You are on page 1of 253

La Visin 2000 de Jack Welch

Calidad . . . es la oportunidad de nuestra compaa de


adelantrsele a sus competidores . . .
... Al mejorar dramticamente la calidad, incrementaremos la
satisfaccin de nuestros clientes y la de nuestros empleados,
aumentar el reparto de utilidades, y mejorar nuestra reputacin.
... Este impulso de la calidad va a requerir el compromiso
apasionado de todos para llevarlo a cabo . . . Una meta de 6 Sigma
para el ao 2000 va a requerir un compromiso significativo de
recursos y su poderoso, y muy personal compromiso hacia dicho
objetivo.
J.F. Welch
10/15/95 CEO GE

1
SIX SIGMA CAJA DE HERRAMIENTAS
Anlisis de varianza (ANOVA)
Box Plots
Lluvia de ideas
Diagramas causa-efecto
Correlaciones y Regresiones
Diseo de Experimentos (DOE)
FMEA
Grficas y tablas
Histogramas
Pruebas de Hiptesis
Anlisis de Sistemas de Medicin
A prueba de errores
Anlisis de Pareto
Estudios de Capacidad de
procesos.
Planes de Control de Procesos.
Diagramas de flujo de procesos
Diagramas de dispersin
Control Estadstico del Proceso
Estratificacin
2
METODOLOGA

DEFINIR Identificar, prioritizar y


seleccionar el proyecto correcto

MEDIR Identificar caractersticas claves de productos y


parmetros de procesos, entender los procesos,
validar los sistemas de medicin y medir el
desempeo

ANALIZAR Identificar parmetros clave y determinantes del


proceso

MEJORAR Establecer un modelo de prediccin del proceso y


optimizar el desempeo

CONTROLAR Mantener las ganancias.


3
ENFOQUE DEL PROYECTO

Definir El proyecto correcto, el equipo correcto


Caracterizacin

Medir Proceso
del proceso

Problemas y Sntomas

Ys

Salidas del proceso
Variables de respuesta, Y

Analizar Variables independientes, Xi


Entradas del proceso
Optimizacin de

Mejorar
Xs Los pocos Vitales determinantes
Procesos

Causas
Relacin matemtica
Controlar
Meta: Y = f ( x )

4
El enfoque de Seis Sigma

Y= X1 + X2

Para obtener resultados, debemos enfocarnos en la Y o en la X?

Y X1 . . . XN
Dependiente Independiente
Salida Entrada-Proceso
Efecto Causa
Sntoma Problema
Monitoreo Control
Si entendemos que la X es la causa, por qu inspeccionamos y controlamos la Y?

5
HERRAMIENTAS BSICAS DE MEJORA

Diagrama de Flujo Anlisis de Pareto


Tormentas de ideas Histogramas

Diagramas Causa- Diagramas de


Efecto Dispersin
Coleccin de datos Box Plots
Grficas de Control
6
HERRAMIENTAS AVANZADAS
SIX SIGMA

ANOVA (Anlisis de Varianza) FMEA


Diseo de Experimentos Control Estadstico
del proceso
Capacidad de Procesos
Software Minitab
Gage R & R
Ms Pruebas de
Hiptesis

7
DEFINIR

Identificar y evaluar Proyectos Potenciales


Seleccionar el Proyecto y preparar la misin.
Seleccionar y juntar un equipo

En la fase Definir, los proyectos potenciales se identifican. Las


nominaciones pueden venir de diversas fuentes, incluyendo reportes
de clientes y empleados. Para evitar la sub-optimizacin, las
gerencias se deben involucrar en la evaluacin y seleccin del
proyecto. Los criterios de evaluacin del proyecto son muchos, pero
el principal es el Costo de Pobre Calidad (COPQ).

Posteriormente se prepara la misin del proyecto, ms tarde se


confirma con las gerencias.
Los gerentes deben ayudar a seleccionar al equipo ms adecuado de
personas para el proyecto y asignar la prioridad al mismo. El
progreso de los proyectos se monitorea para asegurar el xito.
8
DEFINIR

Seleccionar el proyecto adecuado

Seleccionar el equipo Determinar el


Costo de falla

Estoesloms
importantede
cualquierproyecto
9
DOCUMENTAR EL PROCESO
Propsito: Limitar el proceso del proyecto y entender el
proceso actual para analizarlo en busca de ineficiencias e
inefectividades.
Herramientas Aplicables:
Diagramas de flujo de los procesos (Mapas de alto nivel y mapas
detallados de bajo nivel o descompuestos)
Consideraciones clave:
Definicin correcta como se defini en la misin del proyecto, marcar el
principio y el final del proceso a ser mejorado.
Afectar aquellas caractersticas importantes para el proceso del cliente.
Por entregar:
Mapa del proceso detallado, identificando las actividades que no
agregan valor, cuellos de botella y los puntos crticos para la calidad
(CTQ). Entradas y salidas (incluyendo los documentos que se utilizan)
para actividades clave.

10
EJEMPLO DIAGRAMA DE FLUJO

Nombre Comida Hotel Calendarizaci


Direccin Cantidad $ Matemticas Semntica Aerolnea Firma
Auto Correo n de trabajo
Departmento Locacin Honestidad Cant. $
Cantidad$

1 2 3 4 5 6 7 8 9
A A A A A,B A A B B
Entradas previas Especificaciones Nuevas entradas Especificaciones
Nombre Nombre Completo Nombre Nombre Completo
Direccin Direccin de Trabajo SSN
Firma Legible
Departmento Nmero de departamento
Cant. De Dlares US Dollars (al centavo)
Hotel Preferido por la compaa Pasos Eliminados
Automvil Hertz
Matemticas Bsicas
Honestidad Bases de la compaa
Semntica Bsica
Aerolinea Menor costo
Firma Legible 11
DECIDIR QUE MEDIR

Entendiendo las Ys y las Xs


Y = f(X1, X2, X3 Xn) Proceso
Variables
de Salidas
entrada(Xs) (Ys)

Variables del proceso (Xs) 12


DIAGRAMAS CAUSA- EFECTO
Herramienta visual utilizada por un equipo de mejoras para acomodar
ideas provenientes de una lluvia de ideas y organizar lgicamente las
causas potenciales de un Problema o Efecto especfico.
Mediciones Mtodos Maquinaria

Causas potenciales (Xs) Efecto Y

Medio Mano de Obra Materiales

Sumariza las causas potenciales (teoras)


Provee de una ayuda visual para las causas potenciales.
Estimula la identificacin de otras causas potenciales
Se inicia en la fase de Medir y se actualiza a lo largo
del proyecto cuando se considera apropiado.
13
MEDIR

Comenzar con la caracterizacin del proceso:


Plan de coleccin de datos
Validar el sistema de medicin
Medir la capabilidad del proceso.

El equipo hace la caracterizacin del proceso midiendo el desempeo (y los


problemas) y documentndolo de la siguiente forma:
1. Mapear el proceso
2. Identificar los requerimientos claves de los clientes
3. Determinar las caractersticas y parmetros de procesos claves del
producto
4. Identificar y documentar fallas potenciales, efectos y criticalidad.

El propsito es identificar y documentar los parmentros del proceso (o


variables de entrada) que afectan el desempeo del proceso y las
caractersticas del producto (o variables de salida) de inters crtico para el
cliente 14
MEDIR
Nombre Comida Hotel Calendarizacin
Direccin Cantidad$ Matemticas Semntica Aerolnea Firma
Auto Correo detrabajo
Departmento Locacin Honestidad Cant.$
Cantidad$

1 2 3 4 5 6 7 8 9
A A A A A,B A A B B
Mapa Especificaciones
Nombre NombreCompleto
del proceso Direccin
Departmento
DireccindeTrabajo
Nmerodedepartamento
Cant.deDlares USDollars(alcentavo)
Hotel PreferidoporGE..
Automvil Hertz
Matemticas Bsicas
Honestidad BasesdeGE
Semntica Bsica
Aerolnea Menorcosto
Firma Legible

15
PLANEAR LA COLECCIN DE DATOS

Qu preguntas necesitamos contestar?


Cmo reconoceremos y comunicaremos las respuestas a las
preguntas?
Qu herramientas de anlisis de datos usaremos y cmo
comunicaremos los resultados? (Diagramas de Pareto,
histogramas, diagramas de barras, cartas de control, anlisis
R&R)
Qu tipo de datos necesitamos para aplicar las herramientas y
contestar las preguntas?
En qu parte del proceso podemos conseguir estos datos?
Quin en el proceso nos puede dar estos datos?
Cmo podemos colectar esta informacin de estas personas
con la menor posibilidad de error?
Qu informacin adicional necesitamos capturar para anlisis
futuros y de referencia?

16
CMO COLECTAR DATOS ?
Formular buenas preguntas relacionadas con la informacin
especfica necesaria para el proyecto.
Considerar herramientas de anlisis apropiadas y asegurarse de
que los datos necesarios para los anlisis se colecten. Cuando
sea prctico, colectar datos de variables continuas.
Definir puntos de coleccin de datos comprensibles.
Seleccionar un colector de datos que no est sesgado.
Entender al colector de datos y su ambiente.
Disear los formatos de coleccin de datos
Preparar las instrucciones y probar los formatos e instrucciones.
Entrenar a los colectores de datos.
Auditar el proceso de coleccin de datos y validar los resultados.

17
VALIDAR EL SISTEMA DE MEDICIN

Propsito: Evaluar la capacidad del sistema de medicin para contestar la pregunta


bsica: Los sistemas de medicin, miden correctamente la salida del proceso?

Herramientas aplicables:
Anlisis del sistema de medicin (MSA)
Calibracin

Consideraciones clave:
Reproducibilidad
Repetibilidad

Por entregar
Estudio de Capabilidad del sistema de medicin.

18
MEDIR

Funcionael
mtodode
medicin? 5

Precisoperonoexacto
Precisoperonoexacto

si Gage R & R > 30% Exactoperonopreciso


Exactoperonopreciso
o falla otras pruebas
ARREGLA EL SISTEMA DE MEDICIN
19
MEDIR

Se comienza con la caracterizacin del proceso: Se mide y


documenta el desempeo del proceso.
Plan de coleccin de datos.
Validar el sistema de medicin
Medir la capabilidad del proceso.

El equipo comienza la caracterizacin del proceso midiendo el desempeo actual


del proceso y documentndolo de la siguiente manera:
1. Mapa del proceso
2. Identificar los requerimientos clave del cliente (CTQs)
3. Determinar las caractersticas clave del producto y los parmetros del
proceso.
4. Identificar y documentar los modos de falla potenciales con sus efectos y
su criticalidad.
El propsito es identificar y documentar los parmetros del proceso (o variables
de salida) que afectan el desempeo del proceso, as como las caractersticas
del producto (variables de salida) que son de inters crtico para el cliente
(CTQs)

20
VALIDACIN DEL
SISTEMA DE MEDICIN

Propsito: Evaluar la capacidad del sistema de


medicin de responder a la pregunta bsica: Se
mide adecuadamente la salida del proceso?
Herramientas aplicables:
Anlisis del sistema de medicin (MSA)
Calibracin
Consideraciones clave:
Reproducibilidad
Repetibilidad
Por entregar :
Anlisis de la capacidad del sistema de medicin.

21
CAPACIDAD DEL SISTEMA
DE MEDICIN DEL PROCESO

Propsito: Evaluar la habilidad del proceso para cumplir con


las especificaciones a niveles six sigma. Est el proceso
en el objetivo? La dispersin del proceso es aceptable?
Herramientas aplicables:
Estudio de Habilidad del proceso
Consideraciones Clave:
Asegurar que el proceso est bajo control.
Sub-grupos racionales
Por entregar:
Reporte de habilidad del proceso detallando la habilidad de corto y
de largo plazo del proceso actual.

22
MEDICIN DEL DESEMPEO ACTUAL

Propsito: Medir y obtener el desempeo del proceso para


compararlo con la misin del proyecto y ajustarlo si es
necesario.
Herramientas aplicables:
Grficas y tablas
Estratificacin
Anlisis de Costo de pobre calidad
Diagramas de Pareto.
Consideraciones clave:
Consistente con la misin del proyecto
Afecta lo que es importante para el cliente del proceso.
Definiciones operacionales de los terminos clave en la misin del
proyecto.
Por entregar:
Tamao del problema en terminos del COPQ y sistemas de
medicin relevantes.
23
MEDIRLA HABILIDAD DEL PROCESO

Propsito: Evaluar la habilidad del proceso de cumplir con las


especificaciones a niveles six sigma. Est el proceso en el objetivo?.
La variacin del proceso es aceptable?
Herramientas aplicables:
Estudio de habilidad del proceso.

Consideraciones clave:
Asegurar que el proceso est en control.
Sub-Grupos razonables.

Por entregar:
Reporte de habilidad del proceso detallando la habilidad de corto y largo plazo
del proceso estudiado.

24
ANALIZAR
Colectar y analizar datos
Desarrollar y probar hiptesis de las posibles fuentes de
variacin, as como relaciones causa-efecto.
Confirmar determinantes del desempeo del proceso.

En la fase de Analizar, el equipo analiza informacin pasada y actual.


Preguntas clave que fueron formuladas en la fase anterior son contestadas
a travs de este anlisis. Se desarrollan hiptesis de la posible relacin
causa-efecto. Herramientas estadsticas y tcnicas apropiadas se emplean
como: Histogramas, box-plots, anlisis multivariado, tablas de contingencia
y anlisis de varianza (ANOVA) .
De esta manera, el equipo confirma los determinantes del desempeo del
proceso y los pocos vitales que afectan la variable de respuesta.

Es posible que el equipo no tenga que llevar a cabo diseos de


experimentos (DOE) en la siguiente fase (Mejorar) si se determina la
relacin causa-efecto con la informacin pasada y actual en esta etapa.
25
ANALIZAR

Herramientasde
Escrutinio

Prue
b as d
e hip
Prue tes
ba F is
T
aC
e b hi
u -cu
Re pr adr
a da
gr Culessonlas
VA

es
i
O

n variablesclave?
AN

26
GENERANDO INFORMACIN VS.
PLANEAR LA COLECCIN DE DATOS.

Generando informacin
Information Needs
Preguntas

Comunicacin Datos

Anlisis

27
COLECTAR Y ANALIZAR DATOS.
Propsito: Analizar el proceso (Variables de respuesta) usando datos pasados y
actuales sin interrumpir el proceso con la intencin de entender mejor las causas
potenciales (o determinantes) del desempeo de los procesos.
Herramientas aplicables:
Histogramas
Box plots
Anlisis Multi-Vari
Correlacin
Regresin
Consideraciones Clave:
Planear la coleccin de datos: preguntas bien formuladas.
Coleccin de datos y anlisis para responder preguntas e informacin clave.

Por entregar:
Lista de causas potenciales (o determinantes) del desempeo del proceso.

28
PRUEBAS DE HIPTESIS &
CONFIRMACIN DE LOS DETERMINANTES DEL PROCESO
Propsito: Evaluar la significancia (o efecto) de las variables de entrada en
la respuesta o variables de salida de inters con el objeto de establecer
causalidad.
Herramientas aplicables:
Pruebas de Hiptesis
Tablas de contingencia.
Pruebas de Chi-cuadrada, prueba t, prueba F, Prueba t-doble
Anlisis de varianza (ANOVA)
Diseo de bloques aleatorios.

Consideraciones Clave:
Protocolo de pruebas de Hiptesis

Por entregar
Lista de factores causales

29
MEJORAR
Planear diseo de experimentos.
Conducir pruebas y experimentos para identificar los pocos vitales
determinantes.
Conducir experimentos diseados para establecer modelos
matemticos del desempeo del proceso
Optimizar el desempeo de los procesos.

En la fase de mejorar el equipo busca determinar la relacin causa-efecto (relacin


matemtica entre variables de entrada y respuesta de las variables de inters) para
que el desempeo de los procesos pueda ser predecido, mejorado y optimizado. El
equipo planea el diseo de experimentos. Experimentos de monitoreo (Diseos
fraccionales funcionales) se utilizan para identificar los elementos crticos o pocos
vitales causas o determinantes. Un modelo matemtico del desempeo del proceso
se establece en este paso usando 2k experimentos factoriales. De ser necesario
se disea un experimento completo factorial. Entonces se determina el rango
operacional de los parmetros de entrada.

30
MEJORAR

DOEs de optimizacin Ecuacin predictiva

Modelatu
procesoconlas
variablesclave
Cuando el proceso
Reduce la variacin total trabaja bien, no cantes
Y victoria. La solucin
debe ser estable.
Centra el proceso

31
2 X 2 EXPERIMENTO FACTORIAL
EJEMPLO
Planteamiento del Problema:
Un experimento 22 factorial fue conducido para determinar los efectos del recubrimiento de superficies
de herramientas (x1) y la aplicacin del fluido de corte (x2) sobre la superficie de una parte torneada.
El nivel bajo para cada una de las dos variables representa la ausencia de tecnologa en cuestin (i.e.,
sin recubrimiento en la superficie , sin fluido de corte). El nivel alto representa la presencia de
tecnologa a un nivel comercial recomendable. La respuesta es la superficie de acabado en micras.
(valor R).

X2,
Fluido de Corte

(-1, +1) 55 20 (+1, +1)


X X R
1 2 a
- - 44
+ - 32 X1,
Recubrimiento de sup
- + 55
+ + 20

(-1, -1) 44 32 (+1, -1)


Pregunta:
Cules son los principales efectos? Hay algn efecto que interactue?
32
GRFICA DE EFECTOS PRINCIPALES

El eje Y representa la salida (Acabado de superficie), X es el factor


Marcar los niveles en el eje X

50 50
Ra Ra
40 40

30 30

20 20
Bajo (-) Alto (+) Bajo (-) Alto (+)
Recubrimiento de superficie Fluido de Corte

Quefactortieneunmayorefecto?

33
GRAFICA DE INTERACCIN

ElejeYrepresentalasalida(Acabadodesuperficie),Xeselfactor
MarcarlosnivelesenelejeX

Ra 50 50 Recubrim. (-)

40 Ra 40
Fluido (-)

30 30
Recubrim. (+)
Fluido (+)
20 20

Bajo (-) Alto (+) Bajo (-) Alto (+)


Recubrimiento de superficie Fluido de Corte

Hay
Hayuna
unadiferencia
diferenciaentre
entreestas
estasdos
dosgrficas?
grficas?
34
CUL ES LA CONCLUSIN?

