LSSI Yellow Belt (E-Book) PDF

LEAN SIX SIGMA INSTITUTE LEAN SIX SIGMA INSTITUTE
Certificacin Yellow Belt

e-Book
Objetivo
Basndose en lo que cubre este curso, el participante podr:
Describir la estrategia de mejoramiento Seis Sigma
Entender el papel del Yellow Belt en la iniciativa Seis Sigma
Conocer y relacionar los papeles y responsabilidades de
Champion, Black Belt, Green Belt, Yellow Belt, White Belt y los
miembros del equipo
Identificar proyectos con alta probabilidad de xito
Entender la metodologa DMAIC y cmo aplica en los proyectos
de mejoramiento
Establecer y utilizar mtricas
Ayudar en la administracin de los proyectos y el cumplimiento
de las metas
Significado de Seis-Sigma
Seis-Sigma representa
una mtrica,
una filosofa de trabajo, y
una meta.
Significado de Seis-Sigma
Como mtrica, Seis-Sigma representa una manera de
medir el desempeo de un proceso en cuanto a su nivel
de productos o servicios fuera de especificacin.
Como filosofa de trabajo, Seis-Sigma significa
mejoramiento continuo de procesos y productos apoyado
en la aplicacin de la metodologa Seis-Sigma la cual
incluye principalmente el uso de herramientas estadsticas
adems de otras ms de apoyo.
Como meta, un proceso con nivel de calidad Seis-Sigma
significa estadsticamente tener un nivel de clase mundial
al no producir servicios o productos defectuosos(*).
(*) 0.00189 ppm, proceso centrado, 3.4 ppm, proceso con un descentrado de 1.5.
SEIS SIGMA es una
ESTRATEGIA
ESTRATEGIA
DE NEGOCIO
DE NEGOCIO
para satisfacer los requerimientos
del CLIENTE
Otros significados de niveles Sigma
Sigma PPM Costo de calidad Clasificacin No. palabras equivocadas
6 3.4 <10% ventas Clase mundial 1 en una pequea librera
5 233 10-15% ventas 1 en varios libros
4 6210 15-20% ventas Promedio 1 en 31 pginas
3 66,807 20-30% ventas 1.35 por pgina
2 308,537 30-40% ventas No-competitivo 23 por pgina
1 690,000 159 por pgina
Harry (1998) y McFadden (1993)
Seis-Sigma significa mejorar procesos por medio
de resolver problemas. Snee (2001).
Significado prctico de 99% bueno (EUA)
20,000 artculos perdidos en el correo cada hora.
5,000 operaciones quirrgicas incorrectas por semana.
2 aterrizajes defectuosos en los principales aeropuertos cada da.
200,000 prescripciones mdicas equivocadas cada ao.
Servicio de energa elctrica suspendida por 7 horas cada mes.
LIE LSE
Producto conforme
Producto no
conforme
Producto no
conforme
Definicin clsica de calidad
Cumplimiento de las especificaciones para lograr la
adecuacin al uso.
OBJETIVO
LIE LSE
Producto no
conforme
Producto no
conforme
Definicin moderna de calidad
Uniformidad de los valores alrededor del objetivo.
OBJETIVO
14 13 12 11 10 9 8 7 6
0.4
0.3
0.2
0.1
0.0
Proceso
3
LIE LSE
3
Cp=Cpk=1
Significado grfico de Seis Sigma
letra s griega usada para representar una medida de
la variacin de un proceso
1 5 .
LIE LSE

-3 3 0
6
6
Seis Sigma (proceso centrado)
Cp=Cpk=2
Proceso
6
6
1 5 .
LIE LSE
-1.5
4.5
1.5
6 6
0
Seis Sigma (proceso no-centrado)

Cp=2, Cpk=1.5
Proceso
6
DEFINICI DEFINICI N OFICIAL N OFICIAL
4.5
Importancia de la Variacin y Centrado
Evaluacin del trato en un banco en 8 ocasiones:
10 9 8 7 6 5
Evaluacin
Mal
servicio
Buen
servicio
Variacin
Se prefiere UNIFORMIDAD, pero adems,
lo ms cercano al OBJETIVO (10)
10 9 8 7 6 5
Evaluacin
Mal
servicio
Buen
servicio
Dinmica: lanzamiento de monedas
2 tiradores (turnos) simulando la caracterstica
longitud de clavos.
Cada tirador realiza 15 lanzamientos y se
mide la distancia entre la pared y la posicin
final de la moneda
Graficar las distancias y calcular promedio y
desviacin estndar de cada caracterstica.
Specs: 0-20 cms. (objetivo=0)
Cul turno (lanzador) es mejor?
0 5 10 15 20 25 30 35 40 45 50
Lanzador 1
= y
0 5 10 15 20 25 30 35 40 45 50
Lanzador 2
= y
Estructura de Seis-Sigma
Comit directivo de Seis Sigma: formado por el
director general y directores de primer nivel. Ellos
establecen la visin, definen los lineamientos
organizacionales y la estructura necesaria.
Campeones: directores de rea quienes proveen
direccin estratgica y recursos con respecto a los
proyectos a realizar.
Maestros Cintas Negras (Master Black Belts): personal
seleccionado que fue capacitado y estuvieron cierto
tiempo como Cintas Negra, y que ahora coordinan y
capacitan a stos en su desarrollo como expertos en Seis-
Sigma.
Cintas Negras (Black Belts): personal con las habilidades
necesarias de liderazgo y tcnicas para entender y aplicar
la metodologa Seis-Sigma, a la vez de motivar y
dirigir equipos en el desarrollo de proyectos.
Tambin se emplean para capacitar a los Cintas Verde.
Se recomienda que el 100% de su tiempo sea enfocado
a su participacin como lderes de proyectos Seis-Sigma.
Cintas Verdes (Green Belts): personal enfocado a sus
actividades cotidianas diferentes a Seis Sigma, que
dedican parte de su tiempo a integrarse con Cintas Negra
para participar en proyectos Seis Sigma.
Se recomienda adems crear el puesto de Director de
Seis Sigma quien depender del director general, y sus
funciones sern las de coordinar toda la estructura de
Seis Sigma: sistema de reporte de presentacin y avance
de proyectos, programar la capacitacin, mantener a la
organizacin enfocada en la iniciativa, y a travs de los
Master Black Belts, apoyar a los Black Belts y otras
cintas en el desarrollo de sus proyectos.
Cintas Amarillas (Yellow Belts):
Son personal que se dedican a sus actividades regulares y
que se encargarn de comunicar a los Cintas Blancas (CB) la
iniciativa de mejora que se implementar en la compaa por
medio de una capacitacin introductoria. Tienen un nivel de
entrenamiento mayor que los CB pero menos profundo que
los Green Belts.
Cintas Blancas (White Belts):
Son personal operativo de la empresa y su labor en esta
iniciativa es la de familiarizarse con los conceptos bsicos
de Lean para que conozcan el esfuerzo global que pretende
hacer la compaa y que puedan contribuir de manera
sencilla en lo que se les solicite.
Proporcin estructural
1 Black-Belt/100 empleados (*)
1 Black-Belt/$10M USD (**)
1 Master Black-Belt/10 Black-Belts (***)
Beneficios
$175,000 USD promedio/proyecto BB (*)
($275,000 USD promedio/proyecto BB(***))
5-6 proyectos/ao (*)
(*) Harry, 1998. (**) Munro, 2000. (***) Lynch et al (2003)
Historias de xito
General Electric6.6 billones USD en 2000
AlliedSignal1.2 billones en costos directos en 4 aos
Asea Brown Boveri0.9 billones USD/ao durante 2 aos
Metas de Dow Chemical1.5 billones USD en 2003
(Harry, 1998)
Seis Sigma es una de las ms potentes
estrategias jams desarrolladas para
acelerar el mejoramiento de procesos,
productos y servicios, y para reducir
radicalmente los costos adminitrativos y de
manufactura y mejorar la calidad. Esto se
logra enfocandose implacablemente en la
eliminacin de desperdicio y reduciendo la
variacin y los defectos.
Honeywell
(http://www.honeywell.com/sixsigma/index.html)
Caractersticas distintivas
Participacin directa y liderazgo del CEO
Evaluacin, Vo.Bo. y seguimiento por Finanzas
Integracin de tcnicas existentes en una metodologa
Evaluacin del desempeo individual
Aplicacin inmediata de la metodologa a proyectos
de mejoramiento (BB, GB)
reas de manufactura y administrativas
Seleccionar Seleccionar
los proyectos los proyectos
adecuados adecuados
y entrenar a y entrenar a
la gente la gente
adecuada adecuada
Aplicar la Aplicar la
metodolog metodolog a a
DMAIC(*) DMAIC(*)
Administrar el Administrar el
proceso de proceso de
mejora mejora
Aumentar las Aumentar las
ganancias ganancias
Salida del Proceso:
Obtener los
resultados esperados
Salida del Proceso Salida del Proceso:
Obtener los
resultados esperados
Entrada del Proceso:
Acciones y objetivos estratgicos
anuales de la compaa
Entrada del Proceso Entrada del Proceso:
Acciones y objetivos estratgicos
anuales de la compaa
UN ENFOQUE SENCILLO
Modificado de Zinkgraf y Snee (1999)
(*)DMAIC: Definir, Mejorar, Analizar, Mejorar(Improve), Controlar
Clarificar la situacin usando el plan estratgico y el
plan anual de operaciones de la compaa
Establecer una lnea de base (baseline) de la
productividad por planta/rea
Jerarquizar los proyectos basndose en lo que es
importante para el cliente, los recursos necesarios, y
el tiempo
Seleccionar los proyectos clave con apoyo de la
direccin
Asignar responsabilidades
A nivel del negocio
A nivel personal
los proyectos los proyectos
adecuados adecuados
y entrenar a y entrenar a
la gente la gente
adecuada adecuada
Asegurar el adecuado liderazgo y aduearse de la
iniciativa
Asegurar que los recursos de apoyo necesarios
estn disponibles
Enfoque General
Problema Prctico Problema Estadstico
Solucin Estadstica Solucin Prctica
y f x x x
k
= ( , ,... , )
1 2
Metodolog Metodolog a a
DMAIC DMAIC
SBTI, Inc.
Metricas (Ys)
ligadas a CTQs
Definir el Problema,
Objetivo del
proyecto y su Meta
PROCES PROCESO O
X
1
X
2
X
3
X
4
Y
1
Y
2
Y
3
Establecer Controles para las Xs
crticas de tal manera que se
mantengan las mejoras
Identificar
formas de
mejorar el
proceso y
validar la
solucin
Medir y Analizar datos y
el desempeo del
proceso para determinar
las variables crticas y la
causa raz del problema
Definir Medir Analizar Mejorar
Controlar
Little (2002)
Metodolog Metodolog a a
DMAIC DMAIC
FASES DE SEIS
FASES DE SEIS
-
-
SIGMA (DMAIC)
SIGMA (DMAIC)
ACTIVIDAD INICIAL: Identificar el proyecto
DEFINIR (D)
Definir a los clientes y sus requerimientos (CTQs)
Formar el equipo
Definir el charter y el plan del proyecto
Ttulo, Caso de Negocio (definicin del problema, COPQ(*)),
objetivo y metas, alcance, recursos estimados, beneficios
esperados, personal involucrado, aprobacin del proyecto y
tiempo estimado
Desarrollar un mapa del proceso del alto nivel
(*) Cost of Poor Quality
MEDIR(M)
Desarrollar un mapa detallado del proceso
Evaluar el sistema de medicin
Evaluar el estado inicial del proceso (baseline) y su
potencialidad (entitlement )
Identificar entradas y salidas
ANALIZAR(A)
Identificar las entradas crticas potenciales
Determinar las entradas crticas
Encontrar la causa raz del problema
MEJORAR(I)
Optimizar las entradas crticas
Generar y probar soluciones posibles
Seleccionar la mejor solucin
Disear un plan de implementacin
CONTROLAR(C)
Desarrollar un plan de control y monitoreo
Verificar la capacidad final del proceso
Obtener la aprobacin-recibo del dueo del proceso
Elaborar el reporte final / lecciones aprendidas
Elementos
Permanecer enfocado
Revisar avances y remover barreras
Evaluar el impacto real al negocio
Continuamente comunicar los avances
Relacionarlo a la evaluacin de desempeo
y proveer reconocimiento
Administrar el Administrar el
proceso de proceso de
mejora mejora
Implementar planes de control efectivos
Llevar a cabo entrenamiento regular
enfocado en el proceso
Evaluar trimestralmente la efectividad
del sistema
Identificar e iniciar proyectos de manera
continua
Elementos para Mantener las Ganancias
Aumentar las Aumentar las
ganancias ganancias
Pilares bsicos para la Seleccin de
Proyectos
Calidad del producto
Especificaciones, funcionalidad, durabilidad,
confiabilidad
Calidad del servicio
Disponibilidad, asistencia y soporte tcnico,
tiempo de respuesta
Costo/Precio
Costo total, costo de servicio, margen de ganancia
Ejemplo de criterios de seleccin
(Modificado de Snee, 2001)
reas de mejora
Reduccin de desperdicio
Mejora de capacidad
Reduccin de tiempo muerto
Consumo de recursos MO/MP
Satisfaccin del cliente
Entregas completas y
a tiempo
Nivel de defectos
Impacto (bottom line)
Ms de $X p/proyecto
Tiempo 3-6 meses
Beneficios en menos de
un ao
Recomendaciones para la seleccin
de proyectos
(Snee, 2001)
1. Basado en las prioridades estratgicas del negocio
2. De gran importancia
(mejoras de 50% ms en el proceso, $250,000)
3. Alcance razonable (3-6 meses)
4. Define medidas claras y cuantitativas de xito
5. Apoyado por la organizacin
Voz del Cliente (VOC)
Voz del Cliente (VOC)
La Voz del Cliente contiene generalmente EMOCIONES y es
necesario traducirlos a requerimientos MEDIBLES en los cuales hay
que enfocarse.
Los CLIENTES esperan PERFECCIN.
La Casa de la Calidad (herramienta de la Funcin de Despliegue de la
Calidad o QFD) es muy til para capturar y traducir la voz del cliente
(VOC) en requerimientos especficos para la compaa
Ejemplo: Lectura de un contrato
VOC(Ques)
No complicado
Lenguaje sencillo
Trminos comunes
....
Pocas hojas
Pocas palabras
Poco tiempo para leer
Poco tiempo para entender
N
o
.

d
e

r
e
f
e
r
e
n
c
i
a
s
N
o
.

d
e

p
a
l
a
b
r
a
s
T
i
e
m
p
o

d
e

l
e
c
t
u
r
a
N
o
.

d
e

t
r
m
i
n
o
s

l
e
g
a
l
e
s
N
o
.

d
e

h
o
j
a
s
.
.
.
.
.
C
T
Q
s
(
C
o
m
o
s
)
Relacin dbil
Relacin fuerte
Relacin mediana
T
i
e
m
p
o

E
x
t
.

C
o
m
p
l
e
j
o
C
o
n
t
r
a
t
o

c
l
a
r
o

y

c
o
r
t
o
Correlaciones
NIVEL 1 2 3
....
La Casa
de
la
Calidad
CTQ=Critical to Quality
Tres Pasos para la Seleccin de Proyectos
Kelly (2002)
1. Asignar un comit directivo de seleccin de proyectos
2. Instituir la Matriz de Seleccin de Proyectos
3. Programar juntas de evaluacin de proyectos
-Evaluar el estado de los proyectos activos
-Detectar nuevos requerimientos del cliente
-Establecer una nueva lista de prioridades de los
proyectos
MATRIZ DE SELECCIN DE PROYECTOS
Un mtodo para seleccionar proyectos de manera ms
detallada es la Matriz de Seleccin de Proyectos
Procedimiento
1. En base a la voz del cliente obtener sus requerimientos
y evaluar su importancia para el cliente en una escala del
1 al 10.
2. Enlistar los proyectos de mejora y evaluar su relacin
con los requerimientos obtenidos de la voz del cliente.
3. Evaluar la importancia de los proyectos por medio del
producto punto entre la relacin asignada y la importancia
para el cliente.
Tabla a usar en las evaluaciones
Evaluacin Importancia para el cliente Grado de relacin
0 Sin importancia Sin relacin
3 Ligramente importante Muy poca relacin
5 Importante Poca relacin
8 Muy importante Alta relacin
10 Crtico Mucha relacin
Ejemplo
En base a La Casa de la Calidad se determinaron los
siguientes requerimientos del cliente y su importancia:
-Producto confiable (3)
-Producto sin defectos (10)
-Entregas a tiempo (5)
-Precio con disminucin anual (8)
El equipo directivo defini los siguientes proyectos potencia-
les:
-Reduccin de defectos
-Mejora de la confiabilidad del producto
-Mejora del sistema de entregas
-Reduccin permanente de costos
P
r
o
d
u
c
t
o

c
o
n
f
i
a
b
l
e
P
r
o
d
u
c
t
o

s
/
d
e
f
e
c
t
o
s
E
n
t
r
e
g
a
s

a

t
i
e
m
p
o
P
r
e
c
i
o

r
e
d
u
c
i
d
o
Importancia 3 10 5 8
Proyectos posibles Evaluacin Prioridad
Reduccin de defectos 5 10 0 3 139 1
Mejora en confiabilidad 10 5 0 5 120 3
Mejora del sistema de entregas 0 0 10 3 74 4
Reduccin de costos 3 3 3 10 134 2
Requerimientos
Grado de relacin
Evaluacin Importancia para el cliente
0 Sin importancia
3 Ligramente importante
5 Importante
8 Muy importante
10 Crtico
Evaluacin Grado de relacin
0 Sin relacin
3 Muy poca relacin
5 Poca relacin
8 Alta relacin
10 Mucha relacin
Condiciones a evitar en la seleccin
de proyectos (Snee, 2001)
-Objetivos confusos
-Mtricas deficientes
-Sin relacin financiera
-Sin relacin con planes estratgicos
-Solucin conocida
-Muchos objetivos
Definicin de un proyecto
1. Definir el cliente y sus requerimientos
(CTQ, critical to quality)
2. Llenar el formato de definicin del proyecto (charter)
Formato de definicin del proyecto
(Charter o Contrato)
Ttulo del proyecto
Caso de Negocio (Definicin del problema/ variable de
respuesta, COPQ)
Objetivo y metas
Alcance y limitaciones del proyecto
Recursos estimados
Beneficios esperados
Personal involucrado (Champion, Dueo del
proceso, Black Belt, y Miembros del equipo)
Aprobacin de Finanzas
Tiempo estimado
Little (2002)
Beneficios
Los Beneficios pueden incluir cualquiera de los
siguientes:
Ahorros duros (reduccin de costos)
Ahorros suaves (evitar gastos)
Mejoramiento en la satisfaccin del cliente
Mejoramiento en las mtricas de desempeo
(tiempo de ciclo, productividad, defectos, etc.)
Mejoramiento en la satisfaccin del trabajo
(reduccin de la frustracin)
Tipos de ahorros
Suaves
Mejoramiento de flujo de efectivo, y evitar inversiones
de capital y costos
Eliminacin de un gasto futuro como evitar la compra
de equipo para incrementar la produccin cuando
se optimiza el existente y se alcanza la meta.
Evitar pagar una multa por contaminacin al optimizar
el funcionamiento de un equipo anticontaminante
(Snee y Rodenbaugh Jr., 2002)
Duros (bottom-line)
Reduccin de costos, e incremento de ingresos
Reduccin en el consumo de gas con respecto al
ao anterior (existe una base de comparacin del
ahorro)
Incremento en productividad con respecto al ao
anterior
Una vez que el charter
del proyecto ha sido
aprobado y el equipo
formado, es esencial
iniciar revisiones
peridicas por parte de
la administracin en
cuanto al avance de
los proyectos.
Revisiones gerenciales
Little (2002)
Algunas preguntas finales para los administradores
Knowledge Based Management (KBM) Published by Air Academy Press & Associates
1. Qu percepcin tienen sus clientes sobre su producto o servicio? Cmo lo sabe?
2. Cul es su actual participacin de mercado? Pueden los esfuerzos de mejora-
miento de la calidad incrementar esa participacin y/o incrementar sus ganancias?
3. Est usted llevando a cabo mejoras en la calidad en sus reas de responsabilidad?
Cmo?
4. Cules son las preguntas adecuadas relacionadas con temas de calidad que usted
debe preguntar a su gente? Qu mtodos o herramientas deben usarse para ser res-
pondidas?
5. Est su gente entrenada para usar con xito las mejores tcnicas para el mejora-
miento de la calidad? Cul es su ROI de la capacitacin?
6. A qu barreras se enfrenta su gente al tratar de mejorar la calidad? Est haciendo
algo para remover dichas barreras?
7. Qu porcentaje del costo de baja calidad (COPQ) se encuentra en su rea?
Metodolog
Metodolog
a DMAIC
a DMAIC
Fases
Fases
Herramientas
Herramientas
Aplicaci
Aplicaci
n, Ejemplos y Ejercicios
n, Ejemplos y Ejercicios
FASES DE SEIS
FASES DE SEIS
-
-
SIGMA (DMAIC)
SIGMA (DMAIC)
DEFINIR (D)
Formar el equipo
tiempo estimado
MEDIR(M)
Desarrollar un mapa detallado del proceso
Evaluar el sistema de medicin
Evaluar el estado inicial del proceso (baseline) y su
potencialidad (entitlement)
Identificar entradas y salidas
ANALIZAR(A)
Identificar las entradas crticas potenciales
Determinar las entradas crticas
Encontrar la causa raz del problema
MEJORAR(I)
Optimizar las entradas crticas
Generar y probar soluciones posibles
Seleccionar la mejor solucin
Disear un plan de implementacin
CONTROLAR(C)
Desarrollar un plan de control y monitoreo
Verificar la capacidad final del proceso
Obtener la aprobacin-recibo del dueo del proceso
Elaborar el reporte final / lecciones aprendidas
Tiempo de entrega
del embarque
Desviacin del cumplimiento
en horas
< 3.4 DPMO
Necesidades
del cliente
Necesidades Necesidades
del cliente del cliente
Que el producto
llegue a tiempo
Que el producto Que el producto
llegue a tiempo llegue a tiempo
Respuesta
(Y)
Resp Respuesta uesta
(Y) (Y)
Medicin
Me Medici dici n n
Limites de
especificacin
Limites de Limites de
especificaci especificaci n n
Tasa de
defectos
permitidos
Tasa de Tasa de
defectos defectos
permitidos permitidos
Meta
Meta Meta
100% de los embarques
entregados antes de las 5
pm en el rea de recibo del
cliente
LIE = 6 horas temprano
LSE = 0 horas tarde
Caractersticas Crticas para la Calidad (CTQs)
Requerimiento
del cliente
Especificaciones
detalladas
Usar los diagramas de
rbol para definir los
CTQs de los clientes
Zinkgraf y Snee (1999)
Y=
Distancia a la pared
Y= f(x
1
,x
2
,x
3
,x
4
,x
5
)
Ejercicio. Obtener las Xs
Y
Definir
problema
Describir proceso
Medicin
capaz y estable
Mejorar
N
Determinar
variables
significativas
Evaluar estabilidad
y capacidad
del proceso
Proceso
capaz
N
D
M
M
A
A
Validar la
mejora
Optimizar
I
I
Proceso
estable
Eliminar
causas
especiales
N
Controlar
el proceso
C
Mejorar
continuamente
C
S
S
S
FLUJO DE LA METODOLOGA
EJEMPLO
EJEMPLO
DEFINIR (D)
Los clientes externos son cinco fabricantes de automviles en
Estados Unidos y Europa. El cliente interno es Operaciones
Los CTQs de Operaciones son:
Cero defectos (mtrica Y=% de rechazo interno)
Envos a tiempo (mtrica Y=porcentaje de envos a tiempo)
rbol de CTQs
Porcentaje de
rechazo interno
(Y=D/T)
Poros (cero)
Dureza (entre 1-3 Rc)
Fugas (cero)
Incompleto (cero)
Fracturas (cero)
Lote completo,
empacado y embarcado
un da antes de la fecha
prometida
On-time
shipments
(Y=ET/TE)
D/T=(Nmero de mltiples con defectos / Nmero total de mltiples producidos)*100
ET/TE=(Nmero de envos a tiempo / Nmero total de envos)*100
CTQs
Operaciones
FASES DE SEIS
FASES DE SEIS
-
-
SIGMA (DMAIC)
SIGMA (DMAIC)
DEFINIR (D)
Formar el equipo
tiempo estimado
2 4 6 8 10
2
3
4
5
6
7
8
9
Index
%

