Академический Документы
Профессиональный Документы
Культура Документы
PUEBLA
Estudios con Reconocimiento de Validez Oficial por Decreto
Presidencial del 3 de abril de 1981
TESIS
que para obtener el Grado de
MAESTRA EN INGENIERA DE CALIDAD
presenta
MIGUEL BAHENA QUINTANILLA
Puebla, Pue.
2006
INDICE
Introduccin
Antecedentes de la Calidad
Qu es seis sigma?
Justificacin
Objetivos
Alcance
Planteamiento del problema
Metodologa
Introduccin
Etapas de la fase de Definicin
Mapa del proceso
Despliegue de la Funcin de Calidad QFD
Modelo Kano
Diagrama matricial
Benchmarking
Costos de Calidad
Entregables de esta fase
Introduccin
Etapas de la fase de Medicin
Estadstica descriptiva
Herramientas estadsticas para la solucin de problemas
Entregables de esta fase
Introduccin
Etapas de la fase de Anlisis
AMEF
Cartas Multi Vari
Correlacin
Anlisis de Regresin
Pruebas de Hiptesis
Anlisis de Varianza ANOVA
Entregables de esta fase
Pgina 1
Introduccin
Etapas de la fase de Mejora
Terminologa
Diseo de Experimentos (DOE)
Mtodo de Superficie de Respuesta
5.6
Captulo 7.
7.1
7.2
7.3
7.4
Introduccin
Etapas de la fase de Control
Determinacin de la capacidad del proceso en control
Implementacin del Sistema de Control
Cartas de Control
Dispositivos a prueba de errores Poka-Yoke
Mejora Continua Kaizen
Las 5Ss
El Kanban
Entregables de esta fase
Proyecto
Introduccin
Proyecto de Nivel de Llenado
Metodologa DMAIC
Paso 1 Fase de Definicin
Paso 2 Fase de Medicin
Paso 3 Fase de Anlisis
Paso 4 Fase de Mejora
Paso 5 Fase de Control
Entregables / resultados del proyecto
Conclusiones y Recomendaciones
Bibliografa
Pgina 2
INTRODUCCIN
ANTECEDENTES
La empresa de finales de los ochenta parece haber encontrado su nuevo credo: el de la calidad
total. Las empresas que se limitaban a hacer el control a posteriori de su nica calidad presentaron
la quiebra una tras otra. Las empresas de hoy si quieren sobrevivir, deben trabajar para sus clientes
ms que para s misma.
Philip Crosby populariz el concepto de Cero Defecto como orientacin para el control de calidad.
Este enfoque establece la meta de resultados que carezcan de errores al 100 por ciento. Crosby
sostiene que si se establece un nivel aceptable de defectos, ello tiende a provocar que dicho nivel
(o uno ms alto) se conviertan en una profeca que se cumple; Si los empleados saben que est
bien trabajar dentro de un nivel determinado de errores, llegarn a considerar que ese nivel es la
norma. Es evidente que dicha norma est por debajo de lo ptimo. Crosby sostiene que a las
personas se le establecan estndares de desempeo mucho ms holgados en sus trabajos que lo
que regan sus vidas personales. Ellos esperaban hacer las cosas bien, cuando se trataba de
sostener a un beb, de pagar las facturas o de regresar temprano a la casa correcta. En cambio, en
los negocios se les fijaban niveles aceptables de calidad, mrgenes de variacin y desviaciones.
La idea de un porcentaje de error aceptable (a veces denominado un nivel de calidad
aceptable) es un curioso remanente de la era del control de calidad. En aquellos tiempos, se
podan encontrar maneras de justificar estadsticamente las naturales fallas humanas, sosteniendo
que nadie poda ser posiblemente perfecto. De modo que si el 100% es inalcanzable, por qu no
conformarse con el 99%, e incluso con el 95%? Entonces, si alcanzramos el 96,642%, podramos
dar una fiesta y celebrar el hecho de haber superado los objetivos. La cuestin es que el 96,642%
significa que de 100.000 transacciones efectuadas por un servicio, 3.358 resultaran desfavorables.
Como las fallas de uno entre mil paracaidistas. Los clientes insatisfechos, aquellos que habran
estado fuera del porcentaje de transacciones perfectas, no regresaran jams.
En los aos ochenta la TQM (Gestin de Calidad Total) fue muy popular, pero sufri un proceso
de desgaste y en muchas empresas de agona; ante las circunstancias descriptas, empresas
mexicanas se han visto en la necesidad imperiosa de realizar un cambio total en su manera de
gestionar las empresas, dando lugar ello a adoptar la metodologa de Seis Sigma en funcin de tres
caractersticas:
1.
2.
Los proyectos Seis Sigma producen grandes retornos sobre la inversin. En un artculo
de la Harvard Business Review, Sasser y Reichheld sealan que las compaas pueden
ampliar sus ganancias en casi un 100% si retienen slo un 5% ms de sus clientes
gracias al logro un alto grado de calidad.
3.
Seis Sigma cambia el modo que opera la direccin. Seis Sigma es mucho ms que
proyectos de mejora. La direccin y los supervisores aprenden nuevos enfoques en la
forma de resolver problemas y adoptar decisiones.
Pgina 3
La historia de Seis Sigma se inicia en Motorola cuando un ingeniero (Mikel Harry) comienza a
influenciar a la organizacin para que se estudie la variacin en los procesos (enfocado en los
conceptos de Deming), como una manera de mejorar los mismos. Estas variaciones son lo que
estadsticamente se conoce como desviacin estndar (alrededor de la media), la cual se representa
por la letra griega sigma (). Esta iniciativa se convirti en el punto focal del esfuerzo para mejorar
la calidad en Motorola, capturando la atencin del entonces CEO de Motorola: Bob Galvin. Con el
apoyo de Galvin, se hizo nfasis no slo en el anlisis de la variacin sino tambin en la mejora
continua, estableciendo como meta obtener 3,4 defectos (por milln de oportunidades) en los
procesos; algo casi cercano a la perfeccin.
Esta iniciativa lleg a odos de Lawrence Bossidy, quin en 1991 y luego de una exitosa carrera en
General Electric, toma las riendas de Allied Signal para transformarla de una empresa con
problemas en una mquina exitosa. Durante la implantacin de Seis Sigma en los aos 90 (con el
empuje de Bossidy), Allied Signal multiplic sus ventas y sus ganancias de manera dramtica. Este
ejemplo fue seguido por Texas Instruments, logrando el mismo xito. Durante el verano de 1995 el
CEO de GE, Jack Welch, se entera del xito de esta nueva estrategia de boca del mismo Lawrence
Bossidy, dando lugar a la mayor transformacin iniciada en esta enorme organizacin.
El empuje y respaldo de Jack Welch transformaron a GE en una "organizacin Seis Sigma", con
resultados impactantes en todas sus divisiones. Por ejemplo: GE Medical Systems recientemente
introdujo al mercado un nuevo scanner para diagnstico (con un valor de 1,25 millones de dlares)
desarrollado enteramente bajo los principios de Seis Sigma y con un tiempo de escaneo de slo 17
segundos (lo normal eran 180 segundos). En otra de las divisiones: GE Plastics, se mejor
dramticamente uno de los procesos para incrementar la produccin en casi 500 mil toneladas,
logrando no slo un beneficio mayor, sino obteniendo tambin el contrato para la fabricacin de
las cubiertas de la nueva computadora iMac de Apple.
Qu es Seis Sigma?
Seis Sigma es una forma de dirigir un negocio o un departamento. Seis Sigma pone primero al
cliente y usa hechos y datos para impulsar mejores resultados. Los esfuerzos de Seis Sigma se
dirigen a tres reas principales1:
Las mejoras en estas reas representan importantes ahorros de costes, oportunidades para retener a
los clientes, capturar nuevos mercados y construirse una reputacin de empresa de excelencia.
Podemos definir Seis Sigma como1:
1.
2.
3.
Pgina 4
La letra griega minscula sigma () se usa como smbolo de la desviacin estndar, siendo sta
una forma estadstica de describir cunta variacin existe en un conjunto de datos, es decir, obtener
slo 3.4 defectos por milln de oportunidades o actividades.
La metodologa Seis Sigma, engloba tcnicas de Control Estadstico de Procesos, Despliegue de la
funcin de calidad (QFD), Ingeniera de calidad de Taguchi, Benchmarking, entre otras; siendo
una slida alternativa para mejorar los procesos y por lo tanto, lograr la satisfaccin de los clientes.
La estrategia Seis Sigma incluye el uso de herramientas estadsticas dentro de una metodologa
estructurada incrementando el conocimiento necesario para lograr de una mejor manera, ms
rpido y al ms bajo costo, productos y servicios que la competencia.
Se caracteriza por la continua y disciplinada aplicacin de una estrategia maestra "proyecto por
proyecto" tal como lo recomienda Joseph Juran en su triloga de la calidad, donde los proyectos
son seleccionados mediante estrategias clave de negocios, lo cual conduce a recuperar la inversin
realizada y obtener mayores mrgenes de utilidad. La gente que coordina los proyectos de Seis
Sigma son comnmente llamados: BlackBelts2, Green Belts, etc.
A continuacin se presentan y describen las fases de la metodologa Seis Sigma:
Fase 0. Definicin D
Fase 1. Medicin
Define
Problema de Negocio
M Measure
Problema Estadstico
Fase 2. Anlisis
Analyze
Fase 3. Mejora
Improve
Fase 4. Control
Control
Solucin Estadstica
Solucin de Negocio
Fases de Identificacin y Definicin de proyectos en relacin con los aspectos clave del
negocio.
Reconocer como afectan los procesos los resultados organizacionales.
Reconocer como afectan los procesos a la rentabilidad.
Definir cuales son las caractersticas crticas del proceso de negocio.
Fases de Medicin y Anlisis para conocer en forma profunda los niveles actuales de desempeo
Se selecciona una o ms de las caractersticas clave y se crea una descripcin detallada de
cada paso del proceso.
Se evala el proceso a travs de mediciones y sirve de referencia para establecer los
objetivos de la empresa.
Se crea un plan de accin despus de analizar la situacin actual para lograr los objetivos
establecidos
2
Pgina 5
Pgina 6
DMAIC
DMAIC
Definir
Medir
Analizar
Mejorar
Controlar
Herramientas
1.
1. Mapa
Mapa de
de Proceso
Proceso
2.
2. Despliegue
Despliegue de
de la
la
Funcin
Funcin de
de
Calidad
Calidad (QFD)
(QFD)
3.
3. Modelo
Modelo Kano
Kano
4.
4. Diagrama
Diagrama Matricial
Matricial
5.
5. Benchmarking
Benchmarking
6.
6. Costos
Costos de
de Calidad
Calidad
1.
1. Mapa
Mapa de
de Procesos
Procesos
2.
2. Diagrama
Diagrama de:
de:
Pareto,CausaPareto,CausaEfecto,rbol,
Efecto,rbol,
Afinidad
Afinidad
3.
3. Mtodos
Mtodos de
de
Muestreo
Muestreo
Estadstico
Estadstico
4.
4. Capacidad
Capacidad del
del
Sistema
Sistema de
de
Medicin
Medicin
5.
5. Distribucin
Distribucin
Normal
Normal
6.
6. Capacidad
Capacidad del
del
Proceso
Proceso
1.
1. AMEF
AMEF
2.
2. Cartas
Cartas Multi
Multi Vari
Vari
3.
3. Correlacin
Correlacin
4.
4. Regresin
Regresin lineal
lineal
Simple
Simple yy lineal
lineal
Mltiple
Mltiple
5.
5. Pruebas
Pruebas de
de
Hiptesis
Hiptesis
6.
6. Anlisis
Anlisis de
de
Varianza
Varianza (ANOVA)
(ANOVA)
1.
1. Anlisis
Anlisis de
de
Experimentos
Experimentos
(DOE)
(DOE)
2.
2. Diseo
Diseo Factorial
Factorial
2K
2K
3.
3. Diseo
Diseo Fraccin
Fraccin
Factorial
Factorial
4.
4. Diseo
Diseo Taguchi
Taguchi
5.
5. Diseo
Diseo de
de Mezclas
Mezclas
6.
6. Mtodos
Mtodos de
de
Superficie
Superficie de
de
Respuesta
Respuesta
1.
1. Plan
Plan de
de Control
Control
2.
2. Cartas
Cartas de
de Control
Control
3.
3. Poka
Poka Yoke
Yoke
4.
4. Mejora
Mejora continua
continua
(Kaizen)
(Kaizen)
5.
5. Las
Las 55 Ss
Ss
6.
6. Kanban
Kanban
Para aplicar la filosofa Seis Sigma dentro de una organizacin implica "Cambiar la cultura de
la organizacin", ya que se fomenta el trabajo en equipo para la solucin de problemas, se
mejoran la comunicacin, y aumenta el grado de confianza y seguridad en los individuos para
realizar el trabajo, de esta manera se rompe la resistencia al cambio para poder ser ms agresivos
y alcanzar metas cada vez ms desafiantes.
Recomendaciones para seleccin de proyectos4:
o Fuentes externas:
Considerar la voz del cliente
Considerar la voz del mercado
Considerar la comparacin con la competencia
Algunas de las preguntas que surgen a partir de estas fuentes:
En que estamos fallando o vamos a fallar en la satisfaccin de las
necesidades del cliente?
Dnde nos encontramos detrs de nuestros competidores?
Cmo va a evolucionar el mercado?Estamos preparados para ello?
Cules son las necesidades futuras de nuestros clientes?
o Fuentes internas:
Considerar la voz del proceso
Considerar la voz del personal
3
4
Reyes Primitivo Tomado de los apuntes de la material Opcin Terminal UIA Otoo 2005
Neuman Robert, Pande Peter Las claves de Seis Sigma
Pgina 7
Pgina 8
La filosofa Seis Sigma busca ofrecer mejores productos o servicios, de una manera cada vez
ms rpida y a ms bajo costo, mediante la reduccin de la variacin de cualquiera de nuestros
procesos. Aunque a muchas personas les ha costado entender, una de las grandes enseanzas del
Dr. Deming fue buscar el control de variacin de los procesos lo cual es medido por medio de la
desviacin estndar. Deca el Dr Deming: el enemigo de todo proceso es la variacin, por lo
que es ah en donde debemos concentrar el esfuerzo hacia de la mejora continua, pero sobre
todo porque La variacin es el enemigo de la satisfaccin de nuestros clientes.
Por lo anterior se pretende mostrar la aplicacin de esta metodologa en un caso prctico de
proyecto de mejora, donde en forma clara se describan los pasos a seguir con la metodologa Seis
Sigma.
Hasta ahora hemos mencionado algunos nombres de personas que han contribuido a lo que es hoy
6 sigma, a continuacin se hace mencin de mas gurs y su aportacin a sta herramienta:
Guru
Contribucin
Philip B. Crosby
W. Edwards Deming
Armand Feigenbaum
Kaoru Ishikawa
Joseph Juran
Walter A. Shewhart
Genichi Taguchi
Pgina 9
Objetivos
1.1 Objetivo general:
El objetivo general de esta tesis es el desarrollo de un caso prctico de aplicacin de la
metodologa 6 sigma que muestre en forma clara y concisa los pasos a seguir; servir como una
gua que facilita la comprensin de aplicacin de los diferentes mtodos y herramientas
estadsticas para la mejora de la calidad.
Objetivos especficos:
Aplicacin de la metodologa seis sigma para mejorar la calidad y productividad de una planta
de bebidas, reduciendo la variabilidad en el nivel de llenado en la presentacin premier,
asegurando las caractersticas de calidad establecidas para el producto.
Pgina 10
1.1
Se pretende que este trabajo sea una gua, tanto para la capacitacin como para la consulta, de
todos aquellos que lleven a cabo la implementacin de proyectos de mejora bajo la
metodologa Seis Sigma.
Mostrar como se pueden utilizar el Minitab y Excel para reducir el tiempo de desarrollo de los
proyectos.
Alcance
1.2
Pgina 11
1.3
Metodologa
La metodologa que se va a emplear es la aplicacin de seis sigma en conjunto con kaizen, lo que
en planta llamamos Kaizen Seis Sigma, para lograr los resultados en un plazo no mayor a 3 meses.
La presente tesis constar de 7 captulos en los cuales consistirn en la explicacin de las
diferentes metodologas y herramientas que se pueden utilizar en la aplicacin de un proyecto que
se maneje bajo la metodologa de Seis Sigma.
1.
2.
3.
4.
5.
6.
7.
Pgina 12
Capitulo #1
Capitulo #2
Capitulo #3
Capitulo #4
Capitulo #5
Capitulo #6
Capitulo #7
Pgina 13
Cambio
Porcentaje de mejora
requerido
10x
30x
40x
Tabla 1.1
En esta otra tabla se aprecia la cantidad de defectos por cada nivel sigma
Nivel en sigma
3.4
233.0
6,210.0
66,807.0
308,537.0
690,000.0
Tabla 1.2
Pgina 14
Realizando un comparativo del nivel de calidad sigma de varias empresas se determin que el
promedio de estas se encuentra en el nivel 4; Las empresas con nivel 6 son denominadas de
Clase Mundial (World Class). El objetivo de la implementacin Seis Sigma es precisamente
convertirse en una empresa de Clase Mundial.
En la figura se muestra el concepto bsico de la mtrica de Seis Sigma, en donde las partes deben
de ser manufacturadas consistentemente y estar dentro del rango de especificaciones.
La distribucin normal muestra los parmetros de los niveles tres sigma y seis sigma.
Figura 1.1. La figura muestra el nmero de partes por milln (ppm) que estaran fuera de los limites de
especificacin tomando como lmite el valor de cada desviacin estndar. 6
LSL
USL
6 5 4 3 2 1
+ 1 + 2 + 3 + 4 + 5 + 6
Con la distribucin normal centrada dentro de los lmites 6, se tendra nicamente una porcin de
0.002 ppm.7
Pgina 15
Para compensar las inevitables consecuencias de los errores de centrado de procesos, la media de
la distribucin se desplaz 1.5. Este ajuste proporciona una idea ms realista de la capacidad del
proceso a travs de varios ciclos de manufactura.
El desplazamiento puede ser en direccin positiva o negativa, pero nunca en ambas direcciones8
LSL
USL
6 5 4
3 2 1
+ 1 + 2
+ 3
+ 4 + 5 + 6
Una medida que describe el grado en el cual el proceso cumple con los requerimientos es la
capacidad del proceso. Los ndices utilizados son Cp y Cpk, Un nivel Seis Sigma tiene la habilidad
de lograr ndices de 2.0 y 1.5 respectivamente. Para lograr esta capacidad la meta a alcanzar de un
programa Seis Sigma es producir al menos 99.99966% de calidad, no ms de 3.4 defectos en un
milln de piezas producidas en el largo plazo.
Nivel en sigma
Porcentaje Defectos por milln de oportunidades
99.99966
3.4
99.9769
233.0
99.379
6,210.0
93.32
66,807.0
69.13
308,537.0
30.23
690,.000.0
Tabla 1.3 Porcentajes y cantidad de defectos a los que corresponden los diferentes niveles Sigma
Pgina 16
Pgina 17
Ejemplo:
Cantidad
Unidades
1100
Defectos
310
Oportunidades de defectos
315
D
310
=
= 0.01878
N O 1100*15
Subproceso
N artculos
Actividades
Generacin
de D1 Defectos
YLP
Revisin de
Actividades
Subsistencia
de D2 Defectos
defectuosos
YFP
En este subproceso podemos observar la entrada de N artculos con cero defectos, se realiza un
trabajo en el cual hay D1 defectos, resultando el rendimiento a la primera (YFP), despus se revisa
el trabajo y al final subsisten D2 defectos, siendo este el rendimiento en la inspeccin final (YLP).
Pgina 18
Mide la probabilidad de pasar por todos los subprocesos sin un defecto, se determina con el
producto del resultado de cada paso: YFP1 YFP2 YFP3 ......YFPn Es un rendimiento sensible a pasos
El rendimiento normal mide el promedio de rendimientos por los pasos del proceso. Es el
promedio exponencial basado en el nmero de pasos del proceso, no es un promedio aritmtico.
YN = n YRT , donde n es igual al nmero de pasos en el proceso.
Ejemplo:
Rendimiento
Subproceso #1
96%
Subproceso #2
99%
Subproceso #3
97%
Subproceso #4
98%
Calcular YRT y YN
YRT = 96%*99%*97%*98% = 90.34% 0.9034 que es la probabilidad de que el producto pase sin
error.
YN = YRT =
n
0.9034 = 97.49%
Nota: El rendimiento Normal es el promedio del rendimiento del proceso; Sigma es calculada a
partir de un rendimiento Normalizado.
Diferencia entre YRT y YFT
Rendimiento real o estndar (YRT)
Siempre <YFT
Siempre >YRT
Observa la calidad de todas las partes que conforman el Slo observa la calidad del producto terminado
producto terminado.
Tabla 1.4 Rendimientos
Pgina 19
Largo plazo (ZLT): Son los datos tomados durante un periodo de tiempo suficientemente largo y en
condiciones suficientemente diversas para que sea probable que el proceso haya a experimentado
todos los cambios y otras causas especiales.
ZLT = (lmite especif. - media)
std devLT
Corto plazo (ZST): Son los datos tomados durante un periodo de tiempo suficientemente corto para
que sea improbable que haya cambios y otras causas especiales.
ZST = (lmite especif. - nom)
desv. stdST
Para el clculo de datos a largo plazo a partir de datos a corto plazo restamos 1.5, debido a los
desplazamientos que sufre la media debido al cambio natural en los procesos.
ZST = ZLT + 1.5
Donde:
ZST = Z a corto plazo.
ZLT = Z a largo plazo.
YN = Rendimiento Normal
Ejemplo:
0.9034 = 97.49%
o Yrt = 1 D / DPO
Pgina 20
standar deviation 1
A continuacin se presenta una ayuda grfica paso a paso para determinar los valores de Z
Pgina 21
Pgina 22
Pgina 23
Tabla Z Mtodo 2
Pgina 24
Motorota sugiere una serie de pasos para mejorar el desempeo de los procesos utilizando la
metodologa Seis Sigma, como se muestra a continuacin:
Priorizar oportunidades
de mejora
Seleccionar equipo de
trabajo adecuado
Describir el proceso
en su totalidad
Anlisis del sistema
de medicin
Identificar y describir los
procesos y productos criticos
Aislar y verificar los
procesos crticos
Estudio del desempeo del
proceso y medicin de la capacidad
Si
Proceso
capaz?
No
Rediseo de equipo/proceso
Rediseo de producto
Accin de la gerencia
Si
Cp 2
y
Cpk 1.5
MEJORA CONTINUA
Pgina 25
No
Pgina 26
10. Reducir causas comunes de variacin para alcanzar Seis Sigma: Se deben reconocer las
limitaciones del proceso. Solamente a travs de la reduccin y eliminacin de las causas
comunes de variacin y el diseo para la manufactura es posible alcanzar el nivel Seis Sigma.
Una vez que las causas especiales se han eliminado solamente pueden permanecer causas
comunes las cuales se irn eliminando a travs de la mejora continua de los procesos.
1.5 Las fases DMAIC de Seis Sigma
La metodologa Seis Sigma es un mtodo disciplinado de mejora de los procesos conformado por
las fases siguientes: Definicin, Medicin, Anlisis, Mejora y Control (DMAIC), como se
explican con ms detalle a continuacin:
Definir
Asd
Controlar
Controlar
Medir
Mejorar
Analizar
Pgina 27
2.1 Introduccin
Definir
Definir
Controlar
Controlar
Mejorar
Mejorar
Mejorar
Medir
Medir
Analizar
Analizar
DMAIC
Definir
Medir
Medir
Analizar
Analizar
Mejorar
Mejorar
1.
1. Mapa
Mapa de
de Proceso
Proceso
2.
2. Despliegue
Despliegue de
de la
la
Funcin
Funcin de
de
Calidad
Calidad (QFD)
(QFD)
3.
3. Modelo
Modelo Kano
Kano
4.
4. Diagrama
Diagrama Matricial
Matricial
5.
5. Benchmarking
Benchmarking
6.
6. Costos
Costos de
de Calidad
Calidad
Pgina 28
Controlar
Controlar
El primer paso en la definicin de un proyecto es identificar cuales son los clientes a los cuales el
proceso impacta, se define como cliente interno a la persona o las personas siguientes en el
proceso, esto es dentro de la compaa. Como se describe a continuacin hay 2 tipos de clientes y
son:
Cliente Interno: Es el personal interno afectado por el producto o servicio generado
(siguiente operacin).
Cliente Externo: Los clientes externos son todos aquellos a los que la empresa provee un
producto o servicio, estos se dividen en usuarios finales, clientes intermediarios y otros que
son impactados pero que no usan ni compran el producto
o Usuarios finales: comprar o usan el producto para su uso
o Intermediarios: comprar el producto para su reventa, reempaque, modificacin o
ensamble final para venta al usuario final. Ejemplo: detallistas, distribuidores,
mayoristas, etc.
o Grupos impactados: no compran ni usan el producto pero son impactados por l.
Por ejemplo la comunidad, gobierno, padres, grupos civiles, etc.
