minimizar o buscar un punto en especifico.
Seleccionar: Minimizar (punto mnimo) Target (punto en especfico) Maximizar (punto mximo)
IMPROVE
Full Factorial DOE
I3- 57

Resultados del optimizador de respuesta.
El Response Optimizer nos dice que para obtener un rendimiento de 83.250, nosotros debemos poner la temperatura en nivel +1 (180 C), La concentracin en nivel -1 (20%) y usar el catalizador +1 ( Tipo B).
IMPROVE
Full Factorial DOE
I3- 58
CONTROL
CONTROL OVERVIEW INTRODUCCIN A CONTROL
Control Overview
C1- 1
Objetivo
Objetivos:
Confirmar los factores vitales para llevar acabo planes de control. Definir proceso y planes de control de proceso. Introducir planes de control definidos y confirmar si los resultados de mejora continan. Calcular las ganancias del proyecto. Documentar / Estandarizar los puntos clave de los resultados de proyecto y transferir/compartir mejoras Compartir resultados de proyecto con los miembros de equipo/campen/directivos de divisin, y declarar el proyecto terminado.
IMPROVE
Control Overview C1-2
Que es la fase de control

Es la fase en la cual se observa el proceso basado en un sistema de control sistemtico para mantener/controlar continuamente un proceso despus de haber sido optimizado Es la fase que ataca el como mantener de forma eficiente la mejora de proceso, una vez que la fase de mejora haya sido completada. Para mejora y estabilidad de la calidad: Controlar las variables de salida. Controlar las variables de entrada. se planea y se lleva acabo en esta fase
IMPROVE
DMAIC Roadmap
Paso 14: Ejecutar plan de Paso 14: Ejecutar plan de control control
Ejecutar control
Improve
Control
Paso 13 :: Establecer plan Paso 13 Establecer plan de control de control

Identificar temas de control
Temas : Ys, Vital Few Xs, Trivial many Xs Herramientas : Update FMEA, Brainstorming,
Paso 15 :: Documentar // Paso 15 Documentar Compartir Compartir

Identificar efecto
Efecto Financiero / o no financiero
Monitoreo accin
Otros efectos
Establecer estrategia de control

Determinar como controlar Controlar Frecuentemente
Documentacin Estable? No
Reporte de Cumplimiento
Transferencia / Compartir
Establecer plan de control

. Control Plan
El propsito de la etapa de Control es mantener las mejoras implementadas en la etapa de Mejora (Improve)
IMPROVE
Control Overview
C1-4
Actividades en la fase de Control

Establecer plan de control Establecer plan de control
Identificar temas de control Identificar temas de control Confirmar y seleccionar las Confirmar y seleccionar las entradas crticas, y variables de entradas crticas, y variables de salida. salida. Seleccionar las unidades de Seleccionar las unidades de control control Definir estndar de desempeo Definir estndar de desempeo Establecer estrategia de control Establecer estrategia de control Definir mtodos de control Definir mtodos de control Auto control Auto control Establecer plan de control Establecer plan de control Preparar plan de control Preparar plan de control
Ejecutar plan de control Ejecutar plan de control Ejecutar controles/ tomar Ejecutar controles/ tomar acciones acciones Medir los artculos a Medir los artculos a controlar. controlar. Comparar el desempeo Comparar el desempeo medido contra el desempeo medido contra el desempeo del Baseline del Baseline Acciones para la Acciones para la separacin separacin Confirmar la seguridad de Confirmar la seguridad de proceso proceso
Documentar // Compartir Documentar Compartir

Identificar efectos Identificar efectos Efectos financieros y no Efectos financieros y no financieros financieros Documentacin Documentacin Revisar el estatus de proceso Revisar el estatus de proceso para su transferencia. para su transferencia. Confirmar dueo de proceso Confirmar dueo de proceso Documentacin. Documentacin. Transferir // Compartir Transferir Compartir Aprobacin del Campen Aprobacin del Campen Entregar Resultados // Entregar Resultados Compartir Compartir
Plan de Control Plan de Control
Grficas de control Grficas de control Anlisis de Capacidad Anlisis de Capacidad de proceso de proceso
Reporte Final de Reporte Final de Efecto Financiero // Efecto Financiero No financiero No financiero
Herramientas: FMEA, brainstorming, metodologa de mistake-proofing, Grficas de Control, Check-sheet, Herramientas: FMEA, brainstorming, metodologa de mistake-proofing, Grficas de Control, Check-sheet, Anlisis de Capacidad de proceso, Tcnicas de creacin de documentos tcnico, Tcnicas de presentacin. Anlisis de Capacidad de proceso, Tcnicas de creacin de documentos tcnico, Tcnicas de presentacin.
IMPROVE
Control Overview
C1-5
Plan de control de proceso

Plan de control de proceso:
Definir el proceso a controlar. Establecer un plan para controlar el proceso. Identificar los factores vitales al realizar el plan de control. Incluir hojas de datos en el plan de control. Proponer medidas para monitoreo en el plan de control de proceso. Mostrar la importancia de ofrecer un posible control de proceso.
IMPROVE
Control Overview
C1-6

Qu es el proceso?
Proceso
Mtodo Mano de obra Mquina
x1 x1 x3 .. x3 x x1 x2 x3 .. x3 x x2
Entrada
x2
x3 x
.. x3 x ..
Salida
Y de Proceso
x2
x1
x2
Material
Medicin Ambiente
El proceso se compone de:

5Ms + 1E : Man, Method, Machine, Material, Measurement, Environment.
O tambin:
4Ps: Polticas, Procedimientos, Planta, Persona. En estas categoras se incluyen todas las variables que influyen en el proceso para obtener un resultado.
IMPROVE
Control Overview
x1
x1
x2
C1-7

Modelo de plan de control de proceso:
Seal de Retroalimentacin
Proceso
Mtodo Mano de obra Mquina
Entrada
x1
x2
x1 x3 .. x3 x
x1 x2 x3 .. x3 x
x2
Punto de retroalimentacin o control
x3 x
.. x3 x ..
x2
x1
x2
Material
Medicin Ambiente
X Retroalimentacin de Monitoreo ( realizar monitoreo de Xs siempre cuando sea posible)
El plan de control nos asegura la permanencia de las mejoras implementadas en la etapa de mejoramiento.
IMPROVE
Control Overview
x1
x1
x2
Salida
Y de Proceso
C1-8

Punto de Control de Seal:
Es el punto de donde el encargado de proceso toma medidas para mantener al proceso en el estado que desea.
Seal de retroalimentacin:
Es el indicador utilizado para monitorear el efecto de las mejoras implementadas cuando no alcanza el valor esperado. FTY que no alcanza el valor esperado. Porcentaje de defectos no mejorado. No se logra la cantidad deseada. COPQ que no alcanza la cantidad esperada. Tendencia de datos que exceden puntos determinados
IMPROVE
Control Overview
C1-9

Realizacin del control de Proceso: Documentacin
La documentacin se relaciona con todos los factores.
Desarrollo
Confirmar la Y para control Confirmar la Y para control Confirmar Xs importante Confirmar Xs importante para para control control Definicin de tcnica Definicin de tcnica Mistake Proofing Mistake Proofing Control de sistema Control de sistema Aprobacin Aprobacin otros otros Establecer monitoreo Establecer monitoreo adecuado adecuado monitoreo Y monitoreo Y monitoreo Xs importante monitoreo Xs importante
Monitoreo
Confirmar seal de Confirmar seal de monitoreo monitoreo Posicin de monitoreo Posicin de monitoreo Manera de monitoreo Manera de monitoreo Tipo de datos Tipo de datos Frecuencia de Frecuencia de monitoreo monitoreo Confirmar eficiencia Confirmar eficiencia
Seal de Retroalimentacin
si No medidas no Decidir medidas Realizar medidas Aprobar medidas
Seal
OK
IMPROVE
Control Overview
C1-10

Estabilidad de Proceso:
La estabilidad de proceso es la capacidad de pronstico de un proceso en funcin del tiempo. El diagrama de run chart es una de las mejores formas de graficar la estabilidad de un proceso.
Promedio
Promedio
Proceso A
Proceso B
El proceso A es ms estable que el proceso B.