Conclusin Estadstica:
50 50
El recubrimiento de la superficie
tiene un efecto mayor que el Ra 40 Ra 40
fluido de corte en el acabado de
la superficie. 30 30
La interaccin es significativa. 20 20
Conclusin Prctica: Low (-) High (+) Low (-) High (+)
Incluir el recubrimiento da Recubrimiento de Sup Fluido de Corte
mejores resultados a la superficie
de acabado.
El fluido de corte utilizado no
presenta efectos significativos.
Si se desea un mejor acabado en
EECF 4420
44 3255
20 32 55 11.5
la superficie se deben usar las 11.5
dos tecnologas recubrimiento y
CF
22 22
fluido de corte.

35
CONTROLAR
Disear Controles y documentar mejora de procesos
Validar el sistema de medicin.
Establecer la capabilidad del proceso
Implementar y monitorear.

El equipo disea y documenta los controles necesarios para asegurar que


las ganancias del esfuerzo de six sigma se mantengan una vez que los
cambios sean implementados.
Muchas tcnicas famosas de calidad se usan, incluyendo conceptos de
auto-control, el ciclo de retro-alimentacin, prueba de errores y control
estadstico de procesos.
Se actualiza la documentacin (Procedimientos) se desarrollan planes de
control de procesos. El sistema de medicin es validado y la nueva
capabilidad de proceso es establecida. La implementacin es monitoreada
y el desempeo del proceso es auditado despus de un perodo de tiempo
para asegurar que las ganancias se mantienen. El equipo reporta que se
ha cumplido la misin y se desbanda.
36
CONTROLAR

ntr plan
A
do ctu
cu ali g GE Electromaterials Step 12: Implement Process Controls
FABRICATION YIELD
M A I C

de men za l

ol
de ce un
Controls Implemented to Maintain Level Final CPV Process

a
1) Business decision to be made by the Champion (Manufacturing Send Drop to

ls
Manager) for any order which CPV will be greater than 1% Service Usable Cut on FAB

t
Yes
Center/ Drop Line
Prime Mat'l

a
2) All loads that have a QC-40 (Dispositioned) are coded at scheduling to Inventory
No

ist ci
ensure appropriate financial category for loss
Salvage

3) All orders that customer is known to pay for the yield loss are Cut on FAB Cut on FAB

e m n

co
removed from the CPV equation (GETEK is biggest pay-off) Line Line

Yes Yes
4) All orders are tested for patterning regardless of cutting history

ble
Notif y Yield
Mfg Mgr

POE
Customer No No Loss
5) Implemented weekly Manufacturing Dashboard to ensure Approval

a
Service < 1%
process maintains in control.
No

Cut @ Yield
Receive Cut From Perfect Cut from 100%
Service No No No No No Loss Paid
Order Drop-off Yield QC-40 Pattern
for
ta
Center
I a nd M R C h a rt
Yes Yes Yes
Yes Yes Yes
1 .0 3.0S L =0 .9 82 7 Cut on FAB
Cut @ Cut on FAB
Cut from Cut on FAB Line: Ensure Cut on FAB
Service Line: Notify
Line
Es

Drop-off Lin e Coded for Finance/


Center
Scrap Loss Spreadsheet

0 .5 X =0 .5 221

-3 .0S L=0 .0 615 5


0 .0

Ob s e rv . 0 10 20 30 40

0 .6
3.0S L =0 .5 65 8
0 .5
0 .4

0 .3
0 .2 R=0 .1 732
0 .1

0 .0 -3 .0S L=0 .0 00

Monitorea el proceso
Asegura que
las
Muchoshanhechocarrera definiciones
resolviendoelmismoproblema operacionales
unayotravez.Porqu sean claras
desperdiciarrecursos?
37
METODOLOGA SIX SIGMA

Definir Seleccin y evaluacin del proyecto.


Definir

Identificacin de caractersticas crticas de


Medir
Medir productos y parmetros de procesos, medir
el desempeo inicial del proceso, validar los
sistemas de medicin.

Identificacin da las causas raz de los


Analizar
Analizar defectos

Establecer un modelo de prediccin del


Mejorar
Mejorar proceso, optimizar su desempeo y validar
las mejoras al proceso.

Asegurar las ganancias, controlar el futuro


Controlar
Controlar desempeo del proceso.
38
PROYECTOS SIX SIGMA

Todas las mejoras se hacen


proyecto por proyecto y de
ninguna otra manera..
Dr. Joseph M. Juran

39
Six Sigma
Modelo del xito
InjectionMolding
Transaccional USL:1.005
LSL:0.995
Cp=1.5
Cpk=0.8

Manufactura
+ +
Black Belts,
Involucramiento del Proyectos crticos para Green Belts
Liderazgo. el negocio &
Equipos
Soporte del Corporativo y la Entrenados
unidad de negocio.
Estratgico
Guas en la seleccin de Dedicado y facultado
Alto potencial de ahorro
proyectos Comprometido y motivado
Remover Piedras en el camino Satisfaccin del cliente
Prdidas y desperdicio Altamente entrenado -
Definir expectativas.
crnicos metdico
Revisiones perodicas
Demostrar entusiasmo. Optimizacin de procesos Contable
Champion fuerte y comprometido Procesos robustos Tomador de decisiones basado
en datos y hechos.
40
Dinmicas de la Metodologa - El Efecto del Cono

Diagrama
Diagramade
deFlujo
Flujo +15 Entradas

Matriz C&E y FMEA 10 - 15

Estudios Multi-Vari 8 - 10

DOEs de Escrutinio 4-8

DOEs / EVOP / RSM 3-6

Proceso Mejorado
41
Mapeo detallado del proceso

Qu es esta herramienta? Cundo se utiliza el Mapa del


Es una representacin grfica Proceso?
simplificada de las etapas de un Siempre
proceso y de su secuencia. Es una
fotografa del proceso tal y como
Cules son los resultados del
esta (actual) o como quisiramos Mapa del Proceso?
que estuviera (propuesto). Identificar sistemas de Medicin
Cul es su contenido? por analizar
Todos los pasos principales del Identificar CTQS para estudios
proceso que agregan y no agregan de Capacidad
valor. Identificar huecos en el plan de
Los lmites del proceso. control
Entradas clave del proceso = KPIV Oportunidades de Productividad
(Xs). Identificar cuellos de botella
Salidas clave = KPOVs (Ys) y
CTQs.
Lugar dnde recolectar datos.

y f ( x1 , x2 ,..., xk )
42
Cules son los usos
del Diagrama de Flujo?
Flujo
Process
Specification Cpk Measurement %R&R Sample Sample Control
Process Step Input Output Reaction Plan
(Target, LSL, Mean - Sigma Technique P/T Size Frequency Method
USL)

Identifica cuellos de
Coating Dosage 22.5, 22, 23 1.22 UIL-1700 25% 1/hr Auto-timer Cross check
Coating 24,23,25 1.54 Micrometer 31%/0.47 35 pts per 1/hr Coating & Adjust previous
Height panel pump
speed
Coating 14,12,16 1.78 Laser Measuring 1/hr None in place
width Device
Coating 36,34,38 1.43 Laser Measuring 1/hr None in place
length Device
Vacuum 35" Hg Vacuum Gauge 1/hr Monitor Compare
guages, look
for blockage

Identifica fallas en el
plan de control

Identifica causas ocultas (no obvias)


que causan problemas

43
Preparacin del Diagrama de Flujo
Trabajo en Equipo.

Recursos / Fuentes de Informacin para el Diagrama de Flujo:


Tormenta de ideas.
Manuales del operador.
Especificaciones de ingeniera.
Experiencia de los operadores.
Las 6Ms:

Mano de obra, Maquinaria (equipo), Materiales, Mtodos


(procedimientos), Mediciones, Medio ambiente.

USE
USE TODOS
TODOS LOS
LOS RECURSOS
RECURSOS NECESARIOS/DISPONIBLES
NECESARIOS/DISPONIBLES

44
Quin desarrolla el Diagrama de Flujo?

Es una labor de EQUIPO


Operadores Clave
Entrenadores
Jefes de Grupo
Auditores
Mecnicos
Clientes
Facilitadores
NO
NO PIERDA
PIERDA EL
EL TIEMPO
TIEMPO TRATANDO
TRATANDO DE
DE HACERLO
HACERLO SOLO!
SOLO!

45
Pasos del Diagrama de Flujo

Definir los lmites del proceso -- Principio y fin.


Haga una lista de los pasos del proceso y los CTQs:
Identifique los pasos del proceso tal y como son.
Incluya los pasos que agregan/no agregan valor al producto.
Identifique las Entradas (Material, Equipo, 6Ms, etc.) en cada paso.
Identifique las salidas claves y los CTQs en cada paso.
Clasifique cada entrada:
Entrada Controlable
(Variables de perilla).
Entrada Crtica (Variables que han demostrado
significancia estadstica).
Entradas de Ruido (Variables que son
difciles/imposibles de controlar).
Procedimientos de Operacin Estndar.
Incluya las especificaciones de operacin presentes para las entradas
Controlables y las Crticas.

46
Niveles de mapeo del proceso

Nivel Transaccional Ejemplo Manufactura Ejemplo

MACRO Organizacin Restaurante Planta Springfield

LOCAL Proceso Hamburguesas Mquina Winding

MICRO Subproceso Freido Etapa de Inyeccin


proceso

Lo ms difcil :
Determinar en que nivel ests

47
Elementos de un Proceso

Xs Controlables

Salida (Ys)
Proceso (Cliente)

Xs Incontrolables

48
Smbolos del Diagrama
Operacin
Operacin/ Inspeccin

Inspeccin

Demora

Decisin

Almacenamiento

Transporte

49
Versiones de un Proceso

Cuando menos hay 3 versiones


(Generalmente)

Lo que ud Cree que es... Lo Real... Lo que le Gustara


que fuera...

50
Preparacin del Diagrama de Flujo
Trabajo en Equipo.

Recursos / Fuentes de Informacin para el Diagrama de Flujo:


Tormenta de ideas.
Manuales del operador.
Especificaciones de ingeniera.
Experiencia de los operadores.
Las 6Ms:

Mano de obra, Maquinaria (equipo), Materiales, Mtodos


(procedimientos), Mediciones, Medio ambiente.

USE
USE TODOS
TODOS LOS
LOS RECURSOS
RECURSOS NECESARIOS/DISPONIBLES
NECESARIOS/DISPONIBLES

51
Paso 1:
1 Haga una lista de los pasos generales del
proceso y las variables de salida claves

ENTRADAS Reporte de
(Pasos del proceso) SALIDAS
Gastos CLAVE
Precisin
1. Informacin Personal Tiempo
2 Llenar gastos de alimentacin.
3. Llenar gastos diarios
4. Subtotal/verificar gastos.
5. Mover el subtotal a la hoja frontal
6. Indicar gastos prepagados por la compaa
7. Firmar
8. Enviar al Gerente
9. Esperar autorizacin

52
Paso 2: Construya el diagrama considerando las
actividades que agregan y no agregan valor

1 2 3 4 5 6 7 8 9
1. Informacin Personal
2 Llenar gastos de alimentacin.
3. Llenar gastos diarios
4. Subtotal/verificar gastos.
5. Mover el subtotal a la hoja frontal
6. Indicar gastos prepagados por la compaa
7. Firmar
8. Enviar al Gerente.

9. Esperar
autorizacin
53
Paso 3:
3 Escribir CTQs en cada paso
(Proceso y Cliente)

1 2 3 4 5 6 7 8 9
A A A A A,B A A B B
Paso CTQs
Precisin
1. Informacin Personal Tiempo
2 Llenar gastos de alimentacin.
3. Llenar gastos diarios
4. Subtotal/verificar gastos.
5. Mover el subtotal a la hoja frontal
6. Indicar gastos prepagados por la compaa
7. Firmar
8. Enviar al Gerente.
9. Esperar autorizacin

54
Paso 4:
4 Anotar y Clasificar las Entradas
Clave del Proceso
Nombre Comida Hotel Calendarizacin
Direccin Cantidad $ Matemticas Semntica Aerolnea Firma
Auto Correo de trabajo
Departmento Locacin Honestidad Cant. $
Cantidad$

1 2 3 4 5 6 7 8 9
A A A A A,B A A B B
Paso CTQs
Precisin Leyendas de entradas
1. Informacin Personal Tiempo
2 Llenar gastos de alimentacin.
3. Llenar gastos diarios Critica
4. Subtotal/verificar gastos.
5. Mover el subtotal a la hoja frontal
6. Indicar gastos prepagados por la compaa Controlable
7. Firmar
8. Enviar al Gerente. Ruido
9. Esperar autorizacin

55
Paso 5: Anote las especificaciones y las metas de
las variables de entrada controlables y crticas
Nombre Comida Hotel Calendarizacin
Direccin Cantidad $ Matemticas Semntica Aerolnea Firma
Auto Correo de trabajo
Departmento Locacin Honestidad Cant. $
Cantidad$

1 2 3 4 5 6 7 8 9
A A A A A,B A A B B
Especificaciones
Nombre Nombre Completo
Direccin Direccin de Trabajo
Departmento Nmero de departamento
Cant. De Dlares US Dollars (al centavo)
Hotel Preferido por la compaa..
Automvil Hertz
Matemticas Bsicas
Honestidad Bases de la compaa
Semntica Bsica
Aerolinea Menor costo
Firma Legible

56
Paso 6:
6 Qu nos dice el proceso?
Nombre Comida Hotel Calendarizacin
Direccin Cantidad $ Matemticas Semntica Aerolnea Firma
Auto Correo de trabajo
Departmento Locacin Honestidad Cant. $
Cantidad$

1 2 3 4 5 6 7 8 9
A A A A A,B A A B B
Entradas previas Especificaciones Nuevas entradas Especificaciones
Nombre Nombre Completo Nombre Nombre Completo
Direccin Direccin de Trabajo SSN
Departmento Nmero de departamento Firma Legible
Cant. De Dlares US Dollars (al centavo)
Hotel Preferido por la compaa
Automvil Hertz Pasos Eliminados
Matemticas Bsicas
Honestidad Bases de la compaa
Semntica Bsica
Aerolinea Menor costo
Firma Legible
57
Usos del Mapa del Proceso

Entradas a la Matriz Causa y Efecto


Entradas al FMEA
Entradas al Plan de Control
Entrada a Estudios de Capacidad
Entradas a Estudios Multivariados

58
Actividades que NO agregan valor al producto

Tiempo muerto.
Tiempo de espera (Demora).
Cambios de modelo (Setup).
Almacenaje.
Transporte.
Retrabajos.
DESARROLLE
DESARROLLE PLANES
PLANES PARA
PARA ELIMINAR
ELIMINAR ESTAS
ESTAS ACTIVIDADES
ACTIVIDADES

59
Tiempo Total del Ciclo

Actividades que
Tiempo transcurrido
agregan valor
(sin actividad alguna)

Actividades que no
agregan valor El proceso en el tiempo

DESARROLLE
DESARROLLE PLANES
PLANES PARA
PARA ELIMINAR
ELIMINAR RETRASOS
RETRASOS YY REDUCIR
REDUCIR EL
EL CICLO
CICLO

60
Tiempo Total del Ciclo
PRINCIPIO FIN

Lmites Definidos

61
Los resultados del Diagrama de Flujo
del Proceso sern las entradas para:
para
Matriz de Causa
PAPERWORK TURN STEAM ON
LOAD DMF LOAD DICY LOAD 2MI 1
TO DICY TANK

BILL OF MATERIALS SCALE ACCURACY


y Efecto
LOAD ACCURACY LOAD ACCURACY
LOAD ACCURACY
1 2 3 4 5 6 7 8 9 10 11
ISO PROCEDURES PREHEATING
CLEANLINESS ENVIRONMENT
ENVIRONMENT

Low Capacity

Poor Reactor
Performance
(HUMIDITY)

Corrosion of
Moisture in

Equipment
Heavies in

Excessive
Downtime
REWORK (HUMIDITY)

From Unit
Acidity in
Lights in

Material
Product

Product
Product

Product
RAW MATERIAL RAW MATERIAL

Losses
RAW MATERIAL Process Step Process Inputs Total

MIXER SPEED 139 Day Tanks Analysis 10 10 9 9 335


MIXER SPEED 9 Reactor Cat./HF Ratio 5 8 7 157

Diagrama de Flujo
7 Reactor Rxr Temperature 6 5 4 7 149
73 Lights Removal Condenser Leak 4 8 2 4 1 148
74 Lights Removal Reboiler Leak 4 8 2 4 1 148
131 Purification Low Stages 8 8 144
144 Final Storage Containers 3 2 6 6 140
100 Neutralization pH Value 6 6 3 138
16 Catalyst Stripper Pluggage 3 6 5 3 137
111 Drying Decomposition 2 6 3 2 2 134
39 Drier Water Carryover 4 6 5 1 132
34 Drier Molecular Sieve 3 3 2 7 2 125

FMEA Y Estudios Multi-variables Estudios de Capacidad y Planes


de Control
Process S O D
Actions
Step/Part Potential Failure Mode Potential Failure Effects E Potential Causes C Current Controls E RPN Resp.
Recommended
Number V C T

COATING & DIRTY PHOTOMASK MICROCRACKING, LOW FREQUENCY OF CLEANING SOP, VISUAL INSPECTION INCREASE FREQUENCY MG
IMAGING DELAMINATION, STREAKS 8 8 7 448 TO ONCE EVERY 20 Process
PANELS Specification Cpk Measurement %R&R Sample Sample Control Key Process Output Variable
Process Step Input Output Reaction Plan
IMPROVE CLEANING PF (Target, LSL, Mean - Sigma Technique P/T Size Frequency Method Capability Status Sheet
METHOD USL)
Coating Dosage 22.5, 22, 23 1.22 UIL-1700 25% 1/hr Auto-timer Cross check Upper Lower
PURCHASE OFF-LINE MG Customer Requirement Measurement %R&R or P/T Sample
Coating 24,23,25 1.54 Micrometer 31%/0.47 35 pts per 1/hr Coating & Adjust previous (Output Variable) Technique Ratio
Spec Target Spec Cp Cpk
Size
Date Actions
CLEANING SYSTEM Height panel pump Limit Limit
Gel Time
speed Viscosity
TEST ON-LINE MASK PF Coating 14,12,16 1.78 Laser Measuring 1/hr None in place Cleanliness
REPLACEMENT Color
width Device Homogeneity
Coating 36,34,38 1.43 Laser Measuring 1/hr None in place Consistency
length Device Digets Time
Temperature
Vacuum 35" Hg Vacuum Gauge 1/hr Monitor Compare Solids
guages, look
for blockage