Pgina 29
Para determinar los CTQS se pueden tomar como base lo siguientes puntos:
Metas del negocio
Entrevistas
Encuestas
Quejas
Datos de Benchmarking
Discusiones ejecutivas
Discusiones de trabajo especfico
Matriz de Causa Efecto
QFD
Tendencias del mercado futuras
Seleccin del problema:
El problema se puede dar debido a: devoluciones, bajo nivel de servicio, entregas tardas,
desperdicios, producto defectuoso, documentos inadecuados.
El problema se selecciona basndose en las polticas de la organizacin, al grupo de trabajo, jefe
inmediato y a los resultados de sus actividades diarias.
Criterios para seleccionar el problema
Seguridad
Calidad
Costo
Entrega
Nivel de servicio
Es muy recomendable expresar los antecedentes, la importancia y la prioridad de los problemas. Se
debe de explicar porqu se seleccion el problema ya sea por:
1. Efecto econmico, reclamo de mercado, rechazos, % de ventas prdidas, disponibilidad otros.
2. Impacto para los procesos posteriores, monto de prdida, incremento de tiempo de operacin,
paro de lnea, desperdicio, costo de falla, baja eficiencia etc.
Entre todos los integrantes del equipo pueden evaluar las razones arriba descritas y enfocarse en un
solo tema.
Impacto en el negocio:
En este punto se enuncia como impacta la mejora del proceso al negocio. Se mencionan cuales
seran las consecuencias en caso de no realizar el proyecto. Se debe conocer cual ha sido la
situacin en el negocio debido al proceso actual. Qu nos ha ocasionado: Prdida de clientes?
Incumplimiento en los niveles de servicio?, As como cuantificar (en porcentajes y en prdidas de
utilidades).
Pgina 30
Es importante describir como se alinea el proyecto con las iniciativas y metas del negocio. Estas
ltimas son definidas por la direccin.
Descripcin del problema:
Se debe estratificar (se recomienda utilizar la herramienta estadstica de 5 porque?) Para definir el
problema que tiene el proceso, el producto o el servicio de forma especfica, indicando
cualitativamente de ser posible en cifras, o porcentajes que demuestren la necesidad de modificar
su estado actual. Es necesario expresar concretamente el grado del problema. (Se recomienda no
dejar el tema demasiado amplio). Es mejor no usar la solucin para nombrar un problema, sin
antes realizar la bsqueda de la causa verdadera (llamada tambin causa raz), se crear duda de s
esa solucin es la definitiva.
Definicin y Alcance del proyecto:
Para determinar los objetivos del proyecto nos cuestionamos qu es lo que vamos a obtener con la
realizacin del proyecto? Generalmente es mejorar e implementar el proceso para una fecha
especfica. El Alcance nos sirve para delimitar el proceso, es decir:
Punto de inicio: Identificar la actividad en donde empieza el proceso.
Punto final: Identificar la actividad donde termina el proceso.
Dentro del alcance: Actividades que se encuentran dentro del proceso.
Fuera del alcance: Actividades que no estn dentro del proceso.
La realizacin de los proyectos normalmente son asignados a lderes de proyecto denominados
Green Belts10 quienes aplican la metodologa Seis Sigma en los proyectos de mejora del
desempeo de los procesos.
Ahorros: Identificar de dnde se van a obtener los ahorros tanto financieros como no
financieros para el proyecto tales como:
Seleccionar a las personas clave que intervienen o que estn involucradas directamente y que
reciben beneficios del proceso.
Incluir nombre, posicin roles y responsabilidades a desempear en el desarrollo del proyecto.
10
Persona entrenada en la metodologa de Six Sigma y como facilitador , que trabaja de tiempo parcial en la
realizacin de proyectos de mejora junto con equipos de trabajo. Workout for Six Sigma Pocket Guide
Pgina 31
Es necesario incluir adems de los miembros del equipo, al Champion del proceso as como un
Black Belt que apoye y asesore a los equipos de proyecto guiados por Green Belts.
Recomendaciones:
-
Realizar un mapeo del proceso de alto nivel, identificando cuales son los proveedores, entradas,
proceso, salidas, clientes. Comnmente llamado SIPOC.
Entradas
Proceso
Proveedor
Salida
Cliente
El equipo crea el mapa de proceso apoyado con Post Its pegados a la pared
El proceso puede tener 4 o 7 pasos claves Cmo se transforma el producto?
Listar las salidas del proceso Cul es el resultado final, producto o servicio de este proceso?
Listar los clientes de la salida del proceso quin es el usuario final del proceso?
Listar las entradas del proceso De dnde vienen los materiales?
Listar los proveedores del proceso quines son los proveedores clave?
Como paso opcional identificar algunos requerimientos preliminares de los clientes
Pgina 32
8) Involucrar al lder del equipo, champion, y otros grupos interesados en la verificacin del
proyecto
11
Ejemplo :
Cliente C
Salida O
Proceso P
Entrada I
Proveedor S
Confirmacin
1.
1. Recibir
Recibir la
la llamada
llamada yy
Confirmacin yy Nmero
Nmero
de
registrar
registrar problema
problema
de Reporte
Reporte
Nombre
del
del Cliente
Cliente
Nombre del
del Ing.
Ing. Asignado
Asignado
Llamada,
Llamada, Identificacin
Identificacin
Persona,
Persona, Contrato
Contrato
Vigente,
Descripcin
Vigente, Descripcin del
del
Problema
Problema
Ing.
Ing. de
de sistemas
sistemas del
del
cliente
cliente
Posibles
ones
Posibles Soluci
Soluciones
Plan
Plan Implantacin
Implantacin de
de la
la
Solucin
Solucin
2.
ema yy
2. Analizar
Analizar probl
problema
proponer
ciones
proponer solu
soluc
iones
Problemas
Problemas Parecidos
Parecidos ya
ya
Resueltos
Resueltos oo Registrados
Registrados
Info.
Info. Tcnica
Tcnica detallada
detallada de
de
la
la instalacin
instalacin del
del Cliente
Cliente
Recomendaciones
Recomendaciones de
de
Expertos
Expertos
Ing.
Ing. de
de sistemas
sistemas del
del
cliente
cliente
Posibles
Posibles Soluciones
Soluciones
Plan
Plan Implantacin
Implantacin de
de la
la
Soluc
in
Solucin
3.
3. Corregir
Corregir el
el Problema
Problema
Plan
Plan de
de Implantacin,
Implantacin,
Pruebas
Pruebas yy Contingencia
Contingencia
de
de la
la Solucin,
Solucin,
Otras
recomendaciones
Otras recomendaciones yy
instrucciones
instrucciones
Ing.
Ing. de
de Soporte
Soporte
Cliente,
Cliente,
Organizacin
Organizacin Interna
Interna
Reporte
Reporte de
de Solucin
Solucin
4.
4. Cerrar
Cerrar el
el reporte
reporte del
del
Documentacin
Documentacin del
del Caso
Caso
problema
problema
Registro
Registro BD
BD de
de problemas
problemas
Aprobacin
Aprobacin de
de la
la
Solucin,
Solucin,
Res
umen del
Resumen
del Reporte
Reporte de
de
Fal
la
Falla
Cliente
Cliente
Ing.
Ing. de
de Soporte
Soporte
Cliente,
Cliente,
Ing.
Ing. de
de Soporte
Soporte
Cliente
Cliente
Base
Base de
de Problemas,
Problemas,
Cliente,
Cliente,
Expertos
Expertos Tcnicos
Tcnicos
El QFD sirve para traducir la voz del cliente en especificaciones, participan varias reas en el
equipo, fue aplicado por primera vez en Kobe en 1972 por Yoji Akao con gran xito. Se introdujo
a EUA en los 1980s por Don Clausing y se ha aplicado en la industria automotriz
El QFD proporciona un mtodo grfico para expresar las relaciones entre los requerimientos del
cliente y las caractersticas de diseo, forma la matriz principal
El QFD permite organizar los datos de requerimientos y expectativas del cliente en una forma
matricial denominada la casa de la calidad. Proceso muy lento
Entre los beneficios del QFD se encuentran: orientacin al cliente, reduccin de ciclo de desarrollo
de nuevos productos, usa mtodos de ingeniera concurrente, reduce los cambios en manufactura,
incrementa la comunicacin entre reas y establece prioridades en los requerimientos.
A continuacin se esquematiza una Casa de calidad bsica QFD
11
Pgina 33
Interrelaciones de
Caractersticas de Diseo
Cmo cumplir los requerimientos
del Cliente
(Carcteristicas de diseo)
Necesidades
del cliente
MATRIZ DE RELACIONES
Compracin de Prioridades
del cliente
Los siguientes pasos se siguen (mtodo simplificado) para la construccin del un QFD
1. Cuando el tiempo apremia se puede usar una Matriz de causa efecto, sirve para dar prioridad a
las KPIVs
2. Lista en las columnas las variables de salida claves del proceso KPOVs
3. Asignar un nmero de importancia que tiene para el cliente entre 1-10 cada KPOV, en el
rengln siguiente
4. Listar en los renglones las variables de entrada KPIVs que pueden causar variabilidad o no
conformidad en el proceso
Matriz de causa efecto, sirve para dar prioridad a las KPIVs
En la matriz y con apoyo del equipo de trabajo asignar un nmero de 1 a 10 indicando la
importancia que tiene cada KPIV en cada KPOV en la celda corresp.
Multiplicar estos nmeros por los de la importancia de cada KPOV y sumar en renglones para
identificar que KPIV deben recibir atencin prioritaria
Pgina 34
Ejemplo:
1. Anote los
Requerimientos
Clave del Cliente
Matriz de
Causa y Efecto
Requisito
Requisito
Resistencia
Requisito
Tierra
Salidas, Req.
o CTQs
Entradas
del Proceso
Corto
Rango de
Importancia
Del Cliente
7
10
11
12
1
2
3
4
5
6
7
Pgina 35
13
14
15
Total
2. Clasificar
requerimientos
en orden de
importancia para
el cliente
Matriz de
Causa y Efecto
Resistencia
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Entradas
del Proceso
1 2 3
Corto
Salidas o CTQs
10 9 8
Tierra
Rango de
Importancia
al Ciente
10
11
12
13
14
15
Total
1
2
3
4
5
6
7
8
Matriz de
Causa y Efecto
3. Anotar
entradas
clave
1
2
3
4
5
6
7
10
11
12
13
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Tierra
Requisito
Entradas
del Proceso
Requisito
Salidas o CTQs
Resistencia
Corto
Rango de
Importancia
al Ciente
14
Total
Ensamble A
Operacin B
Ensamble C
Ensamble D
Ensamble E
Prueba Final
9
10
Pgina 36
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
10
11
12
13
14
Requisito
Requisito
Requisito
Entradas
del Proceso
Requisito
Requisito
Requisito
Requisito
Requisito
1
Salidas o CTQs
Requisito
Requisito
Requisito
10
Resistencia
Rango de
Importancia
al Ciente
Corto
4. Relacionar
las Entradas
con los
requerimientos
Tierra
Matriz de
Causa y Efecto
Total
10
9
10
6
4
4
Ensamble de A
Operacin B
Ensamble de C
Ensambled de D
Ensamble de E
Prueba Final
10
10
6
7
8
0
9
9
8
6
7
8
Hacer una estimacin subjetiva de qu tanto influyen las variables de entrada en los
requerimientos o salidas CTQs
Matriz de
Causa y Efecto
Tierra
Resistencia
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Entradas
del Proceso
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Ensamble A
Operacin B
Ensamble C
Ensamble D
Ensamble E
Prueba Final
10
11
12
13
14
Requisito
Requisito
Requisito
1
Salidas o CTQs
Requisito
8
Requisito
10 9
Corto
Rango de
Importancia
al Ciente
5. Multiplicar
e identificar
prioridad
Total
10 10 99
9
10
6
4
4
10
6
7
8
0
8
6
7
8
10x10+9x10+8x9 = 262
262
252
218
171
168
104
Pgina 37
Resistencia
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Entradas
del Proceso
11
12
13
14
Ordenando los
nmeros
resultantes se
observa que:
Total
Ensamble A 10
Operacin B 9
Ensamble C 10
1
2
3
5 Ensamble D
10 Ensamble E
9 Prueba Final
11
13
15
12
14
4
7
8
6
10
Requisito
Requisito
1
Salidas o CTQs
Requisito
Requisito
Requisito
10
Tierra
Rango de
Importancia
al Ciente
Corto
Causa y Efecto
Matriz
6
4
4
10
10
6
7
8
0
9
9
8
6
7
8
262
252
218
171
168
104
El ensamble A,
Operacin B y
Ensamble de C
son importantes.
Ahora se evalan
los planes de
control para sus
variables clave
(KPIVs)
Noritaki Kano desarrollo un modelo explicativo que demuestra la relacin entre la satisfaccin del
cliente y la organizacin proveedora segn se muestra en la siguiente figura
El modelo de Kano muestra que existe un nivel bsico de calidad que los clientes asumen que el
producto traer consigo. Sin embargo proveer dicha calidad bsica no es suficiente para crear
satisfaccin al cliente.
La calidad esperada representa aquellas expectativas explcitamente consideradas por los clientes.
La calidad excitante (o exciting quality), muestra una curva que se encuentra en la zona de
satisfaccin. Este es el efecto de la innovacin. Esto representa algn atributo inesperado por el
cliente.
Es decir los clientes reciben ms de lo que esperan.
12
Pgina 38
Este modelo tambin se evala doblemente cada atributo: cuando se ofrece en el servicio (modo
funcional) y cuando est ausente del mismo (modo disfuncional). La escala aqu utilizada no es
ordinal, sino categrica, siendo el cruce de dichas categoras en cada uno de los modos evaluados
(funcional y disfuncional) la que clasificara cada atributo dentro de uno de los seis tipos
contemplados en este modelo:
Pgina 39
Atributos que satisfacen: son aquellos en los que la satisfaccin est relacionada de forma
directamente proporcional con la funcionalidad del mismo.
Atributos requeridos: los que aumentan la insatisfaccin si no se ofrecen, pero no
contribuyen a aumentar la satisfaccin por encima de un lmite.
Atributos que deleitan: estos no disminuyen la satisfaccin del cliente cuando no estn
funcionales, pero la aumentan mucho y rpidamente cuando s se presentan.
Atributos neutros: su presencia o ausencia no contribuye a aumentar o disminuir la
satisfaccin.
Atributos cuestionables: los que producen valoraciones contradictorias.
Atributos invertidos: producen valoraciones positivas cuando no estn presentes y
negativas cuando s lo estn.
El diagrama matricial (DM) es una herramienta que ordena grandes grupos de caractersticas,
funciones y actividades de tal forma que se pueden representar grficamente los puntos de
conexin lgica existentes entre ellos. Tambin se muestra la importancia relativa de cada punto
de conexin en relacin con el resto de co-relaciones.
Se base en el principio de que si se sita un conjunto de elementos en las filas de una matriz
(horizontales) y otro conjunto de elementos en columnas de la misma matriz (verticales), los
puntos de interseccin de filas y columnas indicarn la relacin entre ambos conjuntos. Una de las
caractersticas ms importantes de ste diagrama es la utilizacin de smbolos que indican de
forma visual la fuerza de las relaciones existentes en cada interseccin.
Ejemplo: Desear establecer un DM para determinar las expectativas de los clientes de un
# de ingredientes
$ de ingredientes
# de platos requeridos
Tiempo de preparacin
% Hidratos de Carbono
% nutricional requerido
Relacin Fuerte:
Relacin Moderada:
Relacin Dbil:
Peso de la porcin
Conjunto A
Sacia el apetito
Es nutritivo
Tiene buen gusto
Conjunto B
Sencillo de preparar
Sencillo de limpiar
Es barato
No produce excesiva basura
Cmo se indica si existe o no una relacin entre los distintos elementos, y en caso afirmativo la
fuerza de tal relacin?
El mtodo consiste en utilizar un cdigo visual (Los smbolos utilizados tambin suelen variar)con
el objeto de que el DM proporcione el mximo de informacin. Existen muchas formas de
codificar aunque las ms utilizadas parten del supuesto de categorizar tres distintos grados de
relacin: relacin fuerte, relacin moderada y relacin dbil.
Pgina 40
En ocasiones se utilizan estas matrices con el objeto de identificar rea o reas responsables de
algn problema y la codificacin pudiera ser:
Proceso sistemtico y continuo para evaluar los productos, servicios y procesos de trabajo de las
organizaciones que son reconocidas como representantes de las mejores prcticas, con el propsito
de realizar mejoras organizacionales13.
Objetivo del benchmarking
Obtener superioridad en todas las reas - calidad, fiabilidad del producto y costos.
Actuar como una herramienta por la cual se identifican, establecen y logran estndares de
excelencia, basndose en la realidad del mercado.
Qu cosas se deben someter al proceso de benchmarking?
Productos y servicios
Procesos de trabajo
Funciones de apoyo
Desempeo organizacional
Estrategias
Las cinco etapas del benchmarking:
5.
1.
Actuar/implementar
Determinar a qu se le va a hacer
benchmarking
BMK
4.
Recopilar y analizar la
informacin de
benchmarking
3.
13
Pgina 41
2. Formar un equipo de
benchmarking
Plan de Accin:
Por qu utilizar el benchmarking?
Ofrece un camino ms rpido de desempeo notorio
Muestra qu procesos son candidatos para mejora continua y cules requieren cambios
mayores
Tiene orientacin al cliente y le da valor
Hay falta de tiempo para la mejora gradual
Ubica a la firma en donde est con respecto a prctica y procesos de su clase, y qu debe
ser cambiado
Aporta un modelo mejor en su clase para ser adoptado o, mejorado
Es un compromiso hacia la calidad total, ya que la apoya a dar los mejores medios para la
mejora y rpida, significativa de procesos o prcticas
Sirve de apoyo al proceso de planificacin estratgica
Sirve como base para la fijacin de objetivos
Como base para las nuevas ideas
2.8 Costos de Calidad14
Los costos de calidad son un vehculo para evaluar los esfuerzos de control de costos e identificar
oportunidades de reduccin de costos por medio de mejoras al sistema
Las categoras de los costos de calidad son:
Costos de Prevencin
Costos de Evaluacin
Costos de Falla interna
Costos de Falla externa
Algunos ejemplos de los Costos de Prevencin:
Seleccin y reclutamiento
Estudios de capacidad
Almacenamiento controlado
Revisiones de diseo
Capacitacin en calidad
Mantenimiento de equipo y rep.
Pruebas de campo
Diseo dispositivos de ensamble
Pronsticos
Orden y limpieza
Descripciones de puestos
Investigacin de mercados
Revisiones con el personal
14
Proyectos piloto
Planeacin
Revisin de procedimientos
Prueba de prototipos
Diseo de calidad
Incentivos de calidad
Revisiones de seguridad
Encuestas
Estudios de tiempos y movs.
Capacitacin
Seleccin y evaluacin de
prov.
Auditorias de proveedores
Pgina 42
Costos de Evaluacin:
Auditorias
Verificacin de documentos
Verificacin de dibujos
Calibracin de equipo
Inspeccin final
Inspeccin en proceso
Inspeccin y prueba
Reportes de inspeccin y
prueba
Pruebas de laboratorio
Otros gastos de revisin
Pruebas al personal
Verificacin de procedimientos
Inspeccin de prototipos
Inspeccin de recibo
Inspeccin de embarques
Mantenimiento de equipos de
prueba
Tiempo extra **
Penalizaciones **
Exceso de pago en transporte
Concesiones de precio **
Errores en precio **
Reclamaciones
Rediseos
Reinspecciones y pruebas rep.
Reparaciones
Costos de reabastecimiento
Devoluciones
Retrabajo y desperdicio
Selecciones y gastos de garanta
Pgina 43
2.9 Entregables:
Project Charter
o
o
o
o
o
Identificar al cliente
Recolectar los datos para identificar los requerimientos del cliente
Construir un mapa de proceso a detalle para identificar los requerimientos del cliente
Desarrollar el enunciado del problema y de la meta
Evaluar el alcance del proyecto
Seleccionar a los integrantes del equipo y sus roles
Desarrollar el contrato
Buscar la aprobacin del contrato
Plan de Trabajo
Pgina 44
Controlar
Controlar
Mejorar
Mejorar
Mejorar
Medir
Medir
DMAIC
Definir
Definir
1.
1. Mapa
Mapa de
de Proceso
Proceso
2.
2. Despliegue
Despliegue de
de la
la
Funcin
Funcin de
de Calidad
Calidad
(QFD)
(QFD)
3.
3. Modelo
Modelo Kano
Kano
4.
4. Diagrama
Diagrama Matricial
Matricial
5.
5. Benchmarkin
Benchmarkin
6.
6. Costos
Costos de
de Calidad
Calidad
Medir
Analizar
Mejorar
1.
1. Mapa
Mapa de
de detallado
detallado de
de
Procesos
Procesos
2.
2. Diagrama
Diagrama de
de Pareto
Pareto
3.
3. Diagrama
Diagrama de
de CausaCausaEfecto
Efecto
4.
4. Diagrama
Diagrama de
de rbol
rbol
5.
5. Diagrama
Diagrama de
de Afinidad
Afinidad
6.
6. Mtodos
Mtodos de
de Muestreo
Muestreo
Estadstico
Estadstico
7.
7. Capacidad
Capacidad del
del
Sistema
Sistema de
de Medicin
Medicin
8.
8. Distribucin
Distribucin Normal
Normal
9.
9. Capacidad
Capacidad del
del
Proceso
Proceso
Pgina 45
Controlar
Controlar
En todos los procesos existe variacin, en esta fase el propsito es medir dicha variacin, para
saber si existen datos que se encuentren fuera de especificaciones, que estn causando problemas
en nuestros procesos. Para realizar esta actividad es de suma importancia conocer: que es lo que
necesitamos medir? y cmo lo vamos a medir? A lo largo de este capitulo tenemos diferentes
herramientas que nos ayudarn a responder estas preguntas.
Dependiendo de las condiciones y necesidades que tengamos seleccionaremos una o ms
herramientas, cabe mencionar que no necesariamente se utilizan todas las herramientas, lo
importante es seleccionar cuidadosamente aquellas que nos proporcionen la informacin ms
objetiva y precisa.
Y = F(X)
Y
X1, X2,..Xn
Variable
Variable
independiente
dependiente
Entrada-Proceso
Salida (respuesta)
Causa
Efecto
Problema
Sntoma
Controlable.
Monitoreable
Zs
Variables de ruido
Incontrolables
Para la seleccin de Ys podemos utilizar un diagrama de Pareto para priorizar y centrar nuestra
atencin en el(los) efecto(s) ms importantes. La variable dependiente Y (o de respuesta) fue
previamente determinada en la fase de definicin, las Xs son las variables de entrada, las Zs son
las variables de ruido. En esta etapa se tratarn de determinar las Xs, ya que son las variables que
podemos medir y controlar.
En otras palabras:
Y (=) Son los CTQs del cliente (interno o externo)
Xs (=) Son CTQs del proceso
Pgina 46
Para determinar los CTQs del proceso (Xs) seleccionaremos alguna o algunas de las
herramientas apropiadas a las necesidades del proyecto que se enuncian de manera general:
Herramienta
5 Porqus?
5W/1H
Anlisis de Campo de
Fuerzas.
Benchmarking
Capacidad
de
los
sistemas de medicin
(MSA)
Carta de tendencias
Diagrama Causa-Efecto
(Ishikawa o Fishbone)
Diagrama de Afinidad
Diagrama de Dispersin
Diagrama de Pareto
Diagrama de Relaciones
Diagramas Matriz
Hoja de Verificacin
Lluvia de ideas
Mapa de procesos
Tcnica de grupos
nominales.
Pgina 47
Para qu es utilizada?
Se utiliza despus de haber determinado las causas ms importantes de un problema,
preguntando sistemticamente 5 veces porqu, podremos llegar a la solucin del
problema
Tcnica en la cual se responde a las siguientes preguntas: que, quin, porque, cuando,
donde, como, para la solucin de problemas.
Analizar cuales son las fuerzas dentro de una organizacin o proceso que estn dando
empuje a las soluciones y cuales estn frenando el progreso.
Estudio que ayuda a realizar un comparativo de productos, procesos o servicios contra el
"mejor en la clase" puede ser dentro de la empresa o, para identificar oportunidades de
mejora.
Sirve para determinar que tan grandes son las variaciones sobre la base de ciertos
parmetros de los sistemas de medicin, incluyendo equipo y gente.
Conocer el comportamiento de un proceso grficamente para poder tomar las acciones
correctivas a tiempo cuando es necesario.
Representa de forma ordenada y completa todas las causas que pueden originar un
problema (efecto) es una herramienta muy efectiva para encontrar las causas ms
importantes de un problema y sobre la base del anlisis de las causas encontrar la mejor
solucin.
Agrupar en categoras afines las posibles causas que ocasionan un problema, permitiendo
obtener fcilmente la causa que lo origina.
Es una tcnica utilizada para estudiar la relacin entre dos variables, facilitando la
comprensin del problema planteado.
Priorizar los problemas que tienen el potencial ms grande de mejora. Muestra la
frecuencia relativa en una grfica de barras descendiente.
Permite al equipo identificar, analizar y clasificar sistemticamente las relaciones causa y
efecto que existen entre todos los elementos crticos, para lograr una solucin efectiva.
Mtodo utilizado para mostrar las relaciones que existen entre mtodos, causas,
actividades etc. determinando la fuerza que existe entre estas. Permite Identificar las
medidas ms convenientes para la solucin.