R
e
c
h
a
z
o
s
Nov
Dic
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Sept
% de rechazo interno
Descripcin del problema
El porcentaje de rechazo interno en la lnea 52 ha aumentado en los
ltimos meses en el mltiple tipo XRT, tal como se muestra en la
siguiente grfica
Observation
I
n
d
i
v
i
d
u
a
l

V
a
l
u
e
11 10 9 8 7 6 5 4 3 2 1
10
8
6
4
2
_
X=6.636
UC L=9.828
LCL=3.445
Observation
M
o
v
i
n
g

R
a
n
g
e
11 10 9 8 7 6 5 4 3 2 1
4
3
2
1
0
__
MR=1.2
UC L=3.921
LCL=0
5 5
5
1
1
I-MR Chart of Rechazo
Observation
I
n
d
i
v
i
d
u
a
l

V
a
l
u
e
11 10 9 8 7 6 5 4 3 2 1
10.0
7.5
5.0
2.5
0.0
_
X=8
UCL=10.28
LCL=5.72
1 2
Observation
M
o
v
i
n
g

R
a
n
g
e
11 10 9 8 7 6 5 4 3 2 1
4.8
3.6
2.4
1.2
0.0
__
MR=0.857
UCL=2.801
LCL=0
1 2
I-MR Chart of Rechazo by C2
Cambio significativo a partir de Feb.
O
t
h
e
r
s
N
o
-
c
o
m
p
l
P
o
r
o
s
F
u
g
a
s
D
u
r
e
z
a
54 121 276 825 926
2.5 5.5 12.5 37.5 42.1
100.0 97.5 92.1 79.5 42.1
2000
1000
0
100
80
60
40
20
0
Defect
Count
Percent
Cum %
P
e
r
c
e
n
t
C
o
u
n
t
Un equipo formado por personal de las reas de produccin, calidad,
mantenimiento y procesos realiz una investigacin en base a los reportes de tipo de rechazos
de dichos meses anteriores y se elabor un diagrama de Pareto. Se observa que casi el 80%
del rechazo interno est relacionado con piezas con dureza inadecuada y piezas con fugas
Charter del proyecto
Charter del proyecto
Definicin del problema/ variable de respuesta
El % de rechazo en el mltiple de admisin HX2 ha aumentado
significativamente a partir de Febrero de este ao. La variable de respuesta (Y)
es el % de rechazo interno medido como el (Nmero de mltiples con defectos /
Nmero total de mltiples producidos)*100.
Problema enfocado: 80% del total del rechazo interno est relacionado con
piezas con dureza inadecuada (42.1%) y piezas con fugas (37.5%). Las
variables de respuesta secundarias son Y
1
=Dureza, y Y
2
=Nmero de piezas con
fugas.
Costo de Calidad Pobre (COPQ)
El nivel promedio de desperdicio es 8% a partir de Febrero de un volumen de
produccin de 250,000 unidades mensuales. El costo de produccin por unidad
es de $30. El COPQ es 0.08*250,000*30 o $600,000.00 mensual
Caso de Negocio (Business Case)
Ttulo del proyecto
Reduccin del % de rechazo en el mltiple de admisin XRT
Objetivo y metas
Reducir el % de rechazo por dureza inadecuada a no ms del 5% del
desperdicio total basado en un comportamiento (entitlement) obtenido
recientemente
Alcance y limitaciones del proyecto
Se aplica exclusivamente a la caracterstica dureza del mltiple XRT,
lnea 52 durante el proceso de vaciado. Su realizacin tomar 6
meses
Recursos estimados
$200,000 (Materiales, pruebas, personal, simulaciones, tiempo
de produccin, sala y software)
Beneficio esperados
De 42.1% (dureza inadecuada) a 5% (meta) la diferencia es 37.1% del
promedio actual de 8% de desperdicio. El nivel esperado de
desperdicio sera 8% - 37.1%(8%)=5.03%. Basado en una produccin
mensual de 250,000 unidades, el COPQ esperado mensual sera
0.0503*250,000*30=$377,250 generando $600,000 -$377,250
=$222,750 de ahorro mensual, o $2,673,000 por ao. El ahorro del
primer ao sera $2,673,000 - $200,000 (gastos del proyecto, ver
recursos)=$2,473,000. ste es un costo duro (reduccin de costos).
Champion (nombre/firma)
J. Moredo
Dueo del proceso (nombre/firma)
L. Moranteso
Black Belt (nombre/firma)
R. Martecas
Miembros del equipo (nombres/firmas)
R. Mataes, L. Recado, G. Gorid
Aprobacin de Finanzas (nombre/firma)
Contralor: H. Virtos
Tiempo estimado
6 meses
Variable Nombre Obtencin Especificacin Actual Meta
Y % desperdicio
(Nmero de mltiples con defectos / Nmero
total de mltiples producidos)*100
Cero Prom. 8% 5.03%
Y1 Dureza Medicin 1 a 3 Rc
Y1 Dureza
(No. de mltiples con dureza inadecuada
/No. total de mltiples producidos)*100
No existe 3.37% 0.4%
Y2 Fugas
(No. de mltiples con fugas /No. total de
mltiples producidos)*100
Cero 3.00%
Prom. 8% de la grfica de tendencias
5.03%=8% - 37.1%(8%). 37.1%=42.1%-5%
3.37%=42.1% de 8%. 0.4% es 5% de 8%
3% es 37.5% de 8%
MTRICAS
GANTT DE PROYECTO SIX SIGMA
Duracin Fecha Fecha
Resp. (das) inicio fin
7
Definir clientes, CTQs y mtricas BIN 2
Formacin del equipo BIN/ MAR 1
Elaborar el charter y el plan del proyecto BIN / EJE 3
Elaborar un mapa de alto nivel del proceso Todos 1
20
Desarrollar un mapa detallado del proceso Todos 3
Evaluar el sistema de medicin BIN / Tcnicos 10
Medir el desempeo actual del proceso BIN / Tcnicos 6
Revisar y actualizar status del proyecto Todos 1
31
Identificar las entradas crticas posibles Todos 10
Determinar las variables significativas Todos 10
Encontrar la cuasa raz del problema Todos 10
35
Optimizar las variables crticas BIN / LVC 15
Generar y probar soluciones posibles Todos 10
Seleccionar la mejor solucin BIN / Tcnicos 5
Disear plan de implementacin JJO / Tcnicos 4
20
Desarrollar plan de control y monitoreo JJO / ALS 10
Verificar la capacidad final del proceso JJO / ALS 3
Obtener la aprobacin/recibo del dueo del proceso JJO / GFS 3
Elaborar reporte final/lecciones aprendidas JJO / GFS 3
Terminacin formal del proyecto Todos 1
DEFINIR
MEDIR
ANALIZAR
MEJORAR
CONTROLAR
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
DEFINIR
MEDIR
ANALIZAR
MEJORAR
CONTROLAR
GANTT DE PROYECTO SIX SIGMA
Duracin Fecha Fecha
Resp. (das) inicio fin 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
7
Definir clientes, CTQs y mtricas BIN 2
Formacin del equipo BIN/ MAR 1
Elaborar el charter y el plan del proyecto BIN / EJE 3
Elaborar un mapa de alto nivel del proceso Todos 1
20
Desarrollar un mapa detallado del proceso Todos 3
Evaluar el sistema de medicin BIN / Tcnicos 10
Medir el desempeo actual del proceso BIN / Tcnicos 6
31
Identificar las entradas crticas posibles Todos 10
Determinar las variables significativas Todos 10
Encontrar la cuasa raz del problema Todos 10
35
Optimizar las variables crticas BIN / LVC 15
Generar y probar soluciones posibles Todos 10
Seleccionar la mejor solucin BIN / Tcnicos 5
Disear plan de implementacin JJO / Tcnicos 4
20
Desarrollar plan de control y monitoreo JJO / ALS 10
Verificar la capacidad final del proceso JJO / ALS 3
Obtener la aprobacin/recibo del dueo del proceso JJO / GFS 3
Elaborar reporte final/lecciones aprendidas JJO / GFS 3
Terminacin formal del proyecto Todos 1
DEFINIR
MEDIR
ANALIZAR
MEJORAR
CONTROLAR
Mapa de proceso de alto nivel
Proveedores Proveedores Proveedores Proveedores Entradas Entradas Entradas Entradas Proceso Proceso Proceso Proceso Salidas Salidas Salidas Salidas Clientes Clientes Clientes Clientes
Proveedor arena Arena
Proveedor aluminio Aluminio Mltiples Operaciones
Proveedor de resina Resina
Departamento de aluminio Formulaci+on
Departamento de corazones Corazones Dept. reciclado
Proveedor de moldes Moldes nuevos Arena
Taller de moldes Moldes
Proveedor de equipos Perifricos Dept. embarques
Prov. equipo medicin Calibradores
Dept. recursos humanos Gente Desperdicio
Dept. de ingeniera Diseos aluminio Plantas de motores
Departamento de ventas rdenes
SIPOC para multiples de admisin tipo XRT-Lnea 52 SIPOC para multiples de admisin tipo XRT-Lnea 52 SIPOC para multiples de admisin tipo XRT-Lnea 52 SIPOC para multiples de admisin tipo XRT-Lnea 52
Recepcin de aluminio lquido
y corazn. Solidifcacin del
aluminio, extraccin, limpieza
e inspeccin
Definir
problema
Describir proceso
Medicin
capaz y estable
Mejorar
N
Determinar
variables
significativas
Evaluar estabilidad
y capacidad
del proceso
Proceso
capaz
N
D
M
M
A
A
Validar la
mejora
Optimizar
I
I
Proceso
estable
Eliminar
causas
especiales
N
Controlar
el proceso
C
Mejorar
continuamente
C
S
S
S
M DEFINIR Y DESCRIBIR EL PROCESO
Definir los elementos del proceso, sus pasos,
entradas, salidas, y sus variables.
Proceso: interaccin de gente, materiales,
equipos e informacin con la finalidad de
transformar ciertas entradas en salidas
especficas.
Definir las fronteras del proceso, y usar los siguientes smbolos
como elementos del diagrama de flujo:
Elaboracin
1. Usado para sealar el inicio/fin de un proceso.
2. Usado para indicar una actividad.
3. Usado para expresar una pregunta a ser respondida
con si/no.
4. Usado para representar almacenamiento.
5. Usado para representar una demora.
6. Usado para representar movimiento de materiales
o de informacin.
7. Indica inspeccin.
8. Indica que el diagrama continua en otro lugar.
A
Buscar oportunidades para:
-eliminar pasos
-hacerlos ms rpidos
-hacer pasos en paralelo
-reacomodar pasos
-simplificar pasos
Ejemplo
Proceso de fabricacin de mltiples de admisin.
Pasos del proceso:
1. Precalentar molde a 400C.
2. Limpiar el molde.
3. Colocar y alinear el corazn en el molde.
4. Cerrar el molde.
5. Inspeccionar el ensamble.
6. Vaciar el aluminio.
7. Esperar a que solidifique el aluminio.
8. Extraer la pieza.
9. Limpiar la pieza.
10. Inspeccionar la pieza. Si no hay defectos, llevar al almacn.
Si hay defectos, reprocesar y elaborar reporte.
Inicio
Limpiar
molde
Colocar
y alinear
corazn
Cerrar
molde
Insp.
final
Defectos
Almacn
No
Reproceso
Elaborar
reporte
Fin
S
Precalentar
molde
Insp.
ensamble
Vaciar
aluminio
Esperar
solidif.
Extraer
pieza
Limpiar
pieza
1
2
3
4
9
8
7
6
5
10
Matriz Proceso-Variables
Caractersticas especificadas del producto final:
pieza completa, sin poros, sin grietas, sin fugas y con dureza
adecuada (specs).
Paso Proceso Variables
1 Precalentar molde Temperatura de precalentamiento
2 Limpiar molde Tiempo de sopleteo, presin de sopleteo
3 Colocar corazn Estado del corazn (completo/incompleto)
4 Cerrar molde Existencia de destellos (si/no)
5 Inspeccionar ensamble Experiencia del inspector
6 Vaciar aluminio Velocidad de vaciado, nivel de llenado, formulacin del aluminio
7 Esperar solidificacin Tiempo de solidificacin
8 Extraer la pieza Experiencia del operador
9 Limpiar pieza Tiempo de sopleteo, presin de sopleteo
10 Inspeccin final Experiencia del inspector
Ejercicio
Elaborar el diagrama de flujo para realizar los lanzamientos de
moneda a la pared y obtener las variables del proceso.
Inicio
Definir
problema
Describir proceso
Medicin
capaz y estable
Mejorar
N
Determinar
variables
significativas
Evaluar estabilidad
y capacidad
del proceso
Proceso
capaz
N
D
M
M
A
A
Validar la
mejora
Optimizar
I
I
Proceso
estable
Eliminar
causas
especiales
N
Controlar
el proceso
C
Mejorar
continuamente
C
S
S
S
Evaluar la capacidad y estabilidad de los sistemas de medicin
por medio de estudios de estabilidad, repetibilidad, reproduci-
bilidad, linealidad y sesgo.
M EVALUAR LOS SISTEMAS DE MEDICION
Variacin real del proceso
Variacin de
la medicin
VARIACION TOTAL DEL PROCESO
Definiciones
Sistema de Medicin (SM)
Es la coleccin de instrumentos, estndares, opera-
ciones, mtodos, equipo de sujecin (fixtures), soft-
ware, personal, medio ambiente, y suposiciones
usados para cuantificar una unidad de medida o
asignar una evaluacin a la caracterstica que est
siendo medida.
MSA. DaimlerChrysler, Ford, GM, (2002).
Nota: la mayora de los mtodos presentados aqu estn basados en la referencia anterior.
La calidad de los sistemas de medicin es importante
porque las mediciones juegan un papel significativo
en la operacin de una planta.
La calidad de un sistema de medicin se caracteriza
por sus propiedades estadsticas: insesgado, varianza
cero, y calsificacin perfecta (idealmente).
La evaluacin de un sistema de medicin significa
examinar su variacin y los factores que la afectan.
Introduccin
Precisin y Sesgo (exactitud)
Preciso,
sesgado
Sesgado
no preciso
Insesgado,
no preciso
Preciso,
e insesgado
Todos los sistemas de medicin deben poseer las
siguientes propiedades estadsticas:
1.- Estar en control estadstico (estabilidad estadstica).
2.- Su variabilidad debe ser pequea comparada con
las especificaciones y con la variacin del proceso.
3.- Los incrementos de medida no deben ser mayores
a 1/10 de la variacin del proceso (discriminacin
o resolucin).
4.- Poco sesgo.
Propiedades estadsticas
La evaluacin de los sistemas de medicin se efecta
a travs de la Repetibilidad, Reproducibilidad (Gage
R&R), Sesgo, Estabilidad, y Linealidad.
Usos de la evaluacin
-Aceptar equipo nuevo.
-Comparar 2 equipos entre s.
-Evaluar un calibrador sospechoso.
-Evaluar un calibrador antes y despus de repararlo.
-Antes de implantar grficas de control.
-Cuando disminuya la variacin del proceso.
-De manera continua de acuerdo a la frecuencia de
medicin recomendada en los estudios.
Evaluacin del sistema
Propiedades estadsticas (resumen)
Propiedades ideales
sin variacin ni sesgo y clasificacin perfecta
Propiedades reales
proceso en control estadstico
con poca variacin y poco sesgo
y discriminacin adecuada
Pruebas prcticas
Sesgo Variacin
Repetibilidad
(Precisin)
Reproducibilidad
Estabilidad
Otras
Linealidad
Discriminacin
Evaluacin de Propiedades Estadsticas
Estabilidad
Es el cambio en el sesgo sobre cierto perodo de
tiempo. Sin evaluar la estabilidad, no es posible
asegurar evaluaciones confiables sobre las dems
propiedades estadsticas.
-1 pieza de ref.
-1 gage
-1 operador
-Mediciones en t
Sesgo
Es la diferencia entre el promedio de las mediciones
hechas por un operario (VP) y el valor de referencia
(VR) obtenido con el master.
Evaluacin de Propiedades Estadsticas...
1 operador, 1 gage
1 pieza medida
varias veces
1 lectura del master
VR
VP
SESGO
Propiedades Estadsticas...
Linealidad
Es la diferencia en sesgo entre el master y el promedio
observado sobre todo el rango de operacin del instrumento
(gage). Es el cambio en sesgo con respecto al tamao de
las piezas.
-Varias piezas
( que cubran
el rango del
gage: 1 gage,
1 operador
Se mide cada
una de las piezas
varias veces
VR1
Sesgo
Sesgo
Tamao 1 Tamao n
VR2
5 g
) 10 m (
.....
Repetibilidad (Precisin)
Es la variacin interna(*) del SMen las mediciones hechas
por un solo operador en la misma pieza y con el mismo
instrumento de medicin. Se define como la variacin
alrededor de la media. Esta variacin debe ser pequea
con respecto a las especificaciones y a la variacin del
proceso.
1 operador, 1 gage
1 pieza medida varias veces
Evaluacin de Propiedades Estadsticas...
(*) pieza, instrumento, mtodo, etc.
VR
REPETIBILIDAD
Causas posibles:
Suciedad, friccin, desajuste, desgaste.
Reproducibilidad
Variacin entre sistemas(*) entre las medias de las
mediciones hechas por varios operarios con las mismas
piezas y con el mismo instrumento de medicin.
VR
X X X
A B C
1 gage, 2 3 operadores, 10 piezas
(*) entre mtodos, condiciones, equipos, piezas
Ejemplo de RR
Se desea realizar un estudio largo de Repetibilidad
y Reproducibilidad, para lo cual se seleccionaron 3
operadores y un calibrador para medir la altura de
7 flares, cuya especificacin es de 2.4 a 2.6 cms.
Dichos flares fueron medidos aleatoriamente tres
veces por cada operador.
Xb1
Rb1
Xb2
Rb2
Xb3
Rb3
Xb2=(2.5014+2.4943+2.5014)/3=2.4990 Rb2=(suma de rangos)/7=0.0157
Xbp1=(2.6667+2.6433+2.66)/3=2.65667 Rp=Max(Xbp)-Min(Xbp)=2.65667-2.34333=0.3133
ESTUDIO DE REPETIBILIDAD Y REPRODUCIBILIDAD
PIEZA
Oper REPLICA 1 2 3 4 5 6 7 8 9 10 PROMEDIO
1 2.67 2.45 2.50 2.61 2.35 2.55 2.40 2.5043
A 2 2.67 2.45 2.50 2.61 2.35 2.56 2.39 2.5043
3 2.66 2.44 2.49 2.61 2.35 2.56 2.39 2.5000
PROM 2.6667 2.4467 2.4967 2.6100 2.3500 2.5567 2.3933 2.5029
RANGO 0.0100 0.0100 0.0100 0.0000 0.0000 0.0100 0.0100 0.0071
1 2.65 2.45 2.51 2.60 2.35 2.56 2.39 2.5014
B 2 2.64 2.46 2.49 2.60 2.33 2.55 2.39 2.4943
3 2.64 2.46 2.51 2.61 2.34 2.54 2.41 2.5014
PROM 2.6433 2.4567 2.5033 2.6033 2.3400 2.5500 2.3967 2.4990
RANGO 0.0100 0.0100 0.0200 0.0100 0.0200 0.0200 0.0200 0.0157
1 2.65 2.44 2.50 2.60 2.34 2.54 2.40 2.4957
C 2 2.67 2.44 2.50 2.60 2.34 2.55 2.40 2.5000
3 2.66 2.45 2.50 2.60 2.34 2.55 2.40 2.5000
PROM 2.6600 2.4433 2.5000 2.6000 2.3400 2.5467 2.4000 2.4986
RANGO 0.0200 0.0100 0.0000 0.0000 0.0000 0.0100 0.0000 0.0057
PROMEDIO DE LA 2.65667 2.44889 2.50000 2.60444 2.34333 2.55111 2.39667 Rp
PIEZA (Xbp) 0.3133
S
a
m
p
l
e