62
EJEMPLOS DE LA
VIDA REAL

63
DIAGRAMA DE FLUJO DEL PROCESO:
AREA DE ENSAMBLE,
A1. INV. DE BALEROS Y ARMADURAS.
O1. PRENSA DE BALEROS.
INICIO O2. PRENSA DE YUGO A CORAZA.
A2. INV. PORTACARBON.
A1 O1 O2 O3. ENSAMBLE DE MOTOR.
O4. MAGNETIZADORA.
I1. PRUEBA DE MOTOR.
A= Almacn O3 A2 O5. REPARADO DE MOTOR.
O= Operacin A3. INV. CUBIERTAS Y CAJA DE CONEXION.
I = Inspeccin O6. MISCELANEOS.
T= Transporte O4 I2. PRUEBA HIPOT.
D= Demora
A3 O7. ASENTAR CARBONES.
I3. PRUEBA DE RUIDO.
D1. ESPERA A QUE SE COMPLETE LA CAJA.
O5 I1 SI O6 O8. EMPAQUE.
T1. EMBARQUE.
NO
SI SI T1
I2 O7 I3 D1 O8
NO
NO
FIN

64
Start Marketing/ Sales
Customer Service Sample and Quotation
Required

Engineering A
request Engineering A, B, C
new part A, B, C points out Sourcing
necesary ask for
Specs, Drawings, modifications quote and
CTQs Input Legend
Quantities and gives sample from
them to
supplier and A) Quality Critical
Sourcing
provides B) Lead Time
due date
Sourcing A, B, C Sourcing Drawings
Yes
C) Price Controllable
No
receives asks for Sample and
request more data A Quotation received Noise
Specs, Drawings, Are drawings Sourcing
Quantities within specs? receives
A, B, C
sample and
quotes and
Drawings
sends to
A, B, C engineering
Is info Sample back Sample back
complete?
No A, B, C Sample and to supplier to supplier
Quotation received
Engineering
checks
A, B, C
Specs, Drawings, drawings for
conformance A A
Yes Quantities
Engineering with
to specs. Sourcing
Drawings Yes Quality, inspects Sourcing
sends
sample for sends
engineering
conformance to sample back
Is it a A, B, C A, B, C specs and to supplier
changes to
customized supplier for
Sourcing compares price to for rework Changes
part? rework
receives target price on specs
Specs
Specs, Drawings, drawings
Sample
Quantities and sends Yes
Yes them to
Drawings Engineering
Engineering
A A reviews A
Are drawings A, B, C specs sent
Are samples Were the
needed before A, B, C No No to supplier
within specs? specs correct?
samples? Sourcing and make
Sample not Yes necesary
required asks for
drawings to changes
No supplier and Price
No provides Yes Price

due date
A, B C Sourcing
B, C
Is a sample
required? negotiates
Is price OK? No price with
supplier
Quotation required
No Price
Price
Yes

Quote B, C A, B, C
requested Engineering
to supplier approves
quote and
Quotation Received Price assigns part Sourcing
Release, P.O. # & supplier's
Approval Sheet- number
Requisition acknowledgement
Engineering
Part Number
Sourcing B, C
receives
NC Process
quote and
B, C Materials
compares A, B Sourcing A, B, C places order
B B
to target Sourcing Part is makes
and gives to
price requisition & Sourcing
negotiates rejected & Sourcing the
releases part follows up
Price price with is sent to approval
P.O. #, and
supplier's PO
supplier NC sheet to
acknowledge Part
Rejected Materials
ment
Part
C No
Is price
OK?
No
B A Incoming A, B B
Part is Inspection
Part arrives
released to Is the part OK? checks for
Yes Released to the plant
Materials conformanc
Part
e to specs.
End
Yes Part Part 65
Ejercicio

* Integre sus equipos basados en un proceso comn.

* Diagrame los pasos de su proceso actual.

* Tiempo: 30 minutos.

* Salida: Presente su Diagrama de Flujo en


una Hoja de Rotafolio.

66
MEDIR

MATRIZ CAUSA EFECTO


Matriz Causa Efecto

Definicin
Una tcnica que es usada para
prioritizar las variables de entrada
claves en un proceso.
Se hace correlacionando la variable
de salida con las variables de
entrada.

68
Matriz Causa Efecto

Explicacin
Variables de Salida: Las dimensiones
de un producto en una parte de (DE/DI)
Variables de Entrada:
Entrada Mano de Obra,
materiales, mquinas, mtodos.
Para mejorar un proceso, necesitamos
saber cules son las variables de
entrada y cmo afectan a las variables
de salida.
69
Matriz Causa Efecto
Objetivos
- Explica los requerimientos del cliente en
trminos de las caractersticas del producto.
- Caracteriza las entradas claves al proceso con
las salidas clave usando mapas de proceso y
diagrama de pescado.
- Ranquea y califica las entradas importantes.
- Proporciona las entradas para el FMEA,
capacidad de proceso y planes de control
preeliminares.

70
Matriz Causa Efecto

Ejemplo
Una empresa fabrica botellas de cerveza.
Recientemente las botellas comenzaron a
sufrir un alto nmero de rechazos por
fuga.

. Un Green Belt fue asignado para resolver


el problema.

71
Matriz Causa Efecto

Nivel de
Importanc
2 8 9 5 5 3 7 8 8 6
ia para el
cliente
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

Escala
Clarida
Interior

Suavid
Diame

Ancho
Diame

Marca
estrec
Longit

Rebor
Exteri

Extre

Extre
mo

mo
tro
tro

Entradas al proceso Total

do

de
ud

ho

ad
or

d
1 Presin 8 7 9 7 7 1 7 1 1 5 321

Velocidad
2 7 8 8 6 6 1 6 1 1 6 307
de
atornillado
Temperat
3 ura de 9 9 9 7 7 1 7 1 1 7 351
fusin
Temperat
4 ura del 6 5 5 4 4 1 4 1 1 3 202
molde
Temperat
5 ura del 2 1 1 1 1 1 1 1 1 1 63
agua
6 Resina 5 7 8 6 6 6 7 1 1 6 317
7 Limpieza 6 7 8 2 2 6 2 1 1 4 232
Tiempo
8 6 6 6 3 3 1 1 1 1 1 176
de Ciclo
Tamalo
9 de 4 8 8 5 5 1 1 1 1 3 238
ensayo
10 Tcnicas 5 5 5 3 3 1 1 5 5 1 221
Procedimi
11 6 6 6 3 3 1 1 1 1 1 176
entos
12 Equipo 5 5 5 3 3 3 3 5 5 1 241
13 0
14 0
15 0
16 0
17 0
18 0
19 0
20 0
0
0
138

592

250

287

160
702

250

160

234
72

0
72
Total

Figure 6: Cross multiply each input correlation number with ouput priority number and prioritize the total score.
Matriz Causa Efecto

Prioritizar las entradas por Pareto:


Entradas al proceso Puntos
Totales

Temperatura de fundicin 351


Presin 321
Resina 317
Velocidad 307
Equipo 241
Tamao de prueba 238
Limpieza 232
Tecnica 221
73
Mapa de Diagrama de
proceso Pescado
Lista de entradas Tormenta de ideas para
clave y salidas variables de salida claves
clave adicionales .
Matriz Causa Efecto
Prioritiza las entradas
clave

Capacidad de las FMEA Plan de control


Salidas clave preliminar
Propone las
estudia la capacidad del
entradas clave Evalua y controla
proceso
las entradas clave

Figura 7: Matriz C&E ligada a otras herramientas de calidad


74
REPORTE DE CAPACIDAD DEL PROCESO
(Punto de partida)

Nombre del Lider de Proyecto: Proposito del


estudio:

Nombre del procesos/Producto:


Instrucciones:

Nombre del negocio & planta:


No Conformidades (si existen)

Variables de Cp Cpk Sigma Media Tama Tcnica de GR&R Fecha Observaciones


Salida o de medicin and/or CA
muestr
a

BD Six Sigma Form


9/25/2000

75
MEDIR
FMEA
Analisis del Modo y Efecto
de Falla

1
76
Dinmica de la Metodologa - El efecto del
embudo

Diagrama de Flujo +15 Entradas

Matriz
Matrizde
deCC&&EEFMEA
FMEA 10 - 15

Estudios Multi-Vari 8 - 10

DOEs de Escrutinio 4-8

DOEs 3-6

Proceso Mejorado
2
77
Diagrama del
Proceso

Matriz Causa
PAPERWORK TURN STEAM ON
LOAD DMF LOAD DICY LOAD 2MI

Efecto
TO DICY TANK 1

BILL OF MATERIALS SCALE ACCURACY


LOAD ACCURACY LOAD ACCURACY
LOAD ACCURACY 1 2 3 4 5 6 7 8 9 10 11

SALIDAS
ISO PROCEDURES PREHEATING

ENTRADAS
CLEANLINESS ENVIRONMENT

Low Capacity

Poor Reactor
Performance
Corrosion of
ENVIRONMENT

Moisture in

Equipment
Heavies in

Excessive
Downtime
From Unit
Acidity in
Lights in
(HUMIDITY)

Material
Product

Product
Product

Product

Losses
REWORK (HUMIDITY)
RAW MATERIAL RAW MATERIAL Process Step Process Inputs Total
RAW MATERIAL
139 Day Tanks Analysis 10 10 9 9 335
MIXER SPEED 9 Reactor Cat./HF Ratio 5 8 7 157
MIXER SPEED 7 Reactor Rxr Temperature 6 5 4 7 149
73 Lights Removal Condenser Leak 4 8 2 4 1 148
74 Lights Removal Reboiler Leak 4 8 2 4 1 148
131 Purification Low Stages 8 8 144
144 Final Storage Containers 3 2 6 6 140
100 Neutralization pH Value 6 6 3 138
16 Catalyst Stripper Pluggage 3 6 5 3 137
111 Drying Decomposition 2 6 3 2 2 134
39 Drier Water Carryover 4 6 5 1 132
34 Drier Molecular Sieve 3 3 2 7 2 125

El
FMEA
Flujo
Process S O D
Actions
Step/Part Potential Failure Mode Potential Failure Effects E Potential Causes C Current Controls E RPN Resp.
Recommended
Number V C T

COATING & DIRTY PHOTOMASK MICROCRACKING, LOW FREQUENCY OF CLEANING SOP, VISUAL INSPECTION INCREASE FREQUENCY MG
IMAGING DELAMINATION, STREAKS 8 8 7 448 TO ONCE EVERY 20
PANELS
IMPROVE CLEANING PF
METHOD

PURCHASE OFF-LINE MG
CLEANING SYSTEM

TEST ON-LINE MASK PF


REPLACEMENT

3
78
Definicin

Anlisis de Modo de Falla y Efecto


(Failure Mode and Effect Analysis)
Puede ser descrito como un grupo de actividades
sistematizadas con la intencin de:

1. Reconocer y evaluar la falla potencial de un producto/proceso y sus


efectos (con el cliente).

2. Identificar acciones que pudiesen eliminar o reducir la posibilidad de


que la falla potencial vuelva a ocurrir

3. Documentar el proceso.

4
79
El equipo de FMEA

El enfoque de trabajo en
equipo es absolutamente
necesario

Diseo
Operadores y Supervisores de Produccin
Calidad
Tecnicos
Mantenimiento
Materiales
Clientes
Proveedores

El GB BB es el responsable de dirigir el equipo


5
80
Entradas y Salidas del FMEA

Entradas
Diagramas de Flujo del Proceso
Matriz de C-E
Historial del Proceso

Salidas
Lista de acciones para prevenir causas o para
detectar modos de falla
Historial de acciones correctivas

6
81
Historia
1995 - GE &
SIX SIGMA
1991- ISO 9000

1984-1986 FMEA
1975 - 1980
de Proceso
NASA

1974 - Navy - MIL-STD 1629

1960s - Apollo
7
82
Prevencin vs deteccin
PREVENCIN - Prevenir que ocurra el modo de falla Enfasis en
evitar las causas, detectar modos de falla antes o reducir el
impacto de las consecuencias de la falla

DETECCIN - Identificar o detectar la ocurrencia de la falla


Enfasis en identificar tcnicas o mtodos de deteccin para
sealar una falla cuando ya ocurri
La efectividad de la deteccin se convierte en el punto focal
Costo de la falla mas el costo de deteccin

FMEA es Prevencin y Deteccin


8
83
Tipos de FMEA

FMEA DE SISTEMA- Usado para analizar sistemas y subsistemas


en las fases iniciales de concepto y diseo.

FMEA DE DISEO- Usado para analizar productos antes de darles


de alta en produccion.

FMEA DE PROCESO - Usado en el anlisis de procesos de


manufactura y ensamble.

9
84
FMEA DE SISTEMA

FMEA DE DISEO

FMEA DE PROCESO Nuestra


rea de
enfoque de
hoy! 10
85
Rol del FMEA de Proceso

Herramienta preventiva

Da prioridad a los recursos

Documenta la terminacin de proyectos

Soy un documento vivo,


revsame, corrgeme, y actualzame

M EA
F
11
86
Propsitos del FMEA de Proceso

Ayuda en el anlisis y direccin de procesos nuevos

Identifica deficiencias en el plan de control

Evalua el riesgo de cambios en el proceso

Identifica variables potenciales para estudiosMulti-vari y DOE

Ayuda a establecer la etapa del abrir paso (breakthrough)

12
87
Modelo de FMEA
Prevencin Deteccin
Causa
Causa

Deteccin
Modo
Modode
deFalla
Falla
(Defecto)
(Defecto)
Entrada de
Material o Proceso Efecto
Efecto

Paso del Proceso

Cliente externo o
estaciones
siguientes del
Controles
Controles proceso

13
88
Modo de Falla
La manera en la cual el proceso (potencialmente) puede
fallar en cumplir con los requerimientos del proceso y/o la
intencin del diseo (1). La razn por la cual una parte se
rechaza(2).

Modos de Falla de Proceso pueden categorizarse como:

Manufactura : Dimensional (fuera de tolerancia), visuales

Ensamble: Partes equivocadas o faltantes, mal orientadas

Recibo/Inspeccin: Por lo que la parte comprada se rechaza

Prueba/Inspeccin: Aceptar partes malas, Rechazar partes buenas

14
89
Modo de Falla
Qu considera su
Por qu la parte puede ser cliente externo como
rechazada en esta operacin? no aceptable?

Cmo puede fallar la parte en


cumplir con la especificacin en Qu considera como no
esta operacin? aceptable el prximo operador o
el operador subsequente?

15
90
Dos suposiciones importantes

Las partes/material
entrantes estan correctas

La falla puede que ocurra,


pero quizas no ocurra

16
91
Efecto de la Falla
El impacto o efecto del Modo de Falla en los
requerimientos del cliente.

Cuando hablamos del cliente, el efecto debe ser


descrito en terminos del funcionamiento del
producto.

Si el cliente es la proxima operacin(es), el efecto


debe ser descrito en terminos del desempeo del
proceso/operacin.
Ejemplos:_________________________________________
__________________________________________________
_______
17
92
Severidad (del efecto)

Importancia del efecto respecto a los


requerimientos del cliente - se puede relacionar
tambin con la seguridad y otros riesgos si la
falla se presentara
1=No es severo
10=Muy Severo

18
93
Conectando los Modos de Falla a los Efectos

Modo
MododeFalla
deFalla 11
Efecto
Efecto11
Modo
MododeFalla
deFalla 22

Efecto
Efecto 11
Modo
MododeFalla
deFalla 11
Efecto
Efecto 22

Modo
MododeFalla
deFalla 11
Efecto
Efecto 11
Modo
MododeFalla
deFalla 22

Note
Notequequela
larelacin
relacinentre
entrelos
losModos
Modosde deFalla
Falla
yyel
el Efecto
Efectononoesessiempre
siempreunaunarelacin
relacinde
de1-
1-
a-1
a-1 19
94
Causas

Fuentes de variacin del proceso que


ocasionan que el Modo de Falla ocurra.

La identificacin de causas debe empezar


con los Modos de Falla relacionados con
la clasificacin ms alta de Severidad.

20
95
Qu hacer con las Causas?
La tcnica de los 5 Por Qus? o Escalonamiento
Origen Tipo de accin
Falla 1 >>> Causa 1 Temporalmente correctiva
Causa 1 == Falla 2
Falla 2 >>> Causa 2 Correctiva parcialmente
Causa 2 == Falla 3
Falla 3 >>> Causa 3 Totalmente correctiva
Causa 3 == Falla 4
Falla 4 >>> Causa 4 Parcialmente preventiva
Causa 4 == Falla 5
Falla 5 >>> Causa 5 Totalmente preventiva

21
96
Ejemplo
Situacin : Se par la mquina
P1 - Por qu par la mquina?
R1 - Porque se quem el fusible debido a una sobrecarga
A1 - Cambiar el fusible (Temporalmente Correctiva)
P2 - Por qu hubo una sobrecarga?
R2 - Porque la lubricacin del balero fue inadecuada.
A2 - Lubricar el balero (Parcialmente Correctiva)
P3 - Por qu fue inadecuada la lubricacin?
R3 - Porque la bomba de lubricacin no funcion bien.
A3 - Arreglar la bomba (Totalmente correctiva)
P4 - Por qu no estaba funcionando bien la bomba de lubricacin?
R4 - Porque el eje de la bomba estaba gastado.
A4 - Remplazar la bomba (Parcialmente preventiva)
P5 - Por qu el eje de la bomba estaba gastado?
R5 - Porque le penetr sedimento.
A5 - Agregar un filtro a la bomba (Totalmente Preventiva)

22
97
Ejemplo
Situacin :
P1 - Por qu___________________________________
R1 - Porque ____________________________________
A1 -___________________________________________
P2 - Por qu___________________________________
R2 - Porque ____________________________________
A2 -___________________________________________
P3 - Por qu ___________________________________
R3 - Porque ____________________________________
A3 - __________________________________________
P4 - Por qu __________________________________
R4 - Porque ____________________________________
A4 - __________________________________________
P5 - Por qu __________________________________
R5 - Porque ___________________________________
A5 - __________________________________________

23
98
Ocurrencia (de la causa)

La frecuencia con la que, una causa


determinada, pueda suceder y crear un
modo de falla. Puede referirse algunas
veces, a la frecuencia del modo de falla
1=No es probable
10=Muy probable

24
99
Cul est bien?
Material de Acero Pobre Material de Acero Pobre

Contactos Corroidos Contactos Corroidos Causa

Batera Muerta Causa Batera Muerta Modo de Falla

Foco No Brilla Modo de Falla Foco No Brilla Efecto

Lmpara No prende Efecto Lmpara No prende

Material de Acero Pobre Causa

Contactos Corroidos Modo de Falla

Batera Muerta Efecto

Foco No Brilla

Lmpara No prende
25
100
Controles Existentes
Aparatos/mtodos colocados para prevenir o detectar Modos de
Falla o Causas (antes de ocasionar efectos).