IMPROVE

Proceso que puede controlarse:
El plan de control supone que el proceso no se ver afectado por algn cambio inesperado. En general el monitoreo no detecta cambios inesperados .
5.9 5.8 5.7 5.6 5.5 5.4 5.3 5.2
Limite de medidas
Nivel esperado de capacidad
10
15
20
25
Si este proceso se monitorea a cada quinto incidente, el cambio inesperado no se encuentra, y concluimos que el mejoramiento se mantiene bien. En realidad este proceso no se controla bien.
IMPROVE
Control Overview
C1-12

Proceso que puede controlarse
Lmite superior Promedio Ejemplo 1 Meta
Lmite inferior
Lmite superior Ejemplo 2 Meta Promedio
Lmite superior
Cul proceso est en el estado de control? IMPROVE


Plan de control de proceso:
El plan para controlar el proceso se basa en los efectos de largo plazo del proyecto. La documentacin tiene como objetivo confirmar si se lleva a cabo el plan de control tal y como se diseo. El monitoreo del plan de control requiere constante retroalimentacin. Al disear un plan adecuado de monitoreo de un proceso, deber considerarse la importancia de la capacidad y la estabilidad del proceso. El diagrama de run es una herramienta para probar si controlar el proceso. es posible
IMPROVE
Control Overview
C1-14

Ejemplo de Plan de control de Proceso:
No Control item Spec. Measu Measuring Measuring cycle Recording ring method frequency Size method Piece Surfscan Check 2 once/shift sheet/ pieces control chart once/shift Check 2 sheet/ pieces control chart Check 100% sheet/ control chart Check 100% sheet/ control chart Check 100% sheet/ control chart Check 100% sheet/contro l chart Action Criteria In out of control In out of control In out of control In out of control In out of control In out of control Actions Actions taken based on separate oooo criteria Confirmed/ad justed Person in Rem Charge arks Relevant operator Relevant operator
1 No. of Particles
30
2 Etch Rate
140 20
Optiprove Pressure gauge
3 N2 pressure
0.40.01 MPa
once/shift
4 Temp
165 10
Thermomete once/shift r Flowmeter once/shift
5 DI water flux SD2 displacement
21 1
10 2
cc
Manostar
once/shift
Facility Confirmed/ad responsible justed person Facility Confirmed/ad responsible justed person Facility Confirmed/ad responsible justed person Facility Confirmed/ad responsible justed person
IMPROVE
Control Overview
C1-15
IMPROVE
EJERCICIO DE DOE HELICPTERO
DOE : Ejercicio de Helicptero
I4- 1
EJERCICIO
Objetivo: Aplicar DOE para determinar los factores principales para el vuelo del Helicptero y obtener modelo matemtico. Meta: Hacer un diseo de un helicptero el cual tenga un tiempo de cada de 2 seg 0.15 seg Material: Modelos de Helicptero Tijeras Cronmetro Clips Cinta para medir Altura Marcador Elaborar 8 Helicpteros: 1 para cada condicin de las Alas y Cola.
Roles: Tirador Medidor Capturista Fabricador de Helicpteros Expositor (lder)
IMPROVE
I4- 2
HACER DISEO FACTORIAL

Elaborar Diseo factorial de 3 factores, 2 niveles . b) Largo de Ala (-1) 7.5cm, (+1) 12 cm c) Ancho de Ala (-1) d1 ,(+1) d2 d) Largo de Cola (-1) 5.5cm, (+1) 11cm Stat>DOE>Factorial>Create Factorial Design
IMPROVE
I4- 3
HACER DISEO FACTORIAL

Ancho de Ala
Factores y Niveles: Largo de Ala (-1) 7.5cm, (+1) 12 cm

+1
Ancho de Ala (-1) d1 ,(+1) d2 Largo de Cola (-1) 5.5cm, (+1) 11cm
Largo de Ala -1
+1
-1
Largo -1 de Cola
+1
IMPROVE
I4- 4
LLEVAR A CABO EXPERIMENTOS.

Mtodo de Elaboracin.
Una vez hecho el diseo de experimentos utilicen el marcador para delinear como debe cortarse cada helicptero. Enumere cada helicptero para saber que experimento representan.
Mtodo de Tiro:
1. 2. 3.
Sostener el Helicptero con la punta por encima de del nivel de 2m. El tirador debe contar uniformemente: 1 2 y al decir 3 el tirador debe soltar el helicptero y el medidor debe empezar a contar el tiempo (con el cronmetro). El tiempo de vuelo finaliza al momento que el helicptero toque el piso.
NOTA:
Tirar 5 veces para cada Helicptero y sacar promedio del tiempo de vuelo para registrarse en la hoja de MINITAB con el fin para eliminar Outliers Si mide algn tiempo fuera de lo normal no debe contarse.
TIPS:
Procurar siempre tirar con las Alas con la misma inclinacin horizontal. Sostener el helicptero siempre de la misma forma al momento de hacer experimento. Doblar las guas de la cola hacia la misma direccin en todos los helicpteros.
IMPROVE
I4- 5
LLEVAR A CABO EXPERIMENTOS.
Realizar Experimentos y Capturar Tiempos
Caractersticas de Helicptero
Tiempos de Vuelo para Helicpteros
IMPROVE
I4- 6
ANALIZAR DISEO DE EXPERIMENTOS.

Encontrar Factores de mayor influencia.
Stat > DOE > Factorial > Factorial Plots
Seleccionar Las tres Graficas
Seleccionar la variable de salida (tiempo) y los factores de entrada (Largo de ala, Ancho de Ala, y largo de cola)
IMPROVE
I4- 7

Establecer que factores afectan Mayormente el Tiempo de Vuelo.: Main Effects Plot
Main Effects Plot (data means) for TIEMPO
7.5
12
.0
-1
5.5
11
.0
1.9
1.8 TIEMPO
1.7
1.6
1.5 LargoA AnchoA LargoC
Establecer si existe interaccin entreInteraction Plot (data means)Interaction Plot los factores: for TIEMPO
-1 1 5.5 11
LargoA
12 7.5
2.00 1.75 1.50
Las interacciones , aparecern como factores importantes en el modelo matemtico
AnchoA
1 -1
2.00 1.75 1.50
LargoC
IMPROVE
I4- 8

Establecer las condiciones ptimas de los factores para un tiempo de cada de 2 seg:
Cube Plot (data means) for TIEMPO
1.454
1.978
1.620
1.544
AnchoA
1.326
1.770
11.0
LargoC -1
1.496 2.354
5.5
7.5 LargoA
12.0
Se puede seleccionar este helicptero como el que da las condiciones mas cercanas a 2 segundos.
IMPROVE
I4- 9