Recolectar datos basados en la observacin del comportamiento de un proceso con el fin
de detectar tendencias, por medio de la captura, anlisis y control de informacin relativa
al proceso.
Cada miembro del equipo propone posibles soluciones a un problema, se determinan las
mejores soluciones por consenso.
Proveen una secuencia grfica de cada uno de los pasos o actividades que componen una
operacin desde el inicio hasta el final. Permitiendo una mejor visualizacin y
comprensin del proceso. Sirve para identificar pasos innecesarios, compara el proceso
actual contra el ideal.
Relaciona las entradas claves a los CTQs y el diagrama de flujo del proceso como su
principal fuente. Sirve para priorizar las entradas clave a usar en AMEFS, planes de
control y estudios de capacidad.
Mtodo grfico (matriz de relaciones) en el que se identifican los deseos del cliente
(CTQS) y las caractersticas de diseo del producto, procesos o servicios. Permite
traducir de un lenguaje ambiguo a los requerimientos especficos del diseo del producto,
proceso o servicio. En otras palabras relacionas los qu? del cliente con los como? del
proceso.
Permite al equipo rpidamente realizar un consenso de la importancia relativa de asuntos,
problemas o soluciones posibles. Las causas ms importantes son atacadas y se priorizan
para encontrar la mejor solucin
Tabla 3.2 Herramientas Estadsticas
Para realiza la recoleccin de datos podemos ayudarnos del diagrama 5W-1H el cual consiste en
contestar las siguientes preguntas, cuyo objetivo es recolectar datos confiables, que reflejen la
realidad de lo que est sucediendo15:
(What)
(Why)
(Where)
(Who)
(When)
(How)
Qu vamos a hacer?
Por qu vamos a hacer eso?
En donde lo vamos a hacer?
Quien va ha hacer que?
Para cuando lo van a hace?
Cmo lo vamos a hacer?
15
16
Poblacin (N): Es el conjunto de todos los elementos de inters para determinado estudio
Parmetro: Es una caracterstica numrica de la poblacin, se identifica con letras griegas
(Media = , Desviacin estndar = , Proporcin = , Coeficiente de correlacin = )
Muestra (n): Es una parte de la poblacin, debe ser representativa de la misma.
Estadstico: Es una caracterstica numrica de una muestra, se identifica con letras latinas
(Media = X, Desviacin estndar = s, Proporcin = p, Coeficiente de correlacin = r)
Pgina 48
Para poder obtener consecuencias y deducciones vlidas de los datos de una estadstica, es muy
til contar con informacin sobre los valores que se agrupan hacia el centro y sobre que tan
distanciados o dispersos estn unos respecto a otros.
Las medidas de tendencia central son: la media, mediana y moda.
Las medidas de dispersin: son el rango, la desviacin estndar y el coeficiente de
variacin.
Otras medidas son: percentiles, deciles y cuartiles representados en el diagrama de caja.
3.336
3.469
3.520
3.434
3.576
3.510
3.573
3.669
3.543
3.583
3.687
3.707
3.442
3.512
3.495
3.530
3.790
3.611
3.391
3.409
3.699
3.626
3.624
3.601
3.692
3.664
3.598
3.500
3.467
3.492
3.475
3.477
3.641
3.596
3.659
3.724
3.419
3.449
3.649
3.570
3.682
3.631
3.525
3.429
3.434
3.515
3.578
3.666
3.500
3.424
3.424
3.654
3.540
3.729
3.437
3.563
3.538
3.480
3.550
3.606
3.631
3.568
3.507
3.475
3.505
3.523
3.603
3.535
3.477
3.555
3.618
3.798
3.656
3.459
3.606
3.717
3.391
3.391
3.787
3.626
3.495
3.568
3.626
3.462
Pgina 49
3.55407
0.01172
3.54650
3.39100
0.11605
0.01347
-0.00966
0.09892
0.58600
3.24200
3.82800
348.2990
98
0.023267191
Cuando tenemos una cantidad grande de datos es difcil poder analizarlos, a menos que hagamos
uso de herramientas que nos permitan hacerlo con mayor facilidad y claridad. El histograma es una
de ellas, Se emplea para ilustrar muestras agrupadas en intervalos. Esta formado por rectngulos
unidos a otros, cuyos vrtices de la base coinciden con los limites de los intervalos y el centro de
cada intervalo es la marca de clase, que representamos en el eje de las abscisas. La altura de cada
rectngulo es proporcional a la frecuencia del intervalo respectivo en un diagrama de barras donde
las bases corresponden a los intervalos y las alturas a las frecuencias. Para construir un histograma
se recomienda tener un mnimo de 50 a 100 datos.
Ejemplo: De los datos del ejemplo anterior, construir un Histograma
Intervalo
0.000 - 3.242
3.243 -3.300
3.007 - 3.359
3.360 - 3.417
3.418 - 3.476
3.477 - 3.535
3.536 - 3.593
3.594 - 3.652
3.653 - 3.652
3.653 - 3.710
3.711 - 3.769
Registro de frecuencias
I
1
II
2
IV
4
VI
6
XVII
17
XXVIII
28
XX
20
XIV
14
X
10
III
3
II
2
15
10
5
1.3.1.1.10
3.
24
2
3.
30
06
3.
35
92
3.
41
78
3.
47
64
Clase
Pgina 50
or
e
20
1.3.1.1.2
1.3.1.1.3
1.3.1.1.4
1.3.1.1.5
1.3.1.1.6
1.3.1.1.7
1.3.1.1.8
1.3.1.1.9
Figura 3.2 Histograma de Frecuencias
M
Frecuencia
25
3.
53
5
3.
59
36
3.
65
22
3.
71
08
3.
76
94
30
Tercer Cuartil
Data
3.6
Media
3.5
3.4
Primer
Cuartil
3.3
3.2
Dentro de los sistemas de calidad resulta de gran utilidad representar la estructura y relaciones de
los sistemas mediante diagramas de flujo.
Ventajas de los diagramas de flujo
Proveen una secuencia grfica de cada uno de los pasos que componen una operacin
desde el inicio hasta el final. Permitiendo una mejor visualizacin y comprensin del
proceso.
Los diagramas de flujo pueden minimizar grandes volmenes de documentacin,
incluyendo la documentacin ISO 9000.
Facilitan el desarrollo de Procedimientos Estndar de Operacin.
Al tener un procedimiento de operacin estndar se reduce en gran medida la variacin y el
tiempo de ciclo.
Los diagramas de flujo permiten detectar reas de mejora en los procesos.
Pgina 51
Descripcin de smbolos
Pgina 52
Es una tcnica de grupo para crear ideas originales en un ambiente relajado. Esta herramienta fue
creada cuando se realiz una bsqueda de ideas creativas, el cual generaba ms y mejores ideas
que las que los individuos podan producir trabajando de forma independiente18.
Para utilizar la tcnica de lluvia de ideas se sugiere la siguiente tcnica:
1.Escoger a alguien para que sea el facilitador y apunte las ideas.
2.Escribir en un rotafolio o pizarrn el problema a discutir.
3.Escribir cada idea en el menor nmero de palabras y si se llega a repetir una idea verificarla
con su contribuidor. Nunca el facilitador puede interpretar o cambiar las ideas.
4. Establecer un tiempo lmite. (Aprox. 25 minutos)
5. Fomentar la creatividad. Construir sobre las ideas de otros pero nunca criticar las ideas.
6. Revisar la lista para verificar su comprensin.
7.Converger las ideas (Eliminar las duplicaciones, problemas irrelevantes y aspectos no
aplicables). El grupo llegar al consenso en las principales ideas y propondr unas medidas a
tomar en funcin del anlisis.
La tcnica Lluvia de ideas puede ser aplicada con gran frecuencia al llevar a cabo otras
herramientas, como por ejemplo, diagramas causa-efecto, 5 Porqus?, Diagrama de Afinidad,
Diseo de experimentos, pruebas de confiabilidad, etc.
Ventajas:
La tormenta, o lluvia, de ideas posee una serie de caractersticas que la hacen muy til cuando se
pretende obtener un amplio nmero de ideas sobre las posibles causas de un problema, acciones a
tomar, o cualquier otra cuestin.
18
Pgina 53
Una observacin aadida es que este mtodo sirve de entrada, o de fase previa, para otras tcnicas
de anlisis.
Diagrama de Pareto
19
Pgina 54
Permite que el grupo se concentre en el contenido del problema, no en la historia del problema
ni en los distintos intereses personales de los integrantes del equipo.
Ayuda a determinar las causas principales de un problema, o las causas de las caractersticas de
calidad, utilizando para ello un enfoque estructurado.
Estimula la participacin de los miembros del grupo de trabajo, permitiendo as aprovechar
mejor el conocimiento que cada uno de ellos tiene sobre el proceso.
Incrementa el grado de conocimiento sobre un proceso.
Pgina 55
Ejemplo:
El Sr. Prez tuvo un accidente automovilstico en el carretera, el equipo de mejora continua que
trabaja con l se reuni y analiz el problema, utilizando una Lluvia de ideas; despus de que
convergieron en 16 ideas se utiliz el Diagrama de Ishikawa para clasificarlas como a continuacin
de ejemplifica. Se construye el diagrama espina de pescado con las causas primarias (Ms), a partir
de estas causas se agrupan las causas secundarias y terciarias derivadas de la lluvia de ideas.
Llanta
ponchada
MATERIALES
Carretera
resbaladiza
MEDIO
AMBIENTE
Hielo
Clavo
Aceite
Piedra
Nieve
Lluvia
Reventn
Cristal
Prdida de
control del
coche,
ocasion
accidente
Temeridad
Acelerador
bloqueado
Fallo de
frenos
Reflejos
deficientes
Rotura
direccin
Fallo
mecnico
MQUINAS
Error
conductor
Formacin
defectuosa
MENTE DE
OBRA
Diagrama de rbol
El Diagrama de rbol, o sistemtico, es una tcnica que permite obtener una visin de conjunto de
los medios necesarios para alcanzar una meta o resolver un problema.
Partiendo de una informacin general, como la meta a alcanzar, se incrementa gradualmente el
grado de detalle sobre los medios necesarios para su consecucin. Este mayor detalle se representa
mediante una estructura en la que se comienza con una meta general (el "tronco") y se contina
con la identificacin de niveles de accin ms precisos (las sucesivas "ramas"). Las ramas del
primer nivel constituyen medios para alcanzar la meta pero, a su vez, estos medios tambin son
metas, objetivos intermedios, que se alcanzarn gracias a los medios de las ramas del nivel
siguiente. As repetidamente hasta llegar a un grado de concrecin suficiente sobre los medios a
emplear20.
20
Pgina 56
Ventajas:
Exhorta a los integrantes del equipo a ampliar su modo de pensar al crear soluciones.
Mantiene a todo el equipo vinculado a las metas y submetas generales de una tarea.
Mueve al equipo de planificacin de la teora al mundo real.
Diagrama de Afinidad
El Diagrama de Afinidad, referido a veces como mtodo KJ, es una herramienta que sintetiza un
conjunto de datos verbales (ideas, opiniones, temas, expresiones,...) agrupndolos en funcin de la
relacin que tienen entre s. Se basa, por tanto, en el principio de que muchos de estos datos
verbales son afines por lo que pueden reunirse bajo unas pocas ideas generales.
Pgina 57
Es una herramienta muy til cuando se dispone de una gran cantidad de informacin proveniente
de diferentes fuentes; sta herramienta es muy sutil al momento de analizar y extraer la
informacin de stos datos.Es considerado como una clase especial de "tormenta de ideas",
constituyendo, frecuentemente, esta tcnica de creatividad el punto de partida para la elaboracin
del diagrama.
Adecuado capital y excelente administracin,
as como alto poder tcnico calidad y personal
entusiasta
a
f
s
g
d
j
e
k
n
q
o
h
r
m
c
18
13
Diagrama de Relaciones
Es una herramienta Que determina que idea tiene influencia sobre otra, representando sta relacin
mediante una flecha en la direccin de influencia.
En particular el Diagrama de Relaciones se utiliza cuando:
a) Un tema es lo suficientemente complejo como para que la Inter.-relacin entre ideas
(causas y efectos) sea difcil de determinar, clasificar y priorizar
b) Es critico en la resolucin del problema la secuenciacin correcta de las actividades por
parte de la direccin
c) Existe un sentimiento de que el problema en cuestin en realidad es un solo sntoma.
d) El nmero de causa y las relaciones entre estas es significativo y difcil de analizar por
separado
Desarrollar aprox. 50 conceptos del problema (post its)
Colocar en forma aleatoria los conceptos
Relacionar los conceptos con flechas causa-efecto
Se requieren varias revisiones al diagrama por los miembros del equipo
El equipo llega a un consenso sobre los conceptos sobre los que necesita trabajar
Pgina 58
Gran participacin de
mercado con
utilidades estables
Mejor uso
de capital
Lograr los
objetivos de
utilidades
Capital
suficiente
Personal con
entusiasmo
Buenas ventas de
productos de ms
rentabilidad
21
Pgina 59
Aleatorio
simple
Caractersticas
Ventajas
Desventajas
Sencillo y de fcil
comprensin.
Se basa en la teora
estadstica, y por tanto existen
paquetes informticos para analizar
los datos
Fcil de aplicar.
No siempre es necesario
tener un listado de toda la
poblacin.
Requiere que se
posea de antemano un
listado completo de toda la
poblacin.
Cuando se trabaja
con muestras pequeas es
posible que no represente a
la poblacin adecuadamente
Se obtienen estimaciones
ms precisa
Su objetivo es conseguir
una muestra lo mas semejante
posible a la poblacin en lo que a
la o las variables estratificadoras se
refiere.
Se ha de conocer la
distribucin en la poblacin
de las variables utilizadas
para la estratificacin.
Sistemtico
Estratificado
Conglomerados
Si la constante de
muestreo est asociada con
el fenmeno de inters, las
estimaciones obtenidas a
partir de la muestra pueden
contener sesgo de seleccin
El error estndar es
mayor que en el muestreo
aleatorio
simple
o
estratificado.
Cada estudio tiene un tamao muestral idneo, que permite comprobar lo que se pretende con la
seguridad y precisin fijadas por el investigador.
De que depende el tamao muestral ?
Variabilidad del parmetro a estimar: Datos previos, estudios piloto o usar 50% como peor
estimacin
Precisin: Amplitud del intervalo de confianza. Si se estima prevalencia su formato ser %
Nivel de confianza (1-a): habitualmente 95% o 99%. Probabilidad complementaria al error
admitido
n=
N*Z *
2
2
2
Z * + d (N-1)
donde:
N = tamao de la poblacin
Z = valor de la tabla normal estandarizada correspondiente al nivel de confianza deseado
2 = Varianza poblacional donde se va a sacar la muestra
d = tolerancia o error permisible o mitad de la amplitud del intervalo de confianza deseado
b) Cuando se desconoce el tamao de la poblacin y se conoce la desviacin estndar
poblacional:
2
n=
Z *
2
d
donde:
Z = valor de la tabla normal estandarizada correspondiente al nivel de confianza deseado
2 = Varianza poblacional donde se va a sacar la muestra
d = tolerancia o error permisible o mitad de la amplitud del intervalo de confianza deseado
Estudios de Capacidad de sistemas de medicin MSA (R&R)
Pgina 61
Variacin
proceso,
real
Variacin
deldel
proceso,
real
Variacin dentro de la
muestra
Repetibilidad
Variacin de la medicin
Variacin
originada
Equipo
de
medicin
por el calibrador
Estabilidad
Reproducibilidad
Linealidad
Sesgo
Calibracin
Figura 3.8 Fuentes de Variacin
Definiciones
REPETIBILIDAD
Operador-C
Operador-A
Reproducibilidad
Pgina 62
No Exacto
No Preciso
Si Exacto
No Preciso
No Exacto
Exacto
Si Preciso
Preciso
Si Exacto
Si Preciso
Tiempo 2
Tiempo 1
22
Pgina 63
Linealidad: diferencia en los valores de la escala, a travs del rango de operacin esperado del
instrumento de medicin.
Valor
verdadero
Valor
verdadero
Sesgo
Menor
Sesgo
mayor
(rango inferior)
(rango superior)
Sesgo
Nota: Importante: para que el equipo de medicin tenga una discriminacin adecuada en la
evaluacin de las partes, su Resolucin debe ser al menos 1/10 de la variabilidad del proceso23.
Criterios segn el MSA:
<10% Aceptable
10-30%. Puede ser aceptable, dependiendo si la caracterstica a medir no es crtica.
>30%. Inaceptable!
En cualquier problema que involucre mediciones, algunas de las variaciones observadas son
debidas al proceso y otras son debidas al error o variacin en los sistemas de medicin. La
variacin total es expresada de la siguiente manera:
Pgina 64
Existen 2 mtodos para realizar los estudios de R&R, conocidos como Mtodo corto y Mtodo
largo, a continuacin se explica ste ltimo:
Estudio de R&R Mtodo largo
24
Pgina 65
Ejemplo (MINITAB)
Mtodo X Barra - R
Se seleccionan 10 muestras de un proceso de manufactura, cada parte es medida tres veces por tres
operadores. Los datos son los siguientes, realice un estudio R&R mediante el mtodo X-R.
Muestra
1
2
3
4
5
6
7
8
9
10
1
2
3
4
5
6
7
8
9
10
1
2
3
4
5
6
7
8
9
10
Analista
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Kari
Resultado
3.546
3.517
3.496
3.497
3.525
3.509
3.529
3.512
3.534
3.534
3.546
3.537
3.494
3.494
3.521
3.502
3.529
3.503
3.523
3.528
3.578
3.539
3.531
3.537
3.523
3.548
3.529
3.553
3.570
3.564
Muestra
1
2
3
4
5
6
7
8
9
10
1
2
3
4
5
6
7
8
9
10
1
2
3
4
5
6
7
8
9
10
Analista
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Carlos
Resultado
3.566
3.569
3.589
3.579
3.590
3.537
3.543
3.555
3.581
3.570
3.570
3.569
3.590
3.582
3.587
3.530
3.541
3.549
3.576
3.570
3.567
3.570
3.588
3.590
3.589
3.526
3.538
3.551
3.576
3.570
Muestra
1
2
3
4
5
6
7
8
9
10
1
2
3
4
5
6
7
8
9
10
1
2
3
4
5
6
7
8
9
10
Analista
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Csar
Resultado
3.523
3.569
3.527
3.558
3.559
3.543
3.553
3.536
3.564
3.571
3.534
3.571
3.536
3.563
3.558
3.547
3.558
3.536
3.567
3.574
3.534
3.577
3.535
3.566
3.562
3.544
3.552
3.540
3.569
3.575
Capture los datos en la hoja de trabajo de Minitab en tres columnas C1, C2, C3
Seleccione en el men de la barra de herramientas STAT>QUALITY TOOLS>GAGE STUDY
> Gage R&R (Crossed)
>Seleccione C1 (parte), C2 (operador), C3 (Medicin)
>Mtodo de Anlisis X Bar and R
>En Options Seleccionar: Staudy variation 6.0 Process tolerante 0.6
Pgina 66
VarComp
0.0004785
0.0000710
0.0004075
0.0000917
0.0005701
%Contribution
(of VarComp)
83.92
12.46
71.47
16.08
100.00
Source
Total Gage R&R
Repeatability
Reproducibility
Part-To-Part
Total Variation
StdDev (SD)
0.0218741
0.0084269
0.0201858
0.0095737
0.0238775
Study Var
(6 * SD)
0.131245
0.050561
0.121115
0.057442
0.143265
%Study Var
(%SV)
91.61
35.29
84.54
40.10
100.00
%Tolerance
(SV/Toler)
26.20
10.09
24.18
11.47
28.60
El error de R&R vs tolerancia es 26.20% lo que hace que el equipo de medicin no sea adecuado
para la medicin.
Por otro lado el nmero de categoras es slo de 1 cuando debe ser al menos 4 indicando que el
instrumento discrimina las diversas partes diferentes.
Figura 3.9 Resultados del estudio de R&R
Gage R&R (Xbar/R) for Resultado
C omponents of Var iation
Percent
100
Resultado by M uestr a
% Contribution
% Study Var
% Tolerance
3.55
50
3.60
3.50
Gage R&R
Repeat
Reprod
Part-to-Part
R C har t by A nalista
Sample Range
Carlos
Csar
10
3.60
UCL=0.03673
3.55
0.02
_
R=0.01427
0.00
LCL=0
3.50
Carlos
Csar
Analista
3.55
3.50
Pgina 67
Carlos
Csar
Kari
Kari
Average
3.60
Sample Mean
5
6
Muestra
Resultado by A nalista
Kari
0.04
Analista
Carlos
Csar
Kari
3.55
3.50
5 6
Muestra
10
DF
9
2
18
60
89
SS
0.0091805
0.0230918
0.0150516
0.0080647
0.0553885
MS
0.0010201
0.0115459
0.0008362
0.0001344
F
1.2199
13.8076
6.2212
P
0.342
0.000
0.000
Gage R&R
Source
Total Gage R&R
Repeatability
Reproducibility
Analista
Analista*Muestra
Part-To-Part
Total Variation
VarComp
0.0007253
0.0001344
0.0005909
0.0003570
0.0002339
0.0000204
0.0007458
%Contribution
(of VarComp)
97.26
18.02
79.24
47.87
31.37
2.74
100.00
Source
Total Gage R&R
Repeatability
Reproducibility
Analista
Analista*Muestra
Part-To-Part
Total Variation
StdDev (SD)
0.0269319
0.0115936
0.0243088
0.0188942
0.0152947
0.0045197
0.0273086
Study Var
(6 * SD)
0.161592
0.069561
0.145853
0.113365
0.091768
0.027118
0.163851
%Study Var
(%SV)
98.62
42.45
89.02
69.19
56.01
16.55
100.00
%Tolerance
(SV/Toler)
32.26
13.89
29.11
22.63
18.32
5.41
32.71
Los resultados son muy parecidos, auque ms estrictos en este mtodo, ya que el error de R&R vs
tolerancia es 32.26%
El resultado total del estudio nos dice que se necesita urgentemente de una mejora en nuestro
sistema de Medicin, sobre todo la parte de Reproducibilidad, hay que trabajar fuertemente en el
mtodo de anlisis de cada uno de los analistas que va desde la tcnica, la capacitacin y la
efectividad de la misma, tambin la Repetitividad que se refiere al equipo con que estamos
midiendo, no sea adecuado para la medicin.
Pgina 68
La Distribucin Normal
Pgina 69
AMPLITUD
FORMA
Existe una relacin del porcentaje de poblacin a la desviacin estndar. En la figura observamos
por ejemplo que el rea bajo la curva para 1 tiene un porcentaje de 68.26%, 2 = 95.46% y
3 = 99.73%.
Pgina 70
x-3
x-2
x-
x+
x+2
x+3
-3
-2
-1
Figura 3.12
La distribucin de probabilidad f (Z) es una distribucin normal con media 0 y desviacin estndar
1; esto es Z se distribuye normalmente con media cero y desviacin estndar = 1 Z ~ N(0,1): La
grfica de densidad de probabilidad se muestra en la figura.
F(z)
= 1
Z
0
Pgina 71
Ejemplo:
El tiempo de vida de las bateras del conejito tiene una distribucin aproximada a la normal con
una media = 85.36 horas y una desviacin estndar = 3.77 horas. Que porcentaje de las
bateras se espera que duren 80 horas o menos?
Calculando el valor de Z obtenemos:
Z=
80 - 85.36
3.77
= -1.42
Buscamos el valor correspondiente Z en las tablas de distribucin normal. Z0.5 = 0.9220 = 92.20%.
Ejemplo:
-2.85
Solucin: Buscamos el valor Z2.85 en las tablas siendo este = 0.99781 restando 0.99781-0.5 =
0.49781, este valor es la probabilidad de 0 a 2.85 que es exactamente la misma de 2.85 a 0 por
simetra. Por lo tanto la probabilidad es 49.78%
Uso de la distribucin normal en Excel
Pgina 72
25
Pgina 73
LIE
Figura 3.13
LSE
LIE
LSE
LIE
LSE
L
SE
LIE
Pgina 74
LSE
Para realizar un estudio de capacidad es necesario que se cumplan los siguientes supuestos26:
El proceso se encuentre bajo control estadstico, es decir sin la influencia de fuerzas externas o
cambios repentinos. Si el proceso est fuera de control la media y/o la desviacin estndar del
proceso no son estables y, en consecuencia, su variabilidad ser mayor que la natural y la
capacidad potencial estar infravalorada, en este caso no es conveniente hacer un estudio de
capacidad.
Se recolectan suficientes datos durante el estudio de habilidad para minimizar el error de
muestreo para los ndices de habilidad. Si los datos se componen de menos de 100 valores,
entonces deben calcularse los lmites de confianza inferiores.
Los datos se recolectan durante un periodo suficientemente largo para asegurar que las
condiciones del proceso presentes durante el estudio sean representativos de las condiciones
actuales y futuras.
El parmetro analizado en el estudio sigue una distribucin de probabilidad normal, de otra
manera, los porcentajes de los productos asociados con los ndices de capacidad son
incorrectos.
suficientemente corto para que sea improbable que haya cambios y otras causas especiales.
Las familias de variacin han sido restringidas de tal manera que los datos considerados, slo son
los que se obtuvieron del subgrupo racional. Ayuda a determinar subgrupos racionales
importantes.
