Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Módulo II
1
Contenido - Módulo II
Introducción
Despliegue de Seis Sigma en la empresa
Gestión de procesos en la empresa
Gestión de proyectos y liderazgo
Fase de Definición
Fase de Medición
Fase de Análisis
Fase de Mejora
Fase de Control
Empresa Lean
2
7. Metodología Seis Sigma
Fase de análisis
Primitivo Reyes A.
3
7. Fase de Análisis
Propósitos y salidas
Salidas:
Causas raíz validadas
Factores de variabilidad identificados
5
Estudios de R&R por
atributos
6
Aplicación Transaccional de
Repetibilidad y
Reproducibilidad
Ejemplo de Administración de Programa:
A lo largo de la duración de un Programa…
Se proyecta el tiempo necesario para alcanzar
una meta en particular.
Se registra el tiempo que tomó en realidad
alcanzar la meta.
Se calcula la diferencia entre el tiempo
proyectado y el real. Los datos a usar son
“número de semanas de atraso”.
7
Datos de GR&R
(Número de Semanas de Atraso)
Programas Gerente Comprador Los datos son
de “número de
Programa
1 0 -37 semanas de atraso”
2 1 91 para la selección de
3 6 124 proveedores.
4 0 68 Observe cuan
5 0 -24 diferente miden el
6 23 45 mismo evento el
7 23 19 Comprador y el
8 0 66 Gerente de
9 69 86 Programa.
10 14 86
8
Resultado de Minitab®
GR&R (ANOVA) para las Semanas de Atraso
Componenentes de Variación
100 %Contribución
Porcentaje
%Var. Estudio
50
Promedio
50
100
Programas 1 2 3 4 5 6 7 8 9 10
50
-50
0
9
Resultados de GR&R
Gage R&R
Source Variance %Contribution
Total Gage R&R 1948.0 88.52
Repeatability 0.0 0.00
Reproducibility 1947.9 88.52
Part-To-Part 252.7 11.48
Total Variation 2200.6 100.00
La efectividad de la discriminación es la
habilidad del sistema de medición de
atributos para discriminar a los buenos de
los malos.
14
Estudio de Repetibilidad y
Reproducibilidad de Atributos
16
Interpretación de Resultados
1. % del Evaluador es la consistencia de una
persona.
18
QFD
FASE DE ANÁLISIS
Diagrama de
relaciones
Diagrama
Causa Efecto Diagrama de
Ishikawa
Diagrama
de Árbol
Definición
Y=X1 + X2+. .Xn
CTQs = Ys Medición Y,
Operatividad X1, X2, Xn
X's
Causas
Análisis del Modo y Efecto de potenciales
Falla (AMEF)
Pruebas
de
hipótesis
Diagrama
de Flujo
del X's vitales
proceso No ¿Causa Si Causas raíz
Raíz? validadas
19
Pruebas de Hipótesis
Variables Atributos
No Normal Tablas de
Contingencia Chi Cuad.
Varianza Medianas
Correlación
Correlación
Homogenei Prueba de signos
dad
Wilcoxon
Normal Proporciones - Z
de
Mann-
Varianzas
Whitney Variancia
de Levene Medias
Kurskal-
Wallis 1- Población - Chi Pruebas Z, t
2- Pob. F 1- Población
Residuos
Prueba de Mood 2- Poblaciones
Homogeneidad distribuidos
Friedman de Varianzas ANOVA
de Bartlett Una vía normalmente
Dos vías
Correlación
Regresión 20
Análisis del Modo y
Efecto de Falla (AMEF)
21
¿ Qué es el AMEF?
El Análisis de del Modo y Efectos de Falla es un grupo
sistematizado de actividades para:
Fecha límite:
Concepto Prototipo Pre-producción /Producción
FMEAD
FMEAP
FMEAD FMEAP
Característica de Diseño Paso de Proceso
Falla Forma en que el Forma en que el proceso falla
producto o servicio falla al producir el requerimiento
que se pretende
Controles Técnicas de Diseño de Controles de Proceso
Verificación/Validación
24
Modos de fallas vs
Mecanismos de falla
25
Definiciones
Modo de Falla
Diseño Proceso
Alcance insuficiente Omisiones
Recursos inadecuados Monto equivocado
Servicio no adecuadoTiempo de respuesta excesivo
26
Definiciones
Efecto
- El impacto en el Cliente cuando el Modo de Falla no se
previene ni corrige.
28
¿Cuando iniciar un FMEA?
Al diseñar los sistemas, productos y procesos nuevos.
Al cambiar los diseños o procesos existentes o que
serán usados en aplicaciones o ambientes nuevos.
Resultados de Acción
O Controles de D
Función S Causa(s)
Efecto (s) c Diseño o e R Responsable S O D R
del Producto/ Modos de Falla e Potencial(es) Acción Acción
Potencial (es) c Proceso t P y fecha límite e c e P
Paso del Potenciales v o Mecanismos Sugerida Adoptada
de falla u Actuales e N de Terminación v c t N
proceso . de falla
r c
30
ANALISIS DEL MODO Y EFECTO DE FALLA
AMEF de Diseño / Proceso
Componente ______________________ Responsable del Diseño ____________AMEF Número _________________
Ensamble ________________ Preparó _______________ Pagina _______de _______
Equipo de Trabajo ___________ FECHA (orig.) de AMEF ______(rev.) ______
Resultados de Acción
O D
Función S Causa(s) Controles del
Efecto (s) c e R Responsable S O D R
de Modos de Falla e Potencial(es) Diseño / Acción Acción
Potencial (es) c t P y fecha límite e c e P
Componente/Paso Potenciales v de los Mecanismos Proceso Sugerida Adoptada
de falla u e N de Terminación v c t N
de proceso . de falla Actual
r c
Factura correcta
Relacione las
funciones del
diseño del
componente
31
ANALISIS DEL MODO Y EFECTO DE FALLA
AMEF de Diseño / Proceso
Componente ______________________ Responsable del Diseño ____________AMEF Número _________________
Ensamble ________________ Preparó _______________ Pagina _______de _______
Equipo de Trabajo ___________ FECHA (orig.) de AMEF ______(rev.) ______
Resultados de Acción
Función O D
Causa(s) Controles de
del Efecto (s) D c e R Responsable S O D R
Modos de Falla Potencial(es) Diseño / Acción Acción
componente/ Potencial (es) i c t P y fecha límite e c e P
Potenciales de los Mecanismos Proceso Sugerida Adoptada
Paso del de falla v u e N de Terminación v c t N
de falla Actuales
proceso r c
Factura
correcta
Datos incorrectos Identificar modos
de falla Tipo 1
inherentes al
diseño
32
Efecto(s) Potencial(es) de falla
Evaluar 3 (tres) niveles de Efectos del Modo de
Falla
• Efectos Locales
– Efectos en el Área Local
– Impactos Inmediatos
• Efectos Finales
– Efecto en el Usuario Final del producto o 33
ANALISIS DEL MODO Y EFECTO DE FALLA
AMEF de Diseño
Componente ______________________ Responsable del Diseño ____________AMEF Número _________________
Ensamble ________________ Preparó _______________ Pagina _______de _______
Equipo de Trabajo ___________ FECHA (orig.) de AMEF ______(rev.) ______
Resultados de Acción
O Controles de D
Función Causa(s)
Efecto (s) D c Diseño / e R Responsable S O D R
del componente Modos de Falla Potencial(es) Acción Acción
Potencial (es) i c Proceso t P y fecha límite e c e P
/ Paso del Potenciales oMecanismos Sugerida Adoptada
de falla v u Actuales e N de Terminación v c t N
proceso de falla
r c
Esta calificación resulta cuando un modo de falla potencial resulta en un defecto con un cliente final y/o una planta
de manufactura / ensamble. El cliente final debe ser siempre considerado primero. Si ocurren ambos, use la mayor
de las dos severidades
Efecto Efecto en el cliente Efecto en Manufactura /Ensamble Cali
Peligros Calificación de severidad muy alta cuando un modo Puede exponer al peligro al operador (máquina o f.