Analizar el Diseo Factorial.
Stat > DOE > Factorial > Analyze Factorial Design
Seleccionar Normal Y Pareto
Seleccionar Los trmino con los cuales se realizar el anlisis, normalmente se eliminan los factores de mayor nivel (ABC)
Guardar los FITS y Residuales Para anlisis de residuales
IMPROVE
I4- 10

Realizar Anlisis Factorial (seleccionar opcin de almacenar FITS y Residuals):1 Normal Probability Plot of the Effects Pareto Chart of the Effects
(response is TIEMPO, Alpha = .10) A: LargoA B: AnchoA C: LargoC
(response is TIEMPO, Alpha = .10)
1.5 1.0 0.5 0.0 -0.5 -1.0
A: LargoA B: AnchoA C: LargoC
BC
ABC
AB
AC
Al Analizar, procure eliminar -1.5 factores de mayor nivel (ABC)

0.0 0.1 0.2 0.3 0.4
Normal Score
-0.4
-0.2
0.0
0.2
0.4
Effect
Realizar Anlisis Factorial eliminando Factores de menor efecto (Opcin de Terms) :

Pareto Chart of the Standardized Effects
Normal Probability Plot of the Standardized Effects

Normal Score
BC
BC
AB
-1
Seleccione Los factores para el modelo matemtico en funcin de la influencia que tengan
AB
-1
Standardized Effect
IMPROVE
I4- 11

Una vez hecho el Anlisis verifique el modelo con anlisis de residuales: Stat > Regression >Residual Analysis
0.5
0.1
UCL=0.5169
Residual
Residual
0.0
0.0
Mean=2.78E-16
-0.1
-0.5
-1 0 1
LCL=-0.5169
Normal Score
Observation Number
2 0.1
Residuals vs. Fits
Frequency
Residual
-0.15 -0.10 -0.05 0.00 0.05 0.10 0.15
0.0
-0.1 0 1.2 1.7 2.2
Residual
Fit
Es normal la distribucin de los residuos?? Hay algn Punto fuera de control?? La dispersin de los FITS Vs. RES sigue algn patrn?? El modelo es valido o no?
IMPROVE
I4- 12

Establecer Modelo Matemtico de Tiempo de Caida
Fractional Factorial Fit: TIEMPO versus LargoA, AnchoA, LargoC Estimated Effects and Coefficients for TIEMPO (coded units) Term Constant LargoA AnchoA LargoC LargoA*AnchoA AnchoA*LargoC Effect 0.4375 -0.0875 -0.1215 -0.2135 0.2555 Coef 1.6928 0.2187 -0.0437 -0.0608 -0.1067 0.1277 SE Coef 0.09112 0.09112 0.09112 0.09112 0.09112 0.09112 T 18.58 2.40 -0.48 -0.67 -1.17 1.40 P 0.003 0.138 0.679 0.574 0.362 0.296
Analysis of Variance for TIEMPO (coded units) Source Main Effects 2-Way Interactions Residual Error Total DF 3 2 2 7 Seq SS 0.4276 0.2217 0.1328 0.7822 Adj SS 0.4276 0.2217 0.1328 Adj MS 0.14255 0.11086 0.06642 F 2.15 1.67 P 0.334 0.375
Estimated Coefficients for TIEMPO using data in uncoded units Term Constant LargoA AnchoA LargoC LargoA*AnchoA AnchoA*LargoC Coef 0.927083 0.0972222 0.035583 -0.0220909 -0.0474444 0.0464545
Tiempo de Vuelo = 1.69 + 0.218 LargoA 0.0437 AnchoA 0.06 LargoC 0.1LargoA*AnchoA + 0.12 AnchoA*LargoC
IMPROVE
I4- 13

Encontrar Un modelo optimizado para un Helicptero que tengo un tiempo de vuelo de 2 0.15 segundos Stat > DOE > Factorial > Response Optimizer
Seleccionar variable de salida
Target = 2 LSL = 1.85 USL = 2.15
Resultados: Hacer un modelo bajo las caractersticas establecidas por el Response Optimizer Probar la capacidad de dicho Helicptero.
IMPROVE
I4- 14
COMPROBACIN
Realizar Prueba de Capacidad del Helicptero: Realizar 20 tiros bajo las condiciones obtenidas. (Especificacin 2seg +-0.15seg ) Stat>Quality Tools>Capability Analisys (normal)
IMPROVE
I4- 15
CONTROL
SPC FOR CONTINUOUS DATA SPC PARA DATOS CONTINUOS
SPC Para Datos Continuos
C2- 1
Objetivo
Objetivos:
Comprender donde usar grficas de control para datos variables. Comprender la composicin de los diagramas de control X-R, X-S y I-MR. Comprender como preparar un grfico de control para variables continuas utilizando Minitab.
CONTROL
C2- 2
Contenido
Introduccin a SPC SPC Para Datos Continuos.
Como interpretar SPC para datos continuos. SPC en Minitab. Diagrama de control X-R Diagrama de control I-MR Diagrama de control X-S
Ejercicios Tablas para SPC de datos continuos

CONTROL
SPC Para Datos Continuos C2- 3
SPC Introduccin
Beneficios del uso de Grficas de Control (Control Charts).
Las grficas de control proporcionan informacin confiable para toma de decisiones en base al anlisis estadstico de la muestra. Cuando un proceso esta bajo control estadstico, su desempeo ser predecible. Un proceso bajo control estadstico puede ser mejorado a travs de la reduccin de la variacin debido a causas comunes y mejora de centrado del promedio de los datos del proceso. Un grfico de control provee un lenguaje comn para la comunicacin de informacin sobre el desempeo de proceso. Los grficos de control, Identifican las causas especiales de las causas comunes de variacin.
CONTROL
C2- 4
Como seleccionar las Grficas

Gua Para seleccin de grfica de SPC:
Tipo de Datos
Datos Variables (continuos) (medidas/ Dato Variable)
Datos de Defectos (Cantidades/ Atributos DPU)
Datos de Partes Defectuosas (Atributos Categricos Bueno/ Malo , Go-NoGo )
Tamao de Subgrupo
Tamao de Subgrupo
Tamao de Subgrupo
n=2-9
n=10~
n=1
Fijo
Variante
Fijo
Variante
Xbar R
Xbar S
I-MR
NP
CONTROL
C2- 5
Como Interpretar SPC para Datos Continuos.

Qu se interpreta de las grficas de control:
El objetivo del anlisis de los grficos de control es identificar cualquier evidencia de que la variacin de proceso no esta presentndose en un nivel constante, y tomar la accin apropiada.
Puntos fuera de los lmites de control:

La presencia de uno o ms puntos fuera de los lmites de control es evidencia primordial de un punto fuera de control, se presupone que hubo alguna causa especial (fuera de lo normal) relacionada con ese punto extremo. Por lo tanto, cualquier punto fuera de control es un indicativo de un anlisis de operacin para la causa especial.
CONTROL
C2- 6

Un punto fuera del lmite superior UCL puede presentarse debido a:
Hubo algn error al calcular el lmite de control. La variacin de la distribucin ha incrementado en ese punto en ese tiempo o como parte de la tendencia (ej. Proceso ha empeorado) El sistema de medicin ha cambiado o tomado lectura incorrecta. (ej. Diferente inspector o instrumento).
I Chart for Longitud
1 UCL=31.42 30
I d idaVl e niv u l a u
20
Mean=20.75
10 0 1 2 3 4 5 6 7 8 9 10
LCL=10.08
Observation Number
CONTROL
C2- 7