R
a
n
g
e
0.02
0.01
0.00
_
R=0.00952
UCL=0.02452
LCL=0
1 2 3
Gage name:
Date of study :
Reported by :
Tolerance:
Misc:
S
a
m
p
l
e

M
e
a
n
2.7
2.6
2.5
2.4
_
_
X=2.5002
UCL=2.5099
1 2 3
LCL=2.4904
R Chart by Operador
Xbar Chart by Operador
Gage R&R (Xbar/R) for Altura
LIC Xb Xbb A Rb
LSC Xb Xbb A Rb
( ) ( )=
( ) ( )=
= == = 2.5002-1.023(0.0095)=2.4904
= == = + ++ +
2
2 2.5002+1.023(0.0095)=2.5099
=Xbb=(Xb1+Xb2+Xb3)/3=(2.5029+2.499+2.4986)/3=2.5002
Rb(OP)=(Rb1+Rb2+Rb3)/3=(0.0071+0.0157+0.0057)/3=0.0095
Xbdiff=max(Xb1,Xb2,Xb3)-min(Xb1,Xb2,Xb3)=2.5029-2.4986=0.0043
LSC(R)=D4(Rb)=2.58(0.00952)=0.02456 LIC(R)=0 (para 2 y 3 rplicas)
X
= R
= diff X
Rb (OP)= 0.00952 r= No.rpl= 3 p=No.op= 3 Xbb= 2.5002
Xbdiff=MAX(Xb)-MIN(Xb)= 0.0043 D4= 2.58 A2= 1.023
n=No. piezas= 7 Xb fuera 18
LSC(R)=D4(Rb)= 0.02457 D4=3.27 y A2=1.88 para 2 rplicas No. pts 21
LIC(R)=0 D4=2.58 y A2=1.023 para 3 rplicas 85.71 % de los puntos estn
LIC(Xb)=Xbb-A2Rb= 2.49042 LSC(Xb)=Xbb+A2Rb= 2.5099 fuera de los lmites de medias.
LSC(R) representa el lmite para rangos individuales. Ms de la mitad indica la capacidad del
Sealar los valores que exceden este lmite y volver a realizar dichas mediciones. instrumento para detectar la variacin.
No. de parte No. del calibrador
Nombre de la parte Flare Nombre del calibrador
Caracterstica Altura Tipo de calibrador
Especificacin 2.4-2.6 Tol/6= 0.03333
001888 . 0
) 3 ( 7
) 0056 . 0 (
)) 5231 . 0 )( 0043 . 0 ((
nr
VE
)) 2 k )( Xbdiff (( VO
2
2
2
2
=
=
=
n=No. de piezas=7
r=No. de rplicas=3
11089 . 0 ) 11073 . 0 ( ) 00593 . 0 (
VP RR TOT
00593 . 0 ) 00188 . 0 ( ) 00563 . 0 (
VO VE RR
2 2
2 2
2 2
2 2
= + =
+ =
= + =
+ =
VARIACION DEL EQUIPO (REPETIBILIDAD)
VE=Rb*k1= 0.00563 k1= 0.5908
k2= 0.5231
k1=0.8862, r=2 k3= 0.3534
k1=0.5908, r=3 k1=Inverso de d2 usando m=r
VARIACION DE OPERADORES (REPRODUCIBILIDAD)
VO=Raz(((Xbdiff)(k2))^2-(VE^2/nr))= 0.00188
Si VO es negativo dentro de la raz, hacer VO=0.
k2=0.7071 p=2 operad.
k2=0.5231 p=3 operad.
k2=Inverso de d2*, m=p, g=1
REPETIBILIDAD Y REPRODUCIBILIDAD
RR=Raz(VE^2+VO^2)= 0.00593
n k3
VARIACION DE PIEZAS (VP) 2 0.7071
VP=(Rp)(k3)= 0.11073 3 0.5231
k3=Inverso de d2*, m=n, g=1 4 0.4467
VARIACION TOTAL (TOT) 5 0.4030
6 0.3742
TOT=Raz(RR^2+VP^2)= 0.11089 7 0.3534
8 0.3375
9 0.3249
10 0.3146
TOT=variacin del
estudio (no del proceso)
Tolerancia=LSE-LIE
564 . 0 ) 03333 . 0 / 00188 . 0 ( 100
) TOL / VO ( 100 (%) VO
69 . 1 ) 11089 . 0 / 00188 . 0 ( 100
) TOT / VO ( 100 (%) VO
89 . 16 ) 03333 . 0 / 00563 . 0 ( 100
) TOL / VE ( 100 (%) VE
07 . 5 ) 11089 . 0 / 00563 . 0 ( 100
) TOT / VE ( 100 (%) VE
= =
=
= =
=
= =
=
= =
=
22 . 332 ) 03333 . 0 / 11073 . 0 ( 100
) TOL / VP ( 100 (%) VP
86 . 99 ) 11089 . 0 / 11073 . 0 ( 100
) TOT / VP ( 100 (%) VP
79 . 17 ) 03333 . 0 / 00593 . 0 ( 100
) TOL / RR ( 100 (%) RR
348 . 5 ) 11089 . 0 / 00593 . 0 ( 100
) TOT / RR ( 100 (%) RR
= =
=
= =
=
= =
=
= =
=
VARIACION DEL EQUIPO (REPETIBILIDAD) EN % Si se conoce la variacin del
proceso (6sigma) usarla en
VE(%)=100(VE/TOT)= 5.074 lugar de TOT haciendo
TOT=6sigma/6. Si se quiere
VE(%)=100(VE/TOL)= 16.882 usar la tolerancia, poner
TOL=tolerancia/6
VARIACION DE OPERADORES (REPRODUCIBILIDAD) EN %
VO(%)=100(VO/TOT)= 1.692 Generalmente se usa
TOT para el control del
VO(%)=100(VO/TOL)= 5.628 proceso y TOL para el
control del producto
REPETIBILIDAD Y REPRODUCIBILIDAD EN %
RR(%)=100(RR/TOT)= 5.349
RR(%)=100(RR/TOL)= 17.795
VARIACIONDE PIEZAS EN %
VP(%)=100(VP/TOT)= 99.857
VP(%)=100(VP/TOL)= 332.229
NOTAS RR(%) menor a 10, ok. Entre 10 y 30 depende de la aplicacin.
Mayor a 30 necesita calibrarse.
DISCRIMINACION
1.41*(VP/RR)= 26.324 Mayor o igual a 5 es aceptable.
(si r=2, 4 ms es aceptable)
OP Replica 1 2 3 4 5 PROMEDIO
1 21 24 20 27 24 23.2000
A 2 20 23 21 27 23 22.8000
PROM 20.5000 23.5000 20.5000 27.0000 23.5000 23.0000
RANGO 1.0000 1.0000 1.0000 0.0000 1.0000 0.8000
1 20 22 24 28 19 22.6000
B 2 20 22 23 26 18 21.8000
PROM 20.0000 22.0000 23.5000 27.0000 18.5000 22.2000
RANGO 0.0000 0.0000 1.0000 2.0000 1.0000 0.8000
1 19 23 20 25 18 21.0000
C 2 18 22 19 24 18 20.2000
PROM
RANGO
PIEZA
Ejercicio de RR
Xb1
Xb2
Xb3
Rb1
Rb2
Rb3
Aunque este ejemplo no cumple con np>15, se
presenta por propsitos ilustrativos.
=Xbb=(Xb1+Xb2+Xb3)/3=
Rb(OP)=(Rb1+Rb2+Rb3)/3=
Xbdiff=max(Xb1,Xb2,Xb3)-min(Xb1,Xb2,Xb3)=
LSC(R)=D4(Rb)= LIC(R)=0 (para 2 y 3 rplicas)
LIC(Xb)=Xbb-A2(Rb)=
LSC(Xb)=Xbb+A2(Rb)=
X
N o . o p = X b b =
D 4 = A 2 =
n = N o . p i e z a s = X b f u e r a
N o . p t s
% d e l o s p u n t o s e s t n
f u e r a d e l o s l m i t e s d e m e d i a s .
M s d e l a m i t a d i n d i c a l a c a p a c i d a d d e l
i n s t r u m e n t o p a r a d e t e c t a r l a v a r i a c i n .
Promedio de la Rp
PIEZA (Xbp)
Rb (OP)= r= No.rpl=
Xbdiff=MAX(Xb)-MIN(Xb)=
LSC(R)=D4(Rb)= D4=3.27 y A2=1.88 para 2 rplicas
LIC(R)=0 D4=2.58 y A2=1.023 para 3 rplicas
LIC(Xb)=Xbb-A2Rb= LSC(Xb)=Xbb+A2Rb=
LSC(R) representa el lmite para rangos individuales.
Sealar los valores que exceden este lmite y volver a realizar dichas mediciones.
No. de parte
Nombre de la parte
Caracterstica
Especificacin 20-30
No. del calibrador
Nombre del calibrador
Tipo de calibrador
Tol/6=
nr
VE
)) 2 k )( Xbdiff (( VO
2
2
=
VARIACION DEL EQUIPO (REPETIBILIDAD)
VE=Rb*k1= k1=
k2=
k1=0.8862, r=2 k3=
k1=0.5908, r=3 k1=Inverso de d2 usando m=r
VARIACION DE OPERADORES (REPRODUCIBILIDAD)
VO=Raz(((Xbdiff)(k2))^2-(VE^2/nr))=
Si VO es negativo dentro de la raz, hacer VO=0.
k2=0.7071 p=2 operad.
k2=0.5231 p=3 operad.
k2=Inverso de d2*, m=p, g=1
REPETIBILIDAD Y REPRODUCIBILIDAD
RR=Raz(VE^2+VO^2)=
n k3
VARIACION DE PIEZAS (VP) 2 0.7071
VP=(Rp)(k3)= 3 0.5231
k3=Inverso de d2*, m=n, g=1 4 0.4467
VARIACION TOTAL (TOT) 5 0.4030
6 0.3742
TOT=Raz(RR^2+VP^2)= 7 0.3534
8 0.3375
9 0.3249
10 0.3146
VARIACION DEL EQUIPO (REPETIBILIDAD) EN % Si se conoce la variacin del
VE(%)=100(VE/TOT)= lugar de TOT haciendo
TOT=6sigma/6. Si se quiere
VE(%)=100(VE/TOL)= usar la tolerancia, poner
TOL=tolerancia/6
VARIACION DE OPERADORES (REPRODUCIBILIDAD) EN %
VO(%)=100(VO/TOT)= Generalmente se usa
TOT para el control del
VO(%)=100(VO/TOL)= proceso y TOL para el
control del producto
Si se conoce y se usa la variacin del proceso,
2 2
RR TOT Parte . Var =
REPETIBILIDAD Y REPRODUCIBILIDAD EN %
RR(%)=100(RR/TOT)=
RR(%)=100(RR/TOL)=
VARIACIONDE PIEZAS EN %
VP(%)=100(VP/TOT)=
VP(%)=100(VP/TOL)=
NOTAS RR(%) menor a 10, ok. Entre 10 y 30 depende de la aplicacin.
Mayor a 30 necesita calibrarse.
DISCRIMINACION
1.41*(VP/RR)= Mayor o igual a 5 es aceptable.
(si r=2, 4 ms es aceptable)
El anlisis de atributos es la evaluacin de un sistema de medicin
cuyos datos son atributos de los siguientes tipos:
a) Escala nominal - resultados clasificados en categoras no
ordenadas (2 ms) para juzgar alguna caracterstica como partido
politco de su preferencia, supermercado preferido, etc. Un caso
particular es la escala binaria
(defectuosa-no defectuosa, xito-fracaso, etc.).
b) Escala ordinal - resultados clasificados en categoras ordenadas
(3 ms) para juzgar alguna caracterstica como nivel de ingreso
anual, evaluacin de un servicio,
etc. siendo la escala numrica o no.
En ambos estudios tomar un mnimo de 3 operadores, 30
piezas/eventos (algunas ligeramente fuera de especificacin), y 3
evaluaciones por operador.
Anlisis de Atributos
Ejemplo
Se realizar un estudio de atributos a un sistema de medicin para evaluar
cierta caracterstica en una muestra de 30 piezas. Se seleccionaron a 3
operadores y cada uno evalu 3 veces las mismas piezas en orden aleatorio.
Tambin se tiene la evaluacin de un experto (referencia).
Pza Experto
1 ND ND ND ND ND ND ND ND ND ND
2 ND D D D ND D D ND ND D
3 ND ND ND D ND ND ND ND ND ND
4 ND ND ND ND ND ND D ND ND ND
5 D D D D D D D D D D
7 D ND ND ND ND ND ND ND ND ND
8 D D D D D D D D ND D
11 ND ND D ND ND ND ND ND ND ND
12 ND ND ND ND ND D ND ND ND ND
13 D D D D D D D D ND D
15 D ND D D ND ND ND D D ND
Operador 1 Operador 3 Operador 2
contina...
Pza Experto
19 D D D ND D D ND ND ND ND
20 ND ND D ND ND ND ND ND ND ND
21 ND ND ND ND ND D ND ND ND ND
24 D D D ND D D ND ND ND D
26 D ND D D ND ND ND D D ND
30 D D D ND D D ND ND ND D
Operador 1 Operador 2 Operador 3
1. Concordancia interna (operadores):
-Operador 1: 22 de 30, 73.3%
-Operador 2: 18 de 30, 60%, IC=(40.6, 77.34)%
-Operador 3: 24 de 30, 80%, IC=(61.43, 92.29)%
2. Concordancia operadores vs. experto (%COE):
-Operador 1: 21 de 30, 70%, IC=(50.6, 85.27)%
-Operador 2: 18 de 30, 60%, IC=(40.6, 77.34)%
-Operador 3: 22 de 30, 73.3%, IC=(54.11, 87.72)%
Anlisis detallado de errores:
-Operador 1 (9 equivocadas): Mezcla=8, D-ND=1, ND-D=0
D-ND significa que el operador dijo que la pieza era D cuando en realidad era ND
(en base a las 90 evaluaciones de cada operador)
Op D-D ND-D Total D-ND ND-ND Total
1 23 1 24 12 54 66
4.17% 18.2%
2 21 3 24 10 56 66
12.5% 15.2%
3 14 10 24 5 61 66
41.7% 7.6%
3. Concordancia global entre operadores
10 de 30, 33.3%
4. Concordancia global operadores vs. experto
10 de 30, 33.3%
Tabla de Decisin (para el operador) (MSA, 2002):
Decisin %COE %ND-D %D-ND
Aceptable
Marginal
Inaceptable
5 2 90
10 5 80
10 5 80 > > <
Para este ejemplo,
Op %COE %ND-D %D-ND Conclusin
1 70 4.17 18.2 Inaceptable
2 60 12.5 15.2 Inaceptable
3 73.3 41.7 7.6 Inaceptable
Attribute Agreement Analysis for 1, 1_1, 1_2, 2, 2_1, 2_2, 3, 3_1, 3_2
Within Appraisers
Assessment Agreement
Appraiser # Inspected # Matched Percent 95 % CI
1 30 22 73.33 (54.11, 87.72)
2 30 18 60.00 (40.60, 77.34)
3 30 24 80.00 (61.43, 92.29)
# Matched: Appraiser agrees with him/herself across trials.
Each Appraiser vs Standard
1 30 21 70.00 (50.60, 85.27)
2 30 18 60.00 (40.60, 77.34)
3 30 22 73.33 (54.11, 87.72)
# Matched: Appraiser's assessment across trials agrees with the
known standard.
Assessment Disagreement
Appraiser # ND / D Percent # D / ND Percent # Mixed Percent
1 0 0.00 1 4.55 8 26.67
2 0 0.00 0 0.00 12 40.00
3 2 25.00 0 0.00 6 20.00
# ND / D: Assessments across trials = ND / standard = D.
# D / ND: Assessments across trials = D / standard = ND.
# Mixed: Assessments across trials are not identical.
4.55%=1 triada equivocada con D de 22 NDs del experto. 4.55%=1 triada equivocada con D de 22 NDs del experto.
26.67%=8 de 30 piezas. 40%=12 de 30 piezas. 26.67%=8 de 30 piezas. 40%=12 de 30 piezas.
25%=2 triadas equivocadas con ND de 8 Ds del experto. 25%=2 triadas equivocadas con ND de 8 Ds del experto.
20%=6 de 30 piezas 20%=6 de 30 piezas
Between Appraisers
# Inspected # Matched Percent 95 % CI
30 10 33.33 (17.29, 52.81)
# Matched: All appraisers' assessments agree with each other.
All Appraisers vs Standard
30 10 33.33 (17.29, 52.81)
# Matched: All appraisers' assessments agree with the known standard.
Ejercicio
Se realiz un estudio para evaluar cierto sistema de medicin
visual (por atributos) y se obtuvo la siguiente informacin:
La muestra tomada es muy pequea, al igual que el nmero de operadores. Se tom as
por propsitos ilustrativos solamente.
Pieza Experto
1 D ND ND ND ND
2 ND ND ND D ND
3 D D D D D
4 D D ND ND D
5 ND ND ND ND ND
6 D D D D ND
7 ND ND ND ND ND
8 D D D D D
Operador 1 Operador 2
1. Concordancia interna (operadores):
-Operador 1:
-Operador 2:
2. Concordancia operadores vs. experto (%COE):
-Operador 1:
-Operador 2:
Anlisis detallado de errores:
-Operador 1 ( equivocadas): Mezcla= , D-ND= , ND-D=
-Operador 2 ( equivocadas): Mezcla= , D-ND= , ND-D=
D-ND significa que el operador dijo que la pieza era D cuando en realidad era ND
(en base a las 16 evaluaciones de cada operador)
1
2
3. Concordancia global entre operadores
4. Concordancia global operadores vs. experto
Tabla de Decisin (para el operador) (MSA, 2002):
Decisin %COE %ND-D %D-ND
Aceptable
Marginal
Inaceptable
5 2 90
10 5 80
10 5 80 > > <
Para este ejercicio,
1
2
Definir
problema
Describir proceso
Medicin
capaz y estable
Mejorar
N
Determinar
variables
significativas
Evaluar estabilidad
y capacidad
del proceso
Proceso
capaz
N
D
M
M
A
A
Validar la
mejora
Optimizar
I
I
Proceso
estable
Eliminar
causas
especiales
N
Controlar
el proceso
C
Mejorar
continuamente
C
S
S
S
Las variables del proceso definidas en el
punto 2 deben ser confirmadas por medio de
Pruebas de Hiptesis, Anlisis de Varianza,
Diseo de Experimentos y/o estudios Multivari,
para medir la contribucin de esos factores en la
variacin del proceso.
Una vez encontradas los factores crticos, se
ajusta el proceso y se reduce su variacin.
ADETERMINAR LAS VARIABLES
SIGNIFICATIVAS
PRUEBAS DE HIPOTESIS (PH) E INTERVALOS
DE CONFIANZA (IC)
-Definicin de Prueba de Hiptesis.
Procedimiento estadstico usado para tomar una deci-
sin, en base a una muestra, en cuanto al valor que
puede tener algn parmetro (media, varianza, propor-
cin, o diferencia entre medias o proporciones, o
cociente entre varianzas), o sobre la distribucin que
puede tener la poblacin de donde provienen los datos.
Elementos de una PH
1. Las hiptesis. La que se desea probar (Ho), y su
complemento (Ha).
2. La(s) muestra(s). La informacin que se obtiene de
la poblacin o poblaciones.
3. El estadstico de prueba (EP). Es una variable alea-
toria que resume la informacin de la muestra.
4. La regin de rechazo de Ho (RRHo). Es una parte
de la distribucin de referencia en la cual si el EP se
encuentra ah, se rechaza Ho.
5. La decisin. Decidir si se rechaza o no a Ho.
6. El nivel de confianza de la prueba (1- ).