o sin potencial de falla afecta la operación segura del ensamble) sin aviso 10
aviso producto y/o involucra un no cumplimiento con alguna
regulación gubernamental, sin aviso
Peligros Calificación de severidad muy alta cuando un modo Puede exponer al peligro al operador (máquina o
o con potencial de falla afecta la operación segura del ensamble) sin aviso 9
aviso producto y/o involucra un no cumplimiento con alguna
regulación gubernamental, con aviso
Muy El producto / item es inoperable ( pérdida de la función El 100% del producto puede tener que ser
alto primaria) desechado op reparado con un tiempo o costo 8
infinitamente mayor
Alto El producto / item es operable pero con un reducido El producto tiene que ser seleccionado y un parte
nivel de desempeño. Cliente muy insatisfecho desechada o reparada en un tiempo y costo muy alto 7
Modera Producto / item operable, pero un item de Una parte del producto puede tener que ser
do confort/conveniencia es inoperable. Cliente insatisfecho desechado sin selección o reparado con un tiempo y 6
costo alto
Bajo Producto / item operable, pero un item de El 100% del producto puede tener que ser
confort/conveniencia son operables a niveles de retrabajado o reparado fuera de línea pero no 5
desempeño bajos necesariamente va al àrea de retrabajo .
Muy No se cumple con el ajuste, acabado o presenta ruidos y El producto puede tener que ser seleccionado, sin
bajo rechinidos. Defecto notado por el 75% de los clientes desecho, y una parte retrabajada 4
Menor No se cumple con el ajuste, acabado o presenta ruidos y El producto puede tener que ser retrabajada, sin
rechinidos. Defecto notado por el 50% de los clientes desecho, en línea, pero fuera de la estación 3
Muy No se cumple con el ajuste, acabado o presenta ruidos, El producto puede tener que ser retrabajado, sin
menor y rechinidos. Defecto notado por clientes muy críticos desecho en la línea, en la estación 2
(menos del 25%)
Ninguno Sin efecto perceptible Ligero inconveniente para la operación u operador, o
sin efecto 1
36
ANALISIS DEL MODO Y EFECTO DE FALLA
AMEF de Diseño / Proceso
Componente ______________________ Responsable del Diseño ____________AMEF Número _________________
Ensamble ________________ Preparó _______________ Pagina _______de _______
Equipo de Trabajo ___________ FECHA (orig.) de AMEF ______(rev.) ______
Resultados de Acción
O D
Función S Causa(s) Controles de
Efecto (s) c e R Responsable S O D R
del componente Modos de Falla e Potencial(es) Diseño / Acción Acción
Potencial (es) c t P y fecha límite e c e P
/ Paso del Potenciales v o Mecanismos Proceso Sugerida Adoptada
de falla u e N de Terminación v c t N
proceso . de falla Actuales
r c
La abertura del
engrane propor La abertura no LOCAL:
ciona una aber- es suficiente Daño a sensor
tura de aire entre de velocidad y
diente y diente engrane
MAXIMO PROXIMO
Usar tabla para
Falla en eje 7 determinar severidad o
gravedad
CON CLIENTE
Equipo
parado
37
Identificar Causa(s) Potencial(es) de la Falla
• Mecanismos de Falla
– Rendimiento, tiempo de entrega, información
completa 38
ANALISIS DEL MODO Y EFECTO DE FALLA
AMEF de Diseño
Componente ______________________ Responsable del Diseño ____________AMEF Número _________________
Ensamble ________________ Preparó _______________ Pagina _______de _______
Equipo de Trabajo ___________ FECHA (orig.) de AMEF ______(rev.) ______
Resultados de Acción
O D
S Causa(s) Controles de
Función Efecto (s) c e R Responsable S O D R
Modos de Falla e Potencial(es) Diseño/Proces Acción Acción
de Potencial (es) c t P y fecha límite e c e P
Potenciales v de los Mecanismos o Actuales Sugerida Adoptada
Artículo de falla u e N de Terminación v c t N
. de falla
r c
Resultados de Acción
Función O D
S Causa(s) Controles de
del Efecto (s) c e R Responsable S O D R
Modos de Falla e Potencial(es) Diseño/ Acción Acción
Componente / Potencial (es) c t P y fecha límite e c e P
Potenciales v o Mecanismos Proceso Sugerida Adoptada
Paso del de falla u e N de Terminación v c t N
. de falla Actuales
proceso r c
CON CLIENTE
Molestia
Insatisfacción
42
Identificar Controles de Diseño o
de Proceso Actuales
• Verificación/ Validación de actividades de
Diseño o control de proceso usadas para
evitar la causa, detectar falla
anticipadamente, y/o reducir impacto:
Resultados de Acción
Función O D
S Causa(s) Controles de
del Efecto (s) c e R Responsable S O D R
Modos de Falla e Potencial(es) Diseño / Acción Acción
Componente / Potencial (es) c t P y fecha límite e c e P
Potenciales v o Mecanismos Proceso Sugerida Adoptada
Paso del de falla u e N de Terminación v c t N
. de falla Actuales
proceso r c
CON CLIENTE
Molestia
Insatisfacción
44
Rangos de Detección (AMEFD)
• Rango de Probabilidad de Detección basado en la
efectividad del Sistema de Control Actual; basado
en el cumplimiento oportuno con el Plazo Fijado
Resultados de Acción
Función O D
S Causa(s) Controles de
del Efecto (s) c e R Responsable S O D R
Modos de Falla e Potencial(es) Diseño / Acción Acción
Componente / Potencial (es) c t P y fecha límite e c e P
Potenciales v o Mecanismos Proceso Sugerida Adoptada
Paso del de falla u e N de Terminación v c t N
. de falla Actuales
proceso r c
¿Cuál es la probabilidad
MAXIMO PROXIMO
de detectar la causa de
Contabilidad 7 3 5
falla?
erronea
CON CLIENTE
Molestia
Insatisfacción
47
Calcular RPN (Número de Prioridad de
Riesgo)
48
ANALISIS DEL MODO Y EFECTO DE FALLA
AMEF de Diseño / Proceso
Componente ______________________ Responsable del Diseño ____________ AMEF Número _________________
Ensamble ________________ Preparó _______________ Pagina _______de _______
Equipo de Trabajo ___________ FECHA (orig.) de AMEF ______(rev.) ______
Resultados de Acción
O D
S Causa(s)
Función Efecto (s) c e R Responsable S O D R
Modos de Falla e Potencial(es) Controles de Acción Acción
de Potencial (es) c t P y fecha límite e c e P
Potenciales v de los Mecanismos Diseño Actual Sugerida Adoptada
Artículo de falla u e N de Terminación v c t N
. de falla
r c
Riesgo = Severidad x
MAXIMO PROXIMO Ocurrencia x Detección
Contabilidad 7 3 5 105
erronea
CON CLIENTE
Molestia
Insatisfacción
Causas probables
a atacar primero
49
Planear Acciones
Resultados de Acción
O D
Función S Causa(s) Controles de
Efecto (s) c e R Responsable S O D R
del componente Modos de Falla e Potencial(es) Diseño / Acción Acción
Potencial (es) c t P y fecha límite e c e P
/ Paso del Potenciales v o Mecanismos Prcoeso Sugerida Adoptada
de falla u e N de Terminación v c t N
proceso . de falla Actuales
r c
MAXIMO PROXIMO
Contabilidad 7 3 5 105
erronea
CON CLIENTE
Molestia
Insatisfacción Usar RPN para identificar
acciones futuras. Una vez que
se lleva a cabo la acción,
recalcular el RPN.