Un punto fuera del lmite inferior LCL puede presentarse debido a:
Hubo algn error al calcular el lmite de control. La variacin de la distribucin ha disminuido (ej. Proceso ha mejorado). El sistema de medicin ha cambiado (ej. Diferente inspector o instrumento).
30 UCL=26.63
I d id a V lu n iv u l a e
20 Mean=18.39
10 0 1
LCL=10.15 1 2 3 4 5 6 7 8 9 10
Observation Number
CONTROL
C2- 8
Patrones dentro de los lmites de control:

La presencia de patrones inusuales de tendencia cuando todos los puntos estn dentro de los lmites de control, pueden ser evidencia de falta de control o cambio de la distribucin de proceso durante el periodo de tiempo que se presenta la tendencia. Esto puede ser un aviso de condiciones no favorables que deben ser corregidas, de otra forma tambin pueden ser debido a condiciones favorables las cuales deben ser estudiadas para una posible mejora permanente de proceso.
CONTROL
C2- 9

Una corrida (run) de 7 puntos por encima del promedio, o corrida ascendente puede significar lo siguiente: Mayor distribucin de los valores de salida, que puede ser debido a una causa irregular (ej. como falla de equipo o fixtura suelta ) o desplazamiento de algn elemento de proceso ( nuevo material, lote de material no uniforme) Cambio en el sistema de medicin (nuevo inspector o instrumento)
29 UCL=27.89 33 24 33 3
I d id a Vlu n iv u l a e
Mean=21.09 19
14 0 10 20 30
LCL=14.30
Observation Number
CONTROL
C2- 10

Una corrida (run) de 7 puntos por debajo del promedio, o corrida descendente puede significar lo siguiente: Menor distribucin de los valores de salida, que usualmente son una buena condicin que debe ser estudiada para una aplicacin mas amplia de mejora de proceso. Cambio en el sistema de medicin, que puede ocultar cambios reales de desempeo
I Chart for C2
25 UCL=25.28
I d i ul Vu ni da a e v l
20 Mean=18.84
15
3 3 LCL=12.39
10 0 10 20 30
Observation Number
CONTROL
C2- 11

a) Algn punto fuera de 3 sigma desde la lnea central 3 UCL 2 1 CL 1 2 3 LCL c) 6 puntos consecutivos, en forma ascendente o descendente. 3 UCL 2 1 CL 1 2 3 LCL b) 9 puntos consecutivos en el mismo lado de la lnea central. 3 UCL 2 1 CL 1 2 3 LCL d) 14 puntos consecutivos, alternando arriba y abajo 3 UCL 2 1 CL 1 2 3 LCL
CONTROL
C2- 12

e) 2 de 3 puntos fuera de 2 sigma desde la lnea centra en el mismo lado. 3 UCL 2 1 CL 1 2 3 LCL g) 15 puntos consecutivos dentro de 1 sigma a partir de la lnea central (cualquier lado) 3 UCL 2 1 CL 1 2 3 LCL f) 4 de 5 puntos fuera de 1 sigma desde la lnea central en el mismo lado. 3 UCL 2 1 CL 1 2 3 LCL h) 8 puntos consecutivos mas all de 1 sigma en cualquier lado de la lnea central. 3 UCL 2 1 CL 1 2 3 LCL
CONTROL
C2- 13
SPC en MINITAB
En MINITAB se tienen disponibles las siguientes grficas de SPC:
En este curso nos enfocaremos solo sobre grficas de control para datos continuos y para datos discretos.
Graficas de Control para datos continuos en forma combinada. combinada Graficas de Control enfocadas a proceso Graficas de Control para datos continuos, en forma individual. Graficas de Control especiales.
Graficas de Control para datos Discretos.
CONTROL
C2- 14
Diagrama de control X- R
Lmites de Control para Xbar Chart:
Caso de aplicar el diagrama de control X para controlar el promedio de proceso, y aplicar el diagrama de control R para controlar desviacin del proceso. Si el tamao de la muestra a extraer de la poblacin normal es n, el promedio de X1, X2, , Xn es , la desviacin es , X sigue la distribucin normal donde el promedio de muestra es , la desviacin es / n X lnea central y lmite de control de 3 ( Cuando se conoce: y )
UCL X = + CL X = LCL X =
3 = + A n 3 = A n
Donde, A = 3 / n
UCLX = Lmite de control superior. CLX = Promedio ( lnea central de la grfica de control). LCLX= Lmite de control inferior. = Promedio de la poblacin. = Desviacin Estndar Poblacional n = Cantidad de datos (Tamao de muestra )
CONTROL
C2- 15
Cuando no se conoce , (de la poblacin):
3 R UCLX = X + ( )( ) = X + A2 R n d2 CLX = X LCLX = X (
Donde :
UCLX = Lmite de control superior. CLX = Promedio ( lnea central de la grfica de control). LCLX= Lmite de control inferior. X = Promedio de promedios de subgrupos. R = Promedio de rangos de subgrupos. n = Cantidad de datos (Tamao de muestra ) X A2 R d2= Valor tabulado en funcin de la desviacin estndar poblacional y el tamao del los subgrupos (k). X = Promedio de promedio de subgrupos. X = Promedio de subgrupos. R = Promedio de rangos de subgrupos. R = Rango de subgrupos. k = Tamao de subgrupo (Cantidad de datos por grupo). d2 =Valor tabulado en funcin de la desviacin estndar poblacional y el tamao de los subgrupos (k). n = Cantidad de datos (tamao de muestra).
3 R )( ) = n d2
X = R =
( R ) / k
( X )/ k
nd 2
A2 = 3 /
CONTROL
C2- 16
Clculo de lmites de control para R chart(Grfica de Rangos): Cuando se conoce y :
UCLR = R + 3 R = (d 2 + 3d 3 ) = D2 CLR = R = d 2 LCLR = R 3 R = (d 2 3d3 ) = D1

Clculo de lmites de control para R chart(Grfica de Rangos): Cuando no se conoce y :
UCLR = R + 3d3 R / d 2 = D4 R CLR = R LCLR = R 3d3 R / d 2 = D3 R
CONTROL
C2- 17
Ejercicio:
Los datos mostrados en la tabla son datos investigados para controlar un proceso, tomando la caracterstica de resistencia elctrica del producto A. analizar estos datos y calcular UCL y LCL.
(Archivo: 05_CONT X-R.mtw )