Tipos de errores y sus probabilidades en una PH
) falsa Ho Ho Aceptar ( p
) II tipo Error ( p
) verdad Ho Ho chazar (Re p
) I tipo Error ( p
=
=
=
=
PH e IC para una media
a n EP Z
X
S
n
IC X Z
S
n
) :
/
=
= 30
0
2
Ho Ha Z Z t t
Z Z t t
Z Z t t
n
n
n
: :
,
,
/ / ,

= > > >
< < <
> >
0 0 1
0 1
0 2 2 1
Regin de rechazo de Ho (RRHo)
b n
b Varianza conocida
EP Z
X
n
IC X Z
n
b Varianza desconocida
EP t
X
S
n
IC X t
S
n
n
) ,
)
:
)
:
/
/ ,
<
=

=
=
30
1
2
0
2
0
2 1
poblacin normal
Ejemplo
De una muestra de n=50 cabezas se obtuvo Xb=415.192
para la cota 134 de cubado y s=0.012. Presentan estos datos
evidencia suficiente que sugiera que en promedio la cota 134
est centrada en su valor nominal de 415.2? Usar un nivel de
confianza de 95%.
645 . 1 Z Z . vs 71 . 4
71 . 4
50
012 . 0
2 . 415 192 . 415
Z
n
S
X
Z : EP
05 . 0
0
= =
=
=

=
2 . 415 : Ha 2 . 415 : Ho < =

Como -4.71<-1.645, existe suficiente evidencia para rechazar Ho,
es decir, para rechazar que la cota 134 est centrada en su valor
nominal.
0
Z
-4.71 -1.645
RR Ho
=5%=0.05
-4.71 0
0.6
0.5
0.4
0.3
0.2
0.1
0.0
-1.645
0
0.6
0.5
0.4
0.3
0.2
0.1
0.0
Regin de rechazo de Ho ( =5%=0.05) Regin de rechazo de Ho (
p-value=0.000... p-value=0.000...
Valor p (p-value)
Como el p-value < alfa, se rechaza la igualdad de los procesos.
(Z
0.05
)
Probabilidad de tener un valor as si Ho es cierta
PH e IC para la diferencia de medias
a n n EP Z
X X
S
n
S
n
IC X X Z
S
n
S
n
) ( , ) :
/
1 2
1 2
1
2
1
2
2
2
1 2
2
1
2
1
2
2
2
30 =

+
= +
Ho Ha Z Z t t
Z Z t t
Z Z t t
n n
n n
n n
: :
,
,
/ / ,

1 2 1 2 2
1 2 2
1 2 2 2 2
1 2
1 2
1 2
= > > >
< < <
> >
+
+
+
b n n
b EP t
X X
Sp
n n
Sp
n n
n n
IC X X t Sp
n n
n n
) ( , ) ,
) :
( )S ( )S
/ ,
1 2
1 2
1 2
1 2
1 1
2
2 2
2
1 2
1 2
2 2
1 2
30
1
1 1
1 1
2
1 1
1 2
<
= =
+
=
+
+
= +
+

poblacin normal y varianzas

desconocidas
b EP t
X X
S
n
S
n
IC X X t
S
n
S
n
gl
S
n
S
n
S
n
n
S
n
n
gl
2
1 1
1 2
1 2
1
2
1
2
2
2
1 2
2
1
2
1
2
2
2
1
2
1
2
2
2
2
1
2
1
2
1
2
2
2
2
2
) :
/ ,

+
= +
=
+
|
\
|
|
\
+
|
\
Considerar estos grados de

libertad (gl) para determinar
la RRHo.
Ejemplo
Se desea comparar las medias de la cota 134 en dos turnos
diferentes. Se tom una muestra de 10 cabezas del primer
turno y 12 cabezas del turno 2 de donde se obtuvo
Xb(t1)=415.21, s(t1)=0.017
Xb(t2)=415.18, s(t2)=0.018
Probar la hiptesis de igualdad de cotas promedio.
Usar alfa=5%. Calcular el IC correspondiente.
2 1 2 1
: Ha : Ho =
99 . 3
12
1
10
1
01756 . 0
18 . 415 21 . 415
t
01756 . 0
2 12 10
) 018 . 0 ( 11 ) 017 . 0 ( 9
Sp
2 n n
S ) 1 n ( S ) 1 n (
Sp
n
1
n
1
Sp
X X
t : EP
2 2
2 1
2
2 2
2
1 1
2 1
2 1
=
+
=
=
+
+
=
+
+
=
+
=
086 . 2 t t
20 , 025 . 0 2 n n , 2 /
2 1
= =
+
t
-2.086 0 2.086 3.99
RR Ho
=0.025 /2
RR Ho
=0.025 /2
como 3.99 es mayor que 2.086, se rechaza la igualdad de las medias
de los 2 turnos.
) 0457 . 0 , 01432 . 0 (
12
1
10
1
) 01756 . 0 )( 086 . 2 ( 18 . 415 21 . 415 IC
=
+ =
Ejercicio
Resolver el mismo problema considerando el caso de varianzas
diferentes y comparar los resultados.
Resp.: T-Value = 4.01 P-Value = 0.001 DF = 19. (0.014351, 0.045649). Misma conclusin que el ejemplo.
Como el valor cero no est incluido en el intervalo, se
rechaza la igualdad de las medias de las dos poblaciones.
95% CI for difference: (0.014319, 0.045681)
T-Test of difference = 0 (vs not =): T-Value = 3.99
P-Value = 0.001 DF = 20
Both use Pooled StDev = 0.0176
PH e IC para proporciones
EP Z
X np
np p
IC p Z
p p
n
p
X
n
:
( )
:
$
$
(
$
)
$
/
=
=
0
0 0
2
1
1
Ho p p Ha p p Z Z
p p Z Z
p p Z Z
: :
/
= > >
< <
>
0 0
0
0 2

(una proporcin) 30 n ) a
X=nmero de xitos en la muestra
Requisito: np>5 y n(1-p)>5
Ho p p Ha p p Z Z
p p Z Z
p p Z Z
: :
/
1 2 1 2
1 2
1 2 2
= > >
< <
>
(diferencia entre proporciones)

EP Z
p p
p p
n n
p
X
n
p
X
n
IC p p Z
p p
n
p p
n
p
X X
n n
:
$ $
$
(
$
)
$ $
:
$ $
$
(
$
)
$
(
$
)
$
/
=
+
|
\
|
= =

=
+
+
1 2
1 2
1
1
1
2
2
2
1 2 2
1 1
1
2 2
2
1 2
1 2
1
1 1
1 1

b n n ) ( , )
1 2
30
Ejemplo
Se desea saber si existe diferencia entre la fraccin
defectuosa producida en dos diferentes lneas de vaciado de
cabezas. Se observ que el nmero de cabezas defectuosas
de la lnea 1 fue 7 de un total de 727, y en la lnea 2 fue 11 de
un total de 1339. Usar alfa 5% y calcular el correspondiente IC.
2 1 2 1
p p : Ha p p : Ho =
3305 . 0
1339
1
727
1
) 008712 . 0 1 ( 008712 . 0
008215 . 0 00963 . 0
Z
008712 . 0
1339 727
11 7
n n
X X
p
008215 . 0
1339
11
p
00963 . 0
727
7
p
n
1
n
1
) p
1 ( p
Z : EP
n
X
p
n
X
p
2 1
2 1
2 1
2 1
2 1
2
2
2
1
1
1
=
|
\
|
+
=
=
+
+
=
+
+
=
= = = =
|
|
\
|
+
= = =
) 01 . 0 , 00717 . 0 (
1339
) 008215 . 0 1 ( 008215 . 0
727
) 00963 . 0 1 ( 00963 . 0
96 . 1 008215 . 0 00963 . 0
n
) p
1 ( p
n
) p
1 ( p
Z p
: IC
2
2 2
1
1 1
2 / 2 1
=
Como el valor cero s est incluido en el intervalo, no se rechaza la

igualdad de las proporciones defectuosas en las dos lneas.
Como 0.3305 >1.96=Z( /2), no se
rechaza la igualdad de la fraccin
defectuosa en las dos lineas.
Z
-1.96 0.3305 1.96
RR Ho
=0.025 /2
RR Ho
=0.025 /2
Test and CI for Two Proportions
Sample X N Sample p
1 7 727 0.009629
2 11 1339 0.008215
Difference = p (1) - p (2)
Estimate for difference: 0.00141352
95% CI for difference: (-0.00717497, 0.0100020)
Test for difference = 0 (vs not = 0): Z = 0.33 P-
Value = 0.741
PH e IC para varianzas
Ho Ha
o
n
n
n n
: :
,
,
/ , / ,

2
0
2 2
0
2 2
1
2
2
0
2 2
1 1
2
2
0
2 2
2 1
2 2
1 2 1
2
= > >
< <
> <

a) Una varianza, poblacin normal
EP
n
IC
n n
n n
:
( )S
:
( )S
;
( )S
/ , / ,

2
2
0
2
2
2 1
2
2
1 2 1
2
1 1 1
=

(

( ) n < 30
El IC con Minitab es: stat-basic stat-graphical summary
b n
Ho Ha Z Z
EP Z
S
n
Z Z
Z Z
IC
S
Z
n
S
Z
n
)
: :
:
: ;
/
/ /
= > >
=
< <
>
+
(
(
(
(
30
2
1
2
1
2
0 0
0
0
0
0 2
2 2

c) Cociente de varianzas de poblaciones normales
Ho
Ha F F
F F
F F o F F
EP F
S
S
IC
S
S F
S F
S
n n
n n
n n n n
n n
n n
:
:
:
: ;
, ,
, ,
/ , , / , ,
/ , ,
/ , ,

1
2
2
2
1
2
2
2
1 1
1
2
2
2
1 1 1
1
2
2
2
1 2 1 1 2 1 1
1
2
2
2
1
2
2
2
2 1 1
1
2
2 1 1
2
2
1 2
1 2
1 2 1 2
1 2
2 1
=
> >
< <
< >
=
(
(
( , ) n n
1 2
30 <
Si el valor 1 no
est en el IC,
se rechaza la
igualdad de las
varianzas
d n n ) ( , )
1 2
30
Ho Ha Z Z
EP Z
S S
Sp
n n
Z Z
Z Z
F
F
n n
n n
: :
:
/
/ , ,
/ , ,

1 2 1 2
1 2
1 2
1 2
1 2 2
1 2 1 1
2 1 1
1
2
1
2
1
1 2
2 1
= > >
=
+
< <
>
=

Transformacin de F
Ejemplo
Probar
para los datos de la cota 134 de cubado (s=0.012, suponer
n=20). Usar alfa 5%. Suponer poblacin normal y proceso
estable.
010 . 0 : Ha vs 010 . 0 : Ho > =
36 . 27
010 . 0
) 012 . 0 ( 19 S ) 1 n (
: EP
2
2
2
0
2
2
= =
=
14 . 30
2
19 , 05 . 0
2
1 n ,
= =

Como 27.36 no es mayor que 30.14,
no se rechaza Ho, es decir, no se rechaza
que la desviacin estndar sea 0.010.
2
0 27.36 30.14
RR Ho
=0.05

Ejercicio
Se desea comparar las dispersiones de la cota 134 en
dos turnos diferentes. Se tom una muestra de 10 cabezas
del primer turno y 12 cabezas del turno 2 de donde se
obtuvo
Xb(t1)=415.21, s(t1)=0.017
Xb(t2)=415.18, s(t2)=0.018
Probar la hiptesis de igualdad de la dispersin de cotas.
Usar alfa=5%. Calcular el IC correspondiente.
Resp.: F-Test (normal distribution). Test statistic = 0.89, p-value = 0.878
No se rechaza la igualdad de las varianzas de los dos turnos.
Una de las maneras de comparar procesos o grupos, a
travs de la comparacin de sus medias, es usar una
tcnica llamada Anlisis de Varianza (ANOVA)
desarrollada por R. A. Fisher a principio de los aos 20.
Esta tcnica consiste en descomponer la variacin total
de los datos en (a) la variacin interna o natural
(referencia) de los grupos, y (b) la variacin entre grupos
de medias, para, al comparar esos dos tipos de variacin,
decidir si existe diferencia o no entre las medias que se
estn analizando.
ANALISIS DE VARIANZA
Ejemplo.
Anlisis de la variable temperatura de precalentamiento
a 3 niveles con respecto a la dureza de las piezas
y = 2 0267 .
y
i
s
i
2
Rplicas
Temp. 1 2 3
1 2.05 2.03 2.02 2.033333 0.0002333
2 1.98 1.99 2.00 1.990000 0.0001000
3 2.07 2.05 2.05 2.056667 0.0001333
Anova de un factor
Los niveles 1, 2 y 3 corresponden a 390, 400 y 410C respectivamente
2.05 1.98 2.07
2.03 1.99 2.05
2.02 2.00 2.05
VARIACION
TOTAL
VARIACION
INTERNA
2.033 1.99 2.057
VARIACION ENTRE NIVELES
Suma 6.10 5.97 6.17
Media
(TRATAMIENTOS, GRUPOS O NIVELES)
Nivel 1 Nivel 2 Nivel 3
SST=Variacin Total.
SSt=Variacin entre grupos (tratamientos o niveles de
un factor).
SSE=Variacin natural (Error). Referencia.
(Variacin Interna= variacin aleatoria + error de medicin).
SST=SSt+SSE
Descomposicin de la variacin
N=Nmero total de datos.
n=Nmero de datos por grupo
(rplicas).
a=Nmero de niveles del factor
(tratamientos o grupos).
SST y
y
N
Cada dato
total
N
SSt
y
n
y
N
Cada suma de grupo
n
total
N
SSE SST SSt
gl N
gl a
gl gl gl N a
ij
i
= =
=
=
=
=
= =
2
2
2
2
2 2 2 2
1
1
( )
(Suma )
( ) (Suma )
(SST)
(SSt)
(SSE) (SST) (SSt)
SST Cada dato
Suma total
N
SSt
Cada suma de grupo
n
Suma total
N
=

= + + + =
=

=
+ +
=
( )
( )
( . ) ( . ) ..... ( . )
( . )
.
( ) ( )
( . ) ( . ) ( . ) ( . )
.
2
2
2 2 2
2
2 2
2 2 2 2
2 05 2 03 2 05
18 24
9
0 0078
6 1 5 97 6 17
3
18 24
9
0 006867
Fuentes de Variacin SS gl MS F
Tratamientos(t)
Error (E)
(por diferencia)
Total
SSt a MSt
SSt
a
MSt
MSE
SSE N a MSE
SSE
N a
SST N
=
1
1
1
MS=Medida de variacin promedio
F=Comparacin entre variacin interna (error) y la
variacin entre grupos (tratamientos).
Tabla Anova
Tratamientos(t)
Error (E)
(por diferencia)
Total
Para el ejemplo:
0.00780
0.006867
0.000933
2
8
6
0.000156
0.003434
22.08
Comparar F vs F(tablas):
F F
gl t gl E , ( ), ( ) . , ,
. = =
0 05 2 6
514
5.14 22.08
RR
Como 22.08 es mayor que 5.14,
se rechaza la igualdad de las
medias de los procesos. Es decir,
la variable temperatura afecta la
dureza media de las piezas.
Decisin:
F(tablas)=
Regin de rechazo (RR) y decisin
EntradaF
D
i
s
t
F
25 20 15 10 5 0
0.6
0.5
0.4
0.3
0.2
0.1
0.0
F(0.05,2,6)=5.14 F(anova)=22.08
Regin de rechazo de Ho ( =5%=0.05)
p-value=0.000...
EntradaF
D
i
s
t
F
25 20 15 10 5 0
0.6
0.5
0.4
0.3
0.2
0.1
0.0
F(0.05,2,6)=5.14 F(anova)=22.08
Regin de rechazo de Ho (
=5%=0.05)
p-value=0.002
Valor p (p-value)
Como el p-value<alfa, se rechaza la igualdad de los procesos.
Probabilidad de tener un valor as si Ho es cierta
Grfica de respuesta
2.06
2.05
2.04
2.03
2.02
2.01
2.00
1.99
1.98
Nivel (C)
390 400 410
D
u
r
e
z
a

m
e
d
i
a
Objetivo
Nota: las desviaciones estndar no estn a escala con respecto a la dureza media.
y
s
2
2
1 990
0 01000
=
=
.
.
y
s
1
1
2 033
0 01527
=
=
.
.
y
s
3
3
2 056
0 01155
=
=
.
.
Este ejemplo mostr el anlisis de una sola variable. Tambin se
pueden probar todas ellas simultneamente al igual que incluir las
dems variables de respuesta.
Ejercicio
En un proceso de fabricacin de cabezas de aluminio, se
desea saber si la temperatura afecta la densidad de la
aleacin. Se realizaron pruebas y se obtuvieron los
siguientes resultados:
TEMPERATURA DENSIDAD
1 2.5 2.8 2.7
2 2.8 2.6 2.1
3 2.6 2.6 2.6
4 2.2 2.3 2.1
=
=
=
=
N
) total Suma (
n
) grupo de suma Cada (
SSt
N
) total Suma (
) dato Cada ( SST
2 2
2
2
Tratamientos(t)
Error (E)
(por diferencia)
Total
TABLA ANOVA
F(tablas)=
= =
, , 05 . 0 ) E ( gl ), t ( gl ,
F F
Regin de Rechazo de la igualdad de la media de los
procesos.
, , 05 . 0
F
conclusin?
Definicin
Conjunto de tcnicas estadsticas usadas
para disear experimentos y analizar sus
resultados, de manera ordenada y eficiente.
DISEO Y ANALISIS DE EXPERIMENTOS
*Posicin con respecto a las especificaciones (media).
*Dispersin (variacin).
Por consecuencia, es importante conocer qu factores
afectan al centrado del proceso, y qu factores afectan
la variacin del mismo, adems de determinar los mejo-
res niveles de los mismos.
CARACTERIZACION DE UN PROCESO
PASOS PARA LA EXPERIMENTACION (Esclante, 1992)]
1.- Definir el problema. a
2.- Seleccionar la variable de respuesta.
3.- Verificar el estado de las mquinas en donde se va
a experimentar (corregir condiciones anormales obvias).
4.- Verificar la capacidad y estabilidad de los
instrumentos de medicin.
5.- Seleccionar las variables a experimentar y sus niveles.
6.- Determinar el tipo de diseo a usar y el nmero de
rplicas.
7.- Realizar las pruebas aleatoriamente.
8.- Analizar los resultados.
9.- Conclusiones (qu factores afectan a la media y a la
dispersin, y en qu nivel deben estar).
Una manera prctica de realizar experimentos son los
diseos de variables con 2 niveles. Su representacin
es por medio de matrices de diseo.
2
k
Nmero de factores
Nmero de niveles
2
k
= Nmero de combinaciones de los factores (pruebas).
Diseos 2
k
Efecto de un factor
10 unidades
(P=10W)
Polvo
P
o
t
e
n
c
i
a
2.0 1.8 1.6 1.4 1.2 1.0
70
68
66
64
62
60
1
2
Ejemplo
En un proceso de fabricacin de latas de aluminio para
bebidas intervienen varias variables. En este caso se
desea incrementar el tiempo entre reventones de la l-
mina, y se consideraron las siguientes variables y sus
niveles, y dos rplicas por prueba:
A: Aceite de lubricacin de lmina-ALUB (Z1, Z2).
B: Aceite de formacin-AFORM (H1, H2).
C: Concentracin aceite/agua-CONC (10, 20)%.
Estudio de medias:
de la misma forma, B=4.25, C=1.675, AB=0.775,
AC=0.35, BC=2.0, y ABC=0.125
A =
+ + + +
=
5 8 3 2 9 0 9 0 4 7 3 0 15 4 17 3
4 2
0 30
. . . . . . . .
( )
.
Suma 67.4
Prueba A B C AB AC BC ABC Comb
y1 y2 y
1 -1 -1 -1 1 1 1 -1 (l) 3.5 2.3 5.8
2 1 -1 -1 -1 -1 1 1 a 2.1 1.1 3.2
3 -1 1 -1 -1 1 -1 1 b 4.9 4.1 9.0
4 1 1 -1 1 -1 -1 -1 ab 5.1 3.9 9.0
5 -1 -1 1 1 -1 -1 1 c 1.5 3.2 4.7
6 1 -1 1 -1 1 -1 -1 ac 1.9 1.1 3.0
7 -1 1 1 -1 -1 1 -1 bc 7.1 8.3 15.4
8 1 1 1 1 1 1 1 abc 8.1 9.2 17.3
Z1 Z2
Factor A (Alub)
-0.3h
Prueba de Daniel
Obtencin de efectos significativos en forma grfica
1.- Elaborar la siguiente tabla:
1
2
...
E
i F=100(i-0.5)/E Efectos ordenados ID
E=nmero de efectos.
2.- Graficar en papel probabilstico normal.
Los efectos no significativos siguen una distribucin nor-
mal con media cero. Los significativos tienden a separar-
se de dicha distribucin, es decir, a estar fuera de la
lnea recta ajustada.
Aplicado al ejemplo anterior:
i F=100(i-0.5)/N Efectos ID
1 7.14 -0.300 A
2 21.43 0.125 ABC
3 35.71 0.350 AC
4 50.00 0.775 AB
5 64.29 1.675 C
6 78.57 2.000 BC
7 92.86 4.250 B
-0.30 0 0.50 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0
Efectos
F%
99
50
0
Papel probabilstico normal
C
BC
B
Efectos significativos: B, C y BC.
B: AFORM (H1, H2).
C: CONC (10, 20)%.
3 2 3 2
3 2 3 2
x x 1 x 8375 . 0 x 125 . 2 2125 . 4 y
x x ) 2 / BC ( x ) 2 / C ( x ) 2 / B ( y y
+ + + =
+ + + =
Grficas de respuesta
9
8
7
6
5
4
3
2
1
B- B+
C-
C+
y
Se desea maximizar el tiempo entre reventones
y y
y y
B C B C
B C B C
+
+ + +
= =
= =
2 25 4 50
1 925 8 175
. .
. .
Ejercicio (dinmica del helicptero)
Se desea construir el prototipo de helicptero que dure el
mayor tiempo posible en el aire una vez soltado desde cierta
altura. Existen 3 parmetros de diseo que se probarn de
acuerdo al siguiente plano:
A: Longitud de las alas (2, 3)
B: Longitud del cuerpo (2, 3)
C: Ancho del cuerpo (1, 1.5)
Cortar
Doblar
A
B
C (1(-1), 1.5(+1))
Usar Hoja
tamao carta
(8.5X11)
3
2 (-1)
3 (+1)
2 (-1)
3 (+1)
1
Procedimiento (estudio de medias)
1. Elaborar la matriz de diseo y realizar las pruebas.
Pba A B C AB AC BC ABC
Y1 Y2 Y
1 -1 -1 -1
2 1 -1 -1
3 -1
4 -1
5
6
7
8
2. Calcular los efectos A,B,C,AB,AC,BC,ABC usando Y
A=
B=
C=
AB=
AC=
BC=
ABC=
3. Hacer prueba de Daniel.
i F=100(i-0.5)/N Efectos ordenados ID
efectos significativos (media)?
0.05
1
2
5
10
20
30
40
50
60
70
80
90
95
98
99
99.5
F