26
Pgina 75
Z st =
Z LT =
donde:
Zst = variacin a corto plazo.
nom = Valor nominal u objetivo
Zlt = variacin a largo plazo.
Z shift: A largo plazo los procesos tienen un desplazamiento natural de 1.5 desviaciones estndar.
Zlt = Zst-1.5shift
Cp =
LSE LIE
6
donde:
Cp = capacidad potencial
LSE = lmite superior de especificaciones
LIE = lmite inferior de especificaciones
= desviacin estndar
El ndice Cp debe ser 1 para tener el potencial de cumplir con especificaciones (LIE, LSE)
Para calcular la capacidad real utilizamos la siguiente frmula:
27
Pgina 76
Cpk =
[Zl , Zs]
3
Frecuencia
25
20
15
10
5
0
Clase
Zl =
3.58 3.65
= -1.37
0.051
< 1, el proceso no es hbil.
Cpk = m
menor
enor de Zl y Zs = -1.37 < 1 , por lo tanto proceso no cum
cumple
ple especificaciones.
Pgina 77
En casos especiales como estos donde las variaciones presentes son totalmente inesperadas
tenemos un proceso inestable impredecible.
?
?
?
?
?
?
?
Si las variaciones presentes son iguales, se dice que se tiene un proceso estable. La distribucin
ser predecible en el tiempo.
Prediccin
Tiempo
R
S
=
(Para cartas de control X-R y X-S respectivamente)
d2
C4
donde:
S = Desviacin estndar de la poblacin
d2 = Factor que depende del tamao del subgrupo en la carta de control X - R
C4 = dem al anterior para una carta X - S
En una carta por individuales, d2 se toma para n = 2 y Rango Medio = Suma rangos / (n -1)
Pgina 78
= x (media de medias)
= 3.60 , R = 0.015
R 0.015
=
= 0.0064
d 2 2.326
(3.58 3.60)
3 0.0064
Capacidad de procesos en Minitab con los siguientes datos realizar el anlisis de la capacidad de
proceso.
15.25
15.50
15.50
17.00
15.50
17.00
14.75
15.00
16.50
15.50
15.00
14.50
15.00
14.00
15.25
16.50
16.00
15.00
17.00
15.75
15.50
17.00
19.00
14.50
14.50
16.00
15.75
18.50
18.00
15.00
16.50
18.00
15.00
16.50
17.50
15.50
18.00
17.50
16.00
16.50
14.00
16.00
15.00
19.00
18.00
16.00
18.00
17.00
16.50
15.00
16.50
14.50
16.75
15.25
14.00
15.00
15.50
15.50
Primeramente, nos aseguramos que los datos se distribuyan normalmente con la prueba de Ryan
como sigue:
1. Stat > Basic statistics > Normality Test
2. Variable C1 Seleccionar Anderson-Darling test OK
El P-value debe ser mayor a 0.05 para que los datos se distribuyan normalmente
Nos da como resultado:
Probability Plot of C1
Normal
99
Mean
StDev
N
AD
P-Value
95
90
Percent
80
70
60
50
40
30
20
10
5
13
Pgina 79
14
15
16
C1
17
18
19
16.02
1.162
56
0.737
0.052
Mean
StDev
N
AD
P-Value
95
90
16.02
1.162
56
0.737
0.052
Percent
80
70
60
50
40
30
20
10
5
12
13
14
15
16
C1
17
18
19
20
Pgina 80
USL
W ithin
Ov erall
P rocess Data
LS L
14.5
Target
*
USL
18.5
S ample M ean
16.0223
S ample N
56
S tDev (Within)
0.787395
S tDev (O v erall) 1.16718
14
O bserv ed P erformance
P P M < LS L 53571.43
PPM > USL
0.00
P P M Total
53571.43
15
16
17
0.57
0.43
0.71
0.43
*
18
Interpretacin:
La desviacin estndar Within se determina basndose en el Rango medio y d2, con esta se
determinan los ndices de capacidad potencial Cp y Cpk, as como el desempeo Within, lo cual es
adecuado para un proceso en control o normal.
La desviacin estndar Overall se determina con la desviacin estndar de todos los datos de la
muestra dividido entre el factor C4= 4(n-1))/(4n 3), con esta desviacin estndar se determinan
los ndices de desempeo Pp y Ppk as como el desempeo Overall, no importando si el proceso
est en control o no, en este ltimo caso los valores no tienen significado prctico.
Opcin Six Pack para mostrar toda la informacin relevante:
Determinar la capacidad con:
3. Stat > Quality tools > Capability Six Pack > Normal
4. Single column C1 Subgroup size 1 Lower Spec 14.5 Upper spec 17.5
5. Estimate R-bar OK
Los resultados se muestran a continuacin:
Pgina 81
11
I C har t
C apability H istogr am
LSL
UCL=18.385
18
USL
S pecifications
LS L 14.5
U S L 17.5
_
X=16.022
16
14
LCL=13.660
1
13
19
25
31
37
43
49
55
14
15
3.0
18
__
MR=0.888
0.0
LCL=0
1
13
19
25
31
37
43
49
55
14
16
Within
S tD ev 0.787395
Cp
0.64
C pk
0.63
16
14
35
40
45
Observation
18
20
C apability P lot
18
Values
17
UCL=2.902
1.5
16
50
55
Within
O v erall
O v erall
S tD ev 1.16718
Pp
0.43
P pk
0.42
C pm *
S pecs
En este caso
so de la grfica de probabilidad normal, los datos siguen una distribucin normal.
3.5 Entregables:
Identificar caractersticas medibles del requerimiento del cliente (CTQs) para el proyecto.
Desarrollar definiciones operacionales para el proceso a ser medido
Identificar el objetivo de mejora del proceso
Establecer mrgenes de tolerancia (lmites de especificacin)
Definir los conceptos de unidad, defecto y oportunidad de defecto
La siguiente fase es la de anlisis, la cual nos permite descubrir la causa raz. Para ello se har uso
de las distintas herramientas de gestin de la calidad. Ellas son las siete herramientas estadsticas
clsicas y las nuevas siete herramientas. Las herramientas de anlisis deben emplearse para
determinar dnde estamos, no para justificar los errores.
Pgina 82
Definir
4.1 Introduccin
Controlar
Controlar
Mejorar
Medir
Analizar
Analizar
DMAIC
Definir
Definir
1.
1. Mapa
Mapa de
de Proceso
Proceso
2.
2. Despliegue
Despliegue de
de la
la
Funcin
Funcin de
de Calidad
Calidad
(QFD)
(QFD)
3.
3. Modelo
Modelo Kano
Kano
4.
4. Diagrama
Diagrama Matricial
Matricial
5.
5. Benchmarkin
Benchmarkin
6.
6. Costos
Costos de
de Calidad
Calidad
Medir
Medir
1.
1. Mapa
Mapa de
de detallado
detallado
de
de Procesos
Procesos
2.
2. Diagrama
Diagrama de
de Pareto
Pareto
3.
3. Diagrama
Diagrama de
de CausaCausaEfecto
Efecto
4.
4. Diagrama
Diagrama de
de rbol
rbol
5.
5. Diagrama
Diagrama de
de
Afinidad
Afinidad
6.
6. Mtodos
Mtodos de
de
Muestreo
Muestreo
Estadstico
Estadstico
7.
7. Capacidad
Capacidad del
del
Sistema
Sistema de
de Medicin
Medicin
8.
8. Distribucin
Distribucin Normal
Normal
9.
9. Capacidad
Capacidad del
del
Proceso
Proceso
Analizar
Mejorar
Controlar
Controlar
1.
1. AMEF
AMEF
2.
2. Cartas
Cartas Multi
Multi Vari
Vari
3.
3. Correlacin
Correlacin
4.
4. Regresin
Regresin lineal
lineal
Simple
Simple yy lineal
lineal
Mltiple
Mltiple
5.
5. Pruebas
Pruebas de
de Hiptesis
Hiptesis
6.
6. Anlisis
Anlisis de
de Varianza
Varianza
(ANOVA)
(ANOVA)
Pgina 83
En esta etapa se define la meta hacia la cual nos dirigimos, o sea cuales son los niveles sigma
esperados en nuestro proceso en el tiempo.
Una opcin es realizar un Benchmarking, el cual es el mecanismo para identificar y comparar
quien tiene el mejor desempeo del proceso, ya sea dentro de la organizacin u otra organizacin,
y comparamos nuestros valores contra ese parmetro de referencia para determinar el GAP
existente e identificar acciones para reducirlo.
Identificar las fuentes de variacin
Cuando un proceso se encuentra fuera de las especificaciones permitidas, se tiene evidencia de que
existe variacin. Para comprobarlo utilizamos alguna de las herramientas de anlisis, segn sea el
caso por ejemplo, el anlisis Multi-Vari es una herramienta estadstica que nos permite determinar
las fuentes que presentan mayor variacin, a travs de la descomposicin de los componentes de
variabilidad del proceso. Una vez determinadas las causas de variacin, nos enfocaremos en los
pocos vitales X que estn afectando la variable de respuesta y. Una opcin para priorizar estas
causas es el uso del diagrama de Pareto.
A continuacin se muestra un diagrama de posibles fuentes de variacin del proceso:
Variacin del Proceso
Variacin a
Largo Plazo
Variacin a
Corto Plazo
Otras fuentes de
Variacin
Variacin debida al
operador
Exactitud
(Sesgo)
Variacin debida al
Equipo de Medicin
Precisin
(Error de Medicin)
Discriminacin
(Resolucin)
Para una validacin estadstica de causas se utilizan diversas herramientas estadsticas como las
que se explican a continuacin.
Pgina 84
El AMEF o FMEA ( Failure Mode and Effect Analisis) es una tcnica de prevencin, utilizada
para detectar por anticipado los posibles modos de falla, con el fin de establecer los controles
adecuados que eviten la ocurrencia de defectos.
Objetivos
AMEF de Diseo: Se usa para analizar componentes de diseos. Se enfoca hacia los Modos de
Falla asociados con la funcionalidad de un componente, causados por el diseo.
AMEF de Proceso: Se usa para analizar los procesos de manufactura y ensamble. Se enfoca a
la incapacidad para producir el requerimiento que se pretende, un defecto. Los Modos de Falla
pueden derivar de causas identificadas en el AMEF de Diseo.
Procedimiento para la elaboracin del A.M.E.F (Diseo o Proceso)
Pgina 85
El anlisis Multi-Vari permite determinar las fuentes que presentan mayor variacin, a travs de la
descomposicin de los componentes de variabilidad del proceso.
El objetivo general de las cartas Multi-Vari es, descubrir los componentes de variacin en el
proceso y cuantificar las diferentes fuentes de variabilidad, las cules pueden ser, por ejemplo: de
lote a lote, dentro del lote, de turno a turno, entre turnos, dentro del turno, de mquina a mquina,
dentro de la mquina, de operador a operador, dentro del operador, entre operadores, etc.
Su propsito fundamental es reducir el gran nmero de causas posibles de variacin, a un conjunto
pequeo de causas que realmente influyen en la variabilidad.
Sirven para identificar el patrn principal de variacin de entre tres patrones principales:
1.-Temporal: Variacin de hora a hora; turno a turno; da a da; semana a semana; etc.
2.- Cclico: Variacin entre unidades de un mismo proceso; variacin entre grupos de unidades;
variacin de lote a lote.
3.- Posicional:
Variaciones dentro de una misma unidad (ejemplo: porosidad en un molde de metal) o a
travs de una sola unidad con mltiples partes (circuito impreso).
28
Pgina 86
A
1 2 3 4 5
27 28 29 30 31
55 56 57 58 59
B
1 2 3 4 5
27 28 29 30 31
55 56 57 58 59
1 2 3 4 5
27 28 29 30 31
55 56 57 58 59
Ejemplo:
Un proceso produce flecha cilndrica, con un dimetro especificado de 0.0250 0.001. Sin
embargo un estudio de capacidad muestra un Cp = 0.8 y una dispersin natural de 0.0025 (6)
contra la permitida de 0.0002. Se tiene pensado comprar un torno nuevo de US$70,000 para
tolerancia de 0.0008, i.e. Cpk = 1.25. Se sugiri un estudio Multi Vari previo.
Pgina 87
Se tomaron cuatro lecturas en cada flecha, dos a cada lado. Estas muestran una disminucin
gradual desde el lado izquierdo al lado derecho de las flechas, adems de excentricidad en cada
lado de la flecha.
8 AM
9 AM
10 AM
11 AM
12 AM
0.2510
0.2500
0.2490
Izquierda
Mximo
Derecha
Mnimo
Un anlisis rpido revela que la mayor variacin es temporal con un cambio mayor entre las 10
AM y las 11 AM.
A las 10 AM se para el equipo para el almuerzo y se arranca a las 11 AM, con lecturas similares a
las de las 8 AM. Conforme pasa el tiempo las lecturas tienden a decrecer ms y ms, hasta que se
invierten a las 10 A.M. en forma drstica.
Se investig y se encontr que la temperatura tena influencia en la variacin.
La variacin en temperatura era causada por que la cantidad de refrigerante no era la adecuada, lo
cual se notaba ms cuando se paraba el equipo y se volva a arrancar. Se adicion, reduciendo la
variacin en 50% aproximadamente..
Tambin se encontr que el acabado cnico era causado por que la herramienta de corte estaba mal
alineada. Se ajust, contribuyendo a otra reduccin del 10% de la variabilidad.
La excentricidad de las flechas se corrigi al cambiar un rodamiento excntrico por desgaste en el
torno. Se instal un nuevo rodamiento eliminndose otro 30% de la variabilidad.
4.5 Correlacin
Establece si existe una relacin entre las variables y responde a la pregunta, Qu tan evidente es
esta relacin?"
Los Diagramas de Correlacin se utilizan para estudiar las relaciones y posibles dependencias
entre dos variables.
Pgina 88
Tipos de Correlaciones:
1
Sin Correlacin
Correlacin Positiva
Correlacin Negativa
Otros patrones
La Correlacin:
Mide la fuerza de la asociacin lineal entre dos variables
No mide las relaciones fuertes no lineales
No mide causa y efecto
Puede ser utilizada como un primer paso para la regresin
Debe ser utilizada en conjunto con tcnicas grficas
La medicin de la fuerza de la asociacin lineal en un anlisis de correlacin es R (el coeficiente
de correlacin.) que dependiendo del valor nos dice que tan bien se ajuntan los datos a la
ecuacin.
Propiedades de R
-1<R<1
R > 0 indica una relacin positiva lineal
R < 0 indica una relacin negativa lineal
R2 la proporcin de la variabilidad total de los valores de y que pueden ser explicados por la
variable independiente x.
Si el valor de R esta entre:
0.9 R 1
0.8 R < 0.9
0.6 R < 0.8
Pgina 89
El anlisis de regresin es un mtodo estandarizado para localizar la correlacin entre dos grupos
de datos, y, quiz ms importante, crear un modelo de prediccin.
Puede ser usado para analizar las relaciones entre:
Una sola X predictora y una sola Y
Mltiples predictores X y una sola Y
Varios predictores X entre s
Regresin lineal simple
La Regresin lineal se refiere a la prediccin del valor de una variable a partir de una o ms
variables. En ocasiones se denomina a la variable dependiente (y) variable de respuesta y a la
variable independiente (x) variable de prediccin.
Usamos un modelo probabilstico para explicar el comportamiento de la variable independiente vs.
la variable dependiente, llamado modelo de regresin lineal, y se expresa de acuerdo a la siguiente
ecuacin:
Modelo de regresin lineal
y = 0 + 1 x +
Donde:
y = variable dependiente
0 = ordenada al origen
1 = pendiente
x = variable independiente
= Error aleatorio
29
Pgina 90
Ejemplo30:
Se tiene que predecir las ventas mensuales en funcin del costo de publicidad de los siguientes
datos:
Mes
1
2
3
4
5
6
7
8
9
10
11
12
13
Publicidad
1.20
0.80
1.00
1.30
0.70
0.80
0.90
0.60
0.90
1.10
0.90
0.70
0.70
Ventas
101
92
100
110
90
82
95
80
91
105
93
91
83
Utilizando el Minitab:
> Stat > Regression > Regression
Seleccionar Response = Columna de las Y's
Seleccionar Predictors = Columnas de las Xs
OK
Fitted Line Plot
Ventas = 58.86 + 38.60 Publicidad
S
R-S q
R-S q (ad j)
110
3.90857
82.4%
80.8%
105
Ventas
100
95
90
85
80
0.6
0.7
0.8
0.9
1.0
Publicidad
1.1
1.2
1.3
Pgina 91
Y = 0 + 1 x1 + 2 x2 +.... +
Donde:
y = variable dependiente
0 = ordenada al origen
1, 2 = coeficiente de cada variable.
x1, x2 = variables independientes
= Error aleatorio
Una de las caractersticas importantes del alambre para amarres es su resistencia a la traccin. La
tabla a continuacin proporciona informacin sobre la resistencia a la traccin(y), la altura del
dado (X1), la altura del poste (X2); La altura del amarre (X3), La longitud del alambre (X4), el
ancho del amarre sobre el dado (X5).
y
8.0
8.3
8.5
8.8
9.0
9.3
9.3
9.5
9.8
10.0
10.3
10.5
10.8
11.0
11.3
11.5
11.8
12.3
12.5
x1
5.2
5.2
5.8
6.4
5.8
5.2
5.6
6.0
5.2
5.8
6.4
6.0
6.2
6.2
6.2
5.6
6.0
5.8
5.6
x2
19.6
19.8
19.6
19.4
18.6
18.8
20.4
19.0
20.8
19.9
18.0
20.6
20.2
20.2
19.2
17.0
19.8
18.8
18.6
x3
29.6
32.4
31.0
32.4
28.6
30.6
32.4
32.6
32.2
31.8
32.6
33.4
31.8
32.4
31.4
33.2
35.4
34.0
34.2
x4
94.9
89.7
96.2
95.6
86.5
84.5
88.8
85.7
93.6
86.0
87.1
93.1
83.4
94.5
83.4
85.1
84.1
86.9
83.0
x5
2.1
2.1
2.0
2.2
2.0
2.4
2.2
2.1
2.3
2.1
2.0
2.1
2.2
2.1
1.9
2.1
2.0
2.1
1.9
Pgina 92
Estadsticas de la regresin
Coeficiente de correlacin mltiple
0.829840383
Coeficiente de determinacin R^2
0.688635061
R^2 ajustado
0.568879315
Error tpico
0.892010307
Observaciones
19
ANLISIS DE VARIANZA
Grados de liberta Suma de cuadrados
5
22.8771816
13
10.3438710
18
33.2210526
Regresin
Residuos
Total
Coeficientes
6.2272909
0.3951351
-0.0488255
0.4772919
-0.1122814
-1.3687757
Intercepcin
Variable X 1
Variable X 2
Variable X 3
Variable X 4
Variable X 5
F
5.7503300
Valor crtico de F
0.0051466
Estadstico t
0.7369477
0.6822796
-0.1891830
3.3681736
-2.1373204
-0.7127054
Probabilidad
0.4742451
0.5070376
0.8528711
0.0050414
0.0521490
0.4886239
Inferior 95%
-12.0280640
-0.8560196
-0.6063870
0.1711538
-0.2257735
-5.5178389
Error tpico
8.4501126
0.5791396
0.2580863
0.1417064
0.0525337
1.9205352
de Cuadrados
ANOVA
SSR
Fuente de Regresin
22.871
SSE
10.400
SST
33.271
Error
Total
Grados de libertad
de cuadrados
p-1
5
n-p
13
n-1
18
MSR
4.574
MSE
0.800
Fo
Fo = MSR/MSE
5.7178
Ho : i = 0 Vi
H1 : i = 0 al menos para una i = 0
El modelo se rechaza si:
Fo > F/2,p-1,n-p
Fo > F0.025,5,13
5.717 > 3.77
Por lo tanto se rechaza la Ho y se acepa la Hi que acepta que el modelo de regresin Si es significativo.
(n-p)
SS T
n-1
10.400
Ra
^2
= 1
13
33.271
18
Pgina 93
Ra^2 = 0.567
R = 0.753
Superior 95%
24.4826458
1.6462899
0.5087359
0.7834300
0.0012108
2.7802875
10
15
20
-1.0
-1.5
-2.0
Pgina 94
Etapa 4.- Establecer el valor o valores crticos de la estadstica de prueba. Habiendo especificado
la hiptesis nula, el nivel de significancia y la estadstica de prueba que se van a utilizar, se
produce a establecer el o los valores crticos de estadstica de prueba. Puede haber uno o ms de
esos valores, dependiendo de si se va a realizar una prueba de uno o dos extremos.
Etapa 5.- Determinar el valor real de la estadstica de prueba. Por ejemplo, al probar un valor
hipottico de la media poblacional, se toma una muestra aleatoria y se determina el valor de la
media muestral. Si el valor crtico que se establece es un valor de z, entonces se transforma la
media muestral en un valor de z.
Etapa 6.- Tomar la decisin. Se compara el valor observado de la estadstica muestral con el valor
(o valores) crticos de la estadstica de prueba. Despus se acepta o se rechaza la hiptesis nula. Si
se rechaza sta, se acepta la alternativa; a su vez, esta decisin tendr efecto sobre otras decisiones
de los administradores operativos, como por ejemplo, mantener o no un estndar de desempeo o
cul de dos estrategias de mercadotecnia utilizar.
La distribucin apropiada de la prueba estadstica se divide en dos regiones: una regin de rechazo
y una de no rechazo. Si la prueba estadstica cae en esta ltima regin no se puede rechazar la
hiptesis nula y se llega a la conclusin de que el proceso funciona correctamente.
Al tomar la decisin con respecto a la hiptesis nula, se debe determinar el valor crtico en la
distribucin estadstica que divide la regin del rechazo (en la cual la hiptesis nula no se puede
rechazar) de la regin de rechazo. A hora bien el valor crtico depende del tamao de la regin de
rechazo.
Pasos de la prueba de hiptesis:
Pgina 95
Regin de Rechazo: Indica los valores de la prueba estadstica para que podamos rechazar la
Hiptesis nula (Ho). Esta regin esta basada en un riesgo a deseado, normalmente 0.05 o 5%.
Error tipo II (beta): Se comete cuando no se rechaza la hiptesis nula siendo en realidad falsa.
Es el riesgo del consumidor
Pgina 96
Las pruebas de hiptesis pueden ser de dos colas, de cola derecha o de cola izquierda, a
continuacin se esquematizan cada una de ellas.
Pruebas de Hiptesis de dos colas:
Ho: a = b
Ha: a b
Regin de
Rechazo
Regin de
Rechazo
-Z/2
Z/2
Ho: a b
Ha: a > b
Regin de
Rechazo
Ho: a b
Ha: a < b
Z/2
Regin de
Rechazo
-Z/2
Z/2
= o
0
s
n
Establecer la regin de rechazo, para prueba de 2 colas: Z 2 Z 2
Regin de
Regin de
Rechazo
Rechazo
0
-Z/2
Pgina 97
Z/2
Ejemplo:
Supongamos que tenemos muestras de dos reactores que producen el mismo artculo. Se desea ver
si hay diferencia significativa en el rendimiento de Reactor a Reactor.
Reactor A
89.7
81.4
84.5
84.8
87.3
79.7
85.1
81.7
83.7
84.5
Reactor B
84.7
86.1
83.2
91.9
86.3
79.3
82.6
89.1
83.7
88.5
Estadsticas Descriptivas
Variable
Reactor N
Media
Rendimiento
A
10
84.24
B
10
85.54
3.65
Desv.Std
2.90
Se busca demostrar que los valores observados al parecer no corresponden al mismo proceso, se
trata de rechazar Ho.
Reactor A
Reactor B
Pgina 98
B
A
B B B B BB
AA
AAAA
A
BB
A
A) Varianzas conocidas
Supngase que hay dos poblaciones de inters X1 y X2, Suponemos que X1 tiene media
2
desconocida 1 y varianza conocida 1 y que X2 tiene media desconocida 2 y varianza conocida.
Estaremos interesados en la prueba de la hiptesis de que las medias 1 y 2 sean iguales.
Considrense primero las hiptesis alternativas de dos lados:
H 0 : 1 = 2
H 1 : 1 2
donde:
H0 = Hiptesis nula
H1 = Hiptesis alternativa.
1 = media de la poblacin 1
2 = media de la poblacin 2
El procedimiento para probar H 0 : 1 = 2 consiste en calcular la estadstica de prueba Z0
mediante la siguiente frmula:
Z0 =
X1 X 2
21
n1
22
n2
donde:
X 1 = media de la muestra 1
X 2 = media de la muestra 2
21 = varianza de la poblacin 1
2 2 = varianza de la poblacin 2
n1
n2
= tamao de la muestra 1
= tamao de la muestra 2
Z 0 > Z 2 o Z 0 < Z 2
donde:
Z0 = Valor calculado del estadstico de prueba
Z 2 = Valor obtenido de las tablas.
Las hiptesis alternativa de un lado se analizan de manera similar. Para probar
H 0 : 1 = 2
H 1 : 1 > 2
Pgina 99
H 0 : 1 = 2
H 1 : 1 < 2
Se emplean dos mquinas para llenar botellas de plstico con un volumen neto de 16 onzas. El
proceso de llenado puede suponerse normal, con desviaciones estndar de 1 = .015 y 2 = .018 .