La Prevencin consiste en controles automatizados, o a


prueba de errores y verificaciones de los set-ups.

Los Controles incluyen: auditoras, listas de verificacin


(checklists), Inspecciones, pruebas de laboratorio,
entrenamiento, SOPs, mantenimiento preventivo, etc.

26
101
Deteccin
(efectividad de los controles actuales)

Es la habilidad que tiene el sistema de


control vigente de detectar:
- las causas antes de crear un modo de falla ,
los modos de falla antes de crear un efecto

1=Certeza de Detectar, 10=Probabilidad remota de


Detectar

27
102
Escalas de Clasificacin
PROBABILIDAD DE HABILIDAD DE DETECCIN
RANGO GRADO DE SEVERIDAD
OCURRENCIA
Es insignificante para el cliente ni siquiera se Probabilidad remota de que ocurra Existe plena seguridad de que la falla
1 va a dar cuenta del defecto potencial se va a encontrar o prevenir
antes de llegar al siguiente cliente
El cliente tal vez tenga una leve incomodidad Bajo nivel de fallas respaldadas con Es casi seguro que la falla potencial
2 documentacin se prevenga o se detecte antes de
llegar al siguiente cliente
El cliente va a estar inconforme debido a una Bajo nivel de falla pero, sin Baja probabilidad de que la falla
3 leve falla de funcionamiento documentacin que lo respalde potencial llegue -sin detectarse-al
siguiente cliente
El cliente est insatisfecho debido al mal Fallas ocasionales Los controles pueden detectar o
funcionamiento prevenir que la falla potencial llegue
4 al siguiente cliente
El cliente est incorforme o su productividad Nivel de fallas moderado con Probabilidad moderada de que la falla
ha disminudo a consecuencia de las fallas documentacin potencial llegue al siguiente cliente
5
Reparaciones en garanta o problemas serios Nivel de fallas moderado pero sin El sistema de control puede que no
de manufactura o de ensamble documentacin prevenga o detecte la falla potencial
6 antes de llegar al siguiente cliente
Alto grado de insatisfaccin del cliente debido a Nivel de fallas relativamente alto con Poca probabilidad de que la falla
falla de componentes sin dejar de funcionar. documentacin potencial se detecte o se prevenga
7 Reduccin de la productividad por altos niveles antes de llegar al siguiente cliente
de desperdicio y retrabajo.
Alto grado de insatisfaccin del cliente debido a Nivel de fallas relativamente alto Muy poca probabilidad de que la falla
falla funcional sin afectar la seguridad y sin sin documentacin potencial se detecte o se prevenga
8 violar las reglamentaciones del gobierno. antes de llegar al siguiente cliente
Se ha puesto en peligro la seguridad del cliente La falla es casi segura basndose Los controles existentes probablemente
debido al mal funcionamiento del sistema de en la informacin de garanta y de ni siquiera detecten la falla potencial
9 seguridad con alarma antes de la falla. O prueba
se violaron los requisitos del gobierno.
Se ha puesto en peligro la seguridad del cliente La falla es segura basndose en la Certeza absoluta de que los controles
debido al mal funcionamiento del sistema de informacin de garanta y en la de existentes no van a detectar la falla
10 seguridad sin alarma antes de la falla. O se prueba potencial
violaron los requisitos de gobierno.

28
103
Nmero de Prioridad de Riesgo (RPN)

La salida de un FMEA es el Nmero de Prioridad de


Riesgo (RPN)

Se calcula como el producto de tres clasificaciones


cuantitativas, cada una relacionada a: los efectos, las
causas, y los controles

RPN = Severidad X Ocurrencia X Deteccin

29
104
Nmero de Prioridad de Riesgo (RPN)

DE
TE
CC
IO

OCURENCIA
N
RPN
A D
RID
E
SE
V FMEA

RPN = Severidad X Ocurrencia X Deteccin


30
105
Nmero de Prioridad de Riesgo (RPN)

El RPN no es sagrado; Vuelva atras y reviselo

La clasificacin por Severidad, Ocurrencia y


Deteccin se puede realizar internamente.
Veremos un ejemplo en el siguiente caso de
estudio

Se pueden agregar otras categoras

31
106
Escala de Ocurrencia

Ejemplo de Clasificacin del Software de FMEA

1 1 por cada 100 unidades- ao (1/50m)


2 1 por cada 10 unidades- ao (1/5m)
3 1 por cada 1 unidad- ao (1/525k)
4 1 por cada 1 unidad-mes (1/43k)
5 1 por semana (1/10k)
6 1 por da (1/1440)
7 1 por turno (1/480)
8 1 por hora (1/60)
9 1 por cada 10 min (1/10)
10 1+ por minuto (1/1)

32
107
Escala de Deteccin

Ejemplo de Clasificacin del Software de FMEA


1,2 Revisiones de Requerimientos / Diseo
3,4 Caminatas codificadas / Prueba de unidades
5,6 Integracin de Sistemas y Prueba
7,8 Instalacin y Arranque
9,10 Detectable nicamente en lnea

33
108
Pasos Generales en el FMEA
1. Seleccione el equipo para el 7. Inicie el FMEA de proceso
Estos pasos se cubrieron en los mdulos
de Diagrama de Proceso y Matriz de C-E

FMEA de proceso 8. Para cada entrada del proceso


2. Dibuje un diagrama de flujo anote de cuantas maneras
del proceso e identifique todos puede variar (Modos de Falla) y
los pasos del proceso sus efectos respectivos
3. Anote todas las salidas claves 9. Haga una lista de todas las
que satisfagan los causas para cada Falla
requerimientos del cliente: 10. Escriba los controles
interno y externo actuales para cada causa
4. Para cada paso del proceso, 11. Asigne los rangos: Severidad,
identifique las variables de Occurrencia y Deteccin para
entrada crticas cada causa
5. Para el proceso defina la 12. Calcule el RPN para cada
matriz de C-E relacionando modo de falla potencial
salidas claves con las variables
de entrada crticas 13. Recomiende acciones
correctivas para reducir los
6. Clasifique las KPIVs de RPNs altos
acuerdo a su importancia
14. Haga las acciones adecuadas
15. Recalcule todos los RPNs
34
109
Ejemplo de la Matriz de C-E
Esta es la Matriz de C-E del Diagrama de Proceso con el Pareto de la
puntuacin total de las Entradas Clave.

Matriz de Causa y Efecto

Que tan
importante es 10 9 8
para el cliente
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Suavidad
Termino
Sabor

Entradas del
proceso Total

1 Tipo de carne 10 9 9 253


2 Condimentos 9 10 9 252
3 Tipo de carbon 10 6 8 218
4 Iluminacion 4 10 8 194
5 Temperatura 6 7 6 171
6 Frec. p/voltear 4 8 7 168
7 Bebidas 4 4 4 108
8 0
9 0
10 0

35
110
1. Para cada entrada crtica del proceso (valor
alto), determine las maneras de que esta entrada
pueda fallar (estos son los Modos de Falla)

Existe cuando menos una manera de que la entrada pueda fallar:

Pasos del Modos de Falla


Qu puede
Proceso Efectos Causas
salir mal?

Cocinar carne Temperatura muy alta

36
111
2. Para cada Modo de Falla relacionado con las
entradas, determine los efectos
Estos efectos son requerimientos internos
para el siguiente paso del proceso.

Pasos del Modos de Falla


Qu puede
Proceso Efectos Causas
salir mal?

Cocinar carne Temperatura muy alta Carne quemada

37
112
3. Identifique las causas potenciales
de cada Modo de Falla
En la mayora de los casos, hay ms de una causa para cada Modo de
Falla. Para este ejercicio lo haremos simple.

Pasos del Modos de Falla


Qu puede
Proceso salir mal? Efectos Causas
Cocinar carne Temperatura muy alta Carne quemada Brasa muy fuerte

38
113
4. Anote los Controles existentes para cada Causa

Para cada Causa anotamos como lo estamos previniendo o detectando.


Escribimos el nmero de procedimiento en caso de tener un SOP.

Pasos del Modos de Falla


Qu puede
Proceso
salir mal? Efectos Causas Controles Actuales

Cocinar carne Temperatura muy alta Carne Brasa muy Verificar con
quemada fuerte Termometro
Cocimiento
excesivo Ninguno

Esta es la manera como el FMEA identifica las deficiencias iniciales en el


Plan de Control Actual. Los equipos de mejoramiento pueden empezar a
trabajar en estas carencias inmediatamente.

39
114
5. Asigne puntuacin de: Severidad, Ocurrencia
y Deteccin para cada Causa

Ahora ya estamos listos para transferir la informacin de las Hojas de


Trabajo a la forma de FMEA. Usted puede copiar y empalmar las
columnas de la hoja de trabajo sobre las columnas correspondientes
de la forma de FMEA. El equipo ahora empieza a calificar cada causa
para calcular el nmero RPN.

Paso del S O D R
proceso
Modo Potencial de Falla Efectos Potenciales E Causas Potenciales C Controles Actuales E P
/Entrada
de la Falla V U T N

Cocinar carne Temperatura muy alta Carne quemada 8 Brasa muy fuerte 8 Verificar con termometro 6

8 Cocimiento excesivo 10 No existe Control 10

40
115
6. Calcule el RPN

Paso del S O D R
proceso
Modo Potencial de Falla Efectos Potenciales E Causas Potenciales C Controles Actuales E P
/Entrada
de la Falla V U T N

Qu tan bin puede de-


tectar una causa o MF?
ocurre la causa o MF?
Cul es la

Qu tn severo es el
De qu manera Cul es el impacto en Qu causa la falla en Cuales son los controles

Qu tan frecuente
efecto en el cliente?
entrada clave la entrada clave las variables de salida la entrada clave? existentes (inpeccin y
del proceso? puede fallar? (requerimientos del prueba) que previenen
cliente) o requerimientos la causa o el modo de falla?
internos? Debe incluir un nmero SOP

Cocinar carne Temperatura muy alta Carne quemada 8 Brasa muy fuerte 8 Verificar con termometro 6 384

8 Cocimiento excesivo 10 Ninguno 10 800

41
116
FMEA - Calcule el RPN

Calcule el Nmero de Prioridad de Riesgo para


cada combinacin de Modo de falla / Causa /
Controles
Revise los resultados y conclusiones
Determine los siguientes pasos potenciales:
Recoleccin de datos
Experimentos
Mejoramientos del Proceso
Implantar Controles del Proceso

42
117
7. Determine las acciones correctivas
necesarias para reducir los RPNs altos
Primero, seleccione todas las causas por RPN. Tenga cuidado de
llenar todos los espacios de cada columna de tal forma que pueda
agrupar los Modos de Falla, Efectos, Causas y Controles Actuales.

Paso del S O D R
proceso
Modo Potencial de Falla Efectos Potenciales E Causas Potenciales C Controles Actuales E P
/Entrada
de la Falla V U T N

Carga de DMF/
Viscosidad fuera de Certificacin de operadores/
Exactitud de la DMF mal cargado 7 No se cumpli con el SOP 5 5 175
especificacin Auditora del Proceso
carga de DMF
Vapor al DICY
Escala no ajustada DMF mal cargado Escala errtica Ninguno
/Exactitud de 3 2 10 60
a cero
la Escala
Carga de DMF/ Procedimiento de Manteni-
Viscosidad fuera de
Exactitud de la DMF mal cargado 7 Falla del Equipo 2 miento (SOP 5821) 3 42
especificacin
carga de DMF Inspeccin Visual
Vapor al DICY
/Exactitud de Escala > 0 Carga de DMF baja 3 Agua en la cubierta 2 Inspeccin Visual (SOP 5681) 4 24
la Escala
Vapor al DICY
/Exactitud de Escala Inexacta Carga de DMF alta 3 Tanque colgando 2 Inspeccin Visual (SOP 5681) 4 24
la Escala

43
118
8. Tome acciones adecuadas y documntelas
9. Recalcule los RPNs otra vez

O D R S O D R
Acciones
Causas Potenciaes C Controles Actuales E P Recomendadas Resp. Acciones Tomadas E C E P
U T N V U T N

Haga este proceso a SZ Despachador


No se cumpli Certificacin de operadores/
con el SOP 5 Auditora del Proceso 5 175 prueba de errores con Automatizado para DMF 7 1 2 14
las entradas del equipo 8/96
Incluya firma diaria de la PQ
Escala errtica 2 Ninguno 10 60 funcin de la escala en la 0
verificacin del set up
Procedimiento de Manteni-
Falla del Equipo 2 miento (SOP 5821) 3 42 0
Inspeccin Visual

Agua en la cubierta 2 Inspeccin Visual (SOP 5681) 4 24 0

Tanque colgando 2 Inspeccin Visual (SOP 5681) 4 24 0

Ya tenemos documentado cuando se tom la accin y su impacto sobre


el RPN. Esta es una manera prctica de darle seguimiento a las
actividades pasadas. El equipo de FMEA debe de seguirse reuniendo
segun se identifiquen, se completen o se documenten nuevas
acciones.
44
119
Metodologa

Dos Aplicaciones Principales:


Empezando con la Matriz de C-E
Empezando directamente con el FMEA del Diagrama
de Flujo del Proceso
Explicaremos la aplicacin usando la Matriz
de C-E, aunque ambos son muy similares
Se han preparado herramientas de hoja de
despliegue (Spreadsheet) para ayudarle a la
preparacin del FMEA

45
120
Metodologa del FMEA
Empezando con la Matriz de C-E
Ventaja: La Matriz de C-E ayuda al equipo a definir los
temas importantes que el FMEA debe atender
ayudando a priorizar
Requerimientos importantes del cliente
Entradas del proceso que puedan potencialmente impactar
estos requerimientos
Priorizando las entradas clave del proceso de acuerdo al
impacto en las variables de salida (Queremos enfocarnos
primero en las entradas que impactan grandemente a un gran
nmero de salidas)
La Matriz de C-E tambin nos da salidas cuantitativas
que se pueden usar para determinar el rango exacto
de severidad que se usa en la siguiente etapa del
FMEA de proceso.
46
121
Repaso

Paso del S O D R
Modo Potencial Efectos Potenciales Acciones
Proceso E Causas Potenciales C Controles Actuales E P
de Falla de la Falla Recomendadas
/Entrada V U T N

Cul es Cmo se Qu
el Efecto 0 0
puede tan
Cul Qu en las hallar bin?
es la puede Salidas? 0 0
esto?
entra- fallar 0 Cules 0 0 0 Qu se
da? con la Qu tan
son las puede
entrada? 0 seguido? 0 0
Causas? hacer?
0 0 0 0

47
122
Reglas del Ejercicio

Desarrolle un FMEA de las 2 entradas


Principales de la Matriz de C-E

Nota: Cuide su tiempo, lmite: 30 Min.


Presente los resultados en Rotafolio

48
123
Estadstica Bsica

Diplomado en Seis Sigma


ITESM-Campus Aguascalientes

124
Objetivo

1. Entender y aplicar los conceptos bsicos de estadstica


dentro del mbito de Seis Sigma

2. Diferenciar los tipos de datos a analizar

3. Entender el concepto de normalidad, probabilidades normales


y teorema del lmite central

4. Entender y aplicar los valores de Z

5. Entender los conceptos de capacidad de proceso

125
Qu es estadstica?

La palabra estadstica, tiene sus orgenes en la palabra Estado. Los


romanos la utilizaban para nombrar los conteos que realizaban para
sus censos de poblacin.

Bsicamente la estadstica es una rama de las matemticas


encargada de la organizacin y anlisis de datos para el
entendimiento de grupos y poblaciones.

126
Diferentes tipos de estadstica
Estadstica

Descriptiva Inferencial

Entender o Tomar decisiones


caracterizar los datos acerca de una
provenientes de una poblacin con base a
muestra o poblacin. los parmetros, o
caractersticas, de
una muestra.

127
Estadstica Bsica

Su intencin es describir como se comporta un grupo de datos en


un momento dado. Es caracterizar los datos para obtener
informacin de los mismos a travs de ciertos parmetros de
dicho grupo.

Hay que medir


para entender!

128
Estadstica Bsica
Qu
Qu clases
clases de de datos
datos recolectas
recolectas en
en
tu
tu rea
rea de
de trabajo?
trabajo?
(Elabora una lista abajo)

___________________________________________________
___________________________________________________
___________________________________________________
___________________________________________________
___________________________________________________
___________________________________________________
___________________________________________________
___________________________________________________
___________________________________________________
___________________________________________________
___________________________________________________

129
Estadstica Bsica

Diferentes tipos de datos, requieren diferente tipo de anlisis. Debido


a esto necesitamos identificar que tipo de datos estamos manejando:

DATOS DE ATRIBUTOS - Los datos son discretos


(contados). Resultan del uso de gages pasa/no pasa, o
de la inspeccin de defectos visuales, problemas
visuales, partes faltantes, o de decisiones pasa/falla o
s/no.

DATOS VARIABLES - Los datos son contnuos (medidos).


Resultan de la medicin real de una caracterstica tal
como la impedancia del embobinado de un motor,
fuerza de tensin del acero, dimetro de un tubo, flujo
de una bomba, tiempo, dinero, etc.