51
Ejemplo de AMEFP
52
Herramientas de la
Fase de Análisis
53
Identificación de causas
potenciales
Tormenta de ideas
Diagrama de Ishikawa
Diagrama de
Relaciones
Diagrama de Árbol
Verificación de causas
raíz
54
Tormenta de ideas
Técnica para generar ideas creativas cuando
la mejor solución no es obvia.
56
Diagrama de Ishikawa
Anotar el problema en el cuadro de la derecha
Mediciones
Materia Prima
Maquinaria
Personal y
Métodos
o
Las diferentes etapas del proceso de
manufactura o servicio 57
Diagrama de Ishikawa
Medio
ambiente Métodos Personal
Frecuencia Falta de
Rotación de
Clima personal
de visitas supervi
húmedo Falta de
ción
motivación
Posición de Ausentismo
Distancia de exhibidores
la agencia al
Elaboración ¿Qué
changarro de pedidos produce
bajas ventas
Clientes con Calidad del de
ventas bajas Seguimiento producto Tortillinas
Malos
semanal Tía Rosa?
Conocimiento
itinerarios
de los Tipo de
Descompostura mínimos por exhibidor
del camión ruta
repartidor
13/0 2/1
Bandas de
Dancer transmisión
2/4 Taco generador 1/1 Causas a validar
del motor Empaques de arrastre
60
Diagrama de árbol o
sistemático
Meta Medio
Meta Medio
Meta Medio
Segundo Tercer Cuarto
Primer nivel nivel nivel
nivel
Medios
Medios
Medios
Medios
o planes
Meta u
objetivo
Medios
o planes
61
Diagrama de Arbol- Aplicación Sistema SMED
¿Cómo? ¿Cuándo?
Filmar la preparación 5- 12 - Mar-04
Preparación
para el SMED
Analizar el video 10 y 17 –Mar-04
4 Poleas de 4.1 Puede generar 4.1.1 Verificar alineación, entre poleas Abril’04 1804 J. R.
transmisión vibración excesiva de ejes principales y polea de Embob U. P.
de ejes durante el ciclo de transmisión del motor. .
embobinador cambio. 4.1.2 Tomar dimensiones de
es. poleas(dientes de transmisión).
4.1.3 Tomar dimensiones de bandas
(dientes de transmisión)
4.1.4 Verificar valor de tensión de 64
Modelando relaciones entre
variables
Cartas Multivari
y
Análisis de regresión
65
Cartas Multivari
Su propósito fundamental es reducir el gran
número de causas posibles de variación, a un
conjunto pequeño de causas que realmente
influyen en la variabilidad.
1.5
días
1.0 Zona A
días
Zona B
Zona D
Zona C
67
Zona orden
Tipo de orden
Tiempo respuesta
3 1 23
Corrida en Minitab
3 1 20
3 1 21
3 2 22
3 2 19
3 2 20
Se introducen los datos en 3 3 19
varias columnas C1 a C3 3
3
3
3
18
21
incluyendo la respuesta 1 1 22
1 1 20
(tiempo) y los factores (Zona 1 1 19
1 2 24
y Tipo de orden) 1 2 25
1 2 22
1 3 20
1 3 19
1 3 22
2 1 18
2 1 18
2 1 16
2 2 21
2 2 23
2 2 20
2 3 20
2 3 22
2 3 68 24
Corrida en Minitab
Utilizar el archivo de ejemplo orden.mtw
69
Resultados
Multi-Vari Chart for Tiempo respuesta by Zona orden - Tipo de orden
24 Zona
orden
1
23
2
3
22
Tiempo respuesta
21
20
19
18
17
1 2 3
Tipo de orden
70
Análisis de Regresión
El análisis de regresión es un método
estandarizado para localizar la correlación
entre dos grupos de datos, y, quizá más
importante, crear un modelo de predicción.
Regresión
Describe con más detalle la relación entre las variables.
72
Correlación de la información de las X y las Y
Correlación Positiva Correlación Negativa
25
Evidente Evidente
25
20 20
15 15
10
Y
Y
10
5
5
0
0 5 10 15 20 25 Sin Correlación 0
0 5 10 15 20 25
X 25 X
20
15
Correlación Y 10
Correlación
5
25
Positiva 0 Negativa
0 5 10 15 20 25 25
20
X 20
15
15
Y
10
Y
10
5
5
0
0 5 10 15 20 25 0
0 5 10 15 20 25
X
X
73
Ejemplo
Considere el problema de predecir las ventas
mensuales (score2) en función del costo de publicidad
(Score 1). Calcular el coeficiente de correlación, el de
determinación
Score1
yScore2
la recta.
4.1 2.1
2.2 1.5
2.7 1.7
6 2.5
8.5 3
4.1 2.1
9 3.2
8 2.8
7.5 2.5
74
Corrida en Minitab
Utilizar el archivo de ejemplo Exh_regr.mtw
Opción: Stat > Regression > Regression
Para regresión lineal indicar la columna de
respuesta Y (Score2) y X (Score1)
Analysis of Variance
Source DF SS MS F P
Regression 1 2.5419 2.5419 156.56
0.000
Residual Error 7 0.1136 0.0162 76
Resultados de la regresión
lineal
Fitted Line Plot
Score2 = 1.118 + 0.2177 Score1
3.5 Regression
95% CI
95% PI
3.0 S 0.127419
R-Sq 95.7%
R-Sq(adj) 95.1%
2.5
Score2
2.0
1.5
1.0
2 3 4 5 6 7 8 9
Score1
77
Interpretación de los Resultados
La ecuación de regresión (Score2 = 1.12 + 0.218 Score1)
describe la relación entre la variable predictora X y la respuesta de
predicción Y.
78
Corrida en Minitab
HeatFlu North
Se introducen los x East South
datos en varias
columnas C1 a C5 271.8 33.53 40.55 16.66
incluyendo la
264 36.5 36.19 16.46
respuesta Y
(heatflux) y las 238.8 34.66 37.31 17.66
variables predictoras
X’s (North, South, 230.7 33.13 32.52 17.5
East)
251.6 35.75 33.71 16.4
79
Resultados de la regresión
Múltiple
Regression Analysis: HeatFlux versus East, South,
North
The regression equation is
Analysis of Variance
Source DF SS MS F P
Regression 3 1173.46 391.15 32.37 0.030
Residual Error 2 24.17 12.09
Total 5 1197.63 80
Relaciones no Lineales
¿Qué pasa si existe una relación causal, no lineal?