Ingeniera de calidad sospecha que ambas mquinas llenan hasta el mismo volumen neto, sin
importar que este volumen sea o no de 16 onzas. Se toma una muestra aleatoria de la salida de
cada mquina. Piensa usted que ingeniera de calidad est en lo correcto? Utilizando = .05 .
Se toman muestras con cada mquina, mostradas en la siguiente tabla:
mquina 1
16.03
16.04
16.05
16.05
16.02
16.01
15.96
15.98
16.02
15.99
mquina 2
16.02
15.97
15.96
16.01
15.99
16.03
16.04
16.02
16.01
16
Z0 =
X1 X 2
21
n1
22
n2
16.015 16.005
.015 2 .018 2
+
10
10
= 1.34
Utilizando el criterio de decisin Z 0 > Z 2 para rechazar la hiptesis nula H0, entonces tenemos
que:
1.34 > 1.96 U por lo tanto NO rechazamos H0.
No existe suficiente evidencia estadstica para pensar que las medias son diferentes.
Pgina 100
Presentaremos ahora pruebas para comparar dos varianzas. Supngase que son dos las poblaciones
de inters, por ejemplo X1 y X2, donde 1, 12 , 2 , 22 , se desconocen. Deseamos probar hiptesis
relativas a la igualdad de las dos varianzas, H 0 : 12 = 22 . Considrese que se disponen dos
muestras aleatorias de tamao n1 de la poblacin 1 y de tamao n2 de la poblacin 2, y sean
S12 yS 22 las varianzas de muestra. Para probar la alternativa de dos lados
H 0 : 12 = 22
H 1 : 12 22
F0 > F 2, n1 1, n 2 1
o s
1
F 2,n1 1,n2 1
La misma estadstica de prueba puede utilizarse para probar hiptesis alternativas de un lado. La
hiptesis alternativa de un lado es:
H 0 : 12 = 22
H 1 : 12 > 22
Si
Pgina 101
Ejemplo:
Los siguientes son tiempos de quemado (en minutos) de seales luminosas de dos tipos diferentes;
Y pruebe la hiptesis de que las dos varianzas sean iguales. Use = .05
H 0 : 12 = 22
H 1 : 12 22
X 1 = 70.6
X 2 = 70
S12 = 88.71
S 22 = 100.44
F0 =
S12 88.71
=
= 0.877
S 22 100.44
Tipo 1
63
81
57
66
82
82
68
59
75
73
Tipo 2
64
72
83
59
65
56
63
74
82
82
Como 0.877 no es mayor que 4.03, por lo cual No se Rechaza la hiptesis nula y tenemos que:
H 0 : 12 = 22 .
Prueba de dos poblaciones cuando las varianzas son iguales
1 y 2 , y
H 0 : 1 = 2
H 1 : 1 2
Sean X1, X2, S12 , S 22 , las medias y las varianzas de las muestras, respectivamente. Puesto que tanto
2
S12 como S 22 estiman la varianza comn , podemos combinarlas para producir una sola
estimacin, mediante la siguiente frmula:
Sp =
X1 X 2
1
1
Sp
+
n1 n2
Pgina 102
Ejemplo:
1
2
0.141
0.138
Resistencia
(ohms)
0.139
0.140
0.140
0.139
0.138
-
0.144
-
Suponiendo que las dos varianzas son iguales, qu conclusiones puede extraerse respecto a la
resistencia media de los alambres?
H 0 : 1 = 2
H 1 : 1 2
t0 =
X1 X 2
= 1.72
1
1
+
Sp
n1 n2
Pgina 103
= .0021
Se busca en la tabla de distribucin t el valor t 2,n1 + n2 , 2 = t.025,8 =2.306 o se determina con Excel.
Utilizando el criterio de rechazo t 0 > t 2,n1 + n2 2 , 1.72 no es mayor que 2.306, por lo tanto no
rechazamos H0.
4.8 Anlisis de varianza de una va (ANOVA)
Pgina 104
Ejemplo:
Tres tipos distintos de motores de gasolina fueron probados para determinar cunto tiempo son
tiles antes de necesitar una reparacin; si los tiempos de vida de los motores de cada tipo se
distribuyen normalmente y tienen la misma varianza, haga una prueba usando = 0.05 para
determinar si difieren las medias de vida til antes de requerir una reparacin. En la tabla aparecen
los tiempos de vida til, en decenas de miles de millas para cada tipo de motor.
A
6
2
4
1
7
B
8
7
7
2
6
C
3
2
5
4
1
Mediante Minitab determinamos si las muestras provienen de una poblacin Normal para cada tipo de
motor.
Pgina 105
Probability Plot of A
Normal
99
95
90
Mean
StDev
N
RJ
P-Value
4
2.550
5
0.982
>0.100
Mean
StDev
N
RJ
P-Value
6
2.345
5
0.909
>0.100
Mean
StDev
N
RJ
P-Value
3
1.581
5
0.998
>0.100
Hay normalidad s
P value es >=0.05
Percent
80
70
60
50
40
30
20
10
5
-2
4
A
10
Probability Plot of B
Normal
99
95
90
Percent
80
70
60
50
40
30
20
10
5
6
B
10
12
Probability Plot of C
Normal
99
95
90
Percent
80
70
60
50
40
30
20
10
5
-1
3
C
Analizando las grficas nos damos cuenta de que las 3 muestras provienen de poblaciones normales.
Si denotamos por
1, 2 y 3
las medias poblacionales de los tiempos de vida til para los tipos A, B y C,
H 0 : 1 = 2 = 3
H1: Al menos dos medias poblacionales no son iguales.
Pgina 106
Procedimiento en Excel:
ANLISIS DE VARIANZA
Origen de las variaciones
Entre grupos
Dentro de los grupos
Total
Cuenta
Suma
5
5
5
Promedio
20
30
15
4
6
3
Varianza
6.5
5.5
2.5
14
En la tabla observamos que el estadstico de prueba Fc es menor al valor crtico para F, por lo que
2.41 < 3.88, por lo cual no rechazamos al Hiptesis nula H0.
No tenemos evidencia estadstica para afirmar que los tiempos de vida til de los motores, antes de
requerir una reparacin son diferentes.
ANOVA en Minitab.
Graphs
Seleccionar Normal plot of residuals
Comparisons
Seleccionar Tukeys Family error rate OK
Resultados:
La grfica normal de residuos debe mostrar los residuos aproximados por una recta para validar el modelo:
Pgina 107
95
90
Percent
80
70
60
50
40
30
20
10
5
-5.0
-2.5
0.0
Residual
2.5
5.0
One-way ANOVA: A, B, C
Source
Factor
Error
Total
DF
2
12
14
SS
23.33
58.00
81.33
MS
11.67
4.83
F
2.41
P
0.132
Como este valor P es mayor a 0.05 se rechaza la hiptesis nula y A, B y C no tienen efecto en la
respuesta.
S = 2.198
Level
A
B
C
N
5
5
5
R-Sq = 28.69%
Mean
4.000
6.000
3.000
StDev
2.550
2.345
1.581
R-Sq(adj) = 16.80%
Los intervalos de confianza de los tres niveles A, B, C del factor se pueden traslapar por tanto sus
efectos no son diferentes.
Tukey 95% Simultaneous Confidence Intervals
All Pairwise Comparisons
Individual confidence level = 97.94%
A subtracted from:
B
C
Lower
-1.707
-4.707
Pgina 108
Center
2.000
-1.000
Upper
5.707
2.707
---------+---------+---------+---------+
(----------*---------)
(---------*----------)
---------+---------+---------+---------+
-3.5
0.0
3.5
7.0
B subtracted from:
Lower
-6.707
Center
-3.000
Upper
0.707
---------+---------+---------+---------+
(---------*----------)
---------+---------+---------+---------+
-3.5
0.0
3.5
7.0
La siguiente fase es la de mejora, la cual implica tanto el diseo como la implementacin. En esta
fase de diseo es muy importante ya que asume una preponderancia fundamental la participacin
de todos los participantes del proceso, como as tambin la capacidad creativa, de los mismos;
tambin considera la actividad de benchmarking a los efectos de detectar en otras unidades de la
misma empresa o en otras empresas (competidoras o no) formas ms efectivas de llevar a cabo un
proceso.
Pgina 109
CAPTULO 5
FASE DE MEJORA
5.1 Introduccin
Definir
Contr
trolar
Con
olar
Mejorar
Mejorar
Medir
Analizar
Analizar
DMAIC
Definir
Definir
1.
1.
2.
2.
3.
3.
4.
4.
5.
5.
6.
6.
Mapa
Mapa de
de Proceso
Proceso
Despliegue
Despliegue de
de la
la
Funcin
Funcin de
de Calidad
Calidad
(QFD)
(QFD)
Modelo
Modelo Kano
Kano
Diagrama
Diagrama Matricial
Matricial
Bench
markin
Benchm
arkin
Costos
Costos de
de Calidad
Calidad
Medir
Medir
Analizar
Analizar
1.
1. Mapa
Mapa de
de detallado
detallado
de
de Procesos
Procesos
2.
2. Diagrama
Diagrama de
de Pareto
Pareto
3.
3. Diagrama
Diagrama de
de CausaCausaEfecto
Efecto
4.
4. Diagrama
Diagrama de
de rbol
rbol
5.
5. Diagrama
Diagrama de
de
Afinidad
Afinidad
6.
6. Mtodos
Mtodos de
de
Muestreo
Muestreo
Estadstico
Estadstico
7.
7. Capacidad
Capacidad del
del
Sistema
Sistema de
de Medicin
Medicin
8.
8. Distribucin
Distribucin Normal
Normal
9.
9. Capacidad
Capacidad del
del
Proceso
Proceso
1.
1.
2.
2.
3.
3.
4.
4.
AMEF
AMEF
Cartas
Cartas Multi
Multi Vari
Vari
Co
rrelacin
Correlacin
Regresin
Regresin lineal
lineal
Simple
Simple yy lineal
lineal
Mltiple
Mltiple
5.
5. Pruebas
Pruebas de
de
Hiptesis
Hiptesis
6.
6. Anlisis
Anlisis de
de Varianza
Varianza
(ANOVA)
(ANOVA)
Mejorar
1.
1. Anlisis
Anlisis de
de
Experimentos
Experimentos (DOE)
(DOE)
2.
ial 22KK
2. Diseo
Diseo Factor
Factorial
3.
3. Diseo
Diseo Factor
Factoriial
al
Fraccional
Fraccional
4.
4. Diseo
Diseo Taguchi
Taguchi
5.
5. Diseo
Diseo de
de Mezclas
Mezclas
6.
6. Mtodos
Mtodos de
de Superficie
Superficie
de
de Respuesta
Respuesta
Pgina 110
Controlar
Controlar
En la fase de anlisis encontramos los pocos vitales Xs, en esta fase vamos a determinar aquellos
que especficamente afectan nuestro proceso. Esto se lleva a cabo a travs de datos histricos,
conocimiento y discusiones. Con base a lo anterior tambin desechamos las variables que no son
utilizadas. Una opcin para realizar esta actividad es mediante el uso del diagrama de Ishikawa.
Los cambios en los parmetros de operacin referentes a las Xs pueden ser puestos en niveles
mltiples, para estudiar como afectan la respuesta en el proceso Y
El Diseo de Experimentos es un mtodo para probar la significancia, o sea que tanto afectan cada
uno de los factores a la variable de respuesta. Y para determinar la interaccin entre dichos
factores.
Consideraciones:
El Diseo de Experimentos sirve para identificar los pocos vitales de los CTQs
En la optimizacin es utilizada para determinar los niveles ms apropiados de los pocos vitales.
Sirve para comparar el resultado experimental contra el proceso actual
5.3 Terminologa
Bloques: Unidades experimentales homogneas.
Bloqueo: Considerar las variables que el experimentador desea reducir su efecto o variabilidad.
Colinealidad: Ocurre cuando 2 variables estn completamente correlacionadas.
Covarianza: Cosas que cambian durante los experimentos pero no fueron planeadas a cambiar
Diseo robusto: De acuerdo a Taguchi, un experimento en el cual la variable de respuesta es
inmune a los factores de ruido.
Diseo simples: Un diseo espacial usado para determinar todas las combinaciones posibles de
Pgina 111
Error experimental: Variacin en respuesta bajo las mismas condiciones de prueba. Tambin se
parmetro poblacional.
Interaccin: Ocurre cuando el efecto de un factor de entrada en la respuesta depende del nivel de
Un experimento es una prueba o serie de pruebas en las cuales se hacen modificaciones a las
variables de entrada de un proceso o sistema para que puedan ser observadas y definidas las
respuestas de salida
Los propsitos del diseo de experimentos son:
Determinar
o Cules variables son de mayor influencia a la salida.
o Dnde fijar las entradas para producir la salida al nivel deseado.
o Dnde fijar las entradas de mayor influencia para reducir la variabilidad en la
salida.
o Dnde fijar las entradas controlables para que los efectos de las entradas
incontrolables sean minimizados.
Encontrar la ecuacin (y = f(x)) para optimizar el proceso
32
Pgina 112
Por lo anterior, los mtodos de diseo de experimentos pueden utilizarse ya sea para el desarrollo o
la mejora de los procesos, para mejorar el desempeo o para obtener un proceso que sea robusto o
insensible a fuentes externas de variabilidad.
Existen diferentes tipos de experimentos entre los cuales se encuentra los siguientes:
Tipos comunes de
Experimentos
Factorial Completo
(todas las combinaciones de
factores
y niveles)
Fraccional Factorial
(subgrupo del nmero total de
combinaciones)
Diseo Central
Compuesto
3.1
Diseo Robusto
Objetivos
Encontrar los niveles de factor que proporcionan los
mejores resultados.
Construir un modelo matemtico (evala todas las
interacciones)
Encontrar los niveles de factor que proporcionan los
mejores resultados.
Construir un modelo matemtico (evala todas las
interacciones).
Optimizar
Construir un modelo matemtico cuando no haya
efectos lineales (Superficie de respuesta).
Optimizar
Para encontrar los niveles de factores a fin de reducir al
mnimo la variacin ante factores de ruido cambiantes
Optimizar
Optimizar la funcin de un producto o proceso de
manufactura.
Reducir al mnimo la sensibilidad al ruido y aumentar
al mximo la sensibilidad a la seal de entrada.
Nmero tpico de
factores
controlables
4 o menos
5 o ms
3 o menos
5 o ms
7 o ms
Los mtodos de diseo de experimentos pueden tambin jugar un papel mayor en las actividades
de ingeniera de desarrollo de nuevos productos o mejora de los productos actuales. Algunas
aplicaciones del diseo de experimentos incluyen:
1. Evaluacin y comparacin de configuraciones bsicas de diseo.
2. Evaluacin de alternativas de material.
3. Determinacin de parmetros clave de diseo con impacto en el desempeo.
Claves para Experimentar con xito
Pgina 113
1.- Observar datos histricos y/o recolectar datos para establecer la capacidad actual del
proceso debe estar en control estadstico.
2.- Determinar el objetivo del experimento (CTQs a mejorar).
Por medio de un equipo de trabajo multidisciplinario
3.- Determinar qu se va a medir como resultado del experimento.
4.- Identificar los factores (factores de control y de ruido) que pueden afectar el resultado.
5.- Determinar el nmero de niveles de cada factor y sus valores reales.
6.- Seleccionar un esquema experimental que acomode los factores y niveles seleccionados y
decidir el nmero de replicas.
7.- Verificar todos los sistemas de medicin (R&R < 10%)
8.- Planear y preparar los recursos (gente, materiales, etc.) para llevar a cabo el experimento.
Hacer un plan de prueba.
9.- Realizar el experimento, marcar partes con la condicin experimental que la produce.
10.- Medir las unidades experimentales.
11.- Analizar los datos e identificar los factores significativos.
12.- Determinar la combinacin de niveles de factores que mejor alcance el objetivo.
13.- Correr un experimento de confirmacin con esta combinacin "ptima".
14.- Asegurar que los mejores niveles para los factores significativos se mantengan por largo
tiempo mediante la implementacin de Procesos de Operacin Estndar y controles visuales.
15.- Re evaluar la capacidad del proceso.
Ejemplo: Proceso de soldadura de una tarjeta de circuito impreso:
Pgina 114
Ejemplos de Salidas
Dimensin de la Parte
Voltaje
ILD de Uretano
Meta
Tiempo de Ciclo
Contraccin de la Parte
Desviacin
Fuerza
Durabilidad
0
3. El Valor Mximo es el Mejor
Tendencia de salida
hacia arriba
Dimensin de la Parte
2. El Resultado Promedio
Presin de
Sujecin Baja
Temp
Alta
Temp
Baja
Dimensin de la Parte
4. Ni la Variacin ni el Promedio
Presin de
Sujecin Alta
Dimensin de la Parte
Pgina 115
3. La Variacin y el Promedio
Ambos materiales
producen el
mismo resultado
Dimensin de la Parte
Paso 2: Encuentra los factores que desplazan el promedio (y no afectan la variacin). Usa
estos factores para ajustar la salida promedio con la meta deseada.
Meta
Pgina 116
Esquematizando tendramos:
Respuesta de Salida
La salida que se mide como resultado del experimento y se usa
para juzgar los efectos de los factores.
Dimensin de la Parte
A. Tiempo de Ciclo
B. Temp. de Moldeo
Factores
Niveles
Los valores en los que se establecen los factores.
Niveles
600 700
Nylon Acetal
Tiempo x Temp:
El mejor nivel de tiempo
El grado en que los factores dependen unos de otros.
Algunos experimentos evalan el efecto de las interacciones; depende de la
temperatura establecida.
otros no.
Interacciones
Corridas
-1
-1
-1
-1
-1
-1
+1
+1
+1
-1
+1
-1
+1
+1
-1
2
3
-1=Nivel Bajo
Datos
+1=Nivel Alto
El diseo33 factorial 2K :
Un diseo muy comn es el que considera varios factores (K) en dos niveles (alto y bajo), el
diseo ms simple es el diseo 2k
Las cinco razones principales para usar Diseos 2k:
1. La razn nmero uno para usar factorial es: Y = f(x)
2. Son fciles de entender y analizar
3. Forman la base de los diseos factoriales fraccionados, material de las tcnicas avanzadas
4. Pueden ser aumentados para formar diseos compuestos, en caso que se requiera informacin
ms detallada.
5. Requieren de relativamente pocas corridas por cada factor estudiado.
El diseo 22
Este el diseo ms simple, usa dos factores A y B, cada uno en dos niveles. Requiere la realizacin
de 4 experimentos que pueden replicarse n veces, tomando las sumas de los resultados de las
rplicas se tiene:
b
ab
(1)
A = -, B = (a)
A = +, B = (b)
A = -, B = +
(1)
a
(ab) A = +, B = +
Figura 5.2 Diseo 2
33
Pgina 117
Los efectos de inters en el diseo son los efectos principales de A y B y los efectos de la
interaccin AB, se denominan contrastes calculados como sigue:
a + ab b + (1) 1
(a + ab b (1))
A=
=
2n
2n
2n
B=
b + ab a + (1) 1
(b + ab a (1))
=
2n
2n
2n
AB =
ab + (1) a + b 1
(ab + (1) + a b)
=
2n
2n
2n
Las cantidades entre parntesis se denominan contrastes, aqu los coeficientes siempre son +1
1. Tambin se pueden determinar usando una tabla de signos para los efectos en el diseo 22 como
sigue:
Corrida
1
(1)
2
a
3
b
4
ab
I
+
+
+
+
Efectos factoriales
A
B
+
+
+
+
AB
+
+
SSB =
1
(b + ab a (1)) 2
4n
SSAB =
Pgina 118
1
(ab + (1) + a b) 2
4n
ANOVA
Fo = SST / SSE
glSST = 4n - 1
gl.SSE = 4(n-1)
Ejemplo34:
r
o
t
c
a
F
A
Total
28
25
27
80
36
32
32
100
18
19
23
60
31
30
29
90
b=60
ab = 90
(1) = 80
a = 100
15%
25%
1
[ab + a b (1)] = y A+ y A = ab + a b + (1)
2n
2n
2n
1
[ab + b a (1)] = y B + y B = ab + b a + (1)
B=
2n
2n
2n
1
[ab + (1) a b] = y AB + y AB = ab + (1) a + b
AB =
2n
2n
2n
A=
Pgina 119
Cada elemento dentro de los parntesis se denomina Contrastes o efectos totales de los factores
En este caso son ortogonales. Su suma de cuadrados se encuentra con:
SST = yijk
2
y...2
4n
1
[ab + a b (1)]2
4n
1
[ab + b a (1)]2
SS B =
4n
1
[ab + (1) a b]
SS AB =
4n
SS E = SST SS A SS B SS AB
SS A =
Suma de
Cuadrados
208.33
75.00
8.33
31.34
323.00
Grados de
libertad
1
1
1
8
11
Cuadrado
medio
208.33
75.00
8.33
3.92
Fo
53.15
19.13
2.13
P
0.0001
0.0024
0.1826
Para obtener los residuos se utiliza la ecuacin de regresin siguiente, donde los factores A y B se
representan por X1 y X2 y la interaccin AB por X1X2. Los niveles alto y bajo de cada factor se
asignan a los valores +1 y 1 respectivamente, el modelo de ajuste es:
y = 0 + 1 x1 + 2 x 2 + 3 x1 x 2 +
El valor de la interseccin 0 se calcula como el promedio de las observaciones y cada coeficiente
de regresin es la mitad del efecto estimado del factor correspondiente, dado que los coeficientes
de regresin miden el efecto de una unidad de cambio en Xi sobre la media de Y, y el estimado del
efecto se basa en dos unidades de cambio de (X1 = -1 a X2 = 1).
y = 0 + 1 x1 + 2 x 2 + 12 x1 x 2 +
0 estimado = b 0 = promedio de las respuestas = (80 + 100 + 60 + 90 ) / 4 = 27 .4
Efecto principal del factor A = (190 140 ) / 2 * 3 = 8 .33
Efecto principal del factor B = (150 180 ) / 2 * 3 = 5
Efecto principal de la interaccin AB = (170 160 ) / 2 * 3 = 1 .67
b1 = A / 2 = 4 .165 b 2 = B / 2 = 2 .5 b 3 = AB / 2 = .835
El modelo de regresin ajustado es :
est
Pgina 120
Entonces para obtener una respuesta con valores reales, se sustituye X1 y X2 en la ecuacin
para valores codificados.
8.33 concentracin 20 5 Catalizador 1.5
y est = 27.5 +
+
5
0.5
2
2
y est = 18.33 + 0.8333 * Concentracin 5.00 * Catalizador
Con este modelo se pueden encontrar los valores estimados en los cuatro puntos del diseo:
Considerando todava los valores codificados en (-1,+1) se tiene:
Para el punto (X1 = -1 y X2 = -1) se tiene:
Yest = 27.5 + 4.16 (-1) - 2.5 (-1) = 25.835
Como hay tres observaciones en esta combinacin de tratamientos los residuales son:
e1 = 28 - 25.835 = 2.165
e2 = 25 - 25.835 = -0.835
e3 = 27 - 25.835 = 1.165
De la misma forma se calculan todos los dems residuales
Pgina 121
23
33
1lb.
15% Concentracin
Direccin de ascenso
ms rpido para optimizacin
25%
Nueva zona
alrededor de la cual
se experimentar
Ejemplo en Minitab:
Se toman los datos del ejemplo anterior y se siguen los siguientes pasos:
Crear el diseo en Minitab con:
Stat > DOE > Factorial > Create factorial design
Seleccionar 2 level factorial (default generators)
Number of central points 0
En Designs No. of replicates 3
Number of blocks 1
En Factors A = Cata A Factor B = Cata B
En Options quitar seleccin de Randomize runs OK
Una vez generado el diseo de dos factores introducir la siguiente columna de datos:
Cata A
-1
1
-1
1
-1
1
-1
1
-1
1
-1
1
Cata B
-1
-1
1
1
-1
-1
1
1
-1
-1
1
1
Respuesta
28
36
18
31
25
32
19
30
27
32
23
29
Pgina 122
Percent
90
50
10
1
-5.0
-2.5
0.0
Residual
2.5
5.0
Effect
8.333
-5.000
1.667
S = 1.97906
Coef
27.500
4.167
-2.500
0.833
SE Coef
0.5713
0.5713
0.5713
0.5713
R-Sq = 90.30%
T
48.14
7.29
-4.38
1.46
P
0.000
0.000
0.002
0.183
R-Sq(adj) = 86.66%
En este caso se observa que tienen una influencia significativa el catalizador A y el B temperatura
y su interaccin no.
c) Sobre la base del Pareto o grfica normal de los efectos, se comprueba que los factores
significativos son ambos catalizadores, mientras que su interaccin No lo es como se muestra a
continuacin:
Pareto Chart of the Standardized Effects
2.306
99
F actor N ame
A
C ata A
B
C ata B
Effect Ty pe
Not Significant
Significant
95
90
Percent
Term
80
70
60
50
40
30
B
20
AB
10
5
Pgina 123
3
4
5
Standardized Effect
-5.0
-2.5
0.0
2.5
Standardized Effect
5.0
7.5
F actor
A
B
N ame
C ata A
C ata B
d) De la tabla de coeficiente se obtiene la ecuacin del modelo que representa este proceso.