130
Estadstica Bsica

DATOS
DATOSDE
DEATRIBUTOS
ATRIBUTOS(Datos
(Datosde
deconteo)
conteo)
(#1) Nmero de partes en una categora (Proporciones basadas en conteo)
(#1) Nmero de partes en una categora (Proporciones basadas en conteo)
Tipo-I Aguila/Sello (ej., contar el # de guilas y el # de sellos) Solamente
Datos de
Aguila/Sello (ej., contar el # de guilas y el # de sellos)
pregntate a
Atributos Si/No
Si/No (Forma
(Formapara
paraordenar
ordenarllenada
llenadaexactamente
exactamenteoono)

no)
(Binomial) Pasa/Falla; ti mismo,
Pasa/Falla; Bueno/Malo
Bueno/Malo (Cobro
(Cobroexacto/Cobro
exacto/Cobroexagerado)
exagerado) Estoy
(#2) Cantidad de veces de un evento discreto
(#2) Cantidad de veces de un evento discreto contando
# de raspones en el cofre de un auto
# de raspones en el cofre de un auto cosas aqu?
Tipo-II # de errores en una forma
# de errores en una forma
Datos de
Atributos # roturas de aislante en un rollo de alambre
# roturas de aislante en un rollo de alambre
Si la
(Poisson) # de veces que un cliente cuelga sin recibir respuesta respuesta es
# de veces que un cliente cuelga sin recibir respuesta
afirmativa;
entonces son
DATOS
DATOSVARIABLES
VARIABLES(Escala
(Escalade
demedicin
medicincontinua)
continua) datos de
(#3) Datos continuos
(#3) Datos continuos atributos.
Las subdivisiones decimales son significativas
Las subdivisiones decimales son significativas
Ej: Tiempo de contestar el telfono ( # exacto de segundos por llamada)
Ej: Tiempo de contestar el telfono ( # exacto de segundos por llamada)

131
Ejercicio: Qu Tipo de Dato es?
Instrucciones:
Instrucciones: Para
Paracada
cadauna
unade
delas
lassiguientes
siguientesaplicaciones,
aplicaciones,identifica
identificaeleltipo
tipode
de
datos
datos que estaras investigando (Atributos Tipo-I, Atributos Tipo-II , Datosde
que estaras investigando (Atributos Tipo-I, Atributos Tipo-II , Datos de
Variables)
Variables)
......YYEXPLICA
EXPLICATUTURESPUESTA
RESPUESTA
(1) Porcentaje de partes defectuosas en la produccin cada hora

(2) Porcentaje de contenido de crema en botellas de leche (contenedor de cuatro botellas)

(3) Tiempo de respuesta a un pedido

(4) Nmero de manchas por metro cuadrado de tela, donde las piezas pueden ser de tamao
variable

(5) Prueba diaria de acidez en el agua (pH)

(6) Nmero de pasas en una caja de Raisin Bran

(7) Nmero de partes defectuosas en lotes de tamao 100

(8) Largo de los tornillos en muestras de tamao diez, de lotes de produccin

(9) Nmero de errores en una orden de compra


132
Qu nos interesa de los datos?

Nos interesa describir un grupo de datos en trminos de 3 elementos:

Forma Centro Dispersin

Por qu nos interesarn estos elementos?

133
Medidas de Tendencia Central

Nos interesa conocer el centro para comparar a nuestros datos


contra una referencia.
n

Media: Promedio aritmtico de un grupo de valores x i

- Refleja la influencia de todos los valores i 1


n
- Influenciado por los valores extremos

Mediana: Muestra el valor que representa el 50% del rango - el


nmero central de un grupo de nmeros al ordenarlos de mayor a
menor
- Su clculo no incluye a todos los valores (puntual)
- No se afecta por valores extremos

Moda: El valor que ocurre con mayor frecuencia en un grupo de


datos. En una grfica de Pareto, es la barra ms grande. Puede que
no exista, pero si existe, puede no ser nica (multimodal).
134
Ejercicio
Calcula la media, mediana y moda de los siguientes datos:

3, 1, 3, 4, 5, 3, 2, 7, 8, 6, 4, 6, 8, 5, 4, 3, 5, 6, 2, 54

Media:

Mediana:

Moda:

Cul describe mejor a los datos?, Por qu?

135
Ejercicio

Suponga su hijo o hija esta considerando trabajar en un negocio


pequeo y familiar despues de graduarse. El dueo del negocio
establece, de los ultimos 7 graduados que ha contratado, la media del
salario ha sido $ 25,000; los salarios son bimodales, con modas de
$ 18,000 y $ 20,000; y la mediana de los salarios ha sido $ 19,000.
El se reusa a identificar salarios inviduales.

Utilice su conocimiento en media, mediana y moda para analizar la


oportunidad de salario inicial en este negocio. (redondear los salarios
a miles)

De Introductory Statistics William D. Ergle


136
Medidas de Dispersin

Nos interesa describir a los datos considerando que tanta variacin


existe alrededor de una medida de tendencia central:

Rango: La distancia entre los valores extremos de un grupo de


datos (mayor menos el menor). El rango es muy sensible a datos
extremos que otras medidas
R Max( xi : xn ) Min( xi : xn )
Varianza ( ): La diferencia cuadrada de cada valor con
n
respecto a la media.
(x )
i
2


2 i 1
n
Desviacin estndar ( ): Raz cuadrada de la varianza

137
EJERCICIO EN CLASE Calcule manualmente la varianza y la
desviacin estndar de estos 5 datos

X X X X
2
X X
5
4
3 Prom
Prom==___
___
1
Suma de los datos
2 X =
Nmero de datos

Suma
Sumade delala
ltima
ltimacolumna
columna
==_______
S S 2 S2 _______

Saque
Saqueraz
raz Divida
Dividalalasuma
suma
cuadrada
cuadradadedelala entre
entre(n-1):
(n-1): 2
varianza
varianza ==Varianza
Varianza==SS2
==Desv.est.
Desv.est.==SS ==__________
__________
==_________
_________ 138
Parmetros de la Poblacin vs
Estadsticas de la muestra
Ejemplos de Ejemplos de n= MUESTRA:
N= POBLACION:
1000
Los habitantes de EE.UU. Ciudadanos
Aos de Produccin Hrs. de
Todos los granos de arena en la playa produccin
Un puo de
arena
(Letras latinas)
(Letras griegas)
X = Media de la muestra
= La media de la Poblacin
= Desviacin estndar de la Poblacin s = Desviacin estndar de la
muestra

La inferencia estadstica nos permite inferir el comportamiento de la poblacin


usando los datos de la muestra.
139
Estadstica Descriptiva

Usando Minitab:

Datos bsicos.mtw

140
Estadstica Descriptiva

Indica en minitab que


variable queremos
analizar:

Selecciona O.K.

141
Estadstica Descriptiva

Descriptive Statistics: Datos

Variable N Mean Median TrMean StDev SE Mean


Datos 150 3.004 2.210 2.747 2.511 0.205

Variable Minimum Maximum Q1 Q3


Datos 0.034 13.327 1.286 3.937

Una forma rpida de obtener la estadstica descriptiva.

142
Estadstica Descriptiva

La estadstica descriptiva es aquella que sumariza caractersticas propias


de un grupo de datos para su entendimiento. Principalmente nos interesan
las medidas de tendencia central y de dispersin.

No olvides que una


imagen dice ms que mil
palabras, nos interesa
mucho tener una
descripcin grfica. Las
grficas nos ayuda a
visualizar la
DISTRIBUCIN DE LOS
DATOS

143
Distribucin Grfica

Podemos describir el comportamiento de cualquier


proceso o sistema graficando mltiples puntos de
datos para la misma variable
Tiempo Extra
A travs de productos o negocios
Por diferente gente, mquinas, turnos, etc.

La acumulacin de estos datos pueden ser vistos


como una distribucin de valores
Representados por :
Grfica de puntos (Dot Plots)
Histogramas (Histograms)
Grfica de Cajas (Box Plots)

144
Grfica de puntos (Dot Plot)

Se grafican todos
los valores como
se van
presentando en el
grupo de datos.

::
::
.:.::
:::::::::::.:
..::.::::::.:::.:.:.:.:::::.:..
++++++C1

100125150175200225

145
Grfica de puntos (Dot Plot)

Dotplot for Datos

0 5 10
Datos

Indica la columna que Qu podemos apreciar de la


contiene a los datos y grfica?
selecciona O.K.

146
Histograma

Los histogramas
:: :::. . . agrupan acorde a las
:.. :::::: : : frecuencias que se
. :.. ..::::::::::::::: :: ::. encuentran dentro de
:..: .::::::::::::::::::::::::.:::..:.: . ciertos rangos o
1.0 1.1 1.2 1.3 1.4 clases.
1.05 1.15 1.25 1.35

Imaginemos los mismos


datos, agrupados en
intervalos con barras que
representan las frecuencias
de las clases

147
Histograma

40

30

Frequency
20

10

0 5 10 15
Datos

Indica la columna que Qu podemos apreciar de la grfica


contiene a los datos y a diferencia del dot plot?
selecciona O.K.

148
Box Plots
Grfica muy til para sumarizar un grupo de datos. Busca separar los
datos en 4 partes iguales (Cuartiles), por lo que tambin es conocida
como grfica de cuartiles:
Q3+1.5(Q3-Q1) Con qu otro
nombre
conocemos a este
cuartil?
Q3 75%
Q2 50%

Q1 25%

Q1-1.5(Q3-Q1)
Outlier o dato
extremo
(aberrante)

149
Box Plots

14

12

10

Datos
6

Indica la columna que Qu podemos apreciar de la grfica


contiene a los datos (Y) y a diferencia del dot plot y del
selecciona O.K. histograma?

150
Forma de la distribucin

Si nosotros podemos determinar si la forma de la distribucin de


nuestros datos se ajusta a un modelo previamente estudiado,
podemos aprovechar las propiedades de dicho modelo para describir
el comportamiento de la muestra o de la poblacin, incluso hacer
algn tipo de inferencia o prediccin acerca del comportamiento de
los datos. De particular inters, es determinar si los datos siguen un
comportamiento normal.

151
Qu es normalidad?

Decimos que algo es normal cuando su comportamiento es predecible. Es cuando


cuando un proceso (o grupo de datos) se comporta aproximadamente a lo que
llamamos una distribucin normal.

El rea bajo la curva se


conoce como la densidad de
probabilidad.

X
152
Ooops, ahora qu es probabilidad?

Las probabilidades es la factibilidad de ocurrencia de un evento especfico.


Debido a que nuestras actividades diarias estn rodeadas de incertidumbre,
debemos pensar en trminos de que tan factible (probable) ocurra una cierta
cosa.
Qu tan factible es, si
lanzamos un dado, que salga
un 6?

Ahora, Qu tan probable es


si lanzas 2 dados, ambos
sean 6?

153
Distribuciones de Probabilidad

Para la primera pregunta, debemos definir todas las posible salidas:

1 2 3 4 5 6 Salidas posibles: 6

Factibilidad 1 de 1 de 1 de 1 de 1 de 1 de
de
6 6 6 6 6 6
obtener....

Cul es la mxima probabilidad posible?

Cul la mnima probabilidad posible?

154
Distribuciones de probabilidad

Para la segunda pregunta, las probabilidades son diferentes:

1 2 3 4 5 6
1 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278
2 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278
3 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278
4 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278
5 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278
6 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278

Cul es la probabilidad que ambos dados sumen 5?

155
Distribuciones de probabilidad

1 2 3 4 5 6
1 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278
2 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278
3 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278
4 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278
5 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278
6 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278

P(d1 + d2 = 5)= 0.0278 + 0.0278 + 0.0278 + 0.0278 = 0.1111

o 4 de 36.

En trminos prcticos, aproximadamente el 11.11% de las veces


que lanzamos dos dados, ambos sumaran 5. Si apostramos,
cuntas veces esperaremos que los dados sumen 2 o 7 o 4?
156
Distribuciones de probabilidad

1 2 3 4 5 6
1 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278
2 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278
3 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278
4 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278
5 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278
6 0.0278 0.0278 0.0278 0.0278 0.0278 0.0278

Suma Frecuencia Suma Frecuencia


2 1 8 5 Hay que graficar...
3 2 9 4
4 3 10 3
5 4 11 2
6 5 12 1
7 6
157
Distribuciones de probabilidad

0
2 3 4 5 6 7 8 9 10 11 12

Esta grfica muestra la distribucin de frecuencias (histograma), si


en vez de frecuencias usamos probabilidades la llamaramos
distribucin de probabilidad.

158
Distribuciones de probabilidad

6 1
5 0.8
4
0.6
3
0.4
2
1 0.2

0 0
1 2 3 4 5 6 7 8 9 10 11 12 13

Ahora sabemos como se comporta el proceso de lanzar dos


dados, as que podemos hacer predicciones de la salida con
cierto nivel de confianza. La distribucin normal en un modelo de
distribucin de probabilidades que describe la mayora de las
actividades realizadas por el hombre.

159
Distribucin Normal

Si nuestro Y = f(X)
proceso se
comporta en
forma normal,
entonces = Desviacin estndar
podemos estimar
la capacidad del
proceso, y si se
Esta frmula es para
requieren calcular la probabilidad...
mejoras,
1
1 x

2

p ( X x) e 2
dx
podemos utilizar x
2
varias
herramientas
aplicables a la = media x
distribucin
normal.
160
Propiedades de la
distribucin normal
1era.Propiedad: Una distribucin normal puede ser
descrita completamente con solo saber la:
media, y
la desviacin estndar

Distribucin
DistribucinUno
Uno

Distribucin
Distribucin
Dos
Dos

Distribucin
DistribucinTres
Tres

Cul es la diferencia entre estas tres distribuciones?


161
Propiedades de la
distribucin normal
2nda Propiedad: El rea bajo secciones de la curva puede
usarse para estimar la probabilidad acumulativa de que
cierto evento ocurra
Valor de Probabilidad de Muestra

Probabilidad
68.26% acumulada de obtener
40% un valor entre dos
valores
30%
95.44%

20%
99.73%
10%

0%
-4 -3 -2 -1 0 1 2 3 4
Numero de desviaciones estndar desde la media
162
Regla Emprica de la Desviacin
Estndar
Las reglas anteriores de probabilidad acumulativa aplican an cuando
un grupo de datos no este normalmente distribuido. Comparemos los
valores de distribuciones tericamente normales (perfectas) a
distribuciones empricas (del mundo real) .
Nmero de
Desviaciones Terica Emprica
Estndar Normal Normal

+/- 1 68% 60-75%

+/- 2 95% 90-98%

+/- 3 99.7% 99-100%


163
Probabilidades normales

Con lo anteriormente descrito, sabemos que podemos predecir en


trminos de probabilidades la ocurrencia de un evento. Para eso
debemos de resolver la siguiente ecuacin:

p(x>a)
p(x > a) = 1 e-(1/2)[(x - )/]2 dx
2
a
a

164
Probabilidades normales

Dado que el uso de este modelo puede ser extremadamente difcil


(principalmente si no sabemos clculo o no tenemos Excel, que seguro era el
caso en el siglo 18), los estadsticos idearon una solucin muy simple.
Estandarizaron la distribucin normal, la distribucin Z. La distribucin Z tiene una
media de 0 y desviacin estndar de 1.


Para cambiar de la
normal a la Z,
necesitamos esta
transformacin: x

Z=x- Si tenemos estas condiciones, el


clculo de probabilidades es
mucho ms simple y general (las
probabilidades estn tabuladas)
Z