(
%
)
P
a
p
e
l

p
r
o
b
a
b
i
l
s
t
i
c
o

n
o
r
m
a
l
Definicin
Procedimiento grfico de descomposicin de fuentes de
variacin.
Objetivo
Mostrar las fuentes de variacin ms importantes en un
proceso.
GRAFICAS MULTIVARI
(Desarrolladas por Leonard Seder en 1950)
Tipos de variacin
1.- Interna (posicin)
Ocurre cuando existe variacin en cierta caracterstica
de calidad a lo largo de la pieza. Por ejemplo
excentricidad, planicidad, espesor, conicidad,
porosidad, etc. El valor objetivo de estas caractersticas
es cero.
2.- Entre piezas (cclica)
Es la variacin entre piezas o entre lotes fabricados en
cierto perodo corto de tiempo. Usando grficas de
control, la grfica R muestra tambin este tipo de
variacin.
3.- Variacin en el tiempo
Es la variacin entre piezas o entre lotes fabricados en
cierto perodo largo de tiempo. Representa la variacin
en operadores, materia prima, medio ambiente y otros.
Usando grficas de control, la grfica de medias
muestra tambin este tipo de variacin (diferencias
entre medias).
4.- Variacin de fuente
Es la variacin provocada por diferentes fuentes que
elaboran el mismo producto. Por ejemplo diferentes
cavidades, cabezas, estaciones, etc.
Tamao de muestra
-Se recomienda que el tamao de muestra sea de por lo
menos entre 3 y 5 piezas producidas consecutivamente.
-El tiempo entre las muestras debe ser suficientemente
largo para poder observar variacin entre las muestras
-Se debe tomar un mnimo de 15 mediciones para el
estudio.
GRUPO 1 GRUPO 2
6AM 9AM 12AM 2PM 5PM 8PM
M1 3 3 5 2 3 5
M2 2 3 4 2 3 5
M3 2 4 5 1 2 6
Ejemplo
Aplicacin de multivari al anlisis de posibles causas de piezas
con fugas. M1, M2 y M3 representan el nmero de molde
por 3 piezas cada una. La variable de respuesta es el nmero de
fugas totales en cada grupo de trabajo y en cada molde.
1 2
1 2 3 1 2 3
1
2
3
4
5
6
Grupo
F
u
g
a
s
1
2
3
Multi-Vari Chart for Fugas By Molde - Grupo
Hora
Molde
Interpretacin
De los tres factores analizados: grupo, molde (diferencia entre
posiciones), y hora (diferencia entre piezas a mediano
plazo), el factor ms influyente es la hora. Se observa una
tendencia de aumento del nmero de fugas a medida que el turno
avanza.
No se observa un gran efecto de los grupos analizados ni de
los moldes.
En este caso, la grfica multivari est sealando un posible factor
importante para ser estudiado. Por tanto, es necesario investigar la
causa de la tendencia de aumento del nmero de fugas conforme
avanza el turno.
Ejercicio
Se recolect informacin sobre planicidad en cabezas producidas
simultneamente en moldes con cuatro cavidades water jacket y
dos rplicas. Realizar una grfica multivari y detectar el tipo de
variacin en el proceso (molde, cavidad water jacket, parte) para
los siguientes datos de planicidad:
MOLDE
1 2 3
CAVIDAD CAVIDAD CAVIDAD
Rplica
1 2 3 4 1 2 3 4 1 2 3 4
1 19 12
9
11 20 12 14 12 8 0 3 1
2 36 21 23 22 11 1 3 0
33 21 26 20
Definir
problema
Describir proceso
Medicin
capaz y estable
Mejorar
N
Determinar
variables
significativas
Evaluar estabilidad
y capacidad
del proceso
Proceso
capaz
N
D
M
M
A
A
Validar la
mejora
Optimizar
I
I
Proceso
estable
Eliminar
causas
especiales
N
Controlar
el proceso
C
Mejorar
continuamente
C
S
S
S
Una vez ajustado el proceso y disminuido su variacin,
se evala la capacidad del proceso. Un Estudio de
Capacidad es un procedimiento ordenado de planeacin,
recoleccin y anlisis de informacin, con la finalidad de
evaluar la estabilidad de un proceso, y la capacidad que
ste tiene para producir dentro de especificaciones. Los
estudios de capacidad miden la variacin y el centrado
de un proceso con respecto a sus especificaciones.
AEVALUAR LA ESTABILIDAD Y
LA CAPACIDAD DEL PROCESO
La toma de decisiones es una actividad comn
principalmente entre los administradores.
La toma de decisiones se realiza frecuentemente
en base a hechos y datos (informacin).
Son la recoleccin y el anlisis de esos
datos adecuados?
El fenmeno de la variacin est presente
en la vida diaria y se manifiesta de muchas
maneras.
Existe variacin entre las personas, dentro de
una misma persona, entre instituciones, el clima,
etc.
La variacin tambin est presente en la recolec-
cin y el anlisis de informacin, y en los procesos
o sistemas que la generan
La toma de decisiones en base a informacin est
sujeta a la variacin, y principalmente a la manera
de
cmo se interpreta dicha variacin:
a) (la variacin en) los datos indican un
cambio real, o
b) la variacin en los datos es aleatoria, es
decir, es equivalente a los que ha sucedido
en el pasado.
Los administradores deben se capaces
de determinar si los patrones de variacin
indican una tendencia, o si slo son
fluctuaciones aleatorias normales que
no demandan ningn cambio.
Las consecuencias de no distinguir entre
los dos tipos de variacin son prdidas
para la compaa.
Nolan, Provost [2]
Ejemplos de prdidas son:
-Culpar personas cuando los acontecimientos
estn fuera de su control.
-Gastar dinero cuando no es necesario
(ej. compra de equipo).
-Perder tiempo buscando explicaciones de
cambios inexistentes.
-LLevar a cabo acciones innecesarias.
Nolan, Provost [2]
GRAFICAS DE CONTROL
Definicin
Herramientas estadsticas que muestran el
comportamiento de cierta caracterstica de calidad
de un proceso con respecto al tiempo.
Objetivo
Evaluar, controlar y mejorar procesos.
Causas de Variacin
a) Causas Comunes.
Son comunes a todos. Son debidas al sistema: diseo
deficiente, materiales inadecuados, mala iluminacin...
b) Causas Especiales.
Son debidas a situaciones particulares o especiales, y
no afectan a todos: mquinas desajustadas, mtodos
ligeramente alterados, diferencias entre trabajadores...
Conceptos de Grficas de Control
Las Grficas de Control sirven para
- Distinguir entre causas comunes y causas
especiales de variacin.
- Indican cundo actuar para mejorarlo y cundo no.
Sobreactuar en un proceso estable provoca ms variacin.
Deming [4]
Grfica de Medias y Rangos ( )
XR
Definicin
Herramienta estadstica que muestra el comportamiento
de la media (posicin) y la variacin (dispersin) de
cierta caracterstica de calidad de un proceso con
respecto al tiempo. Est grfica se usa para controlar una
caracterstica de calidad continua tomando muestras de
tamao entre 2 y 10.
Objetivo
Evaluar, controlar y mejorar la caracterstica de calidad de
inters, desde el punto de vista del ajuste de su posicin y
la reduccin de su variacin con respecto al objetivo.
Ejemplo
Se cuenta con informacin sobre la dureza de 100
mltiples de admisin. La especificacin es de 1 a 3 Rc.
Grfica de Medias y Rangos
Muestra Dureza Promedio Rango
1 1.855 1.162 1.606 2.010 1.929 1.712 0.849
2 2.020 1.473 1.502 2.471 1.518 1.797 0.998
3 2.378 1.525 1.743 2.693 1.492 1.966 1.202
4 1.644 1.870 1.703 1.745 1.640 1.720 0.230
5 2.189 2.281 1.854 1.645 1.801 1.954 0.637
6 1.828 1.093 1.943 2.594 1.971 1.886 1.501
7 2.614 1.976 1.649 1.827 2.179 2.049 0.966
8 2.298 2.533 2.681 1.548 2.233 2.259 1.133
9 1.971 2.280 1.817 2.333 1.773 2.035 0.560
10 1.823 2.060 2.290 1.471 1.364 1.802 0.925
11 2.431 1.267 1.737 2.011 2.061 1.901 1.163
12 1.956 1.811 1.770 1.863 1.420 1.764 0.537
13 2.047 1.231 2.805 1.926 1.988 1.999 1.574
14 2.241 2.095 1.723 2.036 2.703 2.159 0.980
15 1.966 1.715 2.175 1.517 2.686 2.012 1.170
16 2.351 1.790 2.416 2.305 1.985 2.170 0.627
17 1.630 2.433 2.726 2.330 2.207 2.265 1.095
18 1.833 1.575 2.039 1.492 1.838 1.756 0.547
19 1.941 1.788 2.077 1.607 1.376 1.758 0.700
20 1.883 2.220 1.581 2.290 1.105 1.816 1.185
Promedio 1.939 0.9289
Los clculos son:
Los lmites de control para las medias son:
9289 . 0
20
185 . 1 ... 998 . 0 849 . 0
k
R ... R R
R
939 . 1
20
816 . 1 ... 797 . 1 712 . 1
k
X ... X X
X
k 2 1
k 2 1
=
+ + +
=
+ + +
=
=
+ + +
=
+ + +
=
Donde k representa el nmero de muestras de tamao n.
403 . 1 ) 9289 . 0 ( 577 . 0 939 . 1 R A X ) X ( LIC
475 . 2 ) 9289 . 0 ( 577 . 0 939 . 1 R A X ) X ( LSC
2
2
= = =
= + = + =
Los lmites de control para rangos son:
0 ) 9289 . 0 ( 0 R D ) R ( LIC
964 . 1 ) 9289 . 0 ( 114 . 2 R D ) R ( LSC
3
4
= = =
= = =
0 Subgroup 10 20
1.5
2.0
2.5
S
a
m
p
l
e

M
e
a
n
X=1.939
3.0SL=2.475
-3.0SL=1.403
0
1
2
S
a
m
p
l
e

R
a
n
g
e
R=0.9288
3.0SL=1.964
-3.0SL=0.00
Xbar/R Chart for Dureza
Se observa un proceso estable
Esta grfica se usa cuando ya se ha llegado a un cierto
grado de control del proceso, y su finalidad es la de
verificar ese nivel de control que el proceso ha alcanzado.
Tambin se usa en pruebas destructivas costosas.
Esta grfica es muy poco sensible a cambios en el proceso
comparadas con las grficas vistas anteriormente. La
razn es que el tamao de las muestras que se toman es
n=1. Adems se recomienda no tomar menos de 100
muestras (de tamao n=1) para este tipo de grfica.
Grfica de Lecturas Individuales
Botella Aire44 Rango Botella Aire44 Rango
1 0.51 NA 16 0.34 0
2 0.59 0.08 17 0.42 0.08
3 0.42 0.17 18 0.42 0
4 0.42 0 19 0.42 0
5 0.34 0.08 20 0.34 0.08
6 0.42 0.08 21 0.59 0.25
7 0.34 0.08 22 0.34 0.25
8 0.34 0 23 0.34 0
9 0.42 0.08 24 0.51 0.17
10 0.34 0.08 25 0.34 0.17
11 0.42 0.08 26 0.34 0
12 0.34 0.08 27 0.42 0.08
13 0.51 0.17 28 0.42 0
14 0.34 0.17 29 0.42 0
15 0.34 0 30 0.42 0
Ejemplo. Se tiene la siguiente informacin de aire en la
botella en la vlvula 44 en una operacin de envasado de
cerveza.
30 20 10 Subgroup 0
0.6
0.5
0.4
0.3
0.2
I
n
d
i
v
i
d
u
a
l

V
a
l
u
e
Mean=0.4057
UCL=0.6102
LCL=0.2012
0.3
0.2
0.1
0.0
M
o
v
i
n
g

R
a
n
g
e
R=0.07690
UCL=0.2512
LCL=0
I and MR Chart for Aire44
Proceso estable
Ejercicio. Una persona de cada equipo lanzar una moneda 10
veces y medir la distancia con respecto al objetivo. Hacer una
grfica de control de lecturas individuales
Suma
Lanzamiento
Distancia Rango
1 ---
2
3
4
5
6
7
8
9
10
=
=
R
X
= =
= + =
R E X ) X ( LIC
R E X ) X ( LSC
2
2
= =
= =
R D ) R ( LIC
R D ) R ( LSC
3
4
) 2 n ( 267 . 3 D ) 2 n ( 0 D ) 2 n ( 66 . 2 E
4 3 2
= = = = = =
Grfica de lecturas individuales
Grfica de rangos mviles
Atributos. Clasificacin de defectos en botellas cerveceras
Defectos Crticos (AQL=0%)
-Aleta cortante en el exterior
-Burbuja ampollada en el interior
-Vidrio suelto dentro de la botella
Defectos Mayores (AQL=1%)
-Grietas
-Cuerpo delgado
-Estrelladuras
Defectos Menores (AQL=4%)
-Marcas superficiales
-Altura total grande
-Fuera de peso
Grafica p (fraccin defectuosa). Se tiene la siguiente
informacin sobre botellas de vidrio con defectos
Mltiples Mltiples Fraccin
Fecha producidos (n) defectuosos (X) defectuosa (p) LSC(p) LIC(p)
5-May 145 10 0.0690 0.182 0.029
6-May 236 1 0.0042 0.166 0.046
7-May 184 4 0.0217 0.174 0.038
8-May 122 6 0.0492 0.189 0.022
9-May 215 12 0.0558 0.169 0.043
10-May 218 35 0.1606 0.168 0.043
11-May 221 21 0.0950 0.168 0.044
12-May 149 32 0.2148 0.181 0.030
13-May 189 12 0.0635 0.173 0.039
14-May 156 22 0.1410 0.180 0.032
15-May 172 24 0.1395 0.176 0.035
16-May 125 35 0.2800 0.188 0.023
17-May 118 21 0.1780 0.191 0.021
18-May 164 19 0.1159 0.178 0.034
19-May 215 17 0.0791 0.169 0.043
20-May 248 21 0.0847 0.164 0.047
21-May 168 23 0.1369 0.177 0.035
22-May 159 24 0.1509 0.179 0.033
Suma 3204 339
Botellas
producidas (n)
Botellas
defectuosas (x)
0 10 20
0.0
0.1
0.2
Sample Number
P
r
o
p
o
r
t
i
o
n
P Chart for fugas
P=0.1061
3.0SL=0.1794
-3.0SL=0.03284
Se observa un proceso estable
Interpretacin de Grficas de Control
Western Electric (1956)
Caractersticas de un comportamiento natural o normal
(aleatorio):
(1) la mayora de los puntos cerca de la lnea central,
(2) pocos puntos cerca de los lmites de control, y
(3) ningn u ocasionalmente algn punto fuera de los
lmites de control.
Comportamiento natural
LSC
LIC
LC
Regla Emprica:
60-75% de los datos dentro de 1 sigma unidades de la media.
3
2
1
-3
-2
-1
0
Patrn de Inestabilidad
LSC
Lnea
Central
ZA
ZB
ZC
I1 I2 I3 I4
Puntos fuera 2 de 3 en A 4 de 5 en A/B 8(*) mismo lado
(*) Minitab toma 9 puntos
0.341
0.136
0.01235
Interpretacin de grficas de control
Otros patrones
LSC
Lnea
Central
ZA
ZB
ZC
LIC
ZC
ZB
ZA
E M T
15 en C 8 y ninguno en C 6 hacia arriba/abajo
60 50 40 30 20 10 0
7
6
5
4
3
Observation Number
I
n
d
i
v
i
d
u
a
l

V
a
l
u
e
I Chart f or Interpretacin
Mean=4.908
1.0SL=5.567
2.0SL=6.225
3.0SL=6.883
-1.0SL=4.250
-2.0SL=3.592
-3.0SL=2.933
Ejercicio. Detectar los patrones que aparecen en la siguiente grfica
Evaluacin de la Capacidad
LIE LSE
Tolerancia
(ancho de la especificacin)
b=Ancho del proceso=6
Una manera de evaluar la capacidad del proceso para
producir dentro de especificaciones, es comparar el
ancho de la especificacin con el ancho del proceso.
a= LSE-LIE
LIE LSE LIE LSE
a/b=1 a/b es mayor a 1
Comparando ambos procesos, vemos que el proceso
para el cual a/b es mayor a 1, es mejor que el otro.
ndice de Capacidad Potencial
As podemos definir el ndice de Capacidad Potencial
como
que representa una comparacin de anchos, sin tomar
en cuenta la ubicacin del proceso. Indica el nmero de
veces que el proceso cabe dentro de la especificacin.
Cp
a
b
LSE LIE
s
s = =
=
6
$

ndice de Capacidad Real
Como Cp no toma en cuenta la ubicacin (centrado)
del proceso, es necesario definir otro ndice que s la
considere, sea
LIE LSE
c
d
LE es el lmite de especificacin ms cercano a la media del proceso
Al comparar c/d se puede ver el centrado del proceso
en relacin con la mitad de la variacin del mismo.
c = la distancia entre el centro del proceso (media) y
el lmite de especificacin ms cercano.
d = la mitad del ancho del proceso.
El Indice de Capacidad Real queda definido como
Cpk
LE X
s
si LIE X LSE
Cpk
LE X
s
si X LSE o X LIE
=
> <
3
3
Ejemplos. Evaluacin grfica de Cp y Cpk
LIE LSE LIE LSE
a a a a
a a a a
Cp=Cpk=1
Cp=Cpk=2
Cp=2
Cpk=1
LIE LSE
Ejercicio. Evaluacin grfica de Cp y Cpk
LIE LSE
a a a a
Cp=
Cpk=
Cp=
Cpk=
LIE LSE
a a a a a
LIE LSE
Cp=
Cpk=
a a a a
LIE LSE
Cp=
Cpk=
a a 2a 2a
30 20 10
6
5
4
3
2
Index
D
a
t
o
s
Subgrupos para calcular la desviacin estndar interna (Cp y Cpk)
s (corto plazo)
Estudios a largo/corto plazo
ndices de
CAPACIDAD
30 20 10
6
5
4
3
2
Index
D
a
t
o
s
Subgrupos para calcular la desviacin estndar global (Pp y Ppk)
s (largo plazo)
ndices de
DESEMPEO
Ejemplo
Se evaluar la capacidad y el desempeo del proceso de mltiples
de admisin para la caracterstica de dureza de los mismos.
LIE=1, LSE=3.
Despus de verificar la estabilidad y la normalidad de las 100
muestras de dureza (se deja como ejercicio):
0 Subgroup 10 20
1.5
2.0
2.5
S
a
m
p
l
e

M
e
a
n
X=1.939
3.0SL=2.475
-3.0SL=1.403
0
1
2
S
a
m
p
l
e

R
a
n
g
e
R=0.9288
3.0SL=1.964
-3.0SL=0.00
Se observa un proceso estable y la normalidad no es rechazada (no se muestra)
784 . 0
) 3993 . 0 ( 3
939 . 1 1
) corto ( s 3
X LE
Cpk 835 . 0
) 3993 . 0 ( 6
1 3
) corto ( s 6
LIE LSE
Cp
3993 . 0
326 . 2
9288 . 0
d
R
) corto ( s ) corto (
9288 . 0 R 939 . 1 X
2
=
= =
=
= = = =
= =
3893 . 0
9974 . 0
3884 . 0
) N ( c
s
) o arg l ( s 9974 . 0
3 ) 100 ( 4
) 1 100 ( 4
) 100 N ( c
3884 . 0
1 100
) 939 . 1 105 . 1 ( ..... ) 939 . 1 855 . 1 (
1 n
) X x (
s
4
4
2 2 N
1
2
i
= = = =
= =
=
+ +
=

=
8040 . 0
) 3893 . 0 ( 3
939 . 1 1
) o arg l ( s 3
X LE
Ppk 8562 . 0
) 3893 . 0 ( 6
1 3
) o arg l ( s 6
LIE LSE
Pp =
= =
=
Interpretacin clsica de Cp y Cpk
Si Cp(Pp) es mayor que Cpk(Ppk), el proceso no est centrado
en el objetivo. Si son aproximadamente iguales, entonces
el proceso est centrado.
Si Cp o Cpk es menor a 1, el proceso es incapaz.
Si Cp o Cpk est entre 1 y 1.33, el proceso es apenas
capaz.
Si Cp o Cpk es mayor a 1.33 el proceso es capaz.
El ndice Cpk prevalece sobre Cp para tener la evaluacin
real (actual) del proceso.
El porcentaje defectuoso se puede estimar como:
% 33 . 1 0133 . 0
0039 . 0 0094 . 0 ) 66 . 2 Z ( p ) 35 . 2 Z ( p
3993 . 0
939 . 1 3
Z p
3993 . 0
939 . 1 1
Z p
) 3 X ( p ) 1 X ( p
= =
+ = > + < =
|
\
|