32.5
Resistencia a S
R-Sq
1.35809
66.8%
Concentración la Compresión R-Sq(adj) 61.2%
30.0
x y Y
10.0 25.2 27.3 28.7
27.5
15.0 29.8 31.1 27.8
20.0 31.2 32.6 29.7
25.0
25.0 31.7 30.1 32.3
30.0 29.4 30.8 32.8
10 15 20 25 30
X
81
Otros Patrones No Lineales
A veces es posible transformar una o ambas variables, para mostrar
mejor la relación entre ambas. La meta es identificar la relación
matemática entre las variables, para que con la variable transformada
se obtenga una línea más recta. Algunas transformaciones comunes
incluyen:
x’ = 1/x
x’ = Raíz cuadrada de (x)
82
Resumen de la Regresión
• La regresión sólo puede utilizarse con
información de variables continuas.
• Los residuos deben distribuirse normalmente con
media cero.
Intervalos de confianza
Pruebas de hipótesis
84
Estimación puntual
y por intervalo
Las medias o desviaciones estándar
calculadas de una muestra se denominan
ESTADÍSTICOS, son puntos estimados de la
media y desviación estándar real de población
o de los PARAMETROS.
85
Estimación puntual
y por intervalo
¿Cómo obtenemos un intervalo de
confianza?
86
Estimación puntual
y por intervalo
Nivel de significancia Alfa = 1 – NC, para el
caso de NC = 95%, se tiene un alfa de 0.05 o
0.025 de cada lado.
87
Representación gráfica
Rango en el que se
Encuentra el parámetro
IC = 90, 95 o 99% Con un nivel de confianza NC
n=30
Alfa/2
n=15
n=10
88
Estimación puntual
y por intervalo
Por Ejemplo:
p (1 p )
p Z
2
n
91
Pruebas de hipótesis para
medias, varianzas y
proporciones
92
Pruebas de Hipótesis
Variables Atributos
No Normal Tablas de
Contingencia Chi Cuad.
Varianza Medianas
Correlación
Correlación
Homogenei Prueba de signos
dad
Wilcoxon
Normal Proporciones - Z
de
Mann-
Varianzas
Whitney Variancia
de Levene Medias
Kurskal-
Wallis 1- Población - Chi Pruebas Z, t
2- Pob. F 1- Población
Residuos
Prueba de Mood 2- Poblaciones
Homogeneidad distribuidos
Friedman de Varianzas ANOVA
de Bartlett Una vía normalmente
Dos vías
Correlación
Regresión 93
Resumen de pruebas de Hipótesis – Datos normales
Pruebas de Medias
Pruebas de Variancias
Prueba X2: Compara la variancia de una muestra
con una variancia de un universo conocido.
Hipótesis alterna Ha
Es la hipótesis que se acepta como verdadera
cuando se rechaza Ho, es su complemento
Puede ser por ejemplo µ ≠ 5 para prueba de dos
colas
µ < 5 para prueba de cola izquierda
µ > 5 para prueba de cola derecha
98
Conceptos fundamentales
Estadístico de prueba
Para probar la hipótesis nula se calcula un
estadístico de prueba con la información de la
muestra el cual se compara a un valor crítico
apropiado. De esta forma se toma una decisión
sobre rechazar o no rechazar la Ho
Región de
rechazo
P(Z>= + Zexcel ) = alfa
100
Conceptos fundamentales
Pruebas de una cola
Si la Ho: µ ≥ que un valor poblacional, entonces
el riesgo alfa se coloca en el extremo izquierdo
de la distribución. Por ejemplo si Ho µ ≥ 10 y Ha:
µ < 10 se tiene una prueba de cola izquierda:
Región de
rechazo
P(Z<= - Zexcel ) = alfa
Zexcel ( 0.01 )
101
Conceptos fundamentales
Pruebas de dos colas
Si la Ho: µ = que un valor poblacional, entonces
el riesgo alfa se reparte en ambos extremos de
la distribución. Por ejemplo si Ha: µ≠ 10 se
tiene:
Regiones de rechazo
102
Conceptos fundamentales
El Tamaño de muestra requerido en función
del error máximo E o Delta P intervalo
proporcional esperado se determina como
sigue:
Z 2
/2
2
n
E2
Z 2 / 2 ( p )(1 p )
n
( p ) 2
103
Elementos de una Prueba de Hipótesis
Pruebas de Hipótesis de dos colas:
Ho: a = b Región de Región de
Ha: a ≠ b Rechazo Rechazo
-Z 0 Z
0 Z
Pruebas de Hipótesis cola izquierda:
Ho: a ≥ b
Ha: a < b Región de
Rechazo
-Z 0 Z
Pasos en la Prueba de Hipótesis
d
t ; Pares.de.medias; di . para.cada. par
Sd / n
( n 1) S 2
X2 ; DF (n 1); prueba.una.v ar ianza
2
(O E ) 2
X2 ; DF (r 1)(c 1); bondad .ajuste
E
108
Ejemplo de prueba de
hipótesis
Probar la hipótesis de igualdad de una media u para n > 30
1) Ho: µ=µο Ha: µ≠µο
µ−µο Región de
Zcalc= Rechazo Región de
s
Rechazo
n 0
-Zα/2 Ζα/2
-Zt Zt 110
Ejemplo para dos colas
Supongamos que tenemos muestras de dos reactores
que producen el mismo artículo. Se desea ver si hay
diferencia significativa en el rendimiento de “Reactor a
Reactor A Reactor B
Reactor”.
89.7 84.7 Estadísticas Descriptivas
81.4 86.1
84.5 83.2 Variable Reactor N Media
Desv.Std
84.8 91.9
87.3 86.3
Rendimiento A 10 84.24
79.7 79.3
2.90
85.1 82.6
B 10 85.54 3.65
81.7 89.1
83.7 83.7
84.5 88.5
¿Qué representa esto?
Reactor A Reactor B
B B B B B BB BB B
A AA AAAA A A
80.0 82.5 85.0 87.5 90.0 92.5
Pregunta estadística:
113
Prueba de
Hipótesis
Ho: µa =µb
Ha: µa ≠µb
Pruebas de hipótesis de
varias medias a la vez
115
ANOVA – Prueba de hipótesis para
probar la igualdad de medias de
varias poblaciones para un factor
Ho : µ1 = µ2 = µ3 =......... = µa
Ha : A lg unas.µ' s.son.diferentes
116
ANOVA - Condiciones
Todas las poblaciones son normales
117
ANOVA – Ejemplo de datos
Niveles del Factor Peso % de algodón y Resistencia de tela
118
ANOVA – Suma de
cuadrados total
Xij
Gran media
Xij
a b 2
SCT =∑ ∑( Xij −X )
i=1 j =1
119
ANOVA – Suma de cuadrados
de renglones (a)-
tratamientos
Media Trat. 1 Media Trat. a
a renglones
Gran media
Media trat. 2
SCTr = ∑ b( X i − X ) 2
i =1
120
ANOVA – Suma de cuadrados
del error
X2j X3j
X1j
Media X1.
Media
Media X2. X3.
a b
SCE = ∑ ∑( X ij −X i) 2
i =1 j =1 121
ANOVA – Suma de cuadrados
del error
X2j X3j
X1j
Media X1.