165
Probabilidades normales
Z 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
rea
rea -3.0 0.00135 0.00131 0.00126 0.00122 0.00118 0.00114 0.00111 0.00107 0.00104 0.00100
==0.0778
0.0778 -2.9 0.00187 0.00181 0.00175 0.00169 0.00164 0.00159 0.00154 0.00149 0.00144 0.00139
-2.8 0.00256 0.00248 0.00240 0.00233 0.00226 0.00219 0.00212 0.00205 0.00199 0.00193
-2.7 0.00347 0.00336 0.00326 0.00317 0.00307 0.00298 0.00289 0.00280 0.00272 0.00264
-2.6 0.00466 0.00453 0.00440 0.00427 0.00415 0.00402 0.00391 0.00379 0.00368 0.00357
-2.5 0.00621 0.00604 0.00587 0.00570 0.00554 0.00539 0.00523 0.00508 0.00494 0.00480
-2.4 0.00820 0.00798 0.00776 0.00755 0.00734 0.00714 0.00695 0.00676 0.00657 0.00639
-2.3 0.01072 0.01044 0.01017 0.00990 0.00964 0.00939 0.00914 0.00889 0.00866 0.00842
-2.2 0.01390 0.01355 0.01321 0.01287 0.01255 0.01222 0.01191 0.01160 0.01130 0.01101
-2.1 0.01786 0.01743 0.01700 0.01659 0.01618 0.01578 0.01539 0.01500 0.01463 0.01426
-2.0 0.02275 0.02222 0.02169 0.02118 0.02068 0.02018 0.01970 0.01923 0.01876 0.01831
Z= -1.42 0 -1.9 0.02872 0.02807 0.02743 0.02680 0.02619 0.02559 0.02500 0.02442 0.02385 0.02330
-1.8 0.03593 0.03515 0.03438 0.03362 0.03288 0.03216 0.03144 0.03074 0.03005 0.02938
Tengo -1.7 0.04457 0.04363 0.04272 0.04182 0.04093 0.04006 0.03920 0.03836 0.03754 0.03673
Tengoelelvalor
valor -1.6 0.05480 0.05370 0.05262 0.05155 0.05050 0.04947 0.04846 0.04746 0.04648 0.04551
ZZ==-1.42,
-1.42,yynecesito
necesito -1.5 0.06681 0.06552 0.06426 0.06301 0.06178 0.06057 0.05938 0.05821 0.05705 0.05592
elelrea
rea (colainferior)
(cola inferior) -1.4 0.08076 0.07927 0.07780 0.07636 0.07493 0.07353 0.07215 0.07078 0.06944 0.06811
-1.3 0.09680 0.09510 0.09342 0.09176 0.09012 0.08851 0.08692 0.08534 0.08379 0.08226
-1.2 0.11507 0.11314 0.11123 0.10935 0.10749 0.10565 0.10383 0.10204 0.10027 0.09853
-1.1 0.13567 0.13350 0.13136 0.12924 0.12714 0.12507 0.12302 0.12100 0.11900 0.11702
-1.0 0.15866 0.15625 0.15386 0.15151 0.14917 0.14686 0.14457 0.14231 0.14007 0.13786
-0.9 0.18406 0.18141 0.17879 0.17619 0.17361 0.17106 0.16853 0.16602 0.16354 0.16109
-0.8 0.21186 0.20897 0.20611 0.20327 0.20045 0.19766 0.19489 0.19215 0.18943 0.18673
-0.7 0.24196 0.23885 0.23576 0.23270 0.22965 0.22663 0.22363 0.22065 0.21770 0.21476
-0.6 0.27425 0.27093 0.26763 0.26435 0.26109 0.25785 0.25463 0.25143 0.24825 0.24510
-0.5 0.30854 0.30503 0.30153 0.29806 0.29460 0.29116 0.28774 0.28434 0.28096 0.27760
-0.4 0.34458 0.34090 0.33724 0.33360 0.32997 0.32636 0.32276 0.31918 0.31561 0.31207
-0.3 0.38209 0.37828 0.37448 0.37070 0.36693 0.36317 0.35942 0.35569 0.35197 0.34827
-0.2 0.42074 0.41683 0.41294 0.40905 0.40517 0.40129 0.39743 0.39358 0.38974 0.38591
-0.1 0.46017 0.45620 0.45224 0.44828 0.44433 0.44038 0.43644 0.43251 0.42858 166
0.42465
Probabilidades normales
Z 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
rea
rea 0.0 0.50000 0.50399 0.50798 0.51197 0.51595 0.51994 0.52392 0.52790 0.53188 0.53586
==0.0778
0.0778 0.1 0.53983 0.54380 0.54776 0.55172 0.55567 0.55962 0.56356 0.56749 0.57142 0.57535
0.2 0.57926 0.58317 0.58706 0.59095 0.59483 0.59871 0.60257 0.60642 0.61026 0.61409
0.3 0.61791 0.62172 0.62552 0.62930 0.63307 0.63683 0.64058 0.64431 0.64803 0.65173
0.4 0.65542 0.65910 0.66276 0.66640 0.67003 0.67364 0.67724 0.68082 0.68439 0.68793
0.5 0.69146 0.69497 0.69847 0.70194 0.70540 0.70884 0.71226 0.71566 0.71904 0.72240
0.6 0.72575 0.72907 0.73237 0.73565 0.73891 0.74215 0.74537 0.74857 0.75175 0.75490
0.7 0.75804 0.76115 0.76424 0.76730 0.77035 0.77337 0.77637 0.77935 0.78230 0.78524
0.8 0.78814 0.79103 0.79389 0.79673 0.79955 0.80234 0.80511 0.80785 0.81057 0.81327
0.9 0.81594 0.81859 0.82121 0.82381 0.82639 0.82894 0.83147 0.83398 0.83646 0.83891
1.0 0.84134 0.84375 0.84614 0.84849 0.85083 0.85314 0.85543 0.85769 0.85993 0.86214
Z= -1.42 0 1.1 0.86433 0.86650 0.86864 0.87076 0.87286 0.87493 0.87698 0.87900 0.88100 0.88298
1.2 0.88493 0.88686 0.88877 0.89065 0.89251 0.89435 0.89617 0.89796 0.89973 0.90147
Tengo 1.3 0.90320 0.90490 0.90658 0.90824 0.90988 0.91149 0.91308 0.91466 0.91621 0.91774
Tengoelelvalor
valor 1.4 0.91924 0.92073 0.92220 0.92364 0.92507 0.92647 0.92785 0.92922 0.93056 0.93189
ZZ==-1.42,
-1.42,yynecesito
necesito 1.5 0.93319 0.93448 0.93574 0.93699 0.93822 0.93943 0.94062 0.94179 0.94295 0.94408
elelrea
rea (colainferior)
(cola inferior) 1.6 0.94520 0.94630 0.94738 0.94845 0.94950 0.95053 0.95154 0.95254 0.95352 0.95449
1.7 0.95543 0.95637 0.95728 0.95818 0.95907 0.95994 0.96080 0.96164 0.96246 0.96327
1.8 0.96407 0.96485 0.96562 0.96638 0.96712 0.96784 0.96856 0.96926 0.96995 0.97062
1.9 0.97128 0.97193 0.97257 0.97320 0.97381 0.97441 0.97500 0.97558 0.97615 0.97670
2.0 0.97725 0.97778 0.97831 0.97882 0.97932 0.97982 0.98030 0.98077 0.98124 0.98169
2.1 0.98214 0.98257 0.98300 0.98341 0.98382 0.98422 0.98461 0.98500 0.98537 0.98574
2.2 0.98610 0.98645 0.98679 0.98713 0.98745 0.98778 0.98809 0.98840 0.98870 0.98899
2.3 0.98928 0.98956 0.98983 0.99010 0.99036 0.99061 0.99086 0.99111 0.99134 0.99158
2.4 0.99180 0.99202 0.99224 0.99245 0.99266 0.99286 0.99305 0.99324 0.99343 0.99361
2.5 0.99379 0.99396 0.99413 0.99430 0.99446 0.99461 0.99477 0.99492 0.99506 0.99520
2.6 0.99534 0.99547 0.99560 0.99573 0.99585 0.99598 0.99609 0.99621 0.99632 0.99643
2.7 0.99653 0.99664 0.99674 0.99683 0.99693 0.99702 0.99711 0.99720 0.99728 0.99736
2.8 0.99744 0.99752 0.99760 0.99767 0.99774 0.99781 0.99788 0.99795 0.99801 0.99807
2.9 0.99813 0.99819 0.99825 0.99831 0.99836 0.99841 0.99846 0.99851 0.99856 167
0.99861
Probabilidades normales
Z 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
3.0 0.998650033 0.998693692 0.998736057 0.998777162 0.998817040 0.998855724 0.998893246 0.998929637 0.998964929 0.998999149
3.1 0.999032329 0.999064496 0.999095677 0.999125901 0.999155194 0.999183581 0.999211088 0.999237740 0.999263560 0.999288571
3.2 0.999312798 0.999336262 0.999358984 0.999380986 0.999402289 0.999422914 0.999442878 0.999462202 0.999480905 0.999499004
3.3 0.999516517 0.999533462 0.999549856 0.999565714 0.999581052 0.999595887 0.999610233 0.999624105 0.999637518 0.999650485
3.4 0.999663019 0.999675135 0.999686844 0.999698160 0.999709094 0.999719659 0.999729865 0.999739724 0.999749247 0.999758445
3.5 0.999767327 0.999775903 0.999784184 0.999792178 0.999799895 0.999807344 0.999814533 0.999821470 0.999828164 0.999834623
3.6 0.999840854 0.999846865 0.999852663 0.999858254 0.999863647 0.999868846 0.999873859 0.999878692 0.999883351 0.999887842
3.7 0.999892170 0.999896341 0.999900359 0.999904232 0.999907962 0.999911555 0.999915017 0.999918350 0.999921560 0.999924651
3.8 0.999927628 0.999930493 0.999933251 0.999935906 0.999938461 0.999940919 0.999943285 0.999945562 0.999947752 0.999949858
3.9 0.999951884 0.999953833 0.999955707 0.999957509 0.999959242 0.999960908 0.999962509 0.999964048 0.999965527 0.999966948
4.0 0.999968314 0.999969626 0.999970887 0.999972098 0.999973261 0.999974378 0.999975451 0.999976481 0.999977470 0.999978420
4.1 0.999979331 0.999980206 0.999981046 0.999981852 0.999982625 0.999983367 0.999984078 0.999984761 0.999985416 0.999986044
4.2 0.999986646 0.999987223 0.999987777 0.999988308 0.999988817 0.999989304 0.999989772 0.999990220 0.999990649 0.999991060
4.3 0.999991454 0.999991831 0.999992193 0.999992539 0.999992870 0.999993188 0.999993492 0.999993783 0.999994061 0.999994328
4.4 0.999994583 0.999994827 0.999995061 0.999995284 0.999995498 0.999995703 0.999995898 0.999996086 0.999996264 0.999996436
4.5 0.999996599 0.999996756 0.999996905 0.999997048 0.999997185 0.999997315 0.999997440 0.999997559 0.999997673 0.999997782
4.6 0.999997885 0.999997985 0.999998079 0.999998170 0.999998256 0.999998339 0.999998417 0.999998492 0.999998564 0.999998632
4.7 0.999998698 0.999998760 0.999998819 0.999998876 0.999998930 0.999998982 0.999999031 0.999999078 0.999999122 0.999999165
4.8 0.999999206 0.999999244 0.999999281 0.999999316 0.999999350 0.999999382 0.999999412 0.999999441 0.999999469 0.999999495
4.9 0.999999520 0.999999544 0.999999567 0.999999588 0.999999609 0.999999628 0.999999647 0.999999665 0.999999682 0.999999698
5.0 0.999999713 0.999999727 0.999999741 0.999999754 0.999999767 0.999999779 0.999999790 0.999999801 0.999999811 0.999999821
5.1 0.999999830 0.999999839 0.999999847 0.999999855 0.999999862 0.999999870 0.999999876 0.999999883 0.999999889 0.999999895
5.2 0.999999900 0.999999905 0.999999910 0.999999915 0.999999920 0.999999924 0.999999928 0.999999932 0.999999935 0.999999939
5.3 0.999999942 0.999999945 0.999999948 0.999999951 0.999999953 0.999999956 0.999999958 0.999999961 0.999999963 0.999999965
5.4 0.999999967 0.999999968 0.999999970 0.999999972 0.999999973 0.999999975 0.999999976 0.999999977 0.999999979 0.999999980
5.5 0.999999981 0.999999982 0.999999983 0.999999984 0.999999985 0.999999986 0.999999986 0.999999987 0.999999988 0.999999989
5.6 0.999999989 0.999999990 0.999999990 0.999999991 0.999999991 0.999999992 0.999999992 0.999999993 0.999999993 0.999999994
5.7 0.999999994 0.999999994 0.999999995 0.999999995 0.999999995 0.999999996 0.999999996 0.999999996 0.999999996 0.999999996
5.8 0.999999997 0.999999997 0.999999997 0.999999997 0.999999997 0.999999998 0.999999998 0.999999998 0.999999998 0.999999998
5.9 0.999999998 0.999999998 0.999999998 0.999999998 0.999999999 0.999999999 0.999999999 0.999999999 0.999999999 0.999999999
6.0 0.999999999 0.999999999 0.999999999 0.999999999 0.999999999 0.999999999 0.999999999 0.999999999 0.999999999 0.999999999

168
Probabilidades normales

Bueno, tenemos la distribucin Z, y luego?

Imagina que tenemos un LIE


material que necesitamos = 1 hr.
que no llegue a nuestra
planta en menos de 10.5
horas para asegurar la
efectividad de nuestro
Kanban. Nuestro proveedor
(Tomorrowsure, inc.)
???
asegura que en promedio
entrega en 12 horas con una
desviacin estndar de 1
hora. Qu porcentaje de las
veces nos estar entregando
en menos de 10.5 horas? 10.5 hr. 12 hr.

169
Probabilidades normales

LSL

Z = x -
= 1 hr
= (10.5 - 12) = -1.5
???
1
Buscamos este
valor en las tablas
10.5 hr 12 hr
Z

-1.7
Z 0.0446
0 0.0436
0.01 0.0427
0.02 0.0418
0.03 0.0409
0.04 0.0401
0.05 0.061.3
-1.60.50000
0.0 0.0548 0.50399
0.0537 0.50798
0.0526 0.0516
0.51197 0.0505
0.51595 0.0495 1.4
0.51994 0.52392
-1.5 0.0668 0.0655 0.0643 0.0630 0.0618 0.0606 1.5
-1.4 0.0808 0.0793 0.0778 0.0764 0.0749 0.0735 1.6

Por lo tanto, el proveedor estar el 6.68% de las veces


entregando por debajo de la especificacin de 10.5 horas.

170
Probabilidades normales

Intenta esto:

Tomorrowsure est muy interesado en seguir siendo nuestro proveedor, y


promete que a lo ms va a entregar el 1% de las veces por debajo de 10.5
horas. Qu tan pequea debe ser su desviacin estndar para lograr esto?

Decidimos que 1% es demasiado, si Tomorrowsure asegura una desviacin


estndar de 0.5 horas, dnde debe colocar su promedio para asegurar solo el
0.5% de entregas tempranas?

171
Normalidad y Capacidad

LSL
LSL USL
USL
Y = f (X1 . . . XN)
La variacin inherente a cualquier variable independiente (Y) es
determinada por las variaciones inherentes a cada una de las variables
independientes.

Pobre Capacidad Excelente


del Proceso Capacidad
del Proceso
Muy Alta Muy Alta Muy Baja Muy Baja
Probabilidad Probabilidad Probabilidad Probabilidad
de Defectos de Defectos de Defectos de Defectos

LSL USL LSL USL


172
Teorema del Lmite Central

Varias
Variasdistribuciones
distribucionesmuestrales
muestralesdedemedidas
medidasindividuales
individuales

Muestra
Muestraaleatoria
aleatoriadedeconjuntos
conjuntosggcon
connnmedidas
medidasasignadas
asignadasaacada
cadaconjunto
conjunto

Para mas detalles,


ver las prximas
pginas.

X
X
El Teorema del lmite central: Segn el tamao de la muestra (el nmero de observaciones en cada
muestra) se vuelve lo suficientemente grande, se puede aproximar mediante la distribucin normal
la distribucin muestral de la media. Esto es cierto, independientemente de la forma de la la
distribucin de los valores individuales en la poblacin.

173
Teorema del Lmite Central
Distribucin
Distribucinde
devalores
valores Distribucin
Distribucinde
depromedios
promedios
individuales
individuales
1 punto es ... 1 valor individual 1 Prom (ej., 1 X-Barra)
Una pila de valores
Histograma es... Una pila de X-Barras
individuales
X
Dispersin es... X Comprimida por
Comprimida por n SE(Media) X
n

Cul es la probabilidad de Cul es la probabilidad de que el


La pregunta que una batera dure ms de promedio de vida de una muestra
podra ser... 87 horas? n=20 exceda 87 horas?

Grficamente...

74
74 85
85 96
96 74
74 85
85 96
96

174
Teorema del Lmite Central

La
Ladistribucin
distribucinde
depromedios
promedios

10.5 10 9.5
Y = Peso (lbs)

Medicin individual

= Promedio del subgrupo

175
Problemas con el tamao de la muestra
La evaluacin de normalidad es muy sensible al tamao de la
muestra. Con pocos datos la prueba puede no encontrar suficientes
frecuencias y no arrojar un valor de p. En estos casos solo podemos
obtener ms datos o analizar la grfica de probabilidad normal. Los
histogramas son tiles pero con menos de 20 datos, la evaluacin es
muy mala. La mejor opcin es revisar tanto analtica como
grficamente los resultados.

176
Evaluacin de normalidad

Para evaluar normalidad, necesitamos establecer que tan similar o


diferente son nuestros datos con respecto a una distribucin
normal. Hay tres maneras de hacerlo:

Por apreciacin: Observando el histograma para determinar si los


datos tienen forma de campana o no:
Histogram

18
16
14
Frequence

12
10
8
6
4
2
0

Class

177
Evaluacin de normalidad

Por comparacin: Comparando los datos a la curva normal y


determinando que tan bueno es el ajuste entre ambos.

Normal probability evaluation plot

1.0000

0.8000

0.6000
Cum rel frequency
Normal rel frequency
0.4000

0.2000

0.0000
5 7 9 11 13 15 17 19 21 23 25

178
Evaluacin de normalidad

Mediante pruebas: Aplicar pruebas de bondad de ajuste para


cuantificar el ajuste entre los datos y la distribucin normal. Existen
varias pruebas:

Prueba de Anderson-Darling
Prueba de Ryan-Joyner
Prueba de Kolmogorov-Smirnof
Prueba de la Chi-cuadrada

Todas las pruebas evalan la bondad de ajuste. Para todas,


buscamos un valor de p (discutiremos esto ms tarde en nuestro
entrenamiento) de la prueba. Si el valor de p es mayor a 0.05,
entonces podemos afirmar que los datos se comportan
aproximadamente normal.

179
Evaluacin de normalidad

Retomando nuestro
ejemplo de datos a
describir, vamos a
evaluar si son
normales o no:

180
Evaluacin de normalidad

Normal Probability Plot

.999
.99
.95

Probability
.80
.50
.20
.05
.01
.001

0 5 10
Datos
Indica la columna que Average: 3.00388 Anderson-Darling Normality Test
StDev: 2.51141 A-Squared: 6.516
contiene a los datos y N: 150 P-Value: 0.000

selecciona O.K.
Podemos afirmar que los datos son
normales? Qu tcnicas de
evaluacin de normalidad estamos
observando?

181
Resumen Grfico

Selecciona la variable de anlisis


y escoge la opcin Graphs...

Hasta ahora todo se ve igual...

Selecciona el resumen grfico y


presiona O.K. 2 veces.

182
Resumen Grfico
Descriptive Statistics
Variable: Datos

Anderson-Darling Normality Test


A-Squared: 6.516
P-Value: 0.000

Mean 3.00388
StDev 2.51141
Variance 6.30718
Skewness 1.56067
Kurtosis 2.54199
N 150
0 2 4 6 8 10 12
Minimum 0.0345
1st Quartile 1.2863
Median 2.2097
3rd Quartile 3.9370
95% Confidence Interval for Mu Maximum 13.3266
95% Confidence Interval for Mu
2.5987 3.4091
2.0 2.5 3.0 3.5 95% Confidence Interval for Sigma
2.2558 2.8329
95% Confidence Interval for Median
95% Confidence Interval for Median
1.8813 2.5847

Todo lo que vimos en una sola grfica!

183
Ejemplo
Supn que estamos midiendo los tiempos de Data
entrega de uno de nuestros proveedores, para 6.9
8.4
poder aplicar cierta herramienta estadstica 9.6
10.2
debemos determinar si los datos se comportan 10.6
11.0
en forma normal o no. 11.1
11.1
11.9
11.9
12.1
12.3
Rastreamos 29 entregas: 12.4
12.5
12.7
12.8
13.1
13.2
13.2
13.2
13.4
13.9
13.9
Tiempo de entrega.mtw 14.0
14.0
14.0
14.2
14.7
15.0

184
Intenta esto...
En tus equipos. Cada jugador realizar 15 tiros con la catapulta y van
a medir la distancia que vuela la pelota. Luego analicen los datos por
separado: Distancia global, y la distancia por tirador. Determina si los
datos son normales, en caso de no serlo hacer una lluvia de ideas de
posibles causas de no normalidad.