Term
Constant
Catalizador A
Catalizador B
Temp*Mtodo
Coef
27.5
4.16
-2.50
-12.5333
32
Cata B
31
Mean of Respuesta
30
Mean
Cata A
32
28
26
24
22
30
29
28
27
26
25
24
20
-1
1
Cata B
23
-1
-1
Los niveles en que deben fijarse los factores para maximizar la resistencia son de la grfica de
interaccin, Catalizador A =1 y Catalizador B = -1
f) Obtener las grficas de contornos y de superficie de respuesta con:
Stat > DOE > Factorial >Contour Plot
En Setup de Contour y Response Surfase Plot solo entrar y salir
OK
la temperatura hasta llegar al punto ptimo en una trayectoria de ascenso rpido.
Una vez establecidos los mejores niveles de operacin del proceso por medio del Diseo de
Experimentos, ahora se trata de mantener la solucin por medio de la fase de Control.
El diseo Factorial Fraccional:
Cuando crece el nmero de factores, aparecen tantas combinaciones en los ensayos factoriales, que
es prudente reducir la labor experimental. En lugar de ejecutar el ensayo completo con un nmero
muy alto de tentativas, se recurre a los diseos factoriales fraccionales o incompletos, donde, en
lugar de analizar la totalidad de las posibilidades, se considera una fraccin bien elegida. Con
cinco factores a tres niveles se llegan a 243 combinaciones posibles y si la tarea se redujese a una
Pgina 124
fraccin de un tercio, bastaran 81 ensayos. Si fuese 1/9, tendramos 27. La ventaja de este enfoque
es que reduciendo mucho el esfuerzo, no se pierde un panorama muy amplio y ambicioso de las
relaciones entre causas y efectos en sistemas multivariables. El estudio de una fraccin no le quita
validez al anlisis final.
Ventajas
Se pueden obtener conclusiones parecidas que con experimentacin de diseos factoriales
completos con menos experimentos ( o )
Dado que en muchos casos las interacciones no son significativas, no importa que su efecto
se confunda con los de los factores principales
Resulta ms econmico
Desventajas
En muchos casos slo se pueden estimar los efectos principales de los factores (diferencia
de promedios)
El diseo Taguchi
Pgina 125
Ejemplo: Un diseo L4
No. (a)
1
2
3
4
1 ,
A
1
1
2
2
=
F A C T O R E S (c)
B
C
1
1
2
2
1
1
2
1
Resultado
Y1
Y2
Y3
Y4
Taguchi ha desarrollado una serie de arreglos para experimentos con factores a dos niveles:
Nmero de condiciones Nmero de factores o efectos
experimentales(renglones) maximo que se pueden analizar y
nmero de columnas
Diseo lineas o pruebas
L4
4
3
L8
8
7
L12
12
11
L16
16
15
32
31
L32
L64
64
63
Ejemplo:
Descripcin
Tipo de resina
Concentracin
Tiempo de ciclo de prensado
Humedad
Presin
Nivel I
Tipo I
5%
10 seg
3%
800 psi.
Nivel 2
Tipo II
10%
15 seg
5%
900 psi.
Se desea analizar el efecto de cada factor y proponer las mejores condiciones de operacin.
En este caso estamos interesados en analizar el efecto de 5 factores o efectos, a dos niveles cada
uno. Por lo tanto, se utilizar un arreglo ortogonal L8.
Se ejecutarn por lo tanto 8 pruebas o condiciones experimentales, A qu columna
especficamente se asignar cada factor?, en estos casos se pueden asignar a cualquier columna,
aunque se recomienda que aquellos factores que en la practica sea ms difcil de variar de nivel
continuamente, sean los que se asigne a las primeras columnas.
Pgina 126
A
1
1
1
1
2
2
2
2
B
1
1
2
2
1
1
2
2
C
1
1
2
2
2
2
1
1
D
1
2
1
2
1
2
1
2
E
1
2
1
2
2
1
2
1
e
1
2
2
1
1
2
2
1
e
1
2
2
1
2
1
1
2
Resina
Tipo I
Tipo I
Tipo I
Tipo I
Tipo II
Tipo II
Tipo II
Tipo II
Concen.
5%
5%
10%
10%
5%
5%
10%
10%
Tiempo
10 seg.
10 seg.
15 seg.
15 seg.
15 seg.
15 seg.
10 seg.
10 seg.
Humedad
3%
5%
3%
5%
3%
5%
3%
5%
Presin
800 psi.
900 psi.
800 psi.
900 psi.
900 psi.
800 psi.
900 psi.
800 psi.
Yi
0.49
0.42
0.38
0.30
0.21
0.24
0.32
0.28
Observe que los factores Resina, concentracin, tiempo, humedad y presin fueron asignados en
orden a las columnas A, B, C, D, y E. En las columnas restantes, F y G no se asign ningn factor
y nos servirn para tener una estimacin del error aleatorio. Esto se explica porque con ocho
observaciones tenemos siete grados de libertad, como estamos interesados nicamente en cinco
factores quedan dos grados de libertad para el error aleatorio. El anlisis de variancia de los
resultados es:
A1 = Total de lecturas con el factor A a su nivel 1 = 0.49 + 0.42 + 0.38 + 0.30 = 1.59
A2 = Total de lecturas con el factor A a su nivel 2 = 0.21 + 0.24 + 0.32 + 0.28 = 1.59
SSA = Suma de cuadrados debido al factor A
Similarmente :
SSB = (B2 - B1)sq/8= 0.00080 con 1g.l
SSC = (C2 -C1)sq/8 = 0.01805 con 1g.l
SSD = (D2 -D1)sq/8= 0.00320 con 1g.l
SSE = (E2 - E1)sq/8= 0.00245 con 1g.l
Sse1 = (F2 - F1)sq/8= 0.00080 con 1g.l, 1a. Columna de error F
Sse2 = (G2 -G1)sq/8= 0.00045 con 1g.l 2a. Columna de error G
Las sumas de cuadrados de las columnas donde no se asign factor se toman como asignaciones
del error, en este caso SSF y SSG se consideran como error y se obtiene:
Sse = SSF + SSG = 0.00080 + 0.00045 = 0.00125 con 2g.l.
La tabla ANOVA es:
Efecto
A
B
C
D
E
Error
Total
SS
0.03645
0.0008
0.01805
0.0032
0.00245
0.00125
0.0622
G.L.
1
1
1
1
1
2
7
V
0.03645
0.00080
0.01805
0.00320
0.00245
0.00063
Fexp.
58.32*
1.28
28.88**
5.12
3.92
% Contrib.
57.59
0.28
28.01
4.14
2.93
7.03
100
Pgina 127
Se acostumbra que aquellos efectos que no resultaron significantes, se consideren como error
aleatorio a fin de obtener una mejor estimacin del error aleatorio, (con mayor nmero de grados
de libertad).
En ste caso, por ejemplo, la estimacin de Sse es :
Sse = SSB + SSD + SSE + Sse = 0.00080 + 0.00320 + 0.00245 + 0.00125 = 0.0077
Con , 1 + 1 + 1 + 2 = 5 grados de libertad.
Y (Ve) = (Sse) /5 = 0.0077 / 5 = 0.00154
Al nivel 5%, el valor crtico de tablas es F 0.05 (1,5) = 6.607877
Las estimaciones que se obtienen de esta forma se suelen escribir entre parntesis.
Fc para el factor (A) = 23.66 y Fc para el factor (C) = 11.72, comparando ambos contra Fcrtico =
6.6, continan siendo significativos los factores A y C.
Los promedios de la emisin de Formaldehdo para cada nivel son:
Efecto
A
B
C
D
E
Nivel 1
A1avg. = A1/4 =0.3975
B1avg =0.3400
C1avg =0.3775
D1avg =0.3500
E1avg =0.3475
Nivel 2
A2avg. = A2/4 =0.2625
B2avg =0.3200
C2avg =0.2825
D2avg =0.3100
E2avg =0.3125
Pgina 128
Error Secundario (e2): Aquel que hace diferentes las lecturas tomadas bajo una misma condicin
experimental. Cuando se toma una lectura no es posible evaluar el error secundario.
El diseo de Mezclas35
Este procedimiento permite disear y crear un experimento para manejar situaciones donde los
componentes se mezclan para formar una combinacin qumica. Se puede utilizar el diseo
"simplex-lattice" cuando los datos se encuentran distribuidos regularmente sobre una regin de
superficie de respuesta y el diseo "simplex-centroid" cuando los valores de los datos se
distribuyen alrededor del centro de la regin de superficie de respuesta.
Todos los diseos incluyen estimaciones de modelos lineales, cuadrticas, cbicas, cbicas
especiales y gran cantidad de grficos para visualizar los resultados.
Caractersticas:
Los factores independientes son proporciones de diferentes componentes de una mezcla.
Cuando las proporciones tienen la restriccin de sumar la unidad se pueden utilizar
modelos de estructura Simplex o Simplex con centroide.
Un diseo de estructura Simplex para q componentes cuya proporcin puede tomar los
niveles m+1 igualmente espaciados entre 0 y 1.
Para una mezcla de q = 3 componentes donde el nmero de niveles igualmente espaciados para
cada componente es m + 1 = 4 (X1 = 0, 0.333, 0.666, 1)
Las mezclas posibles con los 3 componentes son:
Rendimiento
X1
0
0
0
0
0.333
0.333
0.333
0.667
0.667
1
35
X2
0
0.333
0.667
1
0
0.333
0.667
0
0.333
0
X3
1
0.667
0.333
0
0.667
0.333
0
0.333
0
0
Pgina 129
( q + m 1) !
m !( q 1 ) !
+ X3 = 1
P u n to s =
X
+ X
E (Y ) =
i =1
iX
Ejemplo:
X1
X2
0
0
0
0.5
0.5
1
X3
0
0
1
0
0.5
0
1
0.5
0
0.5
0
0
Rendimiento
16.8, 16
10.0, 9.7, 11.8
8.8, 10.0
17.7, 16.4, 16.6
15.0, 14.8, 16.1
11.0, 12.4
Pgina 130
(a)
(b)
0
x1
= 0 + 1 X 1
y (b) parbola
= 0 + 1 X 1
La funcin de la respuesta de prediccin Y-gorro est en funcin de los parmetros estimados b0,
b1, b2, etc., establecindose como sigue:
^
Y = b0 + b1 X 1 + b2 X 2
Pgina 131
La superficie de respuesta est representada por la ecuacin de prediccin, por ejemplo para el
caso de una ecuacin de segundo orden se tiene:
^
La ltima fase, control, consiste en disear y documentar los controles necesarios para asegurar
que lo conseguido mediante el proyecto Seis Sigma se mantenga una vez que se hayan implantado
los cambios. Cuando se han logrado los objetivos y la misin se d por finalizada, el equipo
informa a la direccin y se disuelve.
Pgina 132
Definir
Controlar
Medir
Mejorar
M
ejorar
Analizar
DMAIC
Definir
Definir
1.
1. Mapa
Mapa de
de Proceso
Proceso
2.
2. Despliegue
Despliegue de
de la
la
Funcin
Funcin de
de Calidad
Calidad
(QFD)
(QFD)
3.
3. Modelo
Modelo Kano
Kano
4.
4. Diagrama
Diagrama Matricial
Matricial
5.
5. Benchmarkin
Benchmarkin
6.
6. Costos
Costos de
de Calidad
Calidad
Medir
Medir
1.
1. Mapa
Mapa de
de detallado
detallado
de
de Procesos
Procesos
2.
2. Diagrama
Diagrama de
de Pareto
Pareto
3.
3. Diagrama
Diagrama de
de CausaCausaEfecto
Efecto
4.
4. Diagrama
Diagrama de
de rbol
rbol
5.
5. Diagrama
Diagrama de
de
Afinidad
Afinidad
6.
6. Mtodos
Mtodos de
de
Muestreo
Muestreo
Estadstico
Estadstico
7.
d del
7. Capacida
Capacidad
Capacid
ad
del
Sistema
Sistema de
de Medicin
Medicin
8.
8. Distribucin
Distribucin Normal
Normal
9.
9. Capacidad
Capacidad del
del
Proceso
Proceso
Analizar
Analizar
Mejorar
Mejorar
AMEF
AMEF
Cartas
Cartas Multi
Multi Vari
Vari
Correlacin
Correlacin
Regresin
Regresin lineal
lineal
Simple
Simple yy lineal
lineal
Mltiple
Mltiple
5.
5. Pruebas
Pruebas de
de
Hiptesis
Hiptesis
6.
6. Anlisis
Anlisis de
de Varianza
Varianza
(ANOVA)
(ANOVA)
1.
1. Anlisis
Anlisis de
de
Experimentos
Experimentos (DOE)
(DOE)
2.
2. Diseo
Diseo Factorial
Factorial 2K
2K
3.
3. Diseo
Diseo Fraccin
Fraccin
Factorial
Factorial
4.
4. Diseo
Diseo Taguchi
Taguchi
5.
5. Diseo
Diseo de
de Mezclas
Mezclas
6.
6. Mtodos
Mtodos de
de
Superficie
Superficie de
de
Respuesta
Respuesta
1.
1.
2.
2.
3.
3.
4.
4.
Controlar
1.
1. Plan
Plan de
de Control
Control
2.
2. Cartas
Cartas de
de Control
Control
3.
3. Poka
Poka Yoke
Yoke
4.
4. Mejora
Mejora continua
continua
(Kaizen)
(Kaizen)
5.
5. Las
Las 55 Ss
Ss
6.
6. Kanban
Kanban
Mantener las mejoras por medio de control estadstico de procesos, Poka Yokes y trabajo
estandarizado
Anticipar mejoras futuras y preservar las lecciones aprendidas de este esfuerzo
Uso de las herramientas de control.
Verificar que las implementaciones se sigan y estn bajo control.
Identificar las actividades o procesos que estn fuera de control para corregirlos
inmediatamente.
Que las mejoras sean implementadas consistentemente para tener un adecuado control.
Pgina 133
Definir
Controlar
Medir
Mejorar
Analizar
En la Fase de Medicin validamos el sistema de medicin para las Ys, en este punto se utiliza
la misma metodologa, con la diferencia de que ahora mediremos las Xs del proceso, el plan
ser validado para las Xs
6.3 Determinar la capacidad del proceso.
La capacidad del proceso solo tiene sentido cuando el proceso est bajo control.
Control de Proceso y Capacidad del Proceso
Pgina 134
Los procesos tienden a degradarse con el tiempo, por lo que es de gran importancia la
implementacin de un plan de control para cada Xs, para establecer el pan es necesario tener
procesos y procedimientos documentados y entrenar al personal que llevar a cabo esta actividad.
Una vez implementadas las mejoras se vuelven a calcular los niveles sigma del proceso, para saber
en que nivel nos encontramos actualmente. (ver Fase de Medicin)
Un plan de control es:
Pgina 135
Tamao de muestra
Seleccionar el tamao de muestra sobre la base del sistema de medicin y capacidad del
proceso
Pgina 136
Frecuencia de la muestra
Seleccionar la frecuencia basada en el sistema de medicin, capacidad del proceso y
requerimientos de la operacin
Quin / qu hace la medicin?
Quin es responsable de asegurar que los datos se tomen y que sean correctos?
Accin y Documentacin
Dnde se registra?
Dnde residen los datos? Bases de datos, grficas, ambas?
Regla de decisin / Accin correctiva
Qu pasa cuando el proceso est fuera de control?
Las cartas de control son la herramienta ms poderosa para monitorear y analizar la variacin en la
mayora de los procesos.
Las cartas de control enfocan la atencin hacia las causas especiales de variacin cuando estas
aparecen y reflejan la magnitud de la variacin debida a las causas comunes, manteniendo las
soluciones.
Las causas comunes o aleatorias se deben a la variacin natural del proceso.
Las causas especiales o asignables son por ejemplo: un mal ajuste de mquina, errores del
operador, defectos en materias primas.
Un proceso est bajo Control Estadstico cuando presenta causas comunes nicamente, con un
proceso estable y predecible.
37
Pgina 137
Cuando existen causas especiales el proceso est fuera de Control Estadstico; las cartas de control
detectan la existencia de estas causas en el momento en que se dan, lo cual permite que podamos
tomar acciones al momento.
En resumen podemos decir que una Carta de Control es:
Ventajas:
Pgina 138
Desventajas
significativas
Carta
Variables
Atributos
Descripcin
Campo de aplicacin.
X R
X S
I-MR
Medias y Rangos
Medias y desviacin estndar.
Individuales
Proporciones o fraccin
defectiva
Nmero de defectuosos
Defectos por unidad
Promedio de defectos por
unidad
NP
C
U
X R (variables)
Los datos son el resultado de la medicin de las caractersticas del producto, los cuales deben de
ser registrados y agrupados de la siguiente manera:
Se toma una muestra(subgrupo) de 2 a 10 piezas consecutivas y se anotan los resultados de la
medicin (se recomienda tomar 5). Tambin pueden ser tomadas en intervalos de tiempo de
- 2 hrs., para detectar si el proceso puede mostrar inconsistencia en breves periodos de tiempo.
Se realizan las muestras de 20 a 25 subgrupos.
Paso 2: Calcular el promedio X y R para cada subgrupo
X =
X 1 + X 2 .... X N
N
Pgina 139
R = X mayor X menor
R=
R1 + R2 + ......R K
K
X=
X 1 + X 2 + .......X K
K
Los lmites de control son calculados para determinar la variacin de cada subgrupo, estn basados
en el tamao de los subgrupos y se calculan de la siguiente forma:
LSC R = D4 R
LSC X = X + A2 R
LIC R = D3 R
LIC X = X A2 R
Donde D4, D3, A2 son constantes que varan segn el tamao de muestra. A continuacin se
presentan los valores de dichas constantes para tamaos de muestra de 2 a 10.
n
D4
D3
A2
10
3.27
0
1.88
2.57
0
1.02
2.28
0
0.73
2.11
0
0.58
2.00
0
0.48
1.92
0.08
0.42
1.86
0.14
0.37
1.82
0.18
0.34
1.78
0.22
0.31
Para la grfica X la amplitud de valores en la escala debe de ser al menos del tamao de los
lmites de tolerancia especificados o dos veces el rango promedio (R ) .
Para la grfica R la amplitud debe extenderse desde un valor cero hasta un valor superior
equivalente a 1 - 2 veces el rango.
Paso 6: Trace la carta de control
Pgina 140
Pgina 141
Terminologa
k = nmero de piezas
n = 2 para calcular los rangos
X = promedio de los datos
R = rango de un subgrupo de dos piezas consecutivas
R = promedio de los (n - 1) rangos
LSC X = X + E 2 R
LIC X = X E 2 R
LSC R = D4 R
LIC R = D3 R
Donde D4, D3, E2 son constantes que varan segn el tamao de muestra usado para agrupar los
rangos mviles como se muestra en la tabla siguiente:
n
D4
D3
E2
10
3.27
0
2.66
2.57
0
1.77
2.28
0
1.46
2.11
0
1.29
2.00
0
1.18
1.92
0.08
1.11
1.86
0.14
1.05
1.82
0.18
1.01
1.78
0.22
0.98
* Generalmente se utiliza n = 2
Cartas de control por atributos
Cualquier caracterstica de calidad que pueda ser clasificada de forma binaria: cumple o no
cumple, funciona o no funciona, pasa o no pasa, etc., a los efectos de control del proceso,
ser considerado como un atributo y para su control se utilizar una Carta de Control por
Atributos.
Los criterios de aceptacin al utilizar grficas de control por atributos deben estar claramente
definidos y el procedimiento para decidir si esos criterios se estn alcanzando es producir
resultados consistentes a travs del tiempo. Este procedimiento consiste en definir
operacionalmente lo que se desea medir. Una definicin operacional consiste en:
1 . Un criterio que se aplica a un objeto o a un grupo
2. Una prueba del objeto o del grupo y
3. Una decisin, s o no: El objeto o el grupo alcanza o no el criterio.
Pgina 142
La grfica p mide la fraccin defectuosa o sea las piezas defectuosas en el proceso. Se puede
referir a muestras de 75 piezas, tomada dos veces por da; 100% de la produccin durante una
hora, etc. Se basa en la evaluacin de una caracterstica (se instalo la pieza requerida?) o de
muchas caractersticas (se encontr algo mal al verificar la instalacin elctrica?). Es importante
que cada componente o producto verificado se registre como aceptable o defectuoso (aunque una
pieza tenga varios defectos especficos se registrar slo una vez como defectuosa).
Pasos para la elaboracin de la grfica:
Paso 1- Frecuencia y tamao de la muestra:
Establezca la frecuencia con la cual los datos sern tomados (horaria, diaria, semanal). Los
intervalos cortos entre tomas de muestras permitirn una rpida retroalimentacin al proceso ante
la presencia de problemas. Los tamaos de muestra grandes permiten evaluaciones ms estables
del desarrollo del proceso y son ms sensibles a pequeos cambios en el promedio del mismo. Se
aconseja tomar tamaos de muestra iguales aunque no necesariamente se tiene que dar esta
situacin, el tamao de muestra debera de ser mayor a 30. El tamao de los subgrupos ser de 25
o ms.
Paso 2- Calculo de la fraccin defectuosa (p) del subgrupo:
np
n
La fraccin defectuosa promedio para los k subgrupos se calcula con la siguiente frmula:
p=
np1 + np 2 + .... + np k
n1 + n 2 + ..... + n k
LSC p = p + 3
p (1 p )
n
LIC p = p 3
p (1 p )
n
Pgina 143
Poka-yoke es una tcnica de calidad desarrollada por el ingeniero japons Shigeo Shingo en los
aos 1960s, que significa "a prueba de errores". La idea principal es la de crear un proceso donde
los errores sean imposibles de realizar.
La finalidad del Poka-yoke es la eliminar los defectos en un producto ya sea previniendo o
corrigiendo los errores que se presenten lo antes posible.
Un dispositivo Poka-yoke es cualquier mecanismo que ayuda a prevenir los errores antes de que
sucedan, o los hace que sean muy obvios para que el trabajador se de cuenta y lo corrija a tiempo.
El concepto es simple: si los errores no se permite que se presenten en la lnea de produccin,
entonces la calidad ser alta y el retrabajo poco. Esto aumenta la satisfaccin del cliente y
disminuye los costos al mismo tiempo. El resultado, es de alto valor para el cliente. No solamente
es el simple concepto, pero normalmente las herramientas y/o dispositivos son tambin simples.
Los sistemas Poka-yoke implican el llevar a cabo el 100% de inspeccin, as como,
retroalimentacin y accin inmediata cuando los defectos o errores ocurren. Este enfoque resuelve
los problemas de la vieja creencia que el 100% de la inspeccin toma mucho tiempo y trabajo, por
lo que tiene un costo muy alto.
La prctica del sistema Poka-yoke se realiza ms frecuentemente en la comunidad manufacturera
para enriquecer la calidad de sus productos previniendo errores en la lnea de produccin.
Un sistema Poka-Yoke posee dos funciones: una es la de hacer la inspeccin del 100% de las
partes producidas, y la segunda es si ocurren anormalidades puede dar retroalimentacin y accin
correctiva. Los efectos del mtodo Poka-Yoke en reducir defectos va a depender en el tipo de
inspeccin que se este llevando a cabo, ya sea: en el inicio de la lnea, auto-chequeo, o chequeo
continuo.
Los efectos de un sistema poka-yoke en la reduccin de defectos varan dependiendo del tipo de
inspeccin.
Funciones reguladoras Poka-yoke
Mtodos de Control
Existen mtodos que cuando ocurren anormalidades apagan las mquinas o bloquean los sistemas
de operacin previniendo que siga ocurriendo el mismo defecto. Estos tipos de mtodos tienen una
funcin reguladora mucho ms fuerte, que los de tipo preventivo, y por lo tanto este tipo de
sistemas de control ayudan a maximizar la eficiencia para alcanzar cero defectos.
No en todos los casos que se utilizan mtodos de control es necesario apagar la mquina
completamente, por ejemplo cuando son defectos aislados (no en serie) que se pueden corregir
38
Pgina 144
Este tipo de mtodo advierte al trabajador de las anormalidades ocurridas, llamando su atencin,
mediante la activacin de una luz o sonido. Si el trabajador no se da cuenta de la seal de
advertencia, los defectos seguirn ocurriendo, por lo que este tipo de mtodo tiene una funcin
reguladora menos poderosa que la de mtodos de control.
En cualquier situacin los mtodos de control son por mucho ms efectivos que los mtodos de
advertencia, por lo que los de tipo control deben usarse tanto como sean posibles. El uso de
mtodos de advertencia se debe considerar cuando el impacto de las anormalidades sea mnimo, o
cuando factores tcnicos y/o econmicos hagan la implantacin de un mtodo de control una tarea
extremadamente difcil.
Clasificacin de los mtodos Poka-yoke
1. Mtodos de contacto. Son mtodos donde un dispositivo sensitivo detecta las anormalidades en
el acabado o las dimensiones de la pieza, donde puede o no haber contacto entre el dispositivo y el
producto.
2. Mtodo de valor fijo. Con este mtodo, las anormalidades son detectadas por medio de la
inspeccin de un nmero especfico de movimientos, en casos donde las operaciones deben de
repetirse un nmero predeterminado de veces.