> +
|
\
|

< =
> + <
Las probabilidades normales se obtuvieron usando
la tabla Z del apndice.
De acuerdo a los resultados, se observa que el
proceso no es capaz realmente ni potencialmente.
1.0 1.5 2.0 2.5 3.0
LSL USL
Process Capability Analysis for Dureza
USL
Target
LSL
Mean
Sample N
StDev (ST)
StDev (LT)
Cp
CPU
CPL
Cpk
Cpm
Pp
PPU
PPL
Ppk
PPM < LSL
PPM > USL
PPM Total
PPM < LSL
PPM > USL
PPM Total
PPM < LSL
PPM > USL
PPM Total
3.00000
2.00000
1.00000
1.93897
100
0.399312
0.389393
0.83
0.89
0.78
0.78
0.85
0.86
0.91
0.80
0.80
0.00
0.00
0.00
9349.73
3940.28
13290.01
7946.41
3216.74
11163.15
Process Data
Potential (ST) Capability
Overall (LT) Capability Observed Performance Expected ST Performance Expected LT Performance
ST
LT
Ejercicio
En base a los datos del ejercicio de la grfica XR (lecturas
individuales), evaluar la capacidad para el proceso de
lanzamiento de monedas cuya especificacin es LSE=20
cms. Evaluar estabilidad y normalidad de los datos.
MTRICA DE SEIS SIGMA
Rendimiento de un proceso
(Yield)
El rendimiento tradicional de un proceso se obtiene dividiendo
el nmero de piezas que salen bien entre el nmero de piezas que
entran.
Ejemplo
Obtener el rendimiento tradicional del siguiente proceso
200 180
Yield=180/200=0.90=90%
Rendimiento de Primera-Vez
(First-Time Yield, Y
FT
)
El rendimiento de primera vez corresponde al nmero de piezas
hechas bien la primera vez en cada fase del proceso
Ejemplo
Obtener el Y
FT
del siguiente proceso
200 197 177 172 172
Unidades defectuosas
3 20 5 0
Y
FT
=197/200=0.9850 177/197=0.8985 172/177=0.9718 172/172=1.00
Rendimiento En-Cadena
(Rolled Throughput Yield, Y
RT
)
Y
FT
=197/200=0.9850 177/197=0.8985 172/177=0.9718 172/172=1.00
El rendimiento en cadena es el producto del rendimiento en cada
paso del proceso. Dicho rendimiento no incluye retrabajos.
Ejemplo
Y
RT
=(0.985)(0.8985)(0.9718)(1)=0.86=Y
FT
=172/200
200 197 177 172 172
3 20 5 0
Rendimiento En-Cadena
(Rolled Throughput Yield, Y
RT
)
--incluyendo retrabajo--
El rendimiento en cadena es el producto del rendimiento en cada
paso del proceso. Dicho rendimiento s incluye retrabajos.
Ejemplo
200 197 177 172 172
Y
FT
=192/200=0.96 177/197=0.8985 172/177=0.9718 169/172=0.9826
Y
RT
=(0.96)(0.8985)(0.9718)(0.9826)=0.8237
5
Retrabajo
3
3 20 5 0
La fabrica oculta
El concepto de la fbrica oculta surge cuando
una compaa est utilizando recursos adicionales
por no hacer bien sus productos a la primera vez.
Al retrabajo o al desperdicio se le considera como
la fbrica oculta.
Y
FT
=192/200=0.96 177/197=0.8985 172/177=0.9718 169/172=0.9826
Ejemplo
Para el proceso anterior la fbrica escondida se encuentra en los
pasos 1 y 4 y representan rea de oportunidad de mejoramiento en
ese mismo orden.
Y
RT
=82.37% representa el porcentaje de piezas que sern producidas
sin defectos la primera vez.
200 197 177 172 172
5
Retrabajo
3
3 20 5 0
Elementos de la Mtrica de defectos
dpu=defectos por unidad (promedio)
dpu=Nmero de defectos/Nmero de unidades
dpmu=defectos por milln de unidades = (dpu)(10
6
)
dpo=defectos por total de oportunidades(i)
dpo=Nmero de defectos/Nmero de oportunidades totales(i)
dpmo=defectos por milln de oportunidades
dpmo=dpmu/Nmero de oportunidades por unidad=(dpo)(10
6
)
Y
FT
= rendimiento de primera-vez
Y
FT
=[1-dpmo/10
6
]
n
(Mangin, 1999)
(n=nmero de oportunidades de defectos por unidad)
dpu
dpmu
dpo
dpmo
Y
FT
Nmero de oportunidades totales(i)=(No. de oportunidades)(No. Unidades)
La diferencia entre dpmu y dpmo es que una unidad puede tener
varias oportunidades de cometer defectos. Por ejemplo si en cierto
proceso se encontraron 10 defectos en una muestra de 100 unidades,
dpu=10/100=0.1 (defectos por unidad)
dpmu=(dpu)(10
6
)=100,000 (defectos por cada milln de unidades)
Si en cada unidad, existen 10 posibilidades (pasos del proceso,
nmero de partes que lo forman, etc.) de ocurrencia de un
defecto,
dpmo=dpmu/10=10,000 (defectos por cada milln de oportunidades)
Si cada unidad solamente tiene una oportunidad en la que pueda
ocurrir algn defecto, dpmo=dpmu.
Originalmente ppm significa unidades defectuosas por cada milln,
independientemente del nmero de defectos en dichas unidades.
Actualmente el objetivo de Motorola es tener 3.4 ppm
considerando ppm como el nmero de defectos(*) por cada milln
de unidades. En este caso, ppm=dpmu.
Si cada unidad se compone de cierto nmero de oportunidades de
ocurrencia de un defecto, entonces ppm=dpmo.
(*)si cada unidad defectuosa tiene solamente un defecto
entonces ppm significa tanto unidades defectuosas como
nmero de defectos por milln de unidades
Ejemplo de atributos
En la fabricacin de cierto tipo de tarjetas electrnicas impresas,
se tienen las siguientes oportunidades de cometer errores:
-componentes equivocados 100
-componentes mal soldados 20
-componentes mal insertados 10
-soldadura faltante 120
OPORTUNIDADES TOTALES 250
De una muestra de 3000 tarjetas se encontr un total de 85 defectos
dpu=85/3000=0.0283
dpmo=(0.0283/250)(10
6
)=(0.0001132)(10
6
)=113.2
Y
FT
=(1-113.2/10
6
)
250
=0.972
Transformacin de dpmo a nivel sigma
Z=3.69 0
0.0001132
113.2 ppm=113.2/10
6
=0.0001132=1.13(10
-4
)
Buscando en la tabla Z del apndice se obtiene Z=3.69
Este proceso tiene un nivel de calidad de 3.69 sigma
Procedimiento para atributos
1. De ser necesario(*) expresar dpmo en notacin
cientfica con un entero y dos decimales.
2. Buscar el valor Z en la tabla Z del apndice
(*) si el valor en el cuerpo de la tabla Z est en notacin cientfica
Ejemplo integrador
Se analizar el siguiente proceso de preparar caf fresco en una
cafetera automtica y servirlo:
Poner el
caf
Vaciar
el agua
Encender
la cafetera
Poner filtro
de papel
Esperar
Servir
el caf
1
2
3
4
6
5
Considerar que la muestra de 100 preparaciones fue en un perodo largo de
tiempo. Es decir, se incluyeron todas las fuentes de variacin posibles en este
proceso. Es un estudio largo
2. Definir oportunidades de defectos
Paso Descripcin Op. de error
1 Poner filtro de papel 2
2 Poner el caf 1
3 Vaciar el agua 1
4 Encender la cafetera 1
5 Esperar 2
6 Servir el caf 2
Total 9
1. Identificacin de CTQs (proceso: preparar y servir caf)
Temperatura adecuada del caf y llenado adecuado
3. Buscar defectos en productos o servicios
Poner el
caf
Vaciar
el agua
Encender
la cafetera
Poner filtro
de papel
Esperar
Servir
el caf
1
2
3
4
6
5
100
3
97
2
1
94
1
95
93 93 91
2
1 0
2
Poner filtro
de papel
1
100
3
97
2
Y
FT
=95/100=0.95 dpu=(5/100)=0.050000
dpmo=(0.050000/2)(10
6
)=25,000
0.05/2=0.025=2.5(10
-2
). Z=1.96
De manera individual:
4. y 5. Calcular dpmo individual y su conversin a niveles sigma
Poner el
caf
2
95
2
97
Vaciar
el agua
3
1
94
1
Y
FT
= 93/95=0.9789 dpu=(2/95)=0.021053
dpmo=(0.021053/1)(10
6
)=21,053
0.021053/1=0.021053=2.11(10
-2
). Z=2.03
95
Y
FT
= dpu=
dpmo=
Z=
Ejercicio
Encender
la cafetera
4
1
94
93
Esperar
5
0
93
Y
FT
= 93/93=1.0 dpu=0
dpmo=0
Z tiende a infinito (prcticamente Z=4.5)
93
Y
FT
= dpu=
dpmo=
Z=
Ejercicio
Servir
el caf
6
2
93
Y
FT
= 91/93 =0.9785 dpu=(2/93)=0.021505
dpmo=(0.021505/2)(10
6
)=10,753
0.021505/2 =0.010753=1.08(10
-2
). Z=2.30
91
6. Resumen del anlisis
Total dpo=Total de defectos/Total de oportunidades.
El nmero de defectos por milln de oportunidades (dpmo) de todo el
proceso es (Total dpo)(10
6
)=13,986 y corresponde a un nivel de 2.20
sigma.
Caract. Defectos Unidades Oport. Tot. Oport. dpu dpo dpmo dpmu Z Zshift
1 5 100 2 200 0.050 0.025000 25000 50000 1.96 3.46
2 2 97 1
3 2 95 1 95 0.021 0.021053 21053 21053 2.03 3.53
4 1 94 1 94 0.011 0.010638 10638 10638 2.30 3.80
5 0 93 2 186 0.000 0.000000 0 0 4.50 6.00
6 2 93 2
TOTAL 12 9 858 123815 3.70
Zshift=1.5 es el factor de correccin para tener el equivalente a un
estudio a corto plazo.
---
Suma
Para todo el proceso, tomando en cuenta el retrabajo:
Y
FT
(proceso)=(1-13,986/10
6
)
9
=0.8809=88.09%
Orden del proceso Orden en base a sigma
7. Deteccin de reas de oportunidad
Fase dpmo Sigma
Poner filtro 25000 1.96
Poner caf 20619 2.04
Vaciar agua 21053 2.03
Encender 10638 2.30
Esperar 0 6.00
Servir 10753 2.30
Fase dpmo Sigma
Poner filtro 25000 1.96
Vaciar agua 21053 2.03
Poner caf 20619 2.04
Servir 10753 2.30
Encender 10638 2.30
Esperar 0 6.00
Definir
problema
Describir proceso
Medicin
capaz y estable
Mejorar
N
Determinar
variables
significativas
Evaluar estabilidad
y capacidad
del proceso
Proceso
capaz
N
D
M
M
A
A
Validar la
mejora
Optimizar
I
I
Proceso
estable
Eliminar
causas
especiales
N
Controlar
el proceso
C
Mejorar
continuamente
C
S
S
S
Si el proceso no es capaz, se deber optimizar
para reducir su variacin. Se recomienda usar
Anlisis de Regresin, Diseo de Experimentos,
y Superficies de Respuesta.
I OPTIMIZAR Y ROBUSTECER
EL PROCESO
DIAGRAMA DE DISPERSIN
Definicin
Grfica simple entre 2 variables.
Objetivo
Visualizar el tipo y el grado de relacin o prediccin entre
dos variables.
Tipos de relacin
.
..
.
.
.
.
.
Directa Inversa
.
.
.
.
.
..
Grados de relacin
.
.
.
.
.
.
.
.
.
.
.
. .
.
.
.
.
. .
.
.
.
. .
. .
. .
. .
. .
.
. .
. .
. . .
. .
Fuerte Dbil Nulo
.
.
Ejemplo. Suponer que en base a estudios previos, se encontr que
las variables significativas con respecto a la dureza de los mltiples
de admisin- fueron la temperatura de precalentamiento
y el tiempo de solidificacin. Determinar el tipo y el grado de
relacin entre la dureza y el tiempo de solidificacin.
t-Solid Dureza
10 4.5
11 4.3
12 3.8
13 3.6
14 3.4
15 2.9
16 2.9
17 2.4
18 2.2
19 2.1
20 2.0
10 11 12 13 14 15 16 17 18 19 20
2
3
4
t-Solid
D
u
r
e
z
a

Diagrama de Dispersin
Se observa una relacin inversa y fuerte entre dureza y tiempo
de solidificacin.
Ejercicio
Realizar un diagrama de dispersin e interpretarlo, para
la siguiente informacin de temperatura de precalentamiento
y dureza. Determinar el tipo y el grado de relacin entre
dichas variables.
Temp Dureza
390 1.5
391 1.8
392 2.1
393 2.3
394 2.6
395 3.1
396 3.4
397 3.7
398 3.9
399 4.2
400 4.5
Interpretacin
De acuerdo con el Statistical Quality Control Handbook
de Western Electric, 1956, es necesario considerar que:
1.- Aunque se aprecie una relacin fuerte, no necesariamente
indica relacin de causa y efecto entre esas variables. La
relacin causa-efecto se obtiene del conocimiento del
proceso.
2.- Si no se aprecia una relacin significativa, puede
deberse a que realmente no exista correlacin, o que la
cantidad y/o el rango de los datos sea insuficiente.
Causalidad y Casualidad
Causalidad implica una relacin de causa-efecto entre las
variables, Casualidad no.
Ejemplos
a) Presin vs Temperatura
(causalidad bilateral)
.
.
.
.
.
.
.
.
.
T
P
b) Consumo de electricidad en
verano vs Temperatura ambiente
.
.
.
.
.
.
.
.
.
T
C
(causalidad unilateral)
c) No. de cigueas vs No. de
nacimientos (durante 100 aos)
(casualidad)
.
.
.
.
.
.
.
.
.
C
N
Cuando no existe causalidad el modelo no se puede usar para
controlar el proceso pero s para predecirlo.
Anlisis de Regresin
Tcnica usada para relacionar a travs de un modelo, una o ms
variables independientes con una variable dependiente (respuesta).
Usos de la regresin
1. Descripcin. Representar el comportamiento de un proceso.
2. Prediccin y estimacin. Prediccin es en base a un valor x
desconocido. Estimacin es en base a un valor conocido de x.
3. Control. Para obtener cierta respuesta deseada del proceso.
+ + = x y
1 0
y=variable dependiente a modelar (respuesta)
x=variable independiente (predictor de y)
=componente de error (medicin + natural). VA.
0
=interseccin. Si los datos incluyen cero, representa la media
de la distribucin de y cuando x=0. No tiene sentido si los
datos no incluyen cero.
1
=pendiente. Es el cambio en la media de y por cada cambio
unitario de x.
Modelo de regresin de un factor
Estimacin de los parmetros del modelo
Por medio del mtodo de mnimos cuadrados que consiste en
minimizar el error del modelo se obtienen
x

y
n
) x (
x Sxx
n
) y )( x (
xy Sxy
x
Sxx
Sxy
1 0
2
2
1 0 1
+ =
=

=
= =
10 11 12 13 14 15 16 17 18 19 20
2
3
4
t-Solid
D
u
r
e
z
a
Y = 7.05455 - 0.263636X
R-Sq = 97.8 %
Ejemplo. En el caso del ejemplo de dureza (y) vs la temperatura de
precalentamiento y el tiempo de solidifcacin, se obtiene(*)
(*) es importante realizar todas las pruebas estadsticas al modelo resultante.
tSolid 2636 . 0 054 . 7 Dureza
x 2636 . 0 054 . 7 x

y
054 . 7
11
165
2636 . 0
11
1 . 34
x
2636 . 0
0 . 110
0 . 29
Sxx
Sxy
0 . 110
11
) 165 (
2585
n
) x (
x Sxx
0 . 29
11
) 1 . 34 ( 165
5 . 482
n
) y )( x (
xy Sxy
1 0
1 0
1
2 2
2
=
= + =
=
|
\
|
+ = =
=
= =
= =
=
= =

=
Por cada unidad de aumento en el tiempo de solidificacin, la dureza
disminuir 0.2636 unidades. Como el rango de los datos no incluye
x=0, el valor de 7.054 no tiene un significado particular.
Ejercicio
Obtener el modelo de regresin para el comportamiento
de la variable de respuesta tiempo en el aire vs. las
variables significativas en el experimento de los
helicpteros de papel.
Modelo=promedio+((ef. signif)/2)X
Superficies de Respuesta
Conjunto de tcnicas estadsticas usadas para encontrar una
regin ptima de operacin del proceso.
En el caso del proceso de los mltiples, en el diseo de
experimentos realizado se encontr que los factores significativos
son la temperatura de precalentamiento y el tiempo de solidificacin.
A pesar de haber ajustado el proceso, su capacidad no alcanz el
nivel deseado (Cpk min 1.33), debido a variacin excesiva en el
proceso.
Se usar la tcnica de Superficies de Respuesta para explorar una
mejor regin de operacin en donde la variacin de dureza sea
menor
Se corri el siguiente diseo central compuesto en el cual se
tomaron 5 mltiples por prueba. La columna dureza representa la
media de las 5 lecturas por prueba
TEMP TSOLI D Dureza ln(s)
380 20 1.8 -2.300
390 20 2.0 -1.880
380 30 3.1 -0.087
390 30 5.1 -0.446
377.929 25 5.0 -1.533
392.071 25 4.3 -0.820
385 17.9289 1.2 -1.550
385 32.0711 2.2 -0.033
385 25 1.8 -1.290
385 25 2.1 -0.970
385 25 1.9 -2.020
385 25 2.0 -2.120
385 25 2.1 -2.130
1
2
3
4
Dureza
380
385
390
TEMP
380
4
5
6
20
390
30
25
TSOLID
20
30
TSOLID
El modelo en unidades codificadas es
Dureza = 1.8 + 0.1513 Temp + 0.7268 Tsolid + 1.35 Temp
2
2
3
4
5
380 385 390
20
25
30
TEMP
T
S
O
L
I
D
Contour Plot of Dureza
Se observa una nueva regin de operacin con dureza=2 (objetivo)
30 25 20
0
-1
-2
TSOLID
l
n
(
s
)
R-Sq = 69.8 %
Y = 4.33639 - 0.616169X + 1.52E-02X**2
Del Modelo, Ln(s) min=-1.984, s=0.1375 (vs 0.399 del estudio de capacidad)
De acuerdo con el anlisis de ln(s), la variable temperatura de
precalentamiento no result significativa.
2
3
4
5
380 385 390
20
25
30
TEMP
T
S
O
L
I
D
Contour Plot of Dureza
La regin ptima de operacin tanto para la Temperatura de
precalentamiento como para el tiempo de solidificacin se muestran
en la figura (Temp=380.57, Tsolid=20)
Definir
problema
Describir proceso
Medicin
capaz y estable
Mejorar
N
Determinar
variables
significativas
Evaluar estabilidad
y capacidad
del proceso
Proceso
capaz
N
D
M
M
A
A
Validar la
mejora
Optimizar
I
I
Proceso
estable
Eliminar
causas
especiales
N
Controlar
el proceso
C
Mejorar
continuamente
C
S
S
S
I VALIDAR LA MEJORA
En este paso es necesario confirmar la mejora
del proceso a travs de volver a realizar estudios
de capacidad. Una vez validada la mejora, se
implementarn las nuevas condiciones de
operacin del proceso.
En el caso de los mltiples de admisin, para las condiciones
ptimas de operacin seleccionadas se obtuvo la siguiente
informacin
i Dureza Promedio Rango
1 2.0930 2.2384 1.9747 1.9441 1.9726 2.045 0.294
2 1.8967 1.8162 2.1971 1.9567 1.8568 1.945 0.381
3 1.9101 1.9163 1.8395 2.0935 2.0662 1.965 0.254
4 2.0945 1.9946 1.8865 1.9123 2.1600 2.010 0.274
5 1.9313 1.9816 2.0660 2.0294 1.9742 1.997 0.135
6 1.9503 1.7892 1.9305 1.9705 1.7745 1.883 0.196
7 2.0074 1.9077 2.0613 2.1237 2.1257 2.045 0.218
8 2.0116 1.9547 2.0210 1.8565 1.9397 1.957 0.165
9 2.1123 1.8605 1.8948 1.9743 2.0222 1.973 0.252
10 2.1411 2.1652 1.9214 2.1073 2.1494 2.097 0.244
11 2.1519 2.1148 2.1014 1.7264 1.7959 1.978 0.426
12 2.0690 2.1715 1.8356 1.9888 1.8470 1.982 0.336
13 2.0306 1.9841 1.8507 2.0109 1.9572 1.967 0.180
14 1.9453 1.7282 1.7544 2.1473 1.8996 1.895 0.419
15 2.1498 2.0178 2.2217 2.1051 1.9294 2.085 0.292
16 1.8678 1.9924 2.0942 1.7545 2.1232 1.966 0.369
17 2.0821 2.1007 2.0623 2.1340 2.2071 2.117 0.145
18 1.9152 2.2845 1.8238 2.2202 2.1036 2.069 0.461
19 1.8134 2.0346 1.9544 2.0199 2.0475 1.974 0.234
20 2.0681 1.9301 1.8646 1.8440 2.2100 1.983 0.366
Promedio 1.997 0.2819
0 Subgroup 10 20
1.8
1.9
2.0
2.1
2.2
S
a
m
p
l
e