185
Que nos queda...

Recuerda:

1. Tenemos 2 tipos principales de datos: Atributos y Variables.


2. Al evaluar los datos verificamos Forma, Centro y
Dispersin.
3. Evaluar la normalidad es parte muy importante en el
anlisis de datos (especialmente con datos continuos).
4. Si el valor de p es mayor a 0.05, podemos considerar los
datos como normales.
5. El tamao de la muestra es un problema, mientras ms
datos tengamos mejor. 20+ datos son adecuados, menos
que eso no es apropiado.

186
MEDIR

Habilidad del proceso

187
Habilidad del proceso y el lenguaje Six Sigma

Indices de Habilidad del Proceso


CP - ndice de habilidad potencial del proceso de corto plazo
CPK - ndice de habilidad del desempeo de corto plazo
PP - ndice de habilidad potencial de largo plazo
PPK - ndice de habilidad del desempeo de largo plazo
Terminos Six Sigma
DPMO - Defectos por Milln de oportunidades
DPO - Defectos por oportunidad
DPU - Defectos por unidad
Nivel de Sigma del proceso - ndice de la cantidad de defectos en
el proceso

188
Diferencias claves entre la Habilidad del Proceso y los trminos Six
Sigma

Generalmente, la Habilidad del proceso se enfoca en


una sola caracterstica del producto.
El ndice Six Sigma se enfoca en todas las
caractersticas del producto.
Para datos continuos, el ndice de capabilidad del
proceso se enfoca en la distancia que existe de una
caracterstica con respecto a sus lmites de
especificacin.
Los ndices de Six Sigma solamente consideran si
las caractersticas se encuentran, o no dentro de los
lmites de especificacin

189
Por qu necesitamos evaluar la habilidad del proceso?

Nos permite cuantificar la naturaleza del problema que vamos a atacar de la


siguiente manera:
Son las especificaciones correctas para el parmetro (Y) de inters
(proceso o desempeo de la variable de salida) ?

La ubicacin de la tendencia central del parmetro (Y) est centrada


dentro de las especificaciones apropiadas?

La variacin del proceso en el parmetro (Y) es ms grande que la


permitida por las especificaciones?

El sistema de medicin est afectando nuestra habilidad para evaluar


correctamente la capacidad del proceso?

Permite a la organizacin predecir niveles de defectos.

191
Qu es el anlisis de habilidad?

Duracin de las llamadas


de Servicio al Cliente de
Noviembre Limite
superior
de
control
Es el resultado de 200

comparar el Numero de

desempeo del llamadas


telefnicas
100

proceso real contra el


desempeo estandar
0
0 2 4 6 8 10
Minutos

Desempeo real del


proceso (Dispersin)

192
Qu es el anlisis de habilidad?

La Habilidad es una
medicin en unidades de
desviaciones standar (Z)
de qu tan lejos est un 1 2
lmite de especificacin de
la ubicacin central de la
distribucin (media).

s
Qu tan lejos se
encuentran las lneas 1 y 2 -3 -2 -1 +1 +2 +3
de la media?
Lnea 1 = _____
Lnea 2 = _____
193
Prediccin de los niveles de defectos

Distribucin Normal Z (Estandar)


z=
(x - m)
s
Esta transformacin produce un valor de una distribucin
donde: Media = 0 y Sigma = 1

El valor, Z, indica que tan lejos est el nmero de inters, X, de la


media en unidades de desviaciones estandar.

Por ejemplo, si Z = 2, entonces el nmero en cuestin, X, est a 2


desviaciones estandar de la media.

Para predecir niveles de defectos, (o estimar el nivel de aceptacin),


podemos substituir el Lmite Inferior de Especificacin (LSL) y el Lmite
Superior de Especificacin (USL) por X.
Para usar este mtodo, podemos calcular la proporcin del producto
que est fuera de especificacin basado en el desempeo del proceso
actual, la media y la desviacin standard (Sigma).
194
EJEMPLO

LSL USL
Media = 1.034 700

s = .0553 600

500

F r e q ue n c y
400

Vamos a decir: 300

200

LSL = 0.90 100

USL = 1.10 0

0. 8 0. 9 1. 0 1. 1 1. 2 1. 3

raw

* Los Valores estn basados en datos de largo plazo (long term).


195
EJEMPLO

Distribucin de problema
LSL USL
Real 700

Problema prctico: Determinar 600

500
el % de producto fuera de

Frequency
400

especificacin. 300

200

100

0.8 0.9 1.0 1. 1 1.2 1.3


raw

Distribucin Normal Estandar LSL USL


500

400

Problema estadstico: Estimar la


Frequency
300

proporcin de la curva normal que 200

est fuera del lmite inferior y superior 100

de especificacin. 0

Calcular el valor de Z para cada lmite -4 -3 -2 -1 0 1 2 3 4


C2
de especificacin. 196
EJEMPLO
La fraccin que est fuera de los lmites de especificacin puede ser
estimada de la siguiente manera:
(LIE - x)
(LSE - x ) Z =
ZS = I


0.9 - 1.034
1.1 - 1.034 =
= .0553
.0553 = - 2.42
= 1.19

Lower Spec
Upper Spec

0.85 0.90 0.95 1.00 1.05 1.10 1.15 1.20 1.25 0.80 0.85 0.90 0.95 1.00 1.05 1.10 1.15 1.20

Pr (x < 0.9) + Pr (x > 1.1) = Pr (Z < 2.42) + Pr (Z >1.19)


= 0.78% + 11.70%
= 12.48%
197
Pequeos cambios en el promedio del proceso pueden ser
indetectables en un grfico de control.
Valores de la
medicin

6 ST 6 LT

Tiempo

198
Variacin del proceso corto plazo ( short term) Vs largo plazo
Valores de la medicin(long-term)

Variacin
corto plazo

Variacin Variacin
corto plazo largo plazo

Tiempo

199
Largo plazo (long term) VS. Corto plazo (short term) HABILIDAD

Visualizando los componentes:

El centrado de un
proceso es dinmico
por naturaleza Variacin dentro del subgrupo
1 (variacin a corto plazo ST)
Tiempo 1

Tiempo 2

Tiempo 3

Tiempo 4
Variacin entre subgrupos

Variacin del proceso a largo


plazo (LT)

LSL Nominal USL 200


Largo plazo (long term) VS. Corto plazo (short term) HABILIDAD

Para una capabilidad Six Sigma en el


corto plazo, la dist. Debe estar centrada Habilidad de largo plazo estimada
incluyendo el 1.5 Sigma de ajuste entre
la y el LE:

Long-Term: Long-Term:
3.4 ppm 3.4 ppm

Short-Term: Short-Term:
0.000000001 ppm 0.000000001 ppm
LSL USL

Correccin Generalizada:
El estimado inicial de reduccin es 1.5 Sigma

La reduccin de 1.5 sigma (shift) es usada como un factor compensador en la


media para contabilizar de manera general la variacin dinmica no aleatoria en
el centrado del proceso. Representa la cantidad promedio de cambio en un
proceso tpico durante muchos ciclos.
201
ndices de Habilidad real y potencial

ndices de habilidad en el Corto ndices de habilidad en el Largo


Plazo (Short term) Plazo (Long term)
(USL - LSL) (USL - LSL)
C = Pp =
p
6sshort-term 6slong-term

Min (USL - x , x - LSL) Min (USL - x , x - LSL)


Cpk = Ppk =
3sshort-term 3slong-term

202
Anlisis de habilidad con minitab

Minitab: Stat > Quality Tools > Capability Analysis


Process Capability Analysis for Output Process Capability Analysis for Output

Lower Spec Upper Spec Lower Spec Upper Spec

0 1 2 3 4 5 1.0 1.5 2.0 2.5 3.0 3.5

Pp 0.52 Targ * Mean 2.37567 %>USL Exp 6.25 PPM>USL Exp 62530 Cp 2.30 Targ * Mean 2.37567 %>USL 0.00 PPM>USL 0
PPU 0.51 USL 3.6000 Mean+3s 4.77026 Obs 0.00 Obs 0 CPU 2.25 USL 3.6000 Mean+3s 2.91959 Exp Obs 0.00 Exp Obs 0
PPL 0.53 LSL 1.1000 Mean-3s -0.01892 %<LSL Exp 5.50 PPM<LSL Exp 55001 CPL 2.35 LSL 1.1000 Mean-3s 1.83175 %<LSL 0.00 PPM<LSL 0
Ppk 0.51 k 0.0205 s 0.79820 Obs 0.00 Obs 0 Cpk 2.25 k 0.0205 s 0.18131 Exp Obs 0.00 Exp Obs 0
Cpm * n 32.0000 Cpm * n 32.0000

Options: Options:
Subgroup Size = 1 Subgroup Size = Shift
Estimate: Total Standard Deviation Estimate: Pooled Standard Deviation
203
Anlisis de habilidad con minitab

Minitab: Stat > Quality Tools > Capability Analysis (Normal)

Options:
Subgroup Size = 5
Estimate: Pooled Standard Deviation 204
EJERCICIO EN CLASE

205
Anlisis del Sistema de
Medicin

206
6

En cualquier programa de control se


debe iniciar con datos observados;
aunque los datos puedan ser buenos,
malos o indiferentes. De que valor es la
teora de control si los datos observados
en esa teora son malos?
Esta es la pregunta que se hace una y
otra vez el hombre prctico.
W. A. Shewhart
TRES ASPECTOS FUNDAMENTALES DE LA
MEDICIN

1.El sistema de medicin proporciona una


discriminacin adecuada?
2. El sistema de medicin es
estadisticamente estable a travs del
tiempo?
3. El error del sistema de medicin
(variacin) es pequeo en relacin a la
variacin del proceso, equipos y
especificaciones?

208
CALIBRACIN O ESTUDIO GAGE R&R?

Valores
Sistema de medicin reales Valores
medidos
determinado por:
Estudio de Calibracin
Compensacin de medida

Media total product Measurement


Valor observado = Valor patrn + error de medicin

Valores Valores
Variablidad del sistema de reales medidos
medicin determinado por
Estudio Variable R&R

Varianza 2 total 2 product 2 Measurement


Variabilidad observada = Variabilidad del prod. + Variabilidad de la medida
209
INTERPRETACIN DE LAS MEDICIONES

Variacin como un Porcentaje de la Especificacin o Variacin del Proceso

Lmite inferior de Lmite superior de


especificacin especificacin

Distribucin del error


Partes de de medicin
Produccin

Escala de medicin

210
ANLISIS DEL SISTEMA DE MEDICIN
Ubicacin
Calibracin
Linearidad
Estabilidad
Ancho o dispersin ( Precisin)
Repetibilidad
Reproducibilidad
Discriminacin del sistema de medicin

211
DEFINICIN DE EXACTITUD
La exactitud es la diferencia entre el promedio observado de las
mediciones y el promedio verdadero. Establecer el promedio real es
mejor determinado midiendo con el equipo mas exacto disponible.

total product Measurement


Promedio
real

Precisin

Promedio
Observado

!La exactitud se asegura por un buen


sistema de calibracin!
212
FALTA DE EXACTITUD SE PUEDE
DEBER A:
Error en el patrn de referencia
Componentes desgastados
Instrumentos fabricados con una dimensin
erronea
Instrumentos que miden caracteristicas
erroneas
Instrumentos mal calibrados
Instrumentos usados incorrectamente por el
inspector

213
MS EN EXACTITUD Y PRECISIN

.017 4
.016 9 Promedio
.015 8
.014 4
.013 Error
.012
.011
.016 1 .010
Valor real
.015 1
.014 2
.013
.012
3
3 Promedio Preciso pero no exacto
.011 5
.010 3 Valor real
.009 3 Error
.008 3
.007 1

Exacto pero no preciso


.011 7 Promedio
.010 11
.009 7 Valor real

Exacto y preciso
214
DEFINICIN DE REPETIBILAD

Repetibilidad es la variacin en medidas cuando un operador


usa el mismo calibrador para medir caractersticas idnticas en
las mismas partes.

2 total 2 product 2 Measurement


Promedio real de partes

Repetibilidad

215
REPETIBILIDAD (PRECISIN)

La Repetibilidad de la medida del


proceso determina si la variabilidad del
sistema de medicin es consistente.
Fuentes del error de repetibilidad
Variacin inherente al instrumento debido
al diseo
Variacin de la posicin del instrumento.

216
DEFINICIN DE REPRODUCIBILIDAD

Reproducibilidad es la variacin entre el promedio de las medidas hechas


por diferentes operadores usando el mismo calibrador midiendo
caracteristicas idnticas en las mismas partes.

2 total 2 product 2 Measurement

Reproducibilidad

Operador A Operador B

217
REPRODUCIBILIDAD
La Reproducibilidad de las medidas del
proceso implican que la variabilidad
entre inspectores es consistente.
Fuentes de reproducibilidad son:
Mtodos y tcnicas del inspector.
Entrenamiento
Procedimientos/Mtodos
Turnos.

218
DISCRIMINACIN EN EL SISTEMA DE
MEDICIN

El nmero de categorias distintas que el


sistema de medicin puede distinguir.
Distintas Radio de
El nmero de grupos entre los datos del Categorias Discriminacin
proceso que el sistema de medicin puede
Sin defecto del
descernir. > 10 > 10
sistema de medicin
Ejemplo Depende de la
4-9 4-9
criticalidad y el costo
Rechaza el sistema
<4 <4
de medicin
Parte aqui o aqui o aqui o aqui

nmero de Categorias diferentes = 4

219
EVALUANDO EL USO DEL % DE TOLERANCIA
El porcentaje del rango de especificacin
consumido por el error del sistema de medicin
es = P/T

T
P

LSL Distribucin de mediciones repetidas USL

220
EVALUANDO EL USO DEL % DE ESTUDIO DE
TOLERANCIA

Para calificar a un calibrador como


capaz de medir dentro de la
especificacin de los productos:
Precision del Cal
P/T = ---------------------------
Ancho de Tolerancia

5.15 * 2MS 5.15 * MS


P /T
USL LSL USL LSL

221
EVALUANDO EL USO DEL % DE ESTUDIO DE
VARIACIN
El porcentaje de la variacin del proceso observada
que se debe al error del sistema de medicin.

TV

A
Valores Valores
reales Medidos

222
EVALUANDO EL USO DEL % DE ESTUDIO
DE VARIACIN

Para cuantificar la variacin de un calibrador


comparado con la variacin de la medida a
ser estudiada:
Precision del Calibrador
P / TV = ------------------------------------
Variacin total del proceso

5.15 * MS
2
MS
P /TV
5.15 * 2
total
total

223
REGLAS PARA EVALUAR SISTEMAS DE
MEDICIN
SM como% SM como % # de Distintas
del rango de de la categorias en
Especificacin Variacin del la Variacin
Proceso del proceso.
Aceptar < 10% < 10% > 10

Considerar 10%-30% 10%-30% 4-9


Criticalidad

Rechazar >30% >30% <4

224
PREPARACIN PARA EL ESTUDIO DE
SISTEMAS DE MEDICIN

Determine el nmero de inspectores, muestras y


lecturas o repeticiones.
Escoger al inspector que normalmente opera el
instrumento.
Usar muestras del proceso que representen el rango
operacional completo.
Asegurarse de que la discriminacin del instrumento es
de al menos 1/10 de la variacin esperada del proceso.
Asegurarse de que el estudio de medicin sigue los
procedimientos normales.

225
ESTUDIO GAGE R&R GUIAS PARA
EVALUAR SISTEMAS DE MEDICIN
Al menos dos pero de preferencia tres o mas
operarios.
Al menos 10 unidades que representen el 80%
de la variacin del proceso.
Cada unidad debe ser medida al menos dos
veces por cada operador.
El equipo debe tener un poder de discriminacin
adecuado (resolucin)
Debe haber una estrategia de Gage R&R para
calificar nuevos operadores y equipos.

226
ESTUDIOS GAGE R&R MTODOS DE ANLISIS
Mtodo Xbarra - R
Mtodo til para estimar variacin y validar porcentajes de desviacin
del proceso as como tolerancias para sistemas de mediciones.
Incluye componentes de variacin como: Repetibilidad,
Reproducibilidad y puede separar operadores y partes pero no la
interaccin operadores-partes
Los puntos extremos (Outliers) tendran gran influencia en el mtodo
X-barra-R
Mtodo ANOVA (Preferido)
Mas Preciso
Puede separar las interacciones entre operadores y partes
La distincin de varianza se aprecia mas con el anlisis de ANOVA
Se facilita por programas computacionales y el conocimiento
estadistico requerido es bsico

227
MTODO GAGE R&R EN MINITAB

1) Seleccionar piezas que representen al menos 80% del rango total del
proceso.
2) Calibrar el calibrador o asegurarse que ha sido calibrado.
3) Entrar a Minitab en el estudio Gage R&R
-Titulos de las columnas como Operador, repeticiones, Parte, Seguir:
-Use >Calc >Make Patterned Data > Simple Set of Numbers (for each input)
4) El primer inspector debe medir todas las piezas en un orden al azar
(Muestreo ciego en el que el operador no pueda identificar la parte
muestreada esto ayuda a reducir el sesgo humano, las partes deben
representar 80% de una variabilidad a largo plazo)
5) El segundo inspector debe medir todas las muestras con las mismas
restricciones.
6) Repetir los pasos 4-5 el nmero de repeticiones necesarias
7) Meter los datos y tolerancia a Minitab siguiendo estos pasos:
Stat > Quality Tools > Gage R&R Study
Stat > Quality Tools > Gage Run Chart
8) Analizar los resultados con arroados por el programa en la siguiente pgina.

228
ANLISIS EN MINITAB

Ejemplo usando el mtodo ANOVA


Archivo: GageRR.MTW, pasos:
Stat > Quality Tools > Gage R&R Study

El Mtodo ANOVA se da por default.

229
ANLISIS EN MINITAB

Nota: El denominador de
P/TV se puede estimar de
las muestras usadas en el
estudio o de un historico.