3. Mtodo del paso-movimiento. Estos son mtodos en el cual las anormalidades son detectadas
inspeccionando los errores en movimientos estndares donde las operaciones son realizadas con
movimientos predeterminados. Este extremadamente efectivo mtodo tiene un amplio rango de
aplicacin, y la posibilidad de su uso debe de considerarse siempre que se este planeando la
implementacin de un dispositivo Poka-Yoke.
Pgina 145
Qu significado tiene la palabra Kaizen? Es una palabra japonesa compuesta por otras dos
palabras, una KAI que significa cambio y la otra ZEN que significa bueno, lo que implica que
KAIZEN signifique cambio para mejorar y, como dicho cambio para mejorar es algo que
continuamente debe buscarse y realizarse el significado termina siendo mejora continua.
Caractersticas del Kaizen:
Por otra parte, KAIZEN significa un esfuerzo constante no slo para mantener los
estndares sino para mejorarlos.
Otra caracterstica de KAIZEN es que requiere virtualmente los esfuerzos de todos. Para
que el espritu de KAIZEN sobreviva, la administracin debe hacer un esfuerzo consciente
y continuo para apoyarlo. KAIZEN se interesa ms en el proceso que en el resultado.
KAIZEN requiere una dedicacin sustancial de tiempo y esfuerzo por parte de la
administracin.
KAIZEN est orientado a las personas, en tanto que la Innovacin est orientada a la
tecnologa y al dinero.
La filosofa de KAIZEN est mejor adaptada a una economa de crecimiento lento, en tanto
que la Innovacin est mejor adaptada a una economa de crecimiento rpido.
En una economa de crecimiento lento, caracterizada por costos elevados de energa y
materiales, sobrecapacidad y mercados estancados, con frecuencia KAIZEN rinde mejores
resultados que la Innovacin.
Otro factor que ha propiciado el enfoque de la Innovacin ha sido el creciente nfasis en
los controles financieros y en la contabilidad, que obligan a los gerentes a dar cuenta de
toda accin que emprendan y detallar los resultados precisos. Tal sistema no se presta a
formar un entorno favorable par el mejoramiento.
El mejoramiento es por definicin, lento, gradual, a menudo invisible, con efectos que se
sienten a largo plazo.
Occidente ha sido ms fuerte en el lado de la Innovacin y Japn ms fuerte en el lado de
KAIZEN. Estas diferencias en el nfasis tambin estn reflejadas en las diferentes
herencias sociales y culturales, tales como el nfasis que se da al sistema educativo
occidental sobre la iniciativa y creatividad individuales contra el nfasis que pone el
sistema educativo japons en la armona y colectivismo.
El Kaizen es un sistema de mejora continua e integral que comprende todos los elementos,
componentes, procesos, actividades, productos e individuos de una organizacin. No importa a que
actividad se dedique la organizacin, si es privada o pblica, y si persigue o no beneficios
econmicos, siempre debe mejorar su performance a los efectos de hacer un mejor y ms eficiente
uso de los escasos recursos, logrando de tal forma satisfacer la mayor cantidad de objetivos
posibles. Mucho ms es necesario la mejora continua cuando se trata de actividades plenamente
competitivas, se trate de lo econmico, en lo deportivo, o en cualquier otro orden.
39
40
Pgina 146
La mejora continua es no slo necesaria, sino adems una obligacin permanente del ser humano
para consigo mismo y la sociedad. La mejora continua hace a la cultura, tica y disciplina de toda
sociedad que piense avanzar y participar en los avances y adelantos de la humanidad.
El kaizen ideado por consultores y empresas japonesas se ha diseminado en empresas de otras
naciones va crculos de calidad, sistemas de produccin just-in-time, mantenimiento productivo
total, tablas de costes, sistema de sugerencias, y mtodos rpidos de preparacin de mquinasherramientas; logrando sorprendentes e importantes resultados.
De lo que se trata es de adecuar las diferentes herramientas, instrumentos y mtodos que hacen al
kaizen, a las caractersticas de cada empresa y cultura. Es en ste particular aspecto donde el
Desarrollo Organizacin cobra como tcnica y disciplina un incuestionable y gran valor,
permitiendo evaluar las caractersticas socio-culturales propias de cada empresa, ajustando los
diversos sistemas productivos a las caractersticas de las mismas, como as tambin facilitando el
reacomodamiento y cambio psico-social por parte de los integrantes de la organizacin.
A la hora de inventariar las ventajas y beneficios en la implementacin y puesta en prctica del
sistema kaizen cabe apuntar las siguientes:
Reduccin de inventarios, productos en proceso y terminados.
Disminucin en la cantidad de accidentes.
Reduccin en fallas de los equipos y herramientas.
Reduccin en los tiempos de preparacin de maquinarias.
Aumento en los niveles de satisfaccin de los clientes y consumidores.
Incremento en los niveles de rotacin de inventarios.
Importante cada en los niveles de fallas y errores.
Mejoramiento en la autoestima y motivacin del personal.
Altos incrementos en materia de productividad.
Importante reduccin en los costes.
Mejoramiento en los diseos y funcionamiento de los productos y servicios.
Aumento en los beneficios y rentabilidad.
Menores niveles de desperdicios y despilfarros. Con su efecto tanto en los costes, como as
tambin en los niveles de polucin ambiental, entre otros.
Notables reducciones en los ciclos de diseo y operativos.
Importantes cadas en los tiempos de respuestas.
Mejoramiento en los flujos de efectivo.
Menor rotacin de clientes y empleados.
Mayor y mejor equilibrio econmico-financiero. Lo cual trae como consecuencia una
mayor solidez econmica.
Ventaja estratgica con relacin a los competidores, al sumar de forma continua mejoras en
los procesos, productos y servicios. Mediante la mejora de costos, calidad, diseo, tiempos
de respuesta y servicios a los consumidores.
Acumulacin de conocimientos y experiencias aplicables a los procesos organizacionales.
Derribar las barreras o muros interiores, permitiendo con ello un potente y autntico trabajo
en equipo.
Estas son razones suficientes para pensar seriamente en aplicar el kaizen en las organizaciones. No
hacerlo privar a sus propietarios, directivos, personal, clientes y a la sociedad en su conjunto, de
Pgina 147
las ventajas de generar autnticos y slidos puestos de trabajo que permitan generar productos con
valor agregado, calidad de vida laboral, altos rendimientos sobre la inversin, ms y mejores
productos y servicios, y menores niveles de desperdicios.
La mejora continua es lo que permite al mundo gozar cada da de mejores productos, mejores
comunicaciones, mejores medicamentos, entre muchsimas otras cosas. Hay empresas, sociedades,
gobiernos y pases que aceptan el reto, y otras que slo se limitan a ver como otros mejoran. La
mejora continua es compromiso con el conocimiento, la calidad y la productividad. Requiere de
tica y disciplina, como de planes estratgicos que permitan lograr mejoras graduales, continuas e
integrales. En una era del conocimiento como lo es sta Tercer Ola pasarn a ocupar los primeros
lugares aquellos individuos, organizaciones, y sociedades que hagan del conocimiento y
perfeccionamiento sistemtico su objetivo prioritario.
6.8 Las 5 Ss41
Consiste en retirar del rea de trabajo todos aquellos elementos que no son necesarios para realizar
la labor. No hay que pensar en que este o aquel elemento podra ser til en otro trabajo o si se
presenta una situacin muy especial, los expertos recomiendan que ante estas dudas hay que
desechar dichos elementos.
Seiton: Ordenar:
Es la organizacin de los elementos necesarios de modo que resulten de fcil uso y acceso, los
cuales debern estar, cada uno, etiquetados para que se encuentren, retiren y devuelvan a su
posicin, fcilmente por los empleados. Se deben usar reglas sencillas como: lo que ms se usa
debe estar ms cerca, lo ms pesado abajo lo liviano arriba, etc.
Seiso: Limpiar:
Incluye, adems de la actividad de limpiar las reas de trabajo y los equipos, el diseo de
aplicaciones que permitan evitar o disminuir la suciedad y hacer ms seguros los ambientes de
trabajo. A travs de la limpieza se pueden identificar fallas, por ejemplo, si todo est limpio y sin
olores extraos es ms probable que se detecte un principio de incendio o un mal funcionamiento
de un equipo por una fuga de fluidos, etc.
41
Pgina 148
Seiketsu: Estandarizar:
Esta prctica pretende mantener el estado de limpieza y organizacin alcanzado con la aplicacin
de las primeras tres S, el seiketsu solo se obtiene cuando se trabajan continuamente los tres
principios anteriores. En esta etapa (que debe ser permanente), son los trabajadores quienes
adelantan programas y disean mecanismos que les permitan beneficiarse a s mismos.
Shitsuke: Disciplina:
En esta etapa se busca evitar que se rompan los procedimientos ya establecidos. Solo si se
implanta la disciplina y el cumplimiento de las normas y procedimientos ya adoptados se podr
disfrutar de los beneficios que ellos brindan.
Como un aspecto preliminar al esfuerzo de las 5 S, debe asignarse un tiempo para analizar la
filosofa implcita en las 5 S y sus beneficios:
Creando ambientes de trabajo limpios, higinicos, agradables y seguros.
Revitalizando el gemba (campo/piso de trabajo) y mejorando sustancialmente el estado de
nimo, la moral y la motivacin de los empleados.
Eliminando las diversas clases de mudas (desperdicios), minimizando la necesidad de
buscar herramientas, haciendo ms fcil el trabajo de los operadores, reduciendo el trabajo
fsicamente agotador y liberando espacio.
Beneficios de la aplicacin de manera constante de las 5 Ss:
Ayuda a los empleados a adquirir autodisciplina
Destaca los muchos y diversos tipos de mudas
Ayuda a detectar productos defectuosos y excedentes de inventario
Reduce el movimiento innecesario y el trabajo agotador
Facilita identificar visualmente los problemas relacionados con escasez de materiales,
lneas desbalanceadas, averas en las mquinas y demoras de entrega.
Resuelve de manera simple problemas de logstica en el gemba.
Hace visible los problemas de calidad.
Mejora la eficiencia en el trabajo y reduce los costos de operacin
Reduce los accidentes y enfermedades de trabajo
Mejora la relacin de la empresa con los consumidores y la comunidad.
6.9 El Kanban42
Pgina 149
La etiqueta Kanban contiene informacin que sirve como orden de trabajo, esta es su funcin
principal, en otras palabras es un dispositivo de direccin automtico que nos da informacin
acerca de que se va a producir, en que cantidad, mediante que medios, y como transportarlo.
Funciones de Kanban
Son dos las funciones principales de Kanban: Control de la produccin y mejora de los procesos.
1.- Por control de la produccin se entiende la integracin de los diferentes procesos y el desarrollo
de un sistema JIT en la cual los materiales llegaran en el tiempo y cantidad requerida en las
diferentes etapas de la fabrica y si es posible incluyendo a los proveedores.
2.- Por la funcin de mejora de los procesos se entiende la facilitacin de mejora en las diferentes
actividades de la empresa mediante el uso de Kanban, esto se hace mediante tcnicas ingenieriles
(eliminacin de desperdicio, organizacin del rea de trabajo, reduccin de set-up, utilizacin de
maquinaria vs. utilizacin sobre la base de demanda, manejo de multiprocesos, poka-yoke,
mecanismos a prueba de error, mantenimiento preventivo, mantenimiento productivo total, etc.),
reduccin de los niveles de inventario.
Bsicamente Kanban nos servir para lo siguiente:
Otra funcin de Kanban es la de movimiento de material, la etiqueta Kanban se debe mover junto
con el material, si esto se lleva a cabo correctamente se lograrn los siguientes puntos:
Eliminacin de la sobreproduccin.
Prioridad en la produccin, el Kanban con ms importancia se pone primero que los dems.
Se facilita el control del material.
Implementando Kanban:
Pgina 150
sistemas de reduccin de setups, de produccin de lotes pequeos, jidoka, control visual, pokayoke, mantenimiento preventivo, etc. todo esto es prerrequisito para la introduccin Kanban.
Tambin se debern tomar en cuenta las siguientes consideraciones antes de implementar kanban:
Reglas de Kanban
Pgina 151
6.10
Entregables:
Pgina 152
Definir
D
efinir
7.1 Introduccin
Controlar
Contr
ol
Medir
M
edir
Mejorar
M
ejorar
Analizar
A
nalizar
Con el Seis Sigma Kaizen, se busca determinar la capacidad real de los procesos para cumplir con
los requisitos del cliente, y reducir la probabilidad de que stos fallen, reducindola a 3.4 defectos
por milln de oportunidades.
Los proyectos seis sigma Kaizen pueden ser integrados con otros conceptos como lo son los
equipos de alto desempeo, ya que ambas metodologas se complementan totalmente
Origen y sus significados43
Seis Sigma
Motorola acu el termino Seis Sigma en los aos ochentas, pero el termino fue un objetivo de
desempeo y no el enfoque para alcanzar ese nivel de desempeo, as Seis Sigma significa
alcanzar 3.4 defectos por cada milln de unidades procesadas. Fue al inicio de los noventa que el
termino Seis Sigma comenz a ser empleado como un mtodo para implementar un modelo de
Mejora. Cuando esto ocurri el termino ya no se refera al objetivo (3.4 partes por milln) y si a la
serie de actividades para alcanzar la excelencia.
43
Pgina 153
Kaizen
Como parte de un mtodo para lograr mejoras es usualmente entendido como parte de Lean, de
cualquier forma el trmino Kaizen es usado en dos formas: la primera se refiere a la bsqueda de la
perfeccin de todo lo que hacemos. En este sentido Kaizen representa el elemento de la mejora
continua que es parte fundamental del modelo de Calidad. En un contexto de negocios esto incluye
todas las actividades individuales y de grupo que permiten hacer un proceso mejor y satisfacer los
requerimientos del cliente. El segundo trmino se refiere a caminos especficos para lograr
mejoras.
Estos mtodos que se han etiquetado como Kaizen son variados, generalmente son sistemas de
planeacin de eventos para identificar que procesos sistemticamente ocultan desperdicios y
eliminarlos. En este segundo sentido Kaizen puede ser ms antiguo que Lean mismo, sus orgenes
parecen estar en la segunda guerra mundial (Huntzinger 2002).
Porque funciona Seis Sigma - Kaizen?
Muchos de los procesos realmente nunca fueron diseados considerando el tiempo, un evento
acelerado de cambio para identificar partes del proceso que no agreguen valor, utilizar el sentido
de simplicidad y de mejora continua de Kaizen combinado con las herramientas Seis Sigma de
enfoque estadstico y reduccin de variacin permitir la identificacin de las causas raz que
originan los problemas en un menor tiempo.
El proyecto de nivel y variabilidad de llenado se inici en la planta para identificar las causas raz
que generaban dicha variacin en el nivel de llenado de la lnea de produccin B. Est lnea est
enfocada principalmente a la produccin de la presentacin premier, con este proyecto se estima
reducir el desperdicio anual (debido a la variacin en el llenado) de $380,000.
El propsito de este proyecto fue utilizar las herramientas de Seis Sigma Kaizen para maximizar
las ventajas de un ambiente de manufactura de alto desempeo, y reducir el desperdicio y posibles
reclamaciones de mercado por un nivel alto o bajo en el volumen de las botellas todo esto sin
afectar parmetros de calidad estipulados para el producto premier.
Pgina 154
Iniciacin de Proyecto
Identificar y minimizar las causas raz que generan los diferentes niveles de llenado de la lnea de
produccin B en la presentacin premier, sin afectar los estndares de calidad establecidos para ese
tipo de producto. El proyecto utilizar y tomar ventaja del la filosofa Seis Sigma Kaizen de la
cual se utilizaran herramientas para identificar y reducir la variabilidad del proceso, permitiendo
una reduccin de $380,000 en el desperdicio anual.
Alcance
Reducir de la lnea de produccin B, el nivel de llenado en la presentacin premier que nos asegure
mantenernos en el volumen estndar de 327 ml y mantenga el oxgeno de botella menor a 150ppb.
Mtricas
Sponsor
a. Gerente de Envasado Planta Toluca
Process Owner
b. Jefe de departamento de Envasado Planta Toluca
Team Leader
Pgina 155
Introduccin
DDefinir
efinir
Controlar
Controlar
Medir
Medir
Mejorar
Mejora
Mejorar
Analizar
Analizar
El equipo decidi aplicar la metodologa Seis Sigma Kaizen en el proyecto alineado a los 3
objetivos principales.
Pgina 156
Decidimos utilizar el Mapeo de proceso para que la gente que no era experta en el rea se
involucrara y conociera dicho proceso el cual estaba enfocado nicamente a la llenadora localizada
en la Lnea de produccin B.
El proyecto se
enfoc
Una vez delimitado el proyecto, se estableci un plan para verificar con que informacin se
contaba para poder as realizar un mapa de Calidad, el cual qued de la siguiente manera:
Especificacin
Variable
Proveedor
Datos
Estndares Operacin
Dato Real
Histricos
NO
NO
Estrella coronador
NO
Tubos de llenado
NO
Extracto aparente
Pgina 157
2-4
SI
CO2 tanque
0.49-0.52 %
Sabor cerveza
SI
OK
OK
SI
2C
-2.8C
SI
2 a 3 Bar
2.15 Bars
SI
No especifica
Temperatura
para cerveza
Contrapresin CO2
O2 pie
Menor a 70 ppb
SI
Nivel de cerveza en el
tazn
80 mm
NO
749 bpm
SI
90 mm
NO
1 a 3 Bar
2.15 Bars
SI
Flujo de CO2
99 kg/hr.
SI
Conductividad
Mayor a 2.5 mS
1.82 mS
NO
De 90 a 95% de vaco
-0.67 Bars
NO
Velocidad llenadora
750 bpm
Nivel de cerveza en el
tazn
Contrapresin de CO2
de
Preparacin
Transformac
formato
in
premier
De acuerdo a
procedimiento:
Altura
del
tazn,
del
coronador.
Especificaci
ones
Tubos
llenado.
de
Arranque del
Llegada
de
llenado
cerveza
Ea = Cumple con
std
CO2 = Cumple
con std
Temperatura 2
C.
Contrapresin
de
CO2
=
Cumple con std
Sabor
de
la
cerveza = OK
O2 = Cumple
con std
Control
de
nivel
del
tazn
Nivel
de
cerveza en el
tazn = 1/2 a
3/4 partes del
tazn.
Llegada
de
botella
Llenado
Formato de botella
premier.
Inyeccin de CO2
en vlvula 1.
Botella limpia. y no
cada.
Presin bomba de
vaco = 90 a 95%
Vel de llenadora =
Mximo 700 bpm.
Barrido de CO2 en
vlvula 2
Salida
de
botella
Nivel de cmara
vaca = 55 mm
(estndar)
Volumen = 327 ml
(estndar)
O2 disuelto < a
250 ppb.
Visual.
Mtodo de
Control
/
Calibracin
Pgina 158
Visual
arranque.
al
Anlisis sensorial
al arranque y
cambio
de
tanque.
Visual
continuamente.
Continuo en el
display.
Medicin
con
Visual
manera
continua.
de
El sensor para
el nivel se
calibra cada 6
Contrapresin = 2 a
3 Bars.
Visual continuo a
travs de un display.
Visual de manera
continua en el
display y en la
mquina.
Los sensores del
display se verifica
Nivel de llenado se
mide c/2 hrs con
escantilln
O2 disuelto c/2 hrs
con digox
No aplica.
No aplica.
Herramienta
s
y
Dispositivos
en proceso
Problema
Conocido
o
Potenciales
Causas
posibles
digox al pie
cada 2 horas.
Se cuenta con 2
RTD
meses.
Sensor
nivel.
cada 6 o 12 meses.
de
Display.
Cronmetro manual.
Sensores.
Escantilln
nivel.
Manmetros.
Equipo Digox.
Rotura
botella.
de
Desgaste
manejo.
de
Dilucin.
Display
para
temperatura y
presin.
Espuma.
Digox.
Baja de presin
de CO2.
Oxgeno alto.
Falta
de
mantenimiento.
Alta
temperatura de
la cerveza
No aplicacin
de
procedimientos.
Pruebas
y
resultados
Se tienen reas
de oportunidad
en
algunos
medidores.
No se tienen
datos histricos
de todas las
variables.
Falla
en
suministro de
CO2 en Fuerza
Motriz.
Baja presin de
CO2.
Tanque barrido en
SS FF.
Falla en suministro
de CO2 en Fuerza
Motriz.
Falla en envo desde
SS FF.
Revisar
la
calibracin de los
medidores.
No se tienen datos
histricos de todas
las variables
Medidores
altura y grosor
de
Explosin
botella.
de
Manmetro Zahm.
Atorones de botella
en
bajada
a
carrillera.
Variacin de la
alimentacin
de
agua en el
Deflector daado.
Dimetro de los
sellos de las tulipas
a
diferentes
dimensiones.
No
se
tienen
histricos de todas
las variables.
Algunas de las
variables se tienen
registradas en el
CEP
Atorn
hermetapa.
Placas
transferencia
daadas.
Definir
Medir
Medir
Mejorar
Mejora
Mejorar
de
Se analizaron los
datos del CEP, se
presentan algunas
cuestiones por falta
de
criterios
uniformes en la
medicin de los
niveles de llenado.
Introduccin
de
Espuma la botella
antes de llegar al
espumador.
Pgina 159
de
Analizar
Analizar
Diagrama de Espaguetti
El equipo utiliz esta herramienta para indicarnos el flujo de material y los posibles problemas que
se encontraran en la llenadora, a continuacin se muestra el dicho diagrama y la tabla con los
pasos de proceso.
reas de Oportunidad
Introduccin
de
Agua
deareada
Introduccin
de Cerveza
Vaco
Pgina 160
Alto contenido de O2
Contrapresin
Llenado no uniforme
Diferencia de presin de CO2
Tazn vs. Botella
Sistema
de
llenado
Despresurizado
Fin de llenado
Salida
botellas
de
Siguiendo con los pasos de la metodologa de Seis Sigma Kaizen lo que hicimos fue la recoleccin
de datos de fuentes tales como: el laboratorio de Calidad Envasado, lnea de produccin,
mantenimiento entre otras; dichos datos fueron revisados por el equipo, lo que ayud a hacer
algunas pruebas para generar ms datos y hacer un anlisis descrito en la fase de anlisis
Comenzamos a crear una tabla con los datos recolectados, lo cual nos ayudara a tener informacin
con relacin al proceso de llenado de la presentacin premier.
DATOS
6 SIGMA KAIZEN
FECHA
TURNO
ALTURA CMARA
VACA
PESO BOTELLA
LLENA
PESO
BOTELLA
VACIA
VOLUMEN
POR CMARA
VACA
29-Jun-05
29-Jun-05
30-Jun-05
01-Jul-05
20-Jul-05
26-Jul-05
27-Jul-05
1
1
2
1
3
3
1
54
56
57
56
49
49
51
553.2
558.5
559.65
549.6
556.65
565.68
560.55
226.2
228.8
233.78
219.04
222.14
232.92
228.92
327.4
325.8
325
325.8
330.9
330.9
329.5
Pgina 161
VOLUMEN
POR
DIFERENCIA
DE PESOS
327
329.7
325.87
330.56
334.51
332.76
331.63
AO
99
97
93
3
3
93
0
322
324
326
328
330
A -S quared
P -V alue <
2.94
0.005
M ean
S tD ev
V ariance
S k ew n ess
K urtosis
N
327.39
2.12
4.49
-0.109210
-0.418366
417
M inim um
1st Q uartile
M edian
3rd Q uartile
M a xim um
332
321.50
325.80
327.40
328.80
333.30
327.59
327.41
1. 98
2.27
Mean
Median
327.2
327.3
327.4
327.5
327.6
Target
USL
Within
Ov erall
P rocess Data
LS L
321
Ta rget
327
USL
336
S ample M ean
327.388
S ample N
417
S tDev (Within)
1.24412
S tDev (O v erall) 2.11992
322
O bserv ed P erformance
P P M < LS L 0.00
P P M > U S L 0.00
P P M T otal
0.00
324
326
328
330
332
334
336
Pgina 162
1.18
1.00
1.35
1.00
0.93
Una de las herramientas utilizadas en esta etapa fue la del MSA, la cual consisti en analizar a 3
operadores con un mismo aparato de medicin y obtener los valores de repetitividad y
reproducibilidad, para ver si las variaciones de nivel reportadas en nuestro anlisis son realmente
por variaciones de proceso o por variaciones en la tcnica de medicin y/o el aparato de medicin,
el estudio dio como resultado lo siguiente:
Anlisis R&R medicin de nivel de cmara vaca
Gage R&R
Source
Total Gage R&R
Repeatability
Reproducibility
An alista
Analista*Prueba
Part-T o-Part
Total Variation
VarComp
0.46447
0.20659
0.25788
0.21837
0.03951
2.09386
2.55832
%Contribution
(of VarComp)
18.16
8.08
10.08
8.54
1.54
81.84
100.00
Valor total de estudio R&R, el cual debe de
ser menor al 15%
Process tolerance = 15
Source
Total Gage R&R
Repeatability
Reproducibility
Analista
Analista*Prueba
Part-To-Part
Total Variation
Pgina 163
StdDev (SD)
0.68152
0.45452
0.50782
0.46730
0.19877
1.44702
1.59948
Study Var
(6 * SD)
4.08912
2.72715
3.04689
2.80378
1.19262
8.68210
9.59686
%Study Var
(%SV)
42.61
28.42
31.75
29.22
12.43
90.47
100.00
%Tolerance
(SV/Toler)
27.26
18.18
20.31
18.69
7.95
57.88
63.98
R e s u lta d o b y P r u e b a
% C ontribution
332
Percent
% Study V ar
% T olerance
328
50
324
Gage R&R
Repeat
Reprod
Part-to-Part
R C h a r t b y A n a lis ta
Sample Range
HEC T O R
RA FA EL
7 8
9
Prue ba
14 15
332
328
1.5
UC L= 1.299
_
R= 0.504
LC L= 0
0.0
324
HEC T O R
RA FA EL
Ana lista
X b a r C h a r t b y A n a lis ta
HEC T O R
RA FA EL
330
327
RENE
RENE
A n a lis ta * P r u e b a I n te r a c tio n
333
_
_
UC L= 330.566
X = 330.050
LC L= 329.534
Average
Sample Mean
12 13
R e s u lta d o b y A n a lis ta
RENE
3.0
333
10 11
A nalis ta
HEC T OR
R A FA EL
R ENE
330
327
1
9 10 11 12 13 14 15
Prue ba
La grfica de resultado por pieza se observa que nicamente en la pieza 2 hay una fuerte variacin con respecto a las
dems.