Media
Media X2. X3.
gl.SCT = n −1
gl.SCTr = a −1
gl.SCE = ( n −1) −( a −1) = n −a
123
ANOVA – Cuadrados medios:
Total, Tratamiento y Error
124
ANOVA – Cálculo del
estadístico Fc y Fexcel
MCTr
Fc =
MCE
Fexcel = FINV ALFA, gl .SCTr , gl .SCE
125
Tabla final de ANOVA
TABLA DE ANOVA
Regla: Rechazar Ho si la Fc de la muestra es mayor que la F de Excel para una cierta alfa
o si el valor p correspondiente a la Fc es menor al valor de alfa especificado
126
ANOVA – Toma de decisión
Distribución F Fexcel
Alfa
Fc
127
ANOVA – Toma de decisión
O si el valor de p correspondiente a Fc es
menor de Alfa se rechaza Ho
128
Corrida en Minitab
Se introducen las respuestas en una columna
C1
Se introducenDurability
los subíndices de los renglones
Carpet
en una columna C218.95 1
12.62 1
11.94 1
14.42 1
10.06 2
7.19 2
7.03 2
14.66 2 129
Corrida en Minitab
Opción: stat>ANOVA – One Way (usar archivo
Exh_aov)
En Response indicar la col. De Respuesta
(Durability)
130
Resultados
One-way ANOVA: Durability versus Carpet
Source DF SS MS F P
Carpet 1 45.1 45.1 3.97 0.093 -> No hay diferencia entre las medias
Error 6 68.1 11.3
Total 7 113.1
S = 3.368 R-Sq = 39.85% R-Sq(adj) = 29.82%
Individual 95% CIs For Mean Based on
Pooled StDev
Level N Mean StDev ----+---------+---------+---------+-----
1 4 14.483 3.157 (----------*-----------)
2 4 9.735 3.566 (-----------*-----------)
----+---------+---------+---------+-----
7.0 10.5 14.0 17.5
Pooled StDev = 3.368
Tukey 95% Simultaneous Confidence Intervals
All Pairwise Comparisons among Levels of Carpet
Individual confidence level = 95.00%
Carpet = 1 subtracted from:
Carpet Lower Center Upper -+---------+---------+---------+--------
2 -10.574 -4.748 1.079 (-----------*----------)
-+---------+---------+---------+--------
-10.0 -5.0 0.0 5.0
131
ANOVA de un factor
principal y una variable de
bloqueo
132
para probar la igualdad de
medias de varias poblaciones
con dos vías
Se trata de probar si el efecto de un factor o
Tratamiento en la respuesta de un proceso o sistema es
Significativo, al realizar experimentos variando
Los niveles de ese factor (Temp.1, Temp.2, etc.)
POR RENGLON
Y
Considerando los niveles de otro factor que se piensa
Que tiene influencia en la prueba – FACTOR DE BLOQUEO
POR COLUMNA
133
para probar la igualdad de
medias de varias poblaciones
con dos vías
Para el tratamiento – en renglones
Ho : µ1 = µ2 = µ3 = ......... = µa
Ha : A lg unas.µ' s.son.diferentes
Para el factor de bloqueo – en columnas
136
Tabla final ANOVA 2 Vías
FUENTE DE VARIACIÓN SUMA DE GRADOS DE CUADRADO VALOR F
CUADRADOS LIBERTAD MEDIO
Regla: No rechazar si la F de la muestra es menor que la F de Excel para una cierta alfa
137
ANOVA – 2 Vías Toma de
decisión
Distribución F Fexcel
Alfa
Fc
Tr o Bl 138
ANOVA – 2 vías toma de
decisión
O si el valor de p correspondiente a Fc
(Tr o Bl) es menor de Alfa se rechaza Ho
139
Adecuación del modelo
Los residuales o errores deben seguir una
recta en la gráfica normal
140
Corrida en Minitab
Se introducen las Zooplank- Supple-
ton ment Lake
respuestas en una
columna C1 34 1 Rose
43 1 Rose
Se introducen los 57 1 Dennison
subíndices de los 40 1 Dennison
renglones en una 85 2 Rose
columna C2 y de las 68 2 Rose
columnas en C3
67 2 Dennison
53 2 Dennison
141
Corrida en Minitab
Opción: stat>ANOVA – Two Way (usar archivo
Exh_aov)
142
Pedir gráfica residuales Normal Plot y vs fits y
Resultados
Two-way ANOVA: Zooplankton versus
Supplement, Lake
Source DF SS MS F P
Supplement 1 1225.13 1225.13 11.46
0.028
Lake 1 21.13 21.13 0.20 0.680
Interaction 1 351.13 351.13 3.29 0.144
Error 4 427.50 106.88
Total 7 2024.88
144
Pruebas de Hipótesis
Variables Atributos
No Normal Tablas de
Contingencia Chi Cuad.
Varianza Medianas
Correlación
Correlación
Homogenei Prueba de signos
dad
Wilcoxon
Normal Proporciones - Z
de
Mann-
Varianzas
Whitney Variancia
de Levene Medias
Kurskal-
Wallis 1- Población - Chi Pruebas Z, t
2- Pob. F 1- Población
Residuos
Prueba de Mood 2- Poblaciones
Homogeneidad distribuidos
Friedman de Varianzas ANOVA
de Bartlett Una vía normalmente
Dos vías
Correlación
Regresión 145
Resumen de pruebas de Hipótesis – Datos no normales
Pruebas de Varianzas
Homogeneidad de la varianza de Levine :
Compara dos o más varianzas de muestras de la
misma población.
Pruebas de la Mediana
146
Prueba Mann-Whitney : Prueba si dos medianas
Resumen de pruebas de Hipótesis – Datos no normales
Pruebas de la Mediana
147
Correlación: Prueba la relación lineal entre dos
Tablas de contingencia
148
Ejemplo 2: Chi2 Para comparación de
dos grupos; ¿son las mismas
proporciones?)
Ho: No existen diferencias en los índices de defectos de las dos máqu
Ha: Existen diferencias en los índices de defectos de las dos máquina
149
Ejemplo 2: Chi2 Para comparación de
dos grupos; ¿son las mismas
proporciones?)
Cálculo de los valores esperados
Partes Partes
buenas defectuosas
máquina 1 fo = 751*534/779 fo = 28*534/779
Total = 534
máquina 2 fo = 751*245/779 fo =
28*245/779 Total = 245
sados en este índice, los valores esperados (fe) serían:779
Partes Partes
buenas defectuosas
máquina 1 530.53
3.47
máquina 2 233.47
1.53
150
Prueba de chi cuadrada:
Los conteos esperados están debajo de los conteos
observados
Partes buenas Partes Defectuosas Total
1 532 2 534
530.53 3.47
2 232 3 235
233.47 1.53
Total 764 5 769
Ejemplo:
Se cuestionó a veinte personas sobre cuánto
tiempo les tomaba estar listas para ir a
trabajar, en las mañanas. Sus respuestas (en
minutos) se muestran más adelante. ¿Cuáles
son el promedio y la mediana para esta
muestra?
153
Un dibujo dice más que mil
palabras
Promedio
Mediana
115 144
Después de todo, tal vez
esto SEA lo correcto.
161
Prueba de Mann-
Whitney
Se llevó a cabo un estudio que analiza la
frecuencia del pulso en dos grupos de personas
de edades diferentes, después de diez minutos
de ejercicios aeróbicos.