(TV=ancho de tolerancia)

5.15 * MS
2
5.15 * MS 5.15 * MS
2
5.15 * MS
P / TV P /T
5.15 * total
2 5.15 * total USL LSL USL LSL
230
SALIDA GAGE R&R
Anlisis Grfico
Ventana de Salida
Gage R&R Study - ANOVA Method Gage name: Gage #020371
ANOVA Table With Operator*Part Interaction Gage R&R (ANOVA) for Measure
Date of study: 01/01/1988
Reported by: Six Sigma BB
SourceDFSSMSFP Tolerance: 1.5 mm
Misc: Buffalo, NY Plant

Parts92.058710.22874539.71780.00000
Xbar Chart by Operator Operator*Part Interaction
Operators20.048000.0240004.16720.03256
1.1 1 2 3 1.1 Operator
1.0 1.0 1
Oper*Part180.103670.0057594.45880.00016

Sample Mean
0.9 3.0SL=0.8796 0.9 2

Average
0.8 X=0.8075
Repeatability300.038750.001292
0.7 -3.0SL=0.7354 0.8 3
0.7
Total592.24912 0.6
0.6
0.5
0.4 0.5
0.4
Gage R&R 0
0.3
Part ID 1 2 3 4 5 6 7 8 9 10
SourceVarCompStdDev5.15*Sigma
R Chart by Operator By Operator
TotalGageR&R0.0044370.0666150.34306
0.15 1 2 3 1.1
Repeatability0.0012920.0359400.18509 3.0SL=0.1252 1.0

Sample Range
0.10 0.9
Reproducibility0.0031460.0560880.28885 0.8
Operator0.0009120.0302000.15553
0.05
0.7
R=0.03833 0.6
Oper*Part0.0022340.0472630.24340 0.5
0.00 -3.0SL=0.000
PartToPart0.0371640.1927810.99282 0.4
0 Oper ID 1 2 3
TotalVariation0.0416020.2039651.05042
Components of Variation By Part
100 1.1
Source%Contribution%StudyVar%Tolerance
90 %Total Var 1.0
80 %Study Var
TotalGageR&R10.6732.6622.87
70
%Toler
0.9
Percent

60 0.8
Repeatability3.1017.6212.34
50
0.7
40
Reproducibility7.5627.5019.26
30
20
0.6
0.5
Operator2.1914.8110.37
10
0 0.4
Oper*Part5.3723.1716.23
Gage R&R Repeat Reprod Part-to-Part Part ID 1 2 3 4 5 6 7 8 9 10

PartToPart89.3394.5266.19
TotalVariation100.00100.0070.03

Lets investigate each section one at a time.


NumberofDistinctCategories=4
231
SALIDA MINITAB GAGE R&R
TABLA ANOVA

Contribuciones al error.
Cual es la mayor?
Two-Way ANOVA Table With Interaction

Source DF SS MS F P

RR Part 9 2.05871 0.228745 39.7178


0.00000
Operator 2 0.04800 0.024000 4.1672
0.03256
Operator*RR Part 18 0.10367 0.005759 4.4588
0.00016
El Anlisis de Varianza
Repeatability (ANOVA)
30 0.03875 se utiliza para
0.001292 dividir la varianza
en sus componentes.
Total En este caso hemos sido capaces de asignar
59 2.24912
varianza a las partes, algo que esperabamos tener, operadores (Que
representan el error humano), y repetibilidad (que representa el
error del equipo). Un beneficio adicional de ANOVA es ver la
interaccin entre operadores y partes lo cual evidencia que los
operadores trabajan de forma distinta midiendo la misma parte.
232
COMPONENTES DE VARIACIN GAGE R&R

Varianza debida al sistema de medicin Variacin Estandar para


(desglozado en repetibilidad y reproducibilidad) cada componente de 99% de la variacin
varianza representada

Gage R&R Study - ANOVA Method


Source Var Comp Std Dev 95% Conf Int 5.15*Sigma

Total Gage R&R 0.004437 0.066615 (0.0597,0.2250) 0.34306


Repeatability 0.001292 0.035940 (0.0287,0.0480) 0.18509

Reproducibility 0.003146 0.056088 ( *, *) 0.28885

Operator 0.000912 0.030200 (0.0000,0.2169) 0.15553

Oper*Part 0.002234 0.047263 (0.0254,0.0800) 0.24340

Part-To-Part 0.037164 0.192781 (0.1098,0.3345) 0.99282


Varianza Varianza total
debida a las
Total Variation 0.041602 0.203965 1.05042
partes Si nuestro sistema de medicin es bueno,
En donde encontraremos la mayor parte de nuestra
variabilidad? 233
RESULTADOS GAGE R&R Contribution MS
2

total
2
Source VarComp 5.15*Sigma
0.004437
0.1067
Total Gage R&R 0.004437 0.34306 0.041602
Repeatability 0.001292 0.18509
Reproducibility 0.003146 0.28885 5.15 * MS
Operator 0.000912 0.15553 P / TV StudyVar
Oper*Part 0.002234 0.24340 5.15 * total
Part-To-Part 0.037164 0.99282 0.3430
Total Variation 0.041602 1.05042 0.3266
1.0504
Source % Contrib %Study Var % Tolerance

Total Gage R&R 10.67 32.66 22.87


Repeatability 3.10 17.62 12.34 5.15 * MS
Reproducibility 7.56 27.50 19.26 P /T Tol
Operator 2.19 14.81 10.37
USL LSL
Oper*Part 5.37 23.17 16.23 0.3430
Part-To-Part 89.33 94.52 66.19 0.2287
Total Variation 100.00 100.00 70.03 1.5
Cual es nuestra conclusin acerca del sistema de medicin?
234
SUMARIO GRFICO MINITAB GAGE R&R
Gage name:
Date of study:
Class Gage R&R Study Reported by:
Tolerance:
Misc:

Xbar Chart by Operator Operator*RR Part Interaction


1.1 1 2 3 1.1 Operator
1.0 1.0 1
0.9 3.0SL=0.8796 0.9
Sample Mean

Que significa
0.8 X=0.8075

Average
-3.0SL=0.7354 0.8 3
0.7 0.7
0.6
0.6
0.5

todo esto?
0.4 0.5
0.3 0.4
0 RR Part 1 2 3 4 5 6 7 8 9 10

R Chart by Operator By Operator


0.15 1 2 3 1.1
3.0SL=0.1252 1.0
Sample Range

0.10 0.9
0.8
0.7
0.05
R=0.03833 0.6
0.5
0.00 -3.0SL=0.000 0.4
0 Operator 1 2 3

Components of Variation By RR Part


100 1.1
%Total Var 1.0
%Study Var 0.9
%Toler
Percent

0.8
50 0.7
0.6
0.5
0 0.4
Gage R&R Repeat Reprod Part-to-Part RR Part 1 2 3 4 5 6 7 8 9 10

235
TABLA DE INTERACCIN OPERADOR*PARTE
Gage name:
Date of study:
Gage R&R (ANOVA) for Measure Reported by:
Tolerance:
Misc:

Operator*RR Part Interaction


1.1 Operator
1.0
1
0.9 2
3
Average

0.8

0.7

0.6

0.5

0.4

RR Part 1 2 3 4 5 6 7 8 9 10

Interaccin Operador * Parte:


Muestra si alguna parte en especial fue dificil de medir para algun operador (es)
Aparentemente, al menos dos operadores tienen dificultades midiendo la parte
#10
Como debera de verse la grfica ideal?
236
TABLA POR OPERADOR
Gage name:
Date of study:
Gage R&R (ANOVA) for Measure Reported by:
Tolerance:
Misc:

By Operator
1.1

1.0

0.9

0.8

0.7

0.6

0.5

0.4

Operator 1 2 3

Por operador:
Muestra si un operador(es) tienen lecturas mas altas o mas bajas en promedio.
Como debera de verse la grfica ideal?

237
GRFICA POR PARTE
Gage name:
Date of study:
Gage R&R (ANOVA) for Measure Reported by:
Tolerance:
Misc:

By RR Part
1.1

1.0

0.9

0.8

0.7

0.6

0.5

0.4

RR Part 1 2 3 4 5 6 7 8 9 10

Por parte:
Muestra la habilidad de todos nuestros operadores de obtener las mismas
lecturas para cada parte.
Tambin muestra la capacidad de nuestro sistema de medicin de distinguir
entre partes.
Como debe lucir la grfica ideal?
238
GAGE R&R X-BARRA R

De donde vienen los puntos


en cada grfica?

Gage name: Gage #020371


Date of study: 01/01/1998
Gage R&R (ANOVA) for Measure Reported by: Six Sigma BB
Tolerance: 1.5 mm
Misc: Buffalo, NY Plant

Xbar Chart by Operator


1.1
1.0 1 2 3
Sample Mean

3.0SL=0.8796
0.9
0.8 X=0.8075
0.7
En el caso idael como se
-3.0SL=0.7354
0.6
0.5
0.4 deben ver estas grficas?
0.3
0
R Chart by Operator
0.15
1 2 3
Sample Range

3.0SL=0.1252

0.10

0.05
R=0.03833

0.00 -3.0SL=0.000

0
239
TABLA DE COMPONENTES DE LA VARIACIN
Gage name:
Date of study:
Gage R&R (ANOVA) for Measure Reported by:
Tolerance:
Misc:

Components of Variation
100 %Total Var
%Study Var
%Toler
Percent

50

0
Gage R&R Repeat Reprod Part-to-Part

Componentes de la variacin:
Compara las fuentes de variacin en el estudio- Sistema de Medicin vs. Parte a
Parte.
Tambin descompone el Sistema de Medicin en Repetibilidad y Reproducibilidad.
Como debera de lucir la grfica ideal?
240
MINITAB, GAGE, TABLA DE CORRIDAS

Genera una tabla de corridas


de medidas por operadores y Runchart of Measure by Part, Operator
por parte. 1.08
1
0.98
Nos permite visualizar 2

Measure
0.88
0.78 3
repetibilidad y reproducibilidad 0.68
0.58
en y entre operadores y 0.48
0.38
partes. Part Num 1 2 3 4 5

1.08
La lnea central es el promedio 0.98

Measure
0.88
de las partes 0.78
0.68
0.58
STAT > Quality Tools > Gage Run Chart 0.48
0.38
Part Num 6 7 8 9 10

241
GAGE R&R, Xbarra & R

De dnde
de cada vienen los puntos
tabla?
Gage name: Gage #020371
Date of study: 01/01/1998
Gage R&R (ANOVA) for Measure Reported by: Six Sigma BB
Tolerance: 1.5 mm
Misc: Buffalo, NY Plant

Xbar Chart by Operator


1.1
1.0 1 2 3
Sample Mean

3.0SL=0.8796
0.9
0.8 X=0.8075
0.7
En el caso ideal cmo
-3.0SL=0.7354
0.6
0.5
0.4 deben de lucir?
0.3
0
R Chart by Operator
0.15
1 2 3
Sample Range

3.0SL=0.1252

0.10

0.05
R=0.03833

0.00 -3.0SL=0.000

0
242
MINITAB, GAGE TABLA DE CORRIDAS

Genera una tabla de corridas de las medidas por operador y por parte.
Nos permite visualizar repetibilidad y reproducibilidad en y entre
operadores y partes.
La lnea central es el promedio de las partes.
STAT > Quality Tools > Gage Run Chart

Runchart of Measure by Part, Operator

1.08
1
0.98
2
Measure

0.88
0.78 3
0.68
0.58
0.48
0.38
Part Num 1 2 3 4 5

1.08
0.98
Measure

0.88
0.78
0.68
0.58
0.48
0.38

243
Part Num 6 7 8 9 10
CAPABILIDAD GAGE BAJA

Si la repetibilidad (equipo) es una fuente dominante de variacin, es necesario


reemplazar, reparar o ajustar el equipo.
Si se descubre ya sea por el proveedor o el conocimiento de la industria que el
instrumento de medicin utilizado es de tecnologa de punta y es insuficiente
para medir la caracteristica deseada se puede usar la tcnica de promedio de
seales (ver siguiente pgina).
Si el operador (Reproducibilidad) es una fuente dominante de variacin se
debe agendar un entrenamiento en los criterios de calidad o en los
procedimientos de medicin. Se deben observar las diferencias entre
operadores para detectar si se requiere entrenamiento o si es un problema de
procedimiento.
Evaluar las especificaciones. Son razonables?
Si la capabilidad del Calibrador es marginal (equivalente al 30% de la
tolerancia) y el proceso esta operando a una alta capacidad (Cpk mayor 2), tal
vez el calibrador no es lo suficientemente exacto para esta operacin.
244
CONTROLANDO LA REPETIBILIDAD
SOLUCION DE CORTO PLAZO.

Nota: Si se desea disminuir el error del calirador se puede


tomar ventaja del error estandar, raiz cuadrada de la muestra.
La tcnica de promedio de seales usa: x
1 x x
xx x x
xx x x
n
n = el nmero de medidas tomadas sobre la misma parte. La medida Distribucin de
es = al promedio de las n lecturas Valores individuales
Ejemplo: Un error en el calibrador del 50% se puede recortar a la
mitad si el punto estimado es un promedio de 4 repeticiones.
x
1 xx
1/ 2 x
4 x xx
Distribucin de Medias
Esta tcnica se debe usar en el corto plazo para hacer un estudio
pero se debe ajustar el calibrador..

245
EJERCICIO
Disear y ejecutar un estudio GAGE R&R usando 3 operadores, midiendo 10 partes 3 veces
cada una. Usar la siguiente informacin como guia. Las partes a ser medidas se proporcionan
por el instructor. Medir la (las) dimensiones asignadas usando la herramienta proporcionada.
Capturar los resultados directamente en Minitab y analizar los resultados. Aplicar el estudio de
% de variacin y de % de Tolerancia en al anlisis.
Pasos:
1)Crear la hoja de Minitab para 90 observaciones:
3 operadores * 3 veces * 6 partes = 54 observaciones
Click en : Calc > Make Patterned Data > Simple Set of Numbers
(Dejar que el instructor cheque la hoja de trabajo antes de correrla).
2)Correr el estudio Gage R&R intoduciendo los valores observados en Minitab.
3) Analizar los resultados utilizando Minitab:
Click en : Stat > Quality Tools > Gage R&R Study
Click en : Stat > Quality Tools > Gage Run Charts
4)Evaluar la capabilidad del instrumento e identificar las posibles soluciones a la baja
capabilidad (si es necesario). Hacer un sumario de los resultados.
5)Comparar los resultados en el equipos y discutir las diferencias.

246
ANLISIS DE SISTEMAS DE
MEDICIN PARA ATRIBUTOS

247
POR QU NECESITAMOS ESTUDIOS
DE CAPACIDAD DE MEDICIN POR ATRIBUTOS?

Para determinar que tan bien los


inspectores tienen definidos sus criterios
de calidad (cosmeticos)
Para determinar que tan bien los
inspectores tienen sus criterios de
acuerdo a ellos mismos.
Para determinar que limitantes existen
para discriminar de acuerdo a los criterios
de los inspectores.

248
TRMINOS
Atributos: Datos cualitativos discretos
Sistema de medicin por Atributos: compara las partes contra ciertos limites
especificados y acepta las partes si se satisface el criterio.
Gage R&R: Gage Repetibilidad y Reproducibilidad.
Repetibilidad (Precision): La variacin debida al instrumento de medicin. Es la
variacin observada cundo el mismo operador mide la misma parte repetidas
veces con el mismo instrumento.
Reproducibilidad: La variacin debida al sistema de medicin. Es la variacin
observada cuando diferentes operadores miden la misma parte usando el
mismo instrumento de medicin
Monitoreo: Evaluacin al 100% analizando la salida usando un sistema de
medicin por atributos.
Efectividad del monitoreo: Habilidad del sistema de medicin por atributos
para discernir entre las piezas buenas de las malas.

249
EJERCICIO DE CALENTAMIENTO

La necesidad de mano de obra calificada para los ranchos


es uno de los principales objetivos para los dueos.
Desde los viejos terratenientes, se han entrenado a los
trabajadores siguiendo la tradicin familiar debido a que
ellos estan convencidos de que para una buena
administracin de un rancho asi se debe de hacer.
Por ello los padres entrenan a los hijos y estos a su vez
a sus hijos y as de generacin en generacin.

250
ESTUDIO GAGE POR ATRIBUTOS (CORTO PLAZO)
Datos discretos cuantitativos.
Desiciones Pasa/No pasa: Slo dos categorias
distintas.
Compara las partes contrs los lmites especificos de
aceptacin y rechazo.
Usado para monitorear la salida al 100%
Se debe monitorear para que discernir efectivamente
las partes buenas de las malas.
Al menos se debe hacer con dos inspectores y dos
repeticiones cada vez.

251
ESTUDIO GAGE POR ATRIBUTOS
Diametro int. de Tubo Calibrador Pasa/no pasa
Inspector A Inspector B

1 2 1 2
1 G G G G
2 G G G G
3 NG G G G
4 NG NG NG NG
5 G G G G
6 G G NG G
7 NG NG G NG
8 NG NG G G
9 G G G G
10 G G G G
11 G G G G
12 G G G G
13 G NG G G
14 G G G G
15 G G G G
16 G G G G
17 G G G G
18 G G G G
19 G G G G
20 G G G G
252
MTODO GR&R POR ATRIBUTOS
Seleccionar 20 partes de un proceso que
incluya piezas buenas y malas.
Dos inspectores miden independientemente
cada parte, dos veces (el orden es al azar)
Usar el macro de excel MSC_Attr.XLS para
registrar los datos y calcular el score de
Efectividad
Un puntaje aceptable de Efectividad es 90%
o mayor.

253
EJEMPLO
SCORING REPORT
DATE: 3/10/96
Attribute Legend NAME: B&D Employee
1 pass PRODUCT: Northstar Screwgun
2 fail SBU: Easton

Known Population Operator #1 Operator #2 Operator #3 Y/N Y/N


Sample # Attribute Try #1 Try #2 Try #1 Try #2 Try #1 Try #2 Agree Agree
1 pass pass pass pass pass Y Y
2 pass pass pass pass pass Y Y
3 fail fail fail fail pass N N
4 fail fail fail fail fail Y Y
5 fail fail fail pass fail N N
6 pass pass pass pass pass Y Y
7 pass fail fail fail fail Y N
8 pass pass pass pass pass Y Y
9 fail pass pass pass pass Y N
10 fail pass pass fail fail N N
11 pass pass pass pass pass Y Y
12 pass pass pass pass pass Y Y
13 fail fail fail fail fail Y Y
14 fail fail fail pass fail N N
15
16
17 (1)
18 % APPRAISER SCORE -> 100.00% 78.57% 0%
(2)
19% SCORE VS. ATTRIBUTE -> 78.57% 64.29% 0.00%
20
(3)
SCREEN % EFFECTIVE SCORE -> 71.43%
(4)
SCREEN % EFFECTIVE SCORE vs. ATTRIBUTE -> 57.14%
254