No. Grupo 1 2 3 4 5 6 7 8 9 10 X1 77 80 82 81 79 82 77 84 80 84 X2 82 77 79 77 82 82 82 81 77 80 X3 81 79 81 82 82 78 80 79 78 80 X4 80 79 81 79 82 81 78 79 77 78 X5 78 78 82 79 79 80 82 81 81 79 Xu 79.6 78.6 81.0 79.6 80.6 80.6 79.8 80.6 78.6 80.2 R 5 3 3 5 3 4 5 5 4 6
Range: Es el rango dentro del cual se encuentra el subgrupo. Ejemplo: para el grupo 1 todos los valores se encuentran entre 77 y 82 por lo tanto el rango es 82-77 = 5
CONTROL
C2- 18
Introducir los datos a la Hoja de trabajo de minitab. Stat > Control Charts > Xbar-R...
En single column , seleccionar la columna de datos En subgroup, seleccionar la columna de numero de muestra
En la opcin de Tests, seleccionar el option box que dice: perform all eight tests
CONTROL
C2- 19
X-R Chart
Xbar/R Chart for Resistencia
83 UCL=82.44
Sample Mean
82 81 80 79 78 77
X Chart
Mean=79.96
LCL=77.48 0 1 2 3 4 5 6 7 8 9 10
Subgroup
10
Sample Range
UCL=9.092
R Chart
R=4.3
LCL=0
CONTROL
C2- 20
Diagrama de control I- MR
En caso de que se pueda obtener slo un producto a la vez por caracterstica de producto o proceso de fabricacin. En caso de que sea difcil formar grupo parcial con productos. En caso de que el costo de medicin es demasiado alto, se utiliza el diagrama de control I-MR. I-MR se utiliza cuando se requiere de un periodo de tiempo muy largo para tomar muestras, o cuando solo una medicin puede ser tomada de proceso.
CONTROL
C2- 21
Lmites de control para Individual Chart:
Cuando se conoce y :
UCL
= + 3
CL X = LCL R = 3
Cuando no se conoce y :
UCLX = Lmite de control superior. CLX = Promedio ( lnea central de la grfica de control). LCLX= Lmite de control inferior. = Promedio de poblacin = desviacin estndar de poblacin
( estimada ) = X ( estimada ) = Rm / d 2
UCLX = X + 3Rm/ d2 = X + E2 Rm CLX = X LCLR = X 3Rm/ d2 = X E2 Rm

Donde, E2 = 3 / d2
X = Promedio de promedio de subgrupos. Rm = Promedio de rangos de movimiento (MR) de los datos individuales. d2 = Valor tabulado en funcin de la desviacin estndar poblacional y el tamao de los subgrupos (2 en este caso).
CONTROL
C2- 22
Lmites de control para MR- Chart: (Moving Range)
Cuando se conoce y :
UCLm = Rm +3Rm = (d2 +3d3)Rm = D2Rm R CL m = Rm = d2Rm R LCL = Rm3Rm = (d2 3d3)Rm = DRm Rm 1
RM = Promedio de poblacin RM= desviacin estndar de poblacin d2,d3 = constantes tabuladas. D1,D2 = coeficientes de tablas
Clculo de lmites de control para MR - Chart(Grfica de Moving Range): Cuando no se conoce y : ( estimada ) = Rm / d 2
UCL = Rm+ 3d3 Rm/ d2 = D4 Rm Rm CLRm = Rm LCL = Rm 3d3 Rm/ d2 = D3 Rm Rm
Rm = Promedio de Moving Range de datos individuales. d2,d3 = constantes tabuladas. D4,D3 = coeficientes de tablas.
CONTROL
C2- 23
Ejercicio:
Se realiz un estudio de kilmetros recorridos por litro de gasolina de un automvil compacto por un periodo de 20 das y se obtuvieron los siguientes resultados: Archivo : (05_CONT I-MR.mtw )
Moving Range: Es la diferencia entre un punto y el anterior, por lo que siempre tendr un punto menos en la grfica de control. Ejemplo : 1.651.25 = 0.40
Wk 1 1.65 1.25 2.00 1.82 1.45
MR
Wk 2 1.22
MR
0.23 0.46 0.41 0.25 0.3
Wk 3 1.62 1.27 1.50 1.54 1.13
MR
0.13 0.35 0.23 0.04 0.41
Wk 4 1.84 1.75 1.33 1.51 1.38
MR
0.71 0.09 0.42 0.18 0.13
0.40 0.75 0.18 0.37
1.68 1.27 1.52 1.49
CONTROL
C2- 24
Introducir los datos a la Hoja de trabajo de Minitab. Stat > Control Charts > I-MR...
Seleccionar la columna de datos
En la opcin de Tests, seleccionar el opcin box que dice: perform all eight tests
CONTROL
C2- 25
I-MR Chart.
I and MR Chart for Data
2.5 UCL=2.319
Individual Value
1.5
Mean=1.511
I Chart
LCL=0.7033 0.5 0 10 20
Subgroup
1.0
UCL=0.9922
Moving Range
0.5 R=0.3037 0.0 LCL=0
MR Chart
CONTROL
C2- 26
Diagrama de control X- S
Diagrama de control X-S El diagrama de control X-S se aplica cuando el tamao de subgrupo es relativamente grande ( n > 10 ) es ms eficiente utilizar las desviaciones S que utilizar alcance R, por lo tanto utilizan el diagrama de control S en lugar del R.
Las grficas de control S (desviacin estndar) se usan normalmente en vez de las R(rango) cuando se presenta alguna de las siguientes condiciones:
Cuando los datos son recolectados o graficados por computadora en tiempo real. Y una rutina de clculo puede ser fcilmente integrada. Se utilizan sub-grupos de datos de gran tamao, y la desviacin estndar sea mas apropiada para representar la variacin en vez del rango.
CONTROL
C2- 27
Lmites de control para X- Chart:
UCL X = X + 3 CL X = X LCL X = X 3 A3 = 3 / c4 n
(s / c ) = X + A s
4
(s / c ) = X A s
4
UCLX = Lmite de control superior. CLX = Promedio ( lnea central de la grfica de control). LCLX= Lmite de control inferior. X = Promedio de promedios de subgrupos S = desviacin estndar promedio de las desviaciones estndar de los subgrupos. c4= Constante tabuladas en funcin del tamao de los subgrupos. A3= Constante tabuladas en funcin del tamao de los subgrupos. n = Tamao de subgrupos (cantidad de datos por subgrupo)
CONTROL
C2- 28
Lmites de control para S Chart (Desviacin Estndar) Cuando se conoce :
UCLs = c4 + 3 1 c4 = B6
2
CLs = c4 LCLs = c4 3 1 c4 = B5
2
B6 B5, c4= Constantes tabuladas en funcin del tamao de los subgrupos. desviacin estndar poblacional conocida.
B6 = c4 + 3 1 c4 B5 = c4 3 1 c4
Lmites de control para S- Chart(Desviacin Estndar): Cuando no se conoce :
UCLs = B6 s / c4 = B4 s CLs = s LCLs = B5 s / c4 = B3 s

CONTROL
B6, B5, B4, B3, c4= Constantes tabuladas en funcin del tamao de los subgrupos. S desviacin estndar promedio de las desviaciones estndar de los subgrupos.
2 B4 = c4 + 3 1 c4 / c4 = 1 + 3 2 B3 = c4 3 1 c4 / c4 = 1 3
1 c4 1 c4
2 2
1 1
C2- 29
Ejercicio:
Se realiz un estudio sobre los tiempos de ciclo de operacin en una estacin de ensamble en un proceso de manufactura de telfonos celulares, se tomaron 12 muestras durante 10 das y se obtuvieron los siguientes datos:
Archivo : (05_CONT X-S.mtw )