Edad 40-44
Los datos resultantes se muestran Edad 16-20
a continuación.
C1 C2
140 130
135 166
150 128
140 126
¿Tuvieron diferencias 144 140
154 136
significativas las 160 132
frecuencias de pulso de 144 128
ambos grupos? 136 124
148
162
Prueba de Mann-
Whitney
Edad 40-44 Edad 16-20
C1 C2
(7) 135 (1) 124
Ordenando los (8.5) 136 (2) 126
datos y (11) 140 (3.5) 128
asignándoles el (11) 140 (3.5) 128
(rango) de su (13.5) 144 (5) 130
posición relativa se (13.5) 144 (6) 132
(15) 148 (8.5) 136
tiene
(16) 150 (11)140
(promediando (17) 154 (15)166
posiciones para el (18) 160
caso de que sean
Taiguales):
y Tb suma de rangos n1 = 10 n2 = 9
Ta = 130.5 Tb = 55.5163
Prueba de Mann-Whitney
Ho: Las distribuciones de frecuencias relativas de las poblaciones A y B son
iguales
Ha: Las distribuciones de frecuencias relativas poblacionales no son idénticas
Ho: η1 = η2 Ha: η1 ≠ η2 η1, η2 = Medianas de las poblaciones
Ordenando los datos y asignándoles su posición relativa se tiene:
Ua = n1*n2 + (n1) * (n1 + 1) /2 - Ta
Ub = n1*n2 + (n2) * (n2 + 1) /2 - Tb
Ua + Ub = n1 * n2
Ua = 14.5 Ub = 79.5
Utilizando el estadístico Z y la distribución normal se tiene:
45 12.24
Z = [ (U - (n1* n2 / 2 ) / Raiz (n1 * n2 * (n1 + n2 + 1) / 12)
Con Ua y Ub se tiene:
El valor crítico de Z para alfa 0.025 por ser prueba de dos colas, es 1.96.
Dado
ComoqueZa >pZcrítico
< 0.05, rechazamos
se rechaza la hipótesis
la Hipótesis Ho de que nula.
las medianas son
iguales.
Estadísticamente existe una diferencia significativa entre los
dos grupos de edad. 165
Prueba de Mann-
Whitney
16-20 años de edad
130 166 128 126 140 136 132 128 124
140 10 -26 12 14 0 4 8 12 16
135 5 -31 7 9 -5 -1 3 7 11
40-44 años
150 20 -16 22 24 10 14 18 22 26
140 10 -26 12 14 0 4 8 12 16
de edad
144 14 -22 16 18 4 8 12 16 20
154 24 -12 26 28 14 18 22 26 30
160 30 -6 32 34 20 24 28 32 36
144 14 -22 16 18 4 8 12 16 20
136 6 -30 8 10 -4 0 4 8 12
148 18 -18 20 22 8 12 16 20 24
Una vez ajustados los "enlaces" (eventos de un mismo valor en ambos grupos
de información), Minitab usa este punto estimado para calcular el valor p.
166
Prueba de Kruskal Wallis
Ordenando los datos de ventas y asignándoles el (rango) de
su posición relativa se tiene (promediando posiciones si
son iguales):
Zona 1 Zona 2 Zona 3
(15.5) 147 (17.5) 160 (24) 215
(17.5) 17.5 (14) 140 (8) 127
(9) 128 (21) 173 (2) 98
(19) 162 (4) 113 (15.5) 127
(12) 135 (1) 85 (23) 184
(10) 132 (7) 120 (3) 109
(22) 181 (25) 285 (20) 169
(13) 138 (5) 117
(11) 133
(6) 119
n1 = 8 n2 = 10 n3 = 7 N = n1 + n2 +
Ta = 118 Tb = 111.5 Tc = 95.5 n3 N = 25
167
Prueba de Kruskal Wallis
170
Tabla de constantes
n Alfa=0.05 Alfa = 0.025
5 0.900 -
6 0.829 0.886
7 0.714 0.786
8 0.643 0.738
9 0.600 0.683
10 0.564 0.648
11 0.523 0.623
12 0.497 0.591
13 0.475 0.566
14 0.457 0.545
15 0.441 0.525
16 0.425 0.507
17 0.412 0.490
18 0.388 0.476
19 0.377 0.462
20 0.368 0.450
21 0.359 0.438
22 0.351 0.428
23 0.343 0.418
24 0.336 0.409
25 0.329 0.400
26 0.329 0.392
27 0.323 0.385
28 0.317 0.377
29 0.311 0.370
30 0.305 0.364 171
Salidas de la Fase de Análisis
Causas raíz validadas
172
Resumen de la validación de las
causas
# de
Resultados Causa
Causa Causas Raíz
1 Ensamble de ojillos, X
SI ES CAUSA RAIZ
bloques y contrapesos no
adecuados en aspas.
2 Amortiguadores dañados. X
SI ES CAUSA RAIZ
3 Desgaste de bujes en los
carretes. NO ES CAUSA RAIZ
4 Fabricación y reemplazo de
NO ES CAUSA RAIZ
ejes y poleas no adecuados
en ensamble de aspas.
Desalineamiento de poleas
5 y bandas de transmisión de SI ES CAUSA RAIZ X
aspas.
Método de Balanceo no
6 SI ES CAUSA RAIZ X
adecuado.
7 Desalineación de pinolas NO ES CAUSA RAIZ
en cuna.
173
8. Metodología Seis Sigma
Fase de Mejora
174
8. Fase de Mejora
Propósitos y salidas
Diseño de experimentos
Técnicas de creatividad
Implantación y verificación de
soluciones
175
Fase de mejora
Propósito:
Desarrollar, probar e implementar soluciones que
atiendan a las causas raíz
Salidas
Acciones planeadas y probadas que eliminen o
reduzcan el impacto de las causas raíz identificadas
176
FASE DE MEJORA
Causas
raíz Técnicas de
Diseño de creatividad
experimentos Tormenta de
ideas
Optimización Ideas Metodología
TRIZ
Evaluación de soluciones
(Fact., ventajas, desventajas)
¿Solución
No factible?
Si
Implementación de
soluciones y verificación
de su efectivdad
Soluciones
verificadas
177
Diseño de Experimentos
(DOE)
178
Perspectiva histórica
Ronald Fisher los desarrolla en su estación
agrícola experimental de Rothamsted en
Londres (ANOVA) 1930
PRESION
Zona Máxima Conclusión de la Prueba
2 4
PRESION
Optimo
PRESION
Respuesta Máxima
Conclusión de la Prueba
TEMPERATURA TEMPERATURA
181
Introducción
El DOE varia varios factores simultáneamente
de forma que se puede identificar su efecto
combinado en forma económica:
Diseño de
Proceso
Producto
183
El Diseño de experimentos tiene
como objetivos determinar:
Las X’s con mayor influencia en las Y’s
184
Principios básicos
Obtención de réplicas: repetición del
experimento (5 resultados en cada corrida
expermental)
Efecto principal
Un estimado del efecto de un factor
independientemente del efecto de los demás
Optimización
Hallar las combinaciones de los factores que
maximizen o minimizen la respuesta
187
Factores y niveles
Los factores son los elementos que cambian durante
un experimento para observar su impacto sobre la
salida. Se designan como A, B, C, etc.