Conclusiones: El resultado total del estudio nos dice que se necesita mejorar el sistema de
Medicin, sobre todo la parte de me
metodologa en el proceso de medicin.
Pgina 164
Definir
Medir
Medir
Mejorar
Mejora
Mejorar
Analizar
Analizar
Analizar
Diagrama de Ishikawa
Una de las herramientas que utilizamos en esta fase fue el Diagrama de Ishikawa para el anlisis
de posibles causa raz del problema en la variacin de nivel, para ello el equipo se reuni en la
primera semana del evento Seis Sigma Kaizen y con la ayuda del personal operario y mecnicos
del rea adems del mismo equipo se realiz una lluvia de ideas, las ideas generadas despus de
converger las trasladamos al Ishikawa para clasificarlas en alguna de las Ms .
Mtodo
-No se cuentan con herramientas
adecuadas para hacer mediciones de
nivel precisa.
-El procedimiento actual no menciona
como hacer una lectura confiable de
cmara vaca.
-No se tiene una posicin definida para el
espumador a fin de que no afecte al
llenado y oxgeno.
-Falta complementar los HITS con todas
las operaciones que se hacen
actualmente.
V i i
l
l id d d ll d
Material
-Se tienen diferencias en las capacidades de
volumen en las botellas de premier.
-Presencia de mezcla de envase de otras
marcas (como la de exportacin o Noche
Buena).
Maquinaria
Pgina 165
Medio Ambiente
-Deficiente iluminacin en minilabs donde se
toma la lectura del nivel de llenado.
-Temperatura de la cerveza en el tazn fuera
del estndar de operacin.
Variabilidad en el
nivel de llenado
-No hay correlacin entre el nivel de la cmara vaca y el
volumen.
-Para la medicin de cmara vaca a salida de llenadora
no se considera el volumen debido a la espuma.
-No existe procedimiento para preparar botella patrn
para verificar los filtec que estn a la salida de la
llenadora.
-Asegurar la calibracin de los instrumentos de medicin
de la llenadora (manmetros, termmetros, etc.).
-Las escalas de instrumentos no son adecuadas en
algunos casos.
-Escala del escantilln de cmara vaca dificulta la
lectura.
Medicin
Mente de Obra
Conclusiones: Al analizar dicho diagrama la posible(s) causa raz del problema de variabilidad en
el nivel de llenado se encuentran en la Materia (en este caso las botellas de vidrio), la Maquinaria
(tubos de venteo) y Mtodo (Mtodo de medicin de la altura de llenado).
Una de las posibles causa que arroj el diagrama de Ishikawa fue la relacionada con el material,
especficamente el grosor del vidrio con el cual estn elaboradas las botellas, ya que a mayor peso
de la botella menor ser el contenido del lquido, para tal efecto se procedi a analizar lotes de
botellas de diferente ao de produccin arrojndonos lo siguiente:
Boxplot of PESO VACIO vs AO
240
PESO VACIO
235
230
225
220
93
99
2000
2001
2002
2003
AO
A O
93
99
2000
2001
2002
2003
Frequency
Mean StDev N
53.53 1.619 2
52.30 1.715 20
54.32 1.464 18
54.60 2.997 20
55.78 2.056 19
56.17 1.451 20
3
2
1
0
48
50
52
54
56
ALTURA (a 327 ml)
58
60
Figura 7.7 Estudios con diferentes tipos de botella (diferentes aos de produccin)
Pgina 166
Conclusin: El promedio del peso de la botella ha variado desde el ao 1993, por ende la
variabilidad en el nivel de llenado de las mismas.
Se realiz una prueba con botella seleccionada para el anlisis del nivel de llenado resultando lo
siguiente:
Volumen Proceso con
botella seleccionada
IIndividual
ndividual Value
350
bc
U
_ C L=332.17
X=328.74
LC L=325.31
330
1
320
1
1
310
pn
pn
pn
pn
15
1
pn
pn
gd_1
pn
pn
pn
bc
1
1
1
bc
bc
11
1
1
1
1
10
pn
20
M oving Range
1
1
340
1
1
1
1
1
U C L=4.21
__
M R=1.29
LC L=0
0
pn
pn
pn
pn
pn
pn
gd_1
pn
pn
pn
bc
bc
USL
LSL
Within
Overall
P rocess D ata
LS L
321.00000
Target
*
USL
335.00000
S ample M ean
330.99072
S ample N
375
S tD ev (Within)
2.64824
S tD ev (O v erall)
3.28582
USL
Within
Overall
Process Data
LSL
321.00000
Target
*
USL
335.00000
Sample Mean
328.74242
Sample N
99
StDev (Within)
1.14253
StDev (O v erall)
1.26467
O v erall C apability
Pp
PPL
PPU
P pk
C pm
312
O bserv ed P erformance
P PM < LS L 10666.67
P PM > U S L 74666.67
P PM Total
85333.33
318
324
330
336
342
O v erall C apability
0.71
1.01
0.41
0.41
*
Pp
PPL
PPU
Ppk
C pm
348
322
O bserv ed Performance
PPM < LSL 0.00
PPM > USL 0.00
PPM Total
0.00
324
326
328
330
332
334
Figura 7.8 Comparativo del proceso normal vs proceso con botella controlada (del mimo ao)
Pgina 167
1.85
2.04
1.65
1.65
*
nor)
334
Vol tubos
332
330
Source DF
SS
MS
F
P
grupo 1 185.25 185.25 85.13 0.000
Error 135 293.76 2.18
Total 136 479.00
328
327
326
324
322
321
320
Bot con
Norm
grupo
335
334
Vol tubos
332
330
328
327
326
324
322
321
320
Bot con
Norm
grupo
Por lo tanto, se rechaza la Hiptesis nula y se concluye que las medias son diferentes; De acuerdo
a esto, la diferencia encontrada se debe a la variabilidad de la botella, la cual representa alrededor
de 3 ml, por lo que 1% de la merma es provocada por la botella.
Conclusin: Se observa una clara diferencia entre el volumen medido con botella seleccionada vs.
el volumen normal con nuestro universo de botellas; si utilizramos las botellas de un mismo ao
de produccin (mismo peso) nuestra variabilidad disminuye de manera drstica
La Capacidad de proceso con botella seleccionada nos permite asegurar el llenado cerca de la
especificacin definida (Cpk= 2.04), sin embargo, esto no es posible por la variedad de botellas del
sistema.
Pgina 168
Debido a que la variacin en las botellas no la podemos eliminar (hay una cantidad muy grande en
el mercado y saldra ms caro el retiro y la destruccin que el ahorro en el proyecto) se elimina
esta causa dentro del proyecto y se trabaja nicamente con las otras variables que son los tubos de
venteo que proporcionan el nivel de lquido en las botellas y el mtodo de medicin.
Anlisis de Regresin
Debido a que la variacin en el peso de las botellas es un problema que no se puede solucionar a
corto plazo se realiz un anlisis de regresin sobre el volumen vs la altura de nivel de llenado
para establecer los lmites ptimos de cmara vaca en funcin de la variabilidad propia de la
botella para no tener sobrellenado ni bajo nivel.
Pgina 169
Definir
Introduccin
Controlar
Controlar
Medir
Medir
Mejora
Mejorar
Mejorar
Analizar
Analizar
Analizar
Sistema de Medicin
Durante la etapa de medicin se realiz un estudio de R&R, el cual dio como resultado que tanto el
mtodo y el equipo de medicin tienen reas de oportunidad, para lo cual se realiz lo siguiente:
Compra de un escantilln con una mejor resolucin, adems se estableci un mini laboratorio con
una lupa y luz especial para que los operadores puedan ver mejora la escala al momento de estar
tomando las lecturas de nivel de llenado.
Antes de la mejora
Pgina 170
Despus de la mejora
Uno de los problemas que nos encontramos cuando se realiz el anlisis fue que el personal
operario tomaba las lecturas de nivel en diferentes puntos, para lo cual se tuvo que recapacitar
sobre un procedimiento la forma correcta de como debe de tomarse la lectura de nivel.
Pgina 171
R&R para verificar que las mejoras realizadas al sistema de medicin fueron las correctas, dando
como resultado lo siguiente:
VarComp
VarComp
TotalGageR&R
0.122222
13.24
Repeatability
0.122222
13.24
Reproducibility
0.000000
0.00
Part-To-Part
0.800823
86.76
TotalVariation
0.923045
100.00
(%SV) (SV/Toler)
Source
StdD
TotalGageR&R
0.349603
2.09762
36.39 8.74
Repeatability
0.349603
2.09762
36.39 8.74
Reproducibility
0.000000
0.00000
0.00 0.00
Part-To-Part
0.894887
5.36932
93.14
TotalVariation
0.960752
5.76451
100.00
El error de R&R vs tolerancia es 36.39% y vs variacin total del proceso es 8.74% lo que hace que
el equipo de medicin sea adecuado para la medicin. (segn parmetros de AIAG)
Por otro lado el nmero de categoras es de 5, indicando que el instrumento no discrimina las
diversas partes diferentes.
Pgina 172
Grficamente tenemos:
Gage R&R (ANOVA) for Resultado
C omponents of V ar iation
Percent
100
Resultado by P ar te
% Contribution
% Study Var
% Tolerance
50
333
330
327
Gage R&R
Repeat
Reprod
Part-to-Part
R C har t by A nalista
Sample Range
1.0
MIGUEL
RAFAEL
10
Resultado by A nalista
RENE
333
UCL=0.652
0.5
_
R=0.253
0.0
LCL=0
330
327
MIGUEL
RAFAEL
Analista
RAFAEL
RENE
330
327
RENE
333
Analista
MIGUEL
RAFAEL
RENE
333
_
_
UCL=330.914
X=330.654
LCL=330.395
Average
Sample Mean
5
6
Parte
330
327
5 6
Parte
10
La grfica R se mantiene en control indicando que las mediciones se realizaron en forma adecuada.
La grfica X barra slo presenta 23 de 30 puntos fuera de control, lo cual es ms del 50%,
indicando que el equipo discrimina las diferentes partes.
La grfica de Operador*Pruebas de interaccin nos indica que el promedio de las mediciones
tomadas por cada operador de cada parte, las lneas siguen el mismo patrn, lo que nos indica que
el promedio de las partes de los operador miden de una manera consistente cada una de las partes.
Conclusiones: Una vez que se realizaron los cambios en el sistema de medicin, el resultado
mejor de manera muy significativa en la repetitividad y la reproducibilidad de los anlisis, y dio
como resultado que mtodo y el aparato de medicin usando son confiables.
Pgina 173
Diseo de Experimentos
Experimento
1
2
3
4
5
6
7
8
9
10
11
Nivel
Tazn
97.5
120
83
84
120
84
97.5
120
84
120
97.5
de Presin de Presin
CO2
Jetter
2.3
100
1.8
50
2.58
50
1.8
80
2.58
80
1.8
50
2.3
80
2.58
50
2.58
80
1.8
80
2.3
80
de Velocidad
llenadora
733
749
749
749
749
719
734
726
726
726
734
Promedio
Cmara
Vaca
54.1474
56.3053
53.4526
54.3167
54.1833
54.9833
53.4667
54.4167
53.2833
57.1833
54.4167
Desviacin
Estndar
1.50862
2.21122
1.44228
1.42009
3.5961
1.37152
2.16651
2.42369
1.76685
1.71229
1.1831
Pgina 174
Conclusiones: Del anlisis de interacciones de acuerdo al resultado del DOE se concluye que el
nivel de tazn influye en el lograr el estndar de llenado y en la desviacin estndar del llenado,
mientras que la presin de CO2 influye solamente en la desviacin estndar.
ANOVA
Tubo de Venteo
F-Test
Test Statistic
P-Value
116
120
1.50
Tubo de Venteo
1.60
0.000
1.65
1.80
1.95
2.10
2.25
95% Bonferroni Confidence Intervals for StDevs
2.40
116
120
320
322
324
326
328
Volumen
330
332
334
Pgina 175
26.10
0.000
Tubo de Venteo
Lower
116
308
1.93982
2.11572
2.32527
120
341
1.54090
1.67366
1.83044
StDev
Upper
Levene's Test (any continuous distribution) Test statistic = 26.10, p-value = 0.000
Conclusiones: Se rechaza la Ho, y se acepta al Ha, donde se establece que hay una diferencia
estadsticamente significativa a un nivel de confianza del 95% debida al cambio en la longitud de
los tubos de venteo.
Del Diagrama de Ishikawa se establece como causa raz del problema era la maquinaria, en este
caso nos referimos al tamao de los tubos de venteo, ya que al tener diferentes alturas llenaban las
botellas a diferentes niveles, para tal efecto se realiz un peridico kaizen en el cual como una de
las actividades fue la de la instalacin del total de tubos de venteo de la llenadora a una misma
longitud para as lograr un mismo nivel en el llenado.
Target
USL
Within
Overall
P rocess Data
LS L
321
Target
327
USL
336
S ample M ean
327.388
S ample N
417
S tDev (Within) 1.24412
S tDev (O v erall) 2.11992
O v erall C apability
Pp
PPL
PPU
P pk
C pm
322
O bserv ed P erformance
P P M < LS L 0.00
P P M > U S L 0.00
P P M Total
0.00
Pgina 176
324
326
328
330
332
334
336
1.18
1.00
1.35
1.00
0.93
Target
USL
Within
Ov erall
P rocess Data
LS L
321
Target
327
USL
336
S ample M ean
327.477
S ample N
341
S tD ev (Within)
1.13527
S tD ev (O v erall) 1.6749
322
O bserv ed P erformance
P P M < LS L 0.00
P P M > U S L 0.00
P P M Total
0.00
324
326
328
330
332
334
1.49
1.29
1.70
1.29
1.15
336
Conclusiones:
lusiones: Una vez realizada la mejora (cambio de tubos de venteo), el proceso paso de 4.50
a 5.36 aproximadamente.
Otra de las variables que tuvimos que monitorear fue el Oxigeno, dicha concentracin no deber
de estar arriba de 150 ppb, los resultados con el cambio de tubos de venteo fueron los siguientes:
O 2 e n b o te lla
1 2 2 .5
1 2 0 .0
O2
1 1 7 .5
C a m b io d e
tu b o s d e
v e n te o
1 1 5 .0
1 1 2 .5
1 1 0 .0
14
28
42
56
70
In d e x
84
98
112
126
Pgina 177
2
2
116
2 .1 1
0 .0 1 1
Tubo
L e v e n e 's T e s t
T e s t S t a t is t ic
P - V a lu e
120
0 .6
0 .7
9 5 %
0 .8
0 .9
1 .0
1 .1
B o n f e r r o n i C o n f id e n c e I n te r v a ls f o r S tD e v s
1 .2
7 .7 9
0 .0 0 6
1 .3
Tubo
116
120
1 1 0 .0
1 1 2 .5
1 1 5 .0
O 2
1 1 7 .5
1 2 0 .0
1 2 2 .5
N
98
39
Lower
94.0427
0.5881
StDev
109.231
0.740
Upper
129.989
0.991
Conclusiones: Se rechaza la Ho, y se acepta al Ha, donde se establece que hay una diferencia
estadsticamente significativa de las varianzas del O2 a un nivel de confianza del 95% debida al
cambio en la longitud de los tubos de venteo.
La concentracin de Oxigeno se mantuvo por debajo de los 150 ppm, de hecho se apreci una
mejora en la concentracin del mismo ya que tenemos un nivel de llenado ms estndar con una
mejor varianza.
Pgina 178
Definir
Introduccin
Controlar
Controlar
Medir
Medir
hicimos?
Medimos
o
Mejorar
Mejorar
Mejorar
Analizar
Analizar
Analizar
procesos de medicin
Analizamos
o
Mejoramos
o
y = f(x)
Optimizamos el proceso
Evento Kaizen
Se realiz un segundo evento Kaizen para generar dar seguimiento a los resultados de las fases
anteriores y generar planes de control de las mejoras realizadas, a continuacin se presentan el
resumen de las actividades en el peridico kaizen y el estatus del mismo.
Pgina 179
Area de oportunidad
Accin correctiva
Quin
Cundo
HACER MUESTREO DE
LLENADO CON LOS
PARMETROS DE, NIVEL
DE TAZN DE 83 MM Y
PRESIN DE 2.13 BARS
JDT
15/09/2005
FIJAR PARMETROS SI
SE CONSIDERA
NECESARIO
JDT
15/09/2005
JATC
15/09/2005
alta en SAP
JDT
29/09/2005
FALTAN
LUPAS
PARA
MEDICIN DE CAMARA VACIA A
LINEAS 010, 020, 040 Y 080
ADQUIRIR LUPAS
JATC
10/10/2005
FALTA
INCLUIR
EN
EN
EVALUACIN GADS MEDICIN
DE CMARA VACA
INCLUIR Y EVALUAR
ESTA ACTIVIDAD
ASA
29/09/2005
1
FALTAN MUESTREOS DE
LLENADO CON NUEVOS
PARMETROS
Estatus
Comentarios-Resultados
Conclusiones: Una de las ventajas al utilizar la metodologa Seis Sigma Kaizen es que las mejoras
y/o planes de trabajo de realizan ala brevedad posible, ya que el Kaizen, se establece como
prioridad #1 en planta para que todos los departamentos a los que se les solicita el apoyo lo pueden
brindar sin ningn contratiempo y poder cumplir con los compromisos establecidos en las fechas
indicadas por los integrantes del equipo Kaizen.
Pgina 180
TPM
Una de las actividades importantes que surgieron del evento y que dio resultados muy
significativos que nos ayudaron a lograr la meta propuesta fue la estandarizacin de la longitud de
los tubos de venteo, para asegurarnos que siempre tengamos la misma lectura, se modifico la hoja
de ruta en SAP, donde se especifica que la compra de los tubos de venteo siempre sern de un
mismo tamao.
Longitud
estandarizada
Pgina 181
Hoja de SAP
Pgina 182
Plan de Control
Una vez analizados y probados nuestros nuevos estndares se procedieron a modificar el Plan
de Calidad, para asegurarnos que con los nuevos parmetros establecidos vamos a asegurarnos que
nuestro proceso este en 5.39 y lograr el ahorro planeado de $380,000
Paso de
Transforma
cin
Control de
nivel del
tazn
Arranque del
llenado
Llegada de
cerveza
Ea = 2 a 4
CO2 = 0.49-0.52
Temperatura 2 C.
Contrapresin de
CO2 = 2 a 3 Bars.
O2 = Menor a 70
ppb
Sabor
de
la
cerveza = OK
Nivel de cerveza
en el tazn = 1/2 a
3/4 partes del
tazn.
Especificaci
ones
Llegada de
botella
Llenado
Formato de botella
premier.
Inyeccin de CO2 en
vlvula 1.
Botella limpia. y no
cada.
Vel de llenadora =
Mximo 700 bpm.
Barrido de CO2 en
vlvula 2
Salida de
botella
Nivel de
vaca =
(estndar)
Volumen =
(estndar)
O2 disuelto
ppb.
cmara
55 mm
327 ml
< a 250
Visual
arranque.
Mtodo de
Control
/
Calibracin
al
Anlisis sensorial
al arranque y
cambio
de
tanque.
No aplica.
Herramienta
s
y
Dispositivos
en proceso
Pruebas
y
resultados
en
el
El sensor para el
nivel se calibra
cada 6 meses.
Sensor de nivel.
Display
temperatura
presin.
Espuma.
Display.
Cronmetro manual.
para
y
Baja de presin de
CO2.
Oxgeno alto.
Causas
posibles
Continuo
display.
Visual de manera
continua.
Visual
de manera
continua en el display y
en la mquina.
Nivel de llenado se
mide c/2 hrs con
escantilln
Los
sensores
del
display se verifica cada
6 o 12 meses.
Sensores.
Escantilln de nivel.
Manmetros.
Digox.
Medidores de altura y
grosor
Manmetro Zahm.
Explosin de botella.
Atorn de hermetapa.
Atorones de botella en
bajada a carrillera.
Espuma la botella
antes de llegar al
espumador.
Equipo Digox.
Dilucin.
Problema
Conocido
o
Potenciales
Visual
continuamente.
Contrapresin = 2 a 3
Bars.
Visual continuo a
travs de un display.
Alta temperatura de
la cerveza
Se tienen reas de
oportunidad
en
algunos medidores.
No se tienen datos
histricos de todas
las variables.
Falla
en
suministro de CO2
en Fuerza Motriz.
Falla en suministro de
CO2
en
Fuerza
Motriz.
Falla en envo desde
SS FF.
Revisar la calibracin
de los medidores.
No se tienen datos
histricos de todas las
variables
Variacin
de
la
alimentacin de agua
en el
Deflector daado.
Dimetro de los sellos
de
las
tulipas
a
diferentes dimensiones.
No se tienen histricos
de todas las variables.
Algunas
de
las
variables se tienen
registradas en el CEP
Pgina 183
Placas
transferencia
daadas.
de
Se analizaron los
datos del CEP, se
presentan
algunas
cuestiones por falta
de criterios uniformes
en la medicin de los
niveles de llenado.
Los puntos relevantes derivados del proyecto y que se solucionaron durante el mismos, se pueden
resumir en:
Causa del impacto
Desajuste de la
bomba de llenado
Variabilidad en el
sistema de medicin
Solucin
Cmo se controla?
Cambio de Tubos de A travs de estudios
venteo en linea B
por vlvula con una
frecuencia mensual
travs
de
Definicin del punto A
de
ptimo de control de procedimientos
y
parmetros
para
la operacin
operacin: Nivel de tazn verificacin continua
en arranques y durante
y Presin de CO2
el turno
Modificar la frecuencia En
rutinas
de
de
calibracin
de mantenimiento
sensores que miden los predictivo a travs de
parmetros del Nivel de SAP
tazn y Presin de CO2
Ajustar el variador de A
travs
de
frecuencia de la bomba inspecciones peridicas
de cerveza
y
mantenimiento
predictivo
travs
de
la
Modificacin del mtodo A
de medicin, agregando aplicacin peridica del
lupa
con
luz
y anlisis gage R&R,
resultado
se
remarcando el escantilln cuyo
incluir en el proceso
de certificacin GADs
y a travs de auditorias
peridicas
Responsable
Operacin y Aseg.
De Calidad
Operacin envasado
Mantenimiento
envasado
Mantenimiento
envasado
Aseg. De Calidad y
envasado
Pgina 184
Recapitulando:
Pgina 185
CONCLUSIONES Y RECOMENDACIONES
Definir
D
efinir
Controlar
Control
Mejorar
M
ejorar
Medir
M
edir
Analizar
A
nalizar
Alcance
Pgina 186
Pgina 187
Bibliografa
Alberto Galgano Los siete instrumentos de la Calidad Total: Daz de Santos, 1995.
Brassard M Finn Lynda The Six Sigma Memory Jogger II Goal/Qpc 2002
Douglas C. Montgomery Introduction to statiscal quality control . 3rd ed. J. Wiley, 1996.
Franklin A. Graybill, Hariharan K. Regression Analysis : concepts and applications Duxbury, 1994
Hitoshi Kume Herramientas estadsticas bsicas para el mejoramiento de la Calidad Norma 1994
Imai, Masaaki, Kaizen: La clave de la ventaja competitiva, CECSA, Mxico, (1989) 1990
Ishikawa, Kaoru, What is Quality Control? The Japanese Way, Prentice Hall Inc. 1985, USA
J.M. Juran, Gryna, Frank M., Manual de Control de Calidad, McGraw Hill 1993
J.F. Vilar Barrio Las 7 nuevas herramientas para la mejora de la Calidad Confemetal 1998
Forrest W.Breyfogle Implementing Six Sigma: Smarter Solutions Using Statistical Methods Ed.:
John Willey & Sons 2004.
Pere Grima, Luis Almagro Estadstica practica con Minitab Prentice Hall 2004
Peter S. Pande, Robert P. Neuman, Roland Las claves de Seis Sigma Mc. Graw Hill, 2003
Rath&strongs Workout for Six Sigma pocket guide MacGraw Hill 2005
Pgina 188
Pgina 189
MC Isaac Miranda