Da 1
17.5823 13.7132 14.8340 17.2756 15.2611 12.8237 16.8359 14.3932 10.7424 15.7339 10.8191 15.6776
Da 2
14.4030 20.0305 15.5789 15.0717 13.2578 15.3570 11.8206 15.9414 14.1916 13.5909 12.9866 19.1489
Da 3
12.7498 10.6922 15.6712 14.7973 14.5118 14.7188 18.2058 19.4495 14.8157 11.9250 14.5719 17.3009
Da 4
16.1524 14.6546 12.0293 14.1908 15.3484 19.1518 13.7948 15.2280 10.1754 8.4373 13.8614 14.0952
Da 5
17.2184 12.4861 17.1885 9.3831 14.9328 15.2331 15.5053 15.5109 16.9172 15.3382 12.5693 16.5564
Da 6
13.7366 14.8277 15.3602 20.6692 19.5052 9.3850 16.4256 14.2005 15.4875 17.4626 15.4474 17.5481
Da 7
16.7049 15.1943 14.8513 15.2049 20.2229 15.1348 16.8147 11.4934 19.0073 10.5574 14.7755 10.0306
Da 8
11.5989 10.4921 18.2513 10.7153 18.0461 10.2321 17.0700 18.0808 13.8339 14.8450 15.6515 20.3019
Da 9
21.2588 12.2083 17.2441 12.6173 14.3570 15.9724 16.6601 19.4087 13.6344 17.4685 13.4631 18.3764
Da 10
12.6317 18.5965 15.9710 14.3596 18.1548 17.1588 16.3496 15.4306 15.2571 15.0423 15.8016 14.4187
CONTROL
C2- 30
Introducir los datos a la Hoja de trabajo de Minitab. Stat > Control Charts > Xbar-S...
Seleccionar la columna de datos
En la opcin de Tests, seleccionar el opcin box que dice: perform all eight tests
CONTROL
C2- 31
X-S Chart:
Xbar/S Chart for Tiempo
18 UCL=17.45
Sample Mean
17 16 15 14 13 12
X Chart
Mean=15.11
LCL=12.78 0 1 2 3 4 5 6 7 8 9 10
Subgroup
4.5
UCL=4.342
Sample StDev
3.5 2.5 1.5 LCL=0.9322 0.5 S=2.637
S Chart
CONTROL
C2- 32
Ejercicios:
1. Se obtuvieron 32 datos de proceso que sigue a una distribucin normal. Realice un diagrama de control X-R estableciendo el tamao de subgrupo a 2 y despus a 4. Archivo : (05_CONT Ejercicio 1.mtw )
Datos
34 31 30 33 35 32 33 32 33 35 35 35 34 35 33 31 33 33 31 35 28 35 35 35 36 39 36 34 31 34 42 36
2. Realice un diagrama de control I-MR para los siguientes datos, y establezca si los datos estn dentro de control. Archivo : (05_CONT Ejercicio 2.mtw )
Datos 35 17 18 19 23 21 20 25 25 25 24 27
CONTROL
C2- 33
Tablas para SPC de datos continuos

TABLA DE CONSTANTES PARA DIAGRAMAS DE CONTROL
CHART n (S u bGroup
si z e )
Xbar
XbarS
Ind
Rm
A2
1.88 1.023 0.729 0.577 0.483 0.419 0.373 0.337 0.308 0.285 0.266 0.249 0.235 0.223 0.212 0.203 0.194 0.187 0.18
d2
1.128 1.693 2.059 2.326 2.534 2.704 2.847 2.970 3.078 3.173 3.258 3.336 3.407 3.472 3.532 3.588 3.640 3.689 3.735
D3
0.000 0.000 0.000 0.000 0.000 0.076 0.136 0.184 0.223 0.256 0.283 0.307 0.328 0.347 0.363 0.378 0.391 0.403 0.415
D4
3.267 2.574 2.282 2.114 2.004 1.924 1.864 1.816 1.777 1.744 1.717 1.693 1.672 1.653 1.637 1.622 1.608 1.597 1.585
A3
2.659 1.954 1.628 1.427 1.287 1.182 1.099 1.032 0.975 0.927 0.886 0.85 0.817 0.789 0.763 0.739 0.718 0.698 0.68
c4
0.7979 0.8862 0.9213 0.9400 0.9515 0.9594 0.9650 0.9693 0.9727 0.9754 0.9776 0.9794 0.9810 0.9823 0.9835 0.9845 0.9854 0.9862 0.9869
B3
0.000 0.000 0.000 0.000 0.030 0.118 0.185 0.239 0.284 0.321 0.354 0.352 0.406 0.428 0.448 0.466 0.482 0.497 0.510
B4
3.267 2.568 2.266 2.089 1.970 1.882 1.815 1.761 1.716 1.979 1.646 1.618 1.594 1.572 1.552 1.534 1.518 1.503 1.490
E2
2.660 1.772 1.457 1.290 1.184 1.109 1.054 1.010 0.975
d2
1.128 1.693 2.059 2.326 2.534 2.704 2.847 2.970 3.078
D3
0.000 0.000 0.000 0.000 0.000 0.008 0.136 0.184 0.223
D4
3.267 2.574 2.282 2.114 2.004 1.924 1.864 1.816 1.777
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
CONTROL
C2- 34
CONTROL
SPC FOR DISCRETE DATA SPC PARA DATOS DISCRETOS
SPC Para Datos Discretos
C3- 1
Objetivo
Objetivos:
Comprender donde usar grficas de control para datos discretos. Comprender como crear un grfico de control para datos discretos. Permitir crear y analizar grficos de control para datos discretos utilizando Minitab.
CONTROL
C3- 2
Contenido
SPC para datos Discretos:
Diagrama de control P Diagrama de control NP Diagrama de control C Diagrama de control U
Ejercicios.
CONTROL
C3- 3

Aplicaciones de SPC para datos discretos:
Se utiliza cuando es difcil medir alguna caracterstica. Utilizada para informacin pass/fail, Go/No-Go, y nmero de defectos. Desplegar muchas caractersticas en una grfica de control. Las grficas de control para datos discretos se basan en la distribucin Binomial y Poisson Aunque el costo de coleccin de datos es menor, no podemos esperar mucha informacin en comparacin a grficas de control para variables continuas. Una grfica de control sirve como dos grficas de control. No hay grfica de control de R (rango), MR (Moving Range), o s desviacin estndar.
CONTROL
C3- 4

Importancia de grficas de control para datos Discretos:
Datos de atributos existen en muchos procesos tcnicos y administrativos. La mayor dificultad que tienen son su definicin operacional de lo que es no conforme. Los datos de atributo ya existen en varias situaciones, como inspecciones, reparaciones, rechazos, por lo que no se necesita invertir en la coleccin de datos. Cuando se necesita colectar datos en alguna nueva rea, los datos de atributos generalmente son fciles de medir (go-nogo) y no requiere de alguna habilidad especial para su recoleccin. Muchos datos en reportes administrativos estn en forma de atributos y pueden aplicarse este tipo de diagramas de control.
CONTROL
C3- 5
Como seleccionar las Grficas

Gua Para seleccin de grfica de SPC:
Tipo de Datos
Datos Variables (continuos) (medidas/ Dato Variable)
Datos de Defectos (Cantidades/ Atributos DPU)
Datos de Partes Defectuosas (Atributos Categricos Bueno/ Malo , Go-NoGo )
Tamao de Subgrupo
Tamao de Subgrupo
Tamao de Subgrupo
n=2-9
n=10~
n=1
Fijo
Variante
Fijo
Variante
Xbar R
Xbar S
I-MR
NP
CONTROL
C3- 6
Diagrama de Control P
Introduccin
Esta es la grfica utilizada ms comnmente entre las grficas de control para atributos. Cuando se quiere controlar el % de productos defectuosos. Tener varios tamaos de subgrupos. Si es necesario ajustar el nivel de aceptacin en un muestreo de inspeccin. Basado en la distribucin Binomial Cuando el valor de P es pequeo, determine el tamao de subgrupo estableciendo la probabilidad de al menos mas de una unidad defectuosa incluida en cada subgrupo.
Lmites de control para P chart:

p: % de partes defectuosas en proceso n: tamao de subgrupo. X: cantidad de defectuosos
A Partir de la distribucin Binomial: % defectuosos de muestra:
p=
X ~ B ( n, p ) E ( X ) = np V ( X ) = np(1 p )
X E n X V n
= p p (1 p ) = n
X n
CONTROL
C3- 7
Lmites de control para P Chart
Cuando se conoce P :
UCL = p + 3 CL = p LCL = p 3 p (1 p ) n p (1 p ) n
UCL= Lmite de control superior. CL= Lnea central LCL= Lmite de control inferior p = % defectuosa conocida n = Tamao de subgrupo
Cuando no se conoce P :
UCL = p + 3 CL = p LCL = p 3 p (1 p ) n p (1 p ) n
UCL= Lmite de control superior. CL= Lnea central LCL= Lmite de control inferior p = % defectuoso promedio de los subgrupos n = Tamao de subgrupo
p =
X n
i i
Si LCL es menor que 0, debe establecer LCL=0
CONTROL
C3- 8
Ejercicio:
De los siguientes datos de cantidad de defectos A para un proceso de manufactura de semiconductores. Haga una grfica de control P. (Archivo 05_DISCR P.mtw)
Tamao de subgrupo
968 1216 1004 1101 1076
Cantidad de partes defectuosas