M
e
a
n
X=1.997
3.0SL=2.159
-3.0SL=1.834
0.0
0.1
0.2
0.3
0.4
0.5
0.6
S
a
m
p
l
e

R
a
n
g
e
R=0.2819
3.0SL=0.5962
-3.0SL=0.00
Proceso estable
Av erage: 1.99661
StDev : 0.128275
N: 100
Anderson-Darling Normality Test
A-Squared: 0.338
P-Value: 0.497
1.7 1.8 1.9 2.0 2.1 2.2 2.3
.001
.01
.05
.20
.50
.80
.95
.99
.999
P
r
o
b
a
b
i
l
i
t
y
Durez
Normal Probability Plot
Proceso distribuido normalmente
1.0 1.5 2.0 2.5 3.0
LSL USL
Process Capability Analysis for Dureza
USL
Target
LSL
Mean
Sample N
StDev (ST)
StDev (LT)
Cp
CPU
CPL
Cpk
Cpm
Pp
PPU
PPL
Ppk
PPM < LSL
PPM > USL
PPM Total
PPM < LSL
PPM > USL
PPM Total
PPM < LSL
PPM > USL
PPM Total
3.00000
2.00000
1.00000
1.99661
100
0.121212
0.128599
2.75
2.76
2.74
2.74
2.60
2.59
2.60
2.58
2.58
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
Process Data
Potential (ST) Capability
Overall (LT) Capability Observed Performance Expected ST Performance Expected LT Performance
ST
LT
Cmo result el estudio de capacidad de los
lanzamientos de la moneda?
Se puede mejorar?
Cmo?
Definir
problema
Describir proceso
Medicin
capaz y estable
Mejorar
N
Determinar
variables
significativas
Evaluar estabilidad
y capacidad
del proceso
Proceso
capaz
N
D
M
M
A
A
Validar la
mejora
Optimizar
I
I
Proceso
estable
Eliminar
causas
especiales
N
Controlar
el proceso
C
Mejorar
continuamente
C
S
S
S
Monitorear y mantener en control al proceso.
Desarrollar AMEF y Planes de Control, poka-yoke
e incluir tcnicas afines como Control Estadstico
de Procesos, Precontrol y otras.
C CONTROLAR Y DAR SEGUIMIENTO
AL PROCESO
Definicin general del AMEF
El Anlisis de Modo y Efecto de Falla de (AMEF) es una
tcnica analtica que tiene la finalidad de identificar y
evaluar todos los modos potenciales de falla*, sus causas y
efectos para prevenir o corregir dichas fallas a travs del
establecimiento de acciones especficas y mecanismos de
control (C,F,GM 1995; Ford 1991).
(*) es la manera en la que el componente, sistema o
subsistema pueden fallar en el cumplimiento de los
requerimientos del diseo.
Beneficios del AMEF
-Reduccin de costos internos debido a retrabajos por
no hacerlo bien la primera vez.
-Reduccin del nmero de quejas y costos por garantas.
-Aumento de la satisfaccin del cliente.
-Confianza en que los productos de la compaa son
producidos basados en mtodos de produccin robustos
y confiables.
(Aldridge, Taylor 1991)
Definiciones
Modo de falla: es la manifestacin de la falla.
Efecto de la falla: es la consecuencia de la falla
Causa de la falla: es lo que provoca la falla
Ejemplo. Mltiples de admisin
Descripcin del Modo de Efecto(s) S C Causa(s)/
proceso/ Falla Potenciales e l Mecanismos
Potencial de Fallas v a de Falla
Funcin s Potenciales
5 C
8
Precalentar
molde a 400C
Preparar el molde
para que el aluminio
se deslice adecua-
damente
Temperatura
diferente a 400C
Temperatura
inestable
Pieza con dureza
inadecuada
Pieza con fugas
Falta de calibracin
del controlador
Controlador errtico
Evaluacin de SEVERIDAD, OCURRENCIA y DETECCION para PROCESO
EVAL. SEVERIDAD OCURRENCIA DETECCION
10 Peligro al operador, operacin insegura del producto. Sin aviso Muy alta, >=1/2. Cpk<0.33 Casi imposible
9 Peligro al operador, operacin insegura del producto. Con aviso Muy alta, 1/3. Cpk>=0.33 Muy remota
8 100% producto puede ser defectuoso. Producto inoperable Alta, 1/8. Cpk>=0.51 Remota
7 Menos del 100% producto es defectuoso. Producto operable, bajo rendimiento Alta, 1/20. Cpk>=0.67 Muy baja
6 Menos del 100% producto es defectuoso. Producto operable, sin confort Moderada, 1/80. Cpk>=0.83 Baja
5 Menos del 100% producto es retrabajo. Producto operable, poco confort Moderada, 1/400. Cpk>=1.00 Moderada
4 Menos del 100% producto es retrabajo. Mal acabado y ruidos menores. Muy notable Moderada, 1/2000. Cpk>=1.17 Moderada alta
3 Menos del 100% producto es retrabajo menor. Mal acabado y ruidos menores.Notable Baja, 1/15,000. Cpk>=1.33 Alta
2 Menos del 100% producto es retrabajo menor. Mal acabado y ruidos menores. Poco notable Baja, 1/150,000. Cpk>=1.50 Muy alta
1 No afecta Remota, <=1/1.5M. Cpk>=1.67 Casi segura
O Controles D R Acciones Responsabilidad
c actuales e P Recomendadas y Fecha
u del Proceso t N de
r e Terminacin
r c
2
6
2
6
20
288
Mantenimiento
Feb. 200X
Mantenimiento
preventivo programado
Mantenimiento
preventivo programado
Ninguna NA
Revisar y reparar o
cambiar el controlador
RESULTADOS DE ACCIONES
Acciones
S O D R
tomadas e c e P
v u t N
r c
NA
Controlador revisado. Se cambi el 8 1 6 48
sensor principal de temperatura
Proceso: poner el despertador para
levantarse a las 6 am para asistir a una
junta de trabajo muy importante.
Pasos del proceso:
-ajustar despertador
-levantarse
Ejercicio
Informacin a clasificar:
4 modos/ 2 efectos/ 4 causas
-confusin de hora
-no despertarse a tiempo
-no levantarse al oir alarma
-hora incorrecta
-enfermo
-quedarse dormido
-olvido
-desvelado
-no llegar a tiempo
-no activar alarma
Severidad=8 para todos los efectos
Propsito s Potenciales
Informacin a clasificar: 4 controles/ 2 acciones
-tomar vitaminas
-cambiar marca de vitaminas
-no aceptar compromisos entre semana
-ajustar al llegar a casa
-pedir a otra persona que lo valide
-verificacin visual
Poner accin recomendada solamente si RPN>100.
Recordar que independientemente del RPN se tendr accin correctiva si la
severidad es 9 10
Ocurrencia=5, 2, 3, 4 en ese orden
Deteccin= 4 para todos los controles
Ejercicio ...
O Controles D R Acciones
Responsabilidad
r (Prevencin y e Terminacin
r Deteccin) c
1.- Mano de Obra.
2.- Materiales.
3.- Mquinas (herramientas, posiciones, aditamentos).
4.- Mtodos (instrucciones, set-up, mantenimiento
preventivo, medicin).
5.- Medio Ambiente.
Elementos de la produccin
Plan de Control
Mano de Obra
Mtodos
Importancia del control
CONTROL
M.Ambiente Materiales Mquinas
Control
Llevar a cabo acciones
encaminadas a mantener una
situacin en un estado deseado
Ejemplo de Plan de Control. Mltiples de admisin
COMPAIA/ Fecha Departamento Preparado por Hoja
PLANTA /
Ultima rev. Proceso Aprobado por
No. Documento
MULTIMEX
9Feb99 Vaciado T. Idos 1 5
Formacin R. Ureca V-132
Temperatura S 395-405C Termopar Operador de
de precalenta- vaciado
miento
MEDICION
Parmetro Crtico Especificacin Instrumento Responsable
MEDICION
Lugar Registro Frecuencia Muestra Mtodo de control Plan de reaccin
Mquina Formato Cada 1 Grfica XR Ajustar el con-
de vaciado RV-25 pieza trol central
Poka-Yoke
Poka = errores (inadvertencia)
Yoke = a prueba
PREVENCION DE ERRORES
(Shingo, 1986)
Conceptos
* La mayora de los errores son
*Relacin entre errores y defectos
-cometer un error puede resultar en un defecto.
-errores de falta de atencin (no-advertencia).
Ejemplos: no me fij, no me di cuenta, no saba.
ERROR DEFECTO
No poner agua al radiador Sobrecalentamiento del motor
No colocar empaque en manguera Fuga de agua
No colocar todos los tornillos Vibracin
Errores y defectos
a) Prediccin
Ejemplo: colocar un cassette al revs.
Detener, controlar y advertir: el cassette topa, no puede
entrar. La persona se da cuenta.
b) Deteccin
Ejemplo: un inspector electrnico rechaza una botella por
tener una partcula en el interior.
Detener, controlar y advertir: la botella es desviada de
la lnea y suena una alarma.
Ejemplos
Funciones de poka-yoke
Tipos de inspeccin...
*Sistemas de Verificacin Sucesivas (el producto es
examinado en la siguiente estacin).
*Sistemas de Auto-Verificacin (usando poka-yoke
el operador se auto-verifica).
-En la fuente (eliminan defectos al evitar que un error
se transforme en un defecto).
Tipos de inspeccin
Inspecciones en la fuente
Las inspecciones en la fuente son usadas para:
* corregir errores en las condiciones de operacin
(producto, personas, mtodos, tiempo, espacio), para
* impedir que los errores se transformen en defectos.
As se logra el cero defectos.
Inspecciones en la fuente
Ejemplo de inspeccin en la fuente
Instalacin de un flotador en un carburador
La compuerta se abre cuando se toma un flotador.
Tapas
Flotadores
Fotocelda
Compuerta
Carburador
Operario
Shingo (1986)
Ciclos de accin
Verificar y
retroalimentar
Realizar
acciones
Defectos
Errores
Ciclos de accin...
Verificar y
retroalimentar
Realizar
acciones
Errores
Verificar y
retroalimentar
Accin
Defectos
Errores
Definir
problema
Describir proceso
Medicin
capaz y estable
Mejorar
N
Determinar
variables
significativas
Evaluar estabilidad
y capacidad
del proceso
Proceso
capaz
N
D
M
M
A
A
Validar la
mejora
Optimizar
I
I
Proceso
estable
Eliminar
causas
especiales
N
Controlar
el proceso
C
Mejorar
continuamente
C
S
S
S
Una vez que el proceso es capaz, se debern
buscar mejores condiciones de operacin,
materiales, procedimientos, etc. que conduzcan
a un mejor desempeo del proceso.
El nuevo desempeo deber manifestarse a travs
de un incremento en la capacidad del mismo, en
una reduccin de costos y en una mayor
satisfaccin del cliente.
C MEJORAR CONTINUAMENTE
REFERENCIAS
Brassard M. (1989). The Memory Jogger Plus+. GOAL/QPC.
Bedell E., Phan H. Six Sigma Process Control.
Motorola Semiconductor Products Sector 1993.
Hosotani K. The QC Problem Solving Approach.
3A Corp. 1992.
Ford, GM, Chrysler. Measurement Systems Analysis.
Reference Manual. 2d ed 1995.
Chrysler Corp., Ford Motor Co., General Motors Corp.
Potential Failure Mode and Effects Analysis. 2d. ed. 1995.
Ford Motor Co. Anlisis del Modo y Efecto de Falla Potencial.
1991.
Aldridge J., Taylor J. The Application of Failure Mode and
Effects Analysis at an Automotive Components
Manufacturer. International Journal of Quality and
Reliability Management, Vol. 8 No. 3, 1991.
Gilchrist W. Modelling Failure Modes and Effects
Analysis. International Journal of Quality and Reliability
Management, Vol. 10 No. 5, 1993.
Stamatis D. Failure Mode and Effects Analysis. ASQ
Quality Press 1995.
Sullivan L. The Seven Stages in Company-Wide Quality
Control. Quality Progress, May 1986.
Sullivan L. Reducing Variability: A New Approach to
Quality. Quality Progress, July 1984.
Taguchi G. Introduction to Quality Engineering. A.P.O. 1987.
Fowlkes W., Creveling C. Engineering Methods for Robust
Product Design. Addison-Wesley 1995.
Escalante E. Manual de Control Estadstico de Procesos.
Ed. Font 1992.
Escalante E. Seis Sigma. Metodologa y Tcnicas. Limusa 2003.
Box G., Hunter W., Hunter S. Statistics for Experimenters.
Wiley 1978.
Montgomery D. Comunicacin personal 1991.
Juran J., Gryna F. Jurans Quality Control Handbook.
4th. ed. McGraw-Hill 1988.
Gunter B. The Use and Abuse of Cpk, Parts 1,2,3,4.
Quality Progress, 1989.
Western Electric. Statistical Quality Control Handbook, 1956.
Bhote K. World Class Quality. AMACOM 1991.
McFadden, F. Six-Sigma Quality Programs.
Quality Progress, June 1993.
Chrysler Corp., Ford Motor Co., General Motors Corp.
Advanced Product Quality Planning. A.I.A.G. 1995.
Kelly W.M. (2002). Three Steps to Project Selection.
Six Sigma Forum Magazine, Nov.
Little T. (2002). Six Sigma Executive Overview. TLC.
Zinkgraf S., Snee R. (1999). Insitutionalizing Six Sigma in Large
Corporations: A leadership Roadmap. Q&P Research Conf.
BIBLIOGRAFIA
-GE Industrial Control Systems. Six Sigma Supplier Quality.
General Electric 1998.
-Harry M. The Nature of Six Sigma Quality. MUP 1997.
-Lawson R., Stuart R. Measuring Six Sigma and Beyond:
Continuous vs Attribute Data. MUP 1997.
-Motorola SSTG Statistics Advisory Council. Continuous
Improvement Through Process Caracterization. MUP 1997.
-Sengstock Jr C. Quality in the Communications Process.
MUP 1997.
-Palady P. Failure Modes &Effects Analysis. PT Publications 1995.
-Bhote K. World Class Quality. AMACOM 1991.
-Kazmiersky T. Statistical Problem Solving in Quality Engineering.
McGraw-Hill 1995.
-Montgomery D., Peck E. Introduction to Linear Regression
Analysis. 2nd ed. Wiley 1992.
-Day, R. Quality Function Deployment. ASQC QualityPress, 1993.
-Ealey, L. Quality by Design: Taguchi Methods and U.S. Industry.
A.S.I. Press, 1988.
-Eureka, W., Ryan, N. The Customer-Driven Company.
A.S.I. Press, 1988.
-Fortuna, R. Beyond Quality: Taking SPC Upstream.
Quality Progress, June 1988.
-Hauser, J., Clausing, D. The House of Quality. Harvard Business
Review, May-June 1988.
-King, R. Better Designs in Half the Time. GOAL/QPC, 1989.
-ReVelle, J. Using QFD with Dynamic Customer Requirements.
1990 Research Report. GOAL/QPC.
-Sullivan, L. Quality Function Deployment. Quality Progress,
June 1986.
-Taylor W. Optimization & Variation Reduction in Quality.
McGraw-Hill 1991.
-Centro de Calidad. Plan de Control Dimensional plus.
ITESM1991.
-Ford Motor Co. Planeacin de Calidad. Mxico 1990.
-Kane V. Process Capability Indices. Journal of Quality Technology,
Vol. 18 No. 1, January 1986.
-Spiring F. The Cpm Index. Quality Progress, February 1991.
-Montgomery D. Design and Analysis of Experiments. 3d ed.
Wiley 1991.
-Box G., Hunter W., Hunter S. Statistics for Experimenters.
Wiley 1978.
-Schmidt S., Launsby R. Understanding Industrial Designed
Experiments. 4th ed, Air Academy Press 1994.
-Harry, M. The Nature of Six Sigma Quality. MUP 1997.
-Barth B., Vallance G. The Strategy of Dynamic Control Planning.
Ford Powertrain Operations 1997.
-Smith, B. Making war on defects (Six-sigma design).
IEEE Spectrum, September 1993.
-Smith, B. Six Sigma Quality a Must not a Myth.
Machine Design, February 1993.
-Dambolena, I., Rao, A. What is Six Sigma Anyway?.
Quality, November 1994.
-Harry M., Lawson R. Six Sigma Producibility Analysis and
Process Characterization. Addison-Wesley 1992.
-Juran J., Gryna F. Quality Planning and Analysis. McGraw-Hill
1993.
Num. 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 18
Denom.
1 199.50 215.71 224.58 230.16 233.99 236.77 238.88 240.54 241.88 242.98 243.90 244.69 245.36 245.95 246.47 247.3
2 19.00 19.16 19.25 19.30 19.33 19.35 19.37 19.38 19.40 19.40 19.41 19.42 19.42 19.43 19.43 19.44
3 9.55 9.28 9.12 9.01 8.94 8.89 8.85 8.81 8.79 8.76 8.74 8.73 8.71 8.70 8.69 8.67
4 6.94 6.59 6.39 6.26 6.16 6.09 6.04 6.00 5.96 5.94 5.91 5.89 5.87 5.86 5.84 5.82
5 5.79 5.41 5.19 5.05 4.95 4.88 4.82 4.77 4.74 4.70 4.68 4.66 4.64 4.62 4.60 4.58
6 5.14 4.76 4.53 4.39 4.28 4.21 4.15 4.10 4.06 4.03 4.00 3.98 3.96 3.94 3.92 3.90
7 4.74 4.35 4.12 3.97 3.87 3.79 3.73 3.68 3.64 3.60 3.57 3.55 3.53 3.51 3.49 3.47
8 4.46 4.07 3.84 3.69 3.58 3.50 3.44 3.39 3.35 3.31 3.28 3.26 3.24 3.22 3.20 3.17
9 4.26 3.86 3.63 3.48 3.37 3.29 3.23 3.18 3.14 3.10 3.07 3.05 3.03 3.01 2.99 2.96
10 4.10 3.71 3.48 3.33 3.22 3.14 3.07 3.02 2.98 2.94 2.91 2.89 2.86 2.85 2.83 2.80
11 3.98 3.59 3.36 3.20 3.09 3.01 2.95 2.90 2.85 2.82 2.79 2.76 2.74 2.72 2.70 2.67
12 3.89 3.49 3.26 3.11 3.00 2.91 2.85 2.80 2.75 2.72 2.69 2.66 2.64 2.62 2.60 2.57
13 3.81 3.41 3.18 3.03 2.92 2.83 2.77 2.71 2.67 2.63 2.60 2.58 2.55 2.53 2.51 2.48
14 3.74 3.34 3.11 2.96 2.85 2.76 2.70 2.65 2.60 2.57 2.53 2.51 2.48 2.46 2.44 2.41
15 3.68 3.29 3.06 2.90 2.79 2.71 2.64 2.59 2.54 2.51 2.48 2.45 2.42 2.40 2.38 2.35
TABLA F (Alfa 5%)
Num. 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 18
Denom.
16 3.63 3.24 3.01 2.85 2.74 2.66 2.59 2.54 2.49 2.46 2.42 2.40 2.37 2.35 2.33 2.30
17 3.59 3.20 2.96 2.81 2.70 2.61 2.55 2.49 2.45 2.41 2.38 2.35 2.33 2.31 2.29 2.26
18 3.55 3.16 2.93 2.77 2.66 2.58 2.51 2.46 2.41 2.37 2.34 2.31 2.29 2.27 2.25 2.22
45 3.20 2.81 2.58 2.42 2.31 2.22 2.15 2.10 2.05 2.01 1.97 1.94 1.92 1.89 1.87 1.84
46 3.20 2.81 2.57 2.42 2.30 2.22 2.15 2.09 2.04 2.00 1.97 1.94 1.91 1.89 1.87 1.83
47 3.20 2.80 2.57 2.41 2.30 2.21 2.14 2.09 2.04 2.00 1.96 1.93 1.91 1.88 1.86 1.83
48 3.19 2.80 2.57 2.41 2.29 2.21 2.14 2.08 2.03 1.99 1.96 1.93 1.90 1.88 1.86 1.82
49 3.19 2.79 2.56 2.40 2.29 2.20 2.13 2.08 2.03 1.99 1.96 1.93 1.90 1.88 1.85 1.82
50 3.18 2.79 2.56 2.40 2.29 2.20 2.13 2.07 2.03 1.99 1.95 1.92 1.89 1.87 1.85 1.81
51 3.18 2.79 2.55 2.40 2.28 2.20 2.13 2.07 2.02 1.98 1.95 1.92 1.89 1.87 1.85 1.81
52 3.18 2.78 2.55 2.39 2.28 2.19 2.12 2.07 2.02 1.98 1.94 1.91 1.89 1.86 1.84 1.81
53 3.17 2.78 2.55 2.39 2.28 2.19 2.12 2.06 2.01 1.97 1.94 1.91 1.88 1.86 1.84 1.80
54 3.17 2.78 2.54 2.39 2.27 2.18 2.12 2.06 2.01 1.97 1.94 1.91 1.88 1.86 1.83 1.80
55 3.16 2.77 2.54 2.38 2.27 2.18 2.11 2.06 2.01 1.97 1.93 1.90 1.88 1.85 1.83 1.79
56 3.16 2.77 2.54 2.38 2.27 2.18 2.11 2.05 2.00 1.96 1.93 1.90 1.87 1.85 1.83 1.79
57 3.16 2.77 2.53 2.38 2.26 2.18 2.11 2.05 2.00 1.96 1.93 1.90 1.87 1.85 1.82 1.79
58 3.16 2.76 2.53 2.37 2.26 2.17 2.10 2.05 2.00 1.96 1.92 1.89 1.87 1.84 1.82 1.78
59 3.15 2.76 2.53 2.37 2.26 2.17 2.10 2.04 2.00 1.96 1.92 1.89 1.86 1.84 1.82 1.78
60 3.15 2.76 2.53 2.37 2.25 2.17 2.10 2.04 1.99 1.95 1.92 1.89 1.86 1.84 1.82 1.778
TABLA F (Alfa 5%)
Z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.00 0.50000 0.49601 0.49202 0.48803 0.48405 0.48006 0.47608 0.47210 0.46812 0.46414
0.10 0.46017 0.45620 0.45224 0.44828 0.44433 0.44038 0.43644 0.43251 0.42858 0.42465
0.20 0.42074 0.41683 0.41294 0.40905 0.40517 0.40129 0.39743 0.39358 0.38974 0.38591
0.30 0.38209 0.37828 0.37448 0.37070 0.36693 0.36317 0.35942 0.35569 0.35197 0.34827
0.40 0.34458 0.34090 0.33724 0.33360 0.32997 0.32636 0.32276 0.31918 0.31561 0.31207
0.50 0.30854 0.30503 0.30153 0.29806 0.29460 0.29116 0.28774 0.28434 0.28096 0.27760
0.60 0.27425 0.27093 0.26763 0.26435 0.26109 0.25785 0.25463 0.25143 0.24825 0.24510
0.70 0.24196 0.23885 0.23576 0.23270 0.22965 0.22663 0.22363 0.22065 0.21770 0.21476
0.80 0.21186 0.20897 0.20611 0.20327 0.20045 0.19766 0.19489 0.19215 0.18943 0.18673
0.90 0.18406 0.18141 0.17879 0.17619 0.17361 0.17106 0.16853 0.16602 0.16354 0.16109
1.00 0.15866 0.15625 0.15386 0.15151 0.14917 0.14686 0.14457 0.14231 0.14007 0.13786
1.10 0.13567 0.13350 0.13136 0.12924 0.12714 0.12507 0.12302 0.12100 0.11900 0.11702
1.20 0.11507 0.11314 0.11123 0.10935 0.10749 0.10565 0.10383 0.10204 0.10027 0.09853
1.30 0.09680 0.09510 0.09342 0.09176 0.09012 0.08851 0.08691 0.08534 0.08379 0.08226
1.40 0.08076 0.07927 0.07780 0.07636 0.07493 0.07353 0.07214 0.07078 0.06944 0.06811
1.50 0.06681 0.06552 0.06426 0.06301 0.06178 0.06057 0.05938 0.05821 0.05705 0.05592
1.60 0.05480 0.05370 0.05262 0.05155 0.05050 0.04947 0.04846 0.04746 0.04648 0.04551
1.70 0.04457 0.04363 0.04272 0.04182 0.04093 0.04006 0.03920 0.03836 0.03754 0.03673
1.80 0.03593 0.03515 0.03438 0.03363 0.03288 0.03216 0.03144 0.03074 0.03005 0.02938
1.90 0.02872 0.02807 0.02743 0.02680 0.02619 0.02559 0.02500 0.02442 0.02385 0.02330
2.00 0.02275 0.02222 0.02169 0.02118 0.02068 0.02018 0.01970 0.01923 0.01876 0.01831
2.10 0.01786 0.01743 0.01700 0.01659 0.01618 0.01578 0.01539 0.01500 0.01463 0.01426
2.20 0.01390 0.01355 0.01321 0.01287 0.01255 0.01222 0.01191 0.01160 0.01130 0.01101
2.30 0.01072 0.01044 0.01017 0.00990 0.00964 0.00939 0.00914 0.00889 0.00866 0.00842
2.40 0.00820 0.00798 0.00776 0.00755 0.00734 0.00714 0.00695 0.00676 0.00657 0.00639
2.50 0.00621 0.00604 0.00587 0.00570 0.00554 0.00539 0.00523 0.00508 0.00494 0.00480
TABLA NORMAL ESTANDAR N(0,1). AREA A LA DERECHA DE Z
2.60 0.00466 0.00453 0.00440 0.00427 0.00415 0.00402 0.00391 0.00379 0.00368 0.00357
2.70 0.00347 0.00336 0.00326 0.00317 0.00307 0.00298 0.00289 0.00280 0.00272 0.00264
2.80 0.00256 0.00248 0.00240 0.00233 0.00226 0.00219 0.00212 0.00205 0.00199 0.00193
2.90 0.00187 0.00181 0.00175 0.00169 0.00164 0.00159 0.00154 0.00149 0.00144 0.00139
3.00 0.00135 0.00131 0.00126 0.00122 0.00118 0.00114 0.00111 0.00107 0.00103 0.00100
3.10 0.000968 0.000935 0.000904 0.000874 0.000845 0.000816 0.000789 0.000762 0.000736 0.000711
3.20 0.000687 0.000664 0.000641 0.000619 0.000598 0.000577 0.000557 0.000538 0.000519 0.000501
3.30 0.000483 0.000467 0.000450 0.000434 0.000419 0.000404 0.000390 0.000376 0.000362 0.000350
3.40 0.000337 0.000325 0.000313 0.000302 0.000291 0.000280 0.000270 0.000260 0.000251 0.000242
3.50 0.000233 0.000224 0.000216 0.000208 0.000200 0.000193 0.000186 0.000179 0.000172 0.000165
3.60 1.592E-04 1.532E-04 1.474E-04 1.418E-04 1.364E-04 1.312E-04 1.262E-04 1.214E-04 1.167E-04 1.123E-04
3.70 1.079E-04 1.038E-04 9.974E-05 9.587E-05 9.214E-05 8.855E-05 8.509E-05 8.175E-05 7.854E-05 7.545E-05
3.80 7.248E-05 6.961E-05 6.685E-05 6.420E-05 6.165E-05 5.919E-05 5.682E-05 5.455E-05 5.236E-05 5.025E-05
3.90 4.822E-05 4.627E-05 4.440E-05 4.260E-05 4.086E-05 3.920E-05 3.760E-05 3.606E-05 3.458E-05 3.316E-05
4.00 3.179E-05 3.048E-05 2.921E-05 2.800E-05 2.684E-05 2.572E-05 2.465E-05 2.362E-05 2.263E-05 2.168E-05
4.10 2.076E-05 1.989E-05 1.905E-05 1.824E-05 1.747E-05 1.672E-05 1.601E-05 1.533E-05 1.467E-05 1.404E-05
4.20 1.344E-05 1.286E-05 1.231E-05 1.177E-05 1.126E-05 1.077E-05 1.031E-05 9.857E-06 9.426E-06 9.014E-06
4.30 8.619E-06 8.240E-06 7.878E-06 7.530E-06 7.198E-06 6.879E-06 6.574E-06 6.282E-06 6.002E-06 5.734E-06
4.40 5.478E-06 5.233E-06 4.998E-06 4.773E-06 4.558E-06 4.353E-06 4.156E-06 3.968E-06 3.787E-06 3.615E-06
4.50 3.401E-06 3.243E-06 3.093E-06 2.949E-06 2.811E-06 2.680E-06 2.554E-06 2.434E-06 2.319E-06 2.209E-06
4.60 2.114E-06 2.014E-06 1.919E-06 1.827E-06 1.740E-06 1.657E-06 1.577E-06 1.501E-06 1.429E-06 1.359E-06
4.70 1.303E-06 1.240E-06 1.180E-06 1.123E-06 1.068E-06 1.016E-06 9.706E-07 9.230E-07 8.776E-07 8.343E-07
4.80 7.931E-07 7.567E-07 7.191E-07 6.834E-07 6.492E-07 6.167E-07 5.857E-07 5.582E-07 5.300E-07 5.032E-07
4.90 4.796E-07 4.553E-07 4.321E-07 4.100E-07 3.890E-07 3.719E-07 3.528E-07 3.346E-07 3.173E-07 3.009E-07
5.00 2.882E-07 2.733E-07 2.591E-07 2.455E-07 2.327E-07 2.224E-07 2.108E-07 1.997E-07 1.891E-07 1.791E-07
0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
Alfa 0.250 0.200 0.150 0.100 0.050 0.025 0.010 0.005 0.0005
gl
1 1.000 1.376 1.963 3.078 6.314 12.706 31.821 63.656 636.578
2 0.816 1.061 1.386 1.886 2.920 4.303 6.965 9.925 31.600
3 0.765 0.978 1.250 1.638 2.353 3.182 4.541 5.841 12.924
4 0.741 0.941 1.190 1.533 2.132 2.776 3.747 4.604 8.610
5 0.727 0.920 1.156 1.476 2.015 2.571 3.365 4.032 6.869
6 0.718 0.906 1.134 1.440 1.943 2.447 3.143 3.707 5.959
7 0.711 0.896 1.119 1.415 1.895 2.365 2.998 3.499 5.408
8 0.706 0.889 1.108 1.397 1.860 2.306 2.896 3.355 5.041
9 0.703 0.883 1.100 1.383 1.833 2.262 2.821 3.250 4.781
10 0.700 0.879 1.093 1.372 1.812 2.228 2.764 3.169 4.587
11 0.697 0.876 1.088 1.363 1.796 2.201 2.718 3.106 4.437
12 0.695 0.873 1.083 1.356 1.782 2.179 2.681 3.055 4.318
13 0.694 0.870 1.079 1.350 1.771 2.160 2.650 3.012 4.221
14 0.692 0.868 1.076 1.345 1.761 2.145 2.624 2.977 4.140
15 0.691 0.866 1.074 1.341 1.753 2.131 2.602 2.947 4.073
16 0.690 0.865 1.071 1.337 1.746 2.120 2.583 2.921 4.015
17 0.689 0.863 1.069 1.333 1.740 2.110 2.567 2.898 3.965
18 0.688 0.862 1.067 1.330 1.734 2.101 2.552 2.878 3.922
19 0.688 0.861 1.066 1.328 1.729 2.093 2.539 2.861 3.883
20 0.687 0.860 1.064 1.325 1.725 2.086 2.528 2.845 3.850
21 0.686 0.859 1.063 1.323 1.721 2.080 2.518 2.831 3.819
22 0.686 0.858 1.061 1.321 1.717 2.074 2.508 2.819 3.792
23 0.685 0.858 1.060 1.319 1.714 2.069 2.500 2.807 3.768
24 0.685 0.857 1.059 1.318 1.711 2.064 2.492 2.797 3.745
25 0.684 0.856 1.058 1.316 1.708 2.060 2.485 2.787 3.725
TABLA t de Student
SOLUCIONES
Y=
Distancia a la pared
Y= f(x
1
,x
2
,x
3
,x
4
,x
5
)
Ejercicio
Y
Posicin
del tirador
Fuerza
del tiro
Tipo y
tamao de
moneda
Prctica
del tirador
Distancia de
lanzamiento
Inicio
Seleccionar
moneda
Colocarse
en posicin
Lanzar
moneda
Medir
distancia
Describir el proceso: lanzamiento de monedas
1 Seleccionar moneda Tamao y peso de la moneda
2 Colocarse en pos. Posicin, distancia de la lnea
3 Lanzar moneda ngulo, fuerza, velocidad
4 Medir distancia Estabilidad y capacidad del sistema de medicin
Ejercicio de RR
PROMEDIO DE LA 19.6667 22.6667 21.1667 26.1667 20.0000 Rp
PIEZA (Xbp) 6.5000
Rb (OP)= 0.8000 r= No.rpl= 2 p=No.op= 3 Xbb= 21.9333
Xbdiff=MAX(Xb)-MIN(Xb)= 2.4000 D4= 3.27 A2= 1.88
n=No. piezas= 5 Xb fuera 11
LSC(R)=D4(Rb)= 2.6160 D4=3.27 y A2=1.88 para 2 rplicas No. pts 15
LIC(R)=0 D4=2.58 y A2=1.023 para 3 rplicas 73.33 % de los puntos estn
LIC(Xb)=Xbb-A2Rb= 20.4293 LSC(Xb)=Xbb+A2Rb= 23.4373 fuera de los lmites de medias.
LSC(R) representa el lmite para rangos individuales. Ms de la mitad indica la capacidad del
Sealar los valores que exceden este lmite y volver a realizar dichas mediciones. instrumento para detectar la variacin.
No. de parte No. del calibrador
Nombre de la parte x Nombre del calibrador
Caracterstica x Tipo de calibrador
Especificacin 20-30 Tol/6= 1.6666
VARIACION DEL EQUIPO (REPETIBILIDAD) VARIACION DEL EQUIPO (REPETIBILIDAD) EN % Si se conoce la variacin del
VE=Rb*k1= 0.7090 k1= 0.8862 VE(%)=100(VE/TOT)= 23.78 lugar de TOT haciendo
k2= 0.5231 TOT=6sigma/6. Si se quiere
k1=0.8862, r=2 k3= 0.403 VE(%)=100(VE/TOL)= 42.54 usar la tolerancia, poner
k1=0.5908, r=3 k1=Inverso de d2 usando m=r TOL=tolerancia/6
VARIACION DE OPERADORES (REPRODUCIBILIDAD) VARIACION DE OPERADORES (REPRODUCIBILIDAD) EN %
VO=Raz(((Xbdiff)(k2))^2-(VE^2/nr))= 1.2353 VO(%)=100(VO/TOT)= 41.43 Generalmente se usa
Si VO es negativo dentro de la raz, hacer VO=0. TOT para el control del
k2=0.7071 p=2 operad. VO(%)=100(VO/TOL)= 74.12 proceso y TOL para el
k2=0.5231 p=3 operad. k2=Inverso de d2*, m=p, g=1 control del producto
REPETIBILIDAD Y REPRODUCIBILIDAD REPETIBILIDAD Y REPRODUCIBILIDAD EN %
RR=Raz(VE^2+VO^2)= 1.4243 RR(%)=100(RR/TOT)= 47.77
n k3 RR(%)=100(RR/TOL)= 85.46
VARIACION DE PIEZAS (VP) 2 0.7071 VARIACIONDE PIEZAS EN %
VP=(Rp)(k3)= 2.6195 3 0.5231 VP(%)=100(VP/TOT)= 87.85
k3=Inverso de d2*, m=n, g=1 4 0.4467 VP(%)=100(VP/TOL)= 157.18
VARIACION TOTAL (TOT) 5 0.4030 NOTAS RR(%) menor a 10, ok. Entre 10 y 30 depende de la aplicacin.
6 0.3742 Mayor a 30 necesita calibrarse.
TOT=Raz(RR^2+VP^2)= 2.9817 7 0.3534 DISCRIMINACION
8 0.3375
9 0.3249 1.41*(VP/RR)= 2.593 Mayor o igual a 5 es aceptable.
10 0.3146 (si r=2, 4 ms es aceptable)
Gage R&R Study - XBar/R Method
%Contribution
Source VarComp (of VarComp)
Total Gage R&R 2.01444 22.68
Repeatability 0.48393 5.45
Reproducibility 1.53051 17.23
Part-To-Part 6.86947 77.32
Total Variation 8.88391 100.00
Study Var %Study Var %Tolerance
Source StdDev (SD) (6 * SD) (%SV) (SV/Toler)
Total Gage R&R 1.41931 8.5159 47.62 85.16
Repeatability 0.69565 4.1739 23.34 41.74
Reproducibility 1.23714 7.4228 41.51 74.23
Part-To-Part 2.62097 15.7258 87.93 157.26
Total Variation 2.98059 17.8835 100.00 178.84
Number of Distinct Categories = 2
S
a
m
p
l
e