191
Pasos para Diseñar y Realizar un
Diseño de Experimentos
192
Ejemplo: Proceso de atención a
clientes en un Call Center
Objetivos de los experimentos
Horas de atención
194
Ejemplo: Proceso de soldadura de
una tarjeta de circuito impreso
Variables que no se pueden o desean controlar
Z’s – Variables de ruido
Edad del ejecutivo de cuenta
Distribución del Call Center
Día del año
Medio ambiente
Horarios de comida
195
Los Factores Pueden
Afectar...
1. La Variación del Resultado 3. La Variación y el Promedio
Con
Banda ancha
Entren.
Sin
Banda
entren.
angosta
Meta
2. El Valor Mínimo es el Mejor
Tendencia de • Tiempo de Ciclo
salida hacia cero
• Tiempo de
conexión
0
3. El Valor Máximo es el Mejor Tendencia de • Confiabilidad
salida
hacia arriba
• Satisfacción
197
Respuesta de Salida Y =Tiempo de
La salida que se mide como resultado del experimento
y se usa para juzgar los efectos de los factores. conexión
Factores A. Tiempo de llamada
B. LOcalización
Las variables de entrada de proceso que se C. Experiencia
establecen a diferentes niveles para observar D. Tipo de Material usado
su efecto en la salida.
199
Experimento factorial
completo – sin interacción
Un experimento factorial completo es un experimento
donde se prueban todas las posibles combinaciones de los
niveles de todos los factores.
Factor A:
-1 +1
+1 30 52
Factor B: Y = Respuesta
-1 20 40
Respuesta
Promedio
B = -1 20 40
A = -1 A=
+1
201
Experimento sin interacción
Respuesta
52
+1
B=
1 40
30 B =-
20
A = -1 A=
+1
202
Modelo de regresión lineal
y 0 1 x1 2 x2 12 x1 x2
ˆ (20 40 30 52) / 4 35.5
0
ˆ1 21/ 2 11
ˆ2 11/ 2 5.5
ˆ12 1/ 2 0.5
ˆ 35.5 10.5 x1 5.5 x2 0.5 x1 x2
y
El coeficiente 0.5 es muy pequeño dado que no hay interacción
203
Gráfica de contornos –
Experimentos sin interacción
1 49 Dirección
De ascenso
46 rápido
.5 40
X2 34
0
28
-.5 22
-1
X1 -1 -.6 -.4 -.2 0.0 +.2 +.4 +.6 +.8 +1
204
Superficie de respuesta –
Experimentos sin interacción
Y = respuesta
Superficie de respuesta
X1
X2
205
Experimento factorial
completo – con interacción
Un experimento factorial completo es un experimento
donde se prueban todas las posibles combinaciones de los
niveles de todos los factores.
Factor A = X1 :
-1 +1
+1 40 12
Y = Respuesta
Factor B = X2:
-1 20 50
206
Experimento con interacción
B = +1 40 12
Respuesta
Promedio
B = -1 20 50
A = -1 A=
+1
207
Experimento con interacción
Respuesta
50
40 + 1
B =
- 1
20 B =
12
A = -1 A=
+1
208
Modelo de regresión lineal
y 0 1 x1 2 x2 12 x1 x2
ˆ (20 40 30 52) / 4 30.5
0
ˆ1 2 / 2 1
ˆ2 18 / 2 9
ˆ12 58 / 2 29
ˆ 30.5 1x1 9 x2 29 x1 x2
y
El coeficiente -29 es muy grande representando la interacción
209
Gráfica de contornos
1 49 Dirección
De ascenso
25 43 rápido
.5
40
X2 31 34
0
28
-.5
-1
X1 -1 -.6 -.4 -.2 0.0 +.2 +.4 +.6 +.8 +1
210
Superficie de respuesta –
Experimentos con interacción
Superficie de respuesta
211
Experimento factorial con
réplicas
Un experimento factorial con réplicas tiene varios
resultados bajo la misma combinación de niveles
Factor A :
Horas
entrenamiento
70 90
y1 y5
Factor B: 30’
Acceso al y2 Y6 Y = Tiempo de
sistema y3 y7
60’ respuesta
y4 y8
212
Análisis del efecto de la
media
Factor A :
Horas de entrenam.
70 90
Factor B:
90 84
Acceso al 30 min.
87 87 Y = Tiempo de
sistema
95 79 conexión
60 min.
92 78
90 84
B1 = 30 min.
87 87
95 79
B2 = 60 min. 95
Tiempo de conexión
92 78 91
90
A1 = 90 + 87 + 95 + 92 = 91
85
82
4 80
84 + 87 + 79 + 78 = 82
A2 = 70 o
90
4
¿El tiempo de entrenamiento parece cambiar el
tiempo de conexión Y?
214
acceso
Factor B : Factor A : Horas de
Tiempo de entrenamiento
acceso
A1 = 70 A2 = 90
90 84
B1 = 30 min.
87 87
95 79
B2 = 60 min.
Tiempo de conexión
92 78 95
90 87
86
B1 = 90 + 87 + 84 + 87 = 87
85
4 80
95 + 92+ 79 + 78 = 86
B2 = 30 min. 60 min.
4
Factor B : Tiempo o o
A1 = 70 A2 = 90
de acceso
B1 = 30 90 84
min. 87 87
B2 = 60 95 79
95
Tiempo de conexión
min. 92 78
70
A1 A2 90
B1 88.5 85.5 85
90
B2 93.5 78.5 80
30 min. 60 min.
A,B, = 90 + 87 = 88.5
2
• En una gráfica de interacción, las líneas paralelas indican que no hay interacción. ¿Por qué?
• ¿Las horas de entrenamiento y el tiempo de acceso parecen interactuar?
• ¿Qué niveles de los factores deben usarse para reducir al mínimo la dureza de
las partes?
216
Experimento con interacción
Respuesta
93.5
B=
2
88.5 B=
1 85.5
78.5
A=1 A=2
217
Corrida con Minitab – Creación del
diseño para 2 factores 2 niveles
Stat > DOE > Factorial > Create Factorial Design
o Two level
Designs: Number of center points 0
Number of Replicates 2
Number of blocks 1 OK
219
Corrida con Minitab – Análisis
del diseño factorial
Hacer una columna de RESPUESTAS e introducir los
datos correspondientes a cada celda
Stat > DOE > Factorial > Analyze Factorial Design
RESIDUALS
La gráfica NORMAL PLOT de residuos debe mostrar los
223
Corridas con Minitab –
Gráficas factoriales
Crear las gráficas factoriales y de interacción:
224
Interpretación de gráficas
Si la interacción es significativa, entonces los
mejores niveles de operación del proceso ya
sea para maximizar o para minimizar la
respuesta Y, se seleccionan de la Gráfica de
Interacción
225
Gráfica de efectos principales
Main Effects Plot (data means) for Res
-1 1 -1 1
90
88
Res
86
84
82
A B
226
Gráfica de interacciones
Interaction Plot (data means) for Res
A
-1
1
90
Mean
85
80
-1 1
B
227
Corridas con Minitab – Gráficas de
contorno y superficie de respuesta
Crear las gráficas de contorno y superficies de respuesta:
Stat > DOE > Factorial > Contour/Surface Plots
Seleccionar OK
228
Gráfica de contorno
Contour Plot of Res
1 82.5
85.0
87.5
90.0
92.5
0
B
-1
-1 0 1
A
95
90
Res 85
80 1
-1
0 B
0 -1
A 1
230
Trayectoria de ascenso
rápido
Respuesta
Pasos
231
Diseño central compuesto
Contour Plot of Y Surface Plot of Y
75
76
1
77
78 80.5
79 79.5
80 78.5
0
B
77.5
Y 76.5
75.5
74.5 1.5
1.0
-1 73.5 0.5
-1.5 -0.5
0.0
B
-1.0 -0.5 -1.0
0.0 0.5 -1.5
A 1.0 1.5
-1 0 1
A
233
Diseño de experimentos de Taguchi
B 3 5 .7
4
2 6
2
3 C
5
1 4
6
7 238
A La matriz triangular las columnas están remarcadas, las
interacciones forman la parte interior del triangulo. Como ejemplo, sí
asignamos el factor A en la columna 3 y el factor B en la columna 5, la
interacción AxB aparecerá en la en la intersección de las columnas, el
número 6.