8 13 13 16 14
Tamao de subgrupo
995 1202 1028 1184 992
Cantidad de partes defectuosas

15 13 10 24 12
CONTROL
C3- 9
Introducir los datos a la Hoja de trabajo de Minitab. Stat > Control Charts > P...
Seleccionar la columna de datos y seleccionar subgroups in
En la opcin de Tests, seleccionar el opcin box que dice: perform all four tests
CONTROL
C3- 10
P-Chart:
P Chart for Defectuo
0.025 UCL=0.02353 0.020
P p rtio ro o n
0.015 P=0.01282 0.010
0.005 LCL=0.002104 0.000 0 1 2 3 4 5 6 7 8 9 10
Sample Number
LCL y UCL son proporcionales al tamao del subgrupo
CONTROL
C3- 11
Diagrama de Control NP
Introduccin:
Las grficas de control NP se utilizan cuando se controlan partes defectuosas en proceso. Se utiliza cuando el tamao de cada subgrupo es constante.
CONTROL
C3- 12
Lmites de control para NP Chart
Cuando se conoce P (% defectuoso):
UCL = np + 3 np (1 p ) CL = np LCL = np 3 np (1 p )
UCL= Lmite de control superior. CL= Lnea central LCL= Lmite de control inferior p = % defectuoso conocido n = Tamao de subgrupo
Cuando no se conoce P (% defectuoso):

UCL = n p + 3 n p (1 p ) CL = n p LCL = n p 3 n p(1 p )
np =
p = % defectuoso promedio de los subgrupos n = Tamao de subgrupo k = Cantidad de muestras
np
k
Si LCL es menor que 0, debe establecer LCL=0
CONTROL
C3- 13
Ejercicio:
Los resultado de inspeccin de muestras fijas de 50 unidades, nos muestran los siguientes productos defectuosos. Con los datos, crear una grfica de control . (Archivo 05_DISCR NP.mtw)
Fecha Partes Defectuosas Fecha Partes Defectuosas 1 2 3 8 4 10 5 4 6 7 7 16 8 9 9 10 11 12 13 14 15 5 6 17 12 22
12 15
14 10
16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 8 10 5 13 11 20 18 24 15 8 12 7 13 9 6
CONTROL
C3- 14
Introducir los datos a la Hoja de trabajo de Minitab. Stat > Control Charts > NP...
Establecer el tamao de la muestra a 50.
En la opcin de Tests, seleccionar el opcin box que dice: perform all four tests
CONTROL
C3- 15
NP-Chart:
NP Chart for Defectos
25 1 20 UCL=20.47 1
S m leC u t a p on
15 NP=11.53 10
5 LCL=2.597 0 0 10 20 30
Sample Number
Hay 2 puntos fuera de control, por lo tanto tenemos problemas en proceso
CONTROL
C3- 16
Diagrama de Control C
Introduccin:
Es una grfica para controlar los DPUs de un proceso. Se necesita tener una unidad de inspeccin. Con respecto a unidad de inspeccin, mas de una unidad puede ser incluida. (se utiliza cuando se quiere controlar sin clasificar tipos de defectos) Se aplica cuando las no conformidades a travs de un producto o unidad (ej. Burbujas en un vidrio), y cuando se puede evaluar una razn promedio de no conformidades. (ej. 10 burbujas por metro cuadrado del vidrio) Se utiliza cuando las no conformidades tienen diferentes fuentes potenciales en una sola unidad/producto de inspeccin. Se basa en la distribucin de Poisson.
e cc x P ( X = x) = , x = 0 ,1 , 2 ,..... x! E (x) = c Var ( x ) = c
c = Cantidad de defectos por unidad (DPU)
CONTROL
C3- 17
Lmites de control para C Chart
Cuando se conoce C (Cantidad de defectos por unidad):
UCL = E ( x ) + 3 Var ( x ) = c + 3 c CL = E ( x ) = c LCL = E ( x ) Var ( x ) = c + 3 c
UCL= Lmite de control superior. CL= Lnea central LCL= Lmite de control inferior c = Defectos por unidad (DPU) E(x) = Var(x) =
Cuando no se conoce C (Cantidad de defectos por unidad):

UCL = c + 3 CL = c LCL = c 3 c = c c 1 + c 2 + ... + c k k c
UCL= Lmite de control superior. CL= Lnea central LCL= Lmite de control inferior c = Promedio de defectos por unidad de las muestras. k = cantidad de muestras
CONTROL
C3- 18
Ejercicio:
La unidad de inspeccin para 100m2 de lana. Los siguientes datos fueron recolectados de defectos encontrados en inspeccin final. (Archivo 05_DISCR C.mtw)
Numero de subgrupo 1 2 3 4 5 6 Defectos 5 1 2 3 0 2 Numero de subgrupo 7 8 9 10 11 12 Defectos 6 3 3 6 1 0 Numero de subgrupo 13 14 15 16 17 Defectos 8 2 4 0 3
CONTROL
C3- 19
Introducir los datos a la Hoja de trabajo de Minitab. Stat > Control Charts > C...
Seleccionar columna con datos de defecto
En la opcin de Tests , seleccionar el opcin box que dice: perform all four tests
CONTROL
C3- 20
C-Chart:
C Chart for Defectos
9 8 7 1 UCL=7.976
El punto nmero 13 esta fuera de control, por lo tanto, el proceso esta fuera de control
S ple C am ount
6 5 4 3 2 1 0 0 5 10 15 LCL=0 C=2.882
Sample Number
Los puntos fuera de control son especificados en la hoja de sesin.
CONTROL
C3- 21
Diagrama de Control U
Introduccin:
Es una grfica para controlar los DPUs de un proceso. Se utiliza cuando la unidad de inspeccin no es fija.
Tamao de muestra : n Numero de defectos por unidad: U = X/n Valor esperado de U: E(U) = 0
Varianza de U de la distribucin de Poisson.
V ( X ) = E ( X ) = n 0 V ( X ) n 0 0 = 2 = V (U ) = 2 n n n
CONTROL
SPC Para Datos Discretos C3- 22
Lmites de control para U Chart
Cuando se conoce 0:
UCL = 0 + 3 0 / n CL = 0 LCL = 0 3 0 / n
UCL= Lmite de control superior. CL= Lnea central. LCL= Lmite de control inferior. 0 = Defectos por unidad (DPU). n = tamao de muestra.
Cuando no se conoce 0:
UCL CL LCL = = + 3 = = 3 / n / n
UCL= Lmite de control superior. CL= Lnea central. LCL= Lmite de control inferior. = defectos por unidad promedio de cada muestra. c = total de nmero de defectos identificados en inspeccin. n = cantidad de muestras.
c n
CONTROL
C3- 23
Ejercicio:
Utilice los siguientes datos para construir una grfica de control U. (Archivo 05_DISCR U.mtw)
Tamao de muestra 4 3 3 3 3 Tamao de muestra 4 3 3 3 4 Tamao de muestra 5 5 5 5 4
Defectos 3 4 10 9 8
Defectos 11 3 8 4 9
Defectos 14 5 8 13 8
CONTROL
C3- 24
Introducir los datos a la Hoja de trabajo de Minitab. Stat > Control Charts > U...
Seleccionar columna con datos de defecto Establecer el tamao de muestras.
En la opcin de Tests , seleccionar el opcin box que dice: perform all four tests
CONTROL
C3- 25
U-Chart:
U Chart for Defectos
5 4 UCL=4.202
Los lmites de control no son rectos debido a ala diferencia en el tamao de las muestras.
S m le C u t a p on
3 2 1 0 0 5 10 15 LCL=0 U=2.053
Sample Number LCL y UCL son proporcionales al tamao del subgrupo
CONTROL
C3- 26
Ejercicios
1.
Cheongkye Rubber es una compaa especializada en la fabricacin de guantes, esta empresa recientemente ha empezado a producir guantes para uso domestico. La compaa ha recolectado cantidades de productos defectuosos diariamente, para identificar el estatus del proceso de produccin. Los siguientes datos son los datos de los primeros das de produccin de guantes domsticos. Se producen 2300 unidades diarias.
a) b)
Determine si el proceso esta o no esta bajo control utilizando grficas de control. Utilizando el resultado de (a) , calcule la lnea central y lmites de control
(Archivo 05_DISCR Ejercicio 1.mtw)