R
a
n
g
e
3
2
1
0
_
R=0.8
UCL=2.614
LCL=0
1 2 3
S
a
m
p
l
e

M
e
a
n
28
24
20
_
_
X=21.93
UCL=23.44
LCL=20.43
1 2 3
Gage name:
Date of study :
Reported by :
Tolerance:
Misc:
R Chart by Operario
Xbar Chart by Operario
Gage R&R (Xbar/R) for Valor
Attribute Agreement Analysis for Evaluacin
Within Appraisers
1 8 7 87.50 (47.35, 99.68)
2 8 7 87.50 (47.35, 99.68)
# Matched: Appraiser agrees with him/herself across trials.
Each Appraiser vs Standard
1 8 6 75.00 (34.91, 96.81)
2 8 5 62.50 (24.49, 91.48)
# Matched: Appraiser's assessment across trials agrees with the
known standard.
Assessment Disagreement
Appraiser # ND / D Percent # D / ND Percent # Mixed Percent
1 0 0.00 1 20.00 1 12.50
2 1 33.33 1 20.00 1 12.50
# ND / D: Assessments across trials = ND / standard = D.
# D / ND: Assessments across trials = D / standard = ND.
# Mixed: Assessments across trials are not identical.
Between Appraisers
8 5 62.50 (24.49, 91.48)
# Matched: All appraisers' assessments agree with each other.
All Appraisers vs Standard
8 4 50.00 (15.70, 84.30)
# Matched: All appraisers' assessments agree with the known
standard.
Para este ejercicio,
1
2
75 0 30
62.5 33.33 30
Inaceptable
Inaceptable
1 6 0 6 3 7 10
0.00% 30.0%
2 4 2 6 3 7 10
33.3% 30.0%
One-Way Analysis of Variance
Analysis of Variance for DENS
Source DF SS MS F P
TEMP 3 13.61 4.54 1.33 0.331
Error 8 27.30 3.41
Total 11 40.91
Anova: Temperatura vs. Densidad
La temperatura no afecta la densidad de la aleacin
1 2
1 2 3 4 1 2 3 4
0
10
20
30
Rplica
P
l
a
n
i
c
i
d
a
d
1
2
3
Multi-Vari Chart for Planicidad By Molde - Rplica
Cavidad
Molde
La cavidad 1 es consistentemente peor que las dems cavidades.
El molde 3 presenta mejores valores de planicidad.
Existe diferencia entre los valores de las dos rplicas.
1 2 3 4
1 2 3 1 2 3 1 2 3 1 2 3
0
10
20
30
Cavidad
P
l
a
n
i
c
i
d
a
d
1
2
Multi-Vari Chart for Planicidad By Rplica - Cavidad
Molde
Rplica
Adems de lo sealado en la grfica anterior, existe menos variacin
entre las rplicas en el molde 3.
0 10 20 30 40 50 60
3
4
5
6
7
Observation Number
I
n
d
i
v
i
d
u
a
l

V
a
l
u
e
I Chart f or Interpretacin
2
2
2
Mean=4.908
1.0SL=5.567
2.0SL=6.225
3.0SL=6.883
-1.0SL=4.250
-2.0SL=3.592
-3.0SL=2.933
2: corrida
Solucin a los ejercicios grficos de capacidad
Cp=2 Cpk=0
Cp=1 Cpk= -1
Cp=Cpk=0.5
Cp=2 Cpk= -1
Poner el
caf
2
95
2
Y
FT
= 95/97=0.9794 dpu=(2/97)=0.020619
dpmo=(0.020619/1)(10
6
)=20,619
0.020619/1=0.020619=2.06(10
-2
). Z=2.04
97
Encender
la cafetera
4
1
Y
FT
= 93/94=0.9894 dpu=(1/94)=0.010638
dpmo=(0.010638/1)(10
6
)=10,638
0.010638/1=0.010638=1.06(10
-2
). Z=2.30
94
93
Preparacin de caf
Resumen del anlisis (Preparacin de caf)
Total dpo=Total de defectos/Total de oportunidades.
El nmero de defectos por milln de oportunidades (dpmo) de todo el
proceso es (Total dpo)(10
6
)=13,986 y corresponde a un nivel de 2.20
sigma.
Caract. Defectos Unidades Oport. Tot. Oport. dpu dpo dpmo dpmu Z Zshift
1 5 100 2 200 0.050 0.025000 25000 50000 1.96 3.46
2 2 97 1 97 0.021 0.020619 20619 20619 2.04 3.54
3 2 95 1 95 0.021 0.021053 21053 21053 2.03 3.53
4 1 94 1 94 0.011 0.010638 10638 10638 2.30 3.80
5 0 93 2 186 0.000 0.000000 0 0 4.50 6.00
6 2 93 2 186 0.022 0.010753 10753 21505 2.30 3.80
TOTAL 12 9 858 0.013986 13986 123815 2.20 3.70
Zshift=1.5 es el factor de correccin para tener el equivalente a un
estudio a corto plazo.
Suma
390 395 400
1.5
2.5
3.5
4.5
TEMP
D
U
R
E
Z
A
Relacin directa y fuerte
Diagrama de dispersin Temperatura vs. Dureza
AMEF
Propsito s Potenciales
Ajustar
despertador
Levantarse
Hora incorrecta
No activar alarma
Quedarse dormido
No levantarse al oir
la alarma,
No despertarse a
tiempo
Confusin de
hora
Olvido
No llegar a tiempo
Desvelado
Enfermo
8
8
O Controles D R Acciones Responsabilidad
r (Prevencin y e Terminacin
r Deteccin) c
Pedir a otra persona
que lo valide
Verificacin visual
Ajustar al llegar a casa
No aceptar
compromisos entre
semana
Tomar vitaminas
Cambiar marca de
vitaminas
3
4
5
2
4
4
4
4
160
64
96
128

LSSI Yellow Belt (E-Book) PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

LSSI Yellow Belt (E-Book) PDF

Uploaded by

Copyright:

Available Formats

LEAN SIX SIGMA INSTITUTE LEAN SIX SIGMA INSTITUTE

Certificacin Yellow Belt

Seis Sigma (proceso no-centrado)

LEAN SIX SIGMA INSTITUTE LEAN SIX SIGMA INSTITUTE

2 . 415 : Ha 2 . 415 : Ho < =

poblacin normal y varianzas

Considerar estos grados de

Regin de rechazo de Ho (RRHo)

(diferencia entre proporciones)

Regin de rechazo de Ho (RRHo)

Como el valor cero s est incluido en el intervalo, no se rechaza la

LEAN SIX SIGMA INSTITUTE LEAN SIX SIGMA INSTITUTE

LEAN SIX SIGMA INSTITUTE LEAN SIX SIGMA INSTITUTE

You might also like