Fecha 1 2 3 4 5 6 7 8 9 10 Cantidad de defectuosos 337 295 321 352 318 466 404 295 341 208 Fecha 11 12 13 14 15 16 17 18 19 20 Cantidad de defectuosos 242 141 279 231 417 240 445 231 356 240
CONTROL
C3- 27
Ejercicios
2. Los siguientes datos es de la cantidad de defectos por 1000 metros de cable de telfono. Determinar si el proceso de produccin de cable esta bajo control utilizando grficas de control. (Archivo 05_DISCR Ejercicio 2.mtw)
Numero de Subgrupo 1 2 3 4 5 6 7 8 9 10 11 Cantidad de Defectos 1 1 3 7 8 10 5 13 0 19 24 Numero de Subgrupo 12 13 14 15 16 17 18 19 20 21 22 Cantidad de Defectos 6 9 11 15 8 3 6 7 4 9 20
CONTROL
C3- 28
Ejercicios
3. La compaa S, es una fabrica de productos electrnicos, se investigaron las cantidades de fallas en 20 semanas. Utilizando los datos, realice un diagrama de control. (Archivo 05_DISCR Ejercicio 3.mtw)
Semana 1 2 3 4 5 6 7 8 9 10 Cantidad Fallas 337 295 321 352 318 466 404 295 341 208 Fecha 11 12 13 14 15 16 17 18 19 20 Cantidad de defectuosos 242 141 279 231 417 240 445 231 356 240
CONTROL
C3- 29
Ejercicios
4.
Un fbrica que produce interruptores elctricos muestreo 20 subgrupos (n=100) para crear una grfica P. Utilizando los datos realice una grfica de control P. (Archivo 05_DISCR Ejercicio 4.mtw)
Nmero de Subgrupo 1 2 3 4 5 6 7 8 9 10 Cantidad de defectuosos 12 3 6 8 4 1 3 0 1 8 % defectuoso 0.12 0.03 0.06 0.08 0.04 0.01 0.03 0.00 0.01 0.08 Nmero de Subgrupo 11 12 13 14 15 16 17 18 19 20 Cantidad de defectuosos 6 0 4 0 3 15 1 2 0 3 % defectuoso 0.06 0.00 0.04 0.00 0.03 0.15 0.01 0.02 0.00 0.03
CONTROL
C3- 30

6 Sigma Training Manual

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

6 Sigma Training Manual

Загружено:

Авторское право:

Доступные форматы

DEFINE

6 SIGMA INTRODUCTION INTRODUCCIN A 6 SIGMA

6 sigma como meta administrativa.

6 sigma como Filosofa

6 sigma como estrategia.

6 sigma se concentra en la disminucin de la variacin (reduccin de )

En un proceso dinmico (La media no es constante) :

90% de calidad en los clientes

% de recuperacin despus de la inspeccin o la prueba

NVA (No Valor adquirido)

Tiempo, costo, persona

Y = f(X1, X2, , X3)

Cul es el valor ptimo y la especificacin de X?

BB: Especialista de 6 sigma

Master Black Belt

GB: Personal de acciones 6 sigma

FEA: (Financial Effects Analist) Personas

Master Black Belt (MBB).

Green Belt (GB).

Costo de prueba Re-Trabajos

Retornos de Cliente Costos de Inspeccin Recall

15 ~ 25% Del costo total es COPQ

6 Sigma ataca el iceberg completo!

Factores de xito de 6 sigma

Alinear a 6 sigma con las actividades de innovacin existentes

Factores de xito de 6 sigma

ISO TPM TPI

Factores de xito de 6 sigma

Se enfoca en la causa raz que determina el desempeo del CTQ

Optimiza globalmente CTQ, diseo y subprocesos

Identificar el nivel actual y disear un sistema de alto nivel.

DPU, DPO, DPMO, PPMs

Orificio dentro de especificacin.

DPU, DPO, DPMO, PPMs

DPU, DPO, DPMO, PPMs

DPU, DPO, DPMO, PPMs

La oportunidad se cuenta solo cuando se evala DEFINE

DPU, DPO, DPMO, PPMs

DPU, DPO, DPMO, PPMs

DPU, DPO, DPMO, PPMs

PPMs = (Unidades defectuosas) (1000,000) Total de unidades de produccin

PPMs = 3 * 1000,000 = 750,000 PPMs 4

1 DPMO = 1,000,000 = 2,890 346

Probabilidad de ser Producto bueno= 0.9971

Producto malo = 0.002890

(1) La recoleccin de los datos para formar los subgrupos racionales

Anlisis de Capacidad ( Stat>Quality Tools >Capability Analisis (normal) )

8702.27 32586.16 41288.42

La desviacin estndar de perodo corto (Short-Term Sigma st )

La poblacin infinita: Cuando la cantidad de datos que compone la poblacin es infinito.

La importancia del muestreo.

Media de una muestra

La Varianza y la desviacin estndar.

La desviacin estndar de la muestra.

DISTRIBUCIONES DE DETAOS CONTINUOS

y = [ 1/(s2)] e -(X-)^2 / 2^2 = Promedio = Desvicin estndar

= Parmetro de escala = Parmetro de forma

DISTRIBUCIONES DE DETAOS DISCRETOS

y = [ n! / (r! (n-r)!)] pr q n-r

La funcin de densidad de la distribucin normal f(x) = 1 e-(x-)2/22 22 - < X < +

2.- Definir el Proyecto.

3.- Aprobar el Proyecto.

Determinar Ys Establecer el criterio de evaluacin de las Ys

Step11 : Optimizar Vital Few Xs