C 1 se indican
En esta gráfica 2 3 factores
cuatro 4 5
(puntos 6 y 7) y7 las
1,2,4
interacciones
No. Aen las lineas
B 3,
AXB5 y 6. D AxD AxC G
1 1 1 1 1 1 1 1
2 1 1 1 2 2 2 2
3 1 2 2 1 1 2 2
4 1 2 2 2 2 1 1
5 2 1 2 1 2 1 2
6 2 1 2 2 1 2 1
7 2 2 1 1 2 2 1
8 2 2 1 2 1 1 2
interno)
Designs L8
respuestas)
En Graphs seleccionar Signal to Noise Ratios, Means,
Estándar Deviations
En Options seleccionar Mayor es mejor, Nominal es
244
Main Effects Plot for Means Main Effects Plot for Standard Deviations
A B C A B C
18.2
1.17
18.0
1.09
17.8
S tD ev
Mean
1.01
17.6
0.93
17.4
0.85
1 2 1 2 1 2 1 2 1 2 1 2
A B C
25.15
25.05
S/N Ratio
24.95
24.85
24.75
1 2 1 2 1 2
245
Método Taguchi – Predicción
de respuestas
Usar Stat / DOE / Taguchi / Predict Taguchi Results para
predecir las respuestas en base a niveles de factores
seleccionados como óptimos
Seleccionar Signal to Noise Ratios, Means, Estándar
Deviations
247
Tormenta de ideas
Permite obtener ideas de los participantes
248
SCAMPER
Sustituir, Combinar, Adaptar, Modificar o
ampliar, Poner en otros usos, Eliminar,
Revertir o re arreglar
250
Análisis morfológico
Conexiones morfológicas forzadas
En forma de Repuesto de
Madera Retráctil
cuentas papel
En forma de Tapa Repuesto
Papel
escultura desechable hecho de tinta
251
pensamiento
Dejemos los argumentos y propuestas y
miremos los datos y las cifras.
Exponer una intuición sin tener que
justificarla
El Pez:
Vive bajo el agua; tiene agallas; se mueve
Solución:
Se colocó un pequeño tiburón en la pecera para que
253
Pensamiento forzado con
palabras aleatorias
Crear nuevos patrones de pensamiento y
forzar a ver relaciones donde no las hay.
255
Mapas mentales
Se inicia en el centro de una página con la
idea principal, y trabaja hacia afuera en todas
direcciones, produciendo una estructura
creciente y organizada compuesta de palabras
e imágenes claves
259
Generar y evaluar las
soluciones
Generar soluciones para eliminar la causa raíz
o mejora del diseño
261
Implantación de soluciones
262
15 GU OQCSTORY.PPT
Verificación de soluciones
PUNTO CRITICO ACTIVIDADES
* Verificar hasta obtener efectos estables ampliando * Hacer análisis
comparativo antes y después
los datos históricos en gráficas de la etapa de * En caso de
aplicar varias medidas correctivas
"razón de selección del tema" , Verificar los efectos
intangibles sin omisiones
* Comparar el efecto en gráfica entre antes y después
de DMAIC respecto al objetivo. confirmar el efecto
sobre cada concepto de
(relación humana, capacidad, trabajo en equipo,
contramedidas.
entusiasmo, área de trabajoEjemplo
alegre). 1.
*%
2.5
Determinar los beneficios monetarios,
2.33 indirectos e intangibles.Investigar si
D
existen
2.19 2.14 2.22 %Dfuera
<1%
2áreas y operaciones similares tanto dentro como de la planta,
2.1
2
E 1.9
para aplicar las mismas contramedidas.
1.8 1.76
1.7 Dar reconocimiento.
F 1.5 1.6
1.5
1.4
E 1.32 1.3
1.2
C 1
0.9 0.94
1.1
1
0.99 0.94
0.87
T 0.79
U 0.5
S
O
0
May-97 Jun-97 Jul-97 Ago-97 S ep-97 Oct-97 Nov-97 263
Dic-97 Ene-98 Feb-98 Mzo-98 Abr-98
9. Metodología Seis Sigma
Fase de Control
264
9. Fase de Control
Propósitos y salidas
Plan de control
Técnicas Lean
265
Fase de Control
Objetivos:
Mantener las mejoras por medio de control
estadístico de procesos, Poka Yokes y trabajo
estandarizado
Salidas:
Plan de control y métodos de control
implementados
Capacitación en los nuevos métodos
Documentación completa y comunicación de
266
resultados, lecciones aprendidas y
FASE DE CONTROL
Soluciones
implementadas
Plan de Documentar
Control Estándares y Capacitar
CEP - de trabajo
Herramientas
Poka Yokes Lean
Si ¿Proceso
en control?
No
267
Prototype
Key Contac/Phone
Core Team
Date (Orig.)
Page
Supplier/Plant Supplier Code Other Approval/Date (if Req'd.) Other Approval/Date (if Req'd.)
Number Description For Mfg. No. Product Process Class. Product/P rocess Evaluation/ Sample Control Method Reaction Plan
Tolerance Technique
-
- Todas las Operaciones
- Todas las actividades
- Un proceso
- Una actividad
- Operaciones Limitadas Operador
Ayuda Visual
Instrucciones:
Distribución
268
CEP objetivos y beneficios
El CEP es una técnica que permite aplicar el
análisis estadístico para medir, monitorear y
controlar procesos por medio de cartas de
control
270
¿Qué es una Carta de
Control?
Una Carta de Control es como un historial del
proceso...
... En donde ha estado.
... En donde se encuentra.
... Hacia donde se puede dirigir
272
Variación – Causas comunes
Límite
inf. de
especs.
Límite
sup. de
especs.
Objetivo
273
Variación – Causas especiales
Límite
inf. de
especs.
Límite
sup. de
especs.
Objetivo
274
Patrones de anormalidad
en la carta de control
“Escuche la Voz del Proceso” Región de control,
M captura la variación
E
natural del proceso
D
I original
D LSC
A
S
C
A LIC
L Tendencia del proceso
I
D El proceso ha cambiado
A
Causa Especial
identifcada
D
TIEMPO
275
Cartas de Control para
variables
276
Cartas de Control por Variables
277
Implantación de cartas
de control por variables
1. Identificar la característica a controlar en base a
un AMEF (análisis del modo y efecto de falla)
278
Carta X, R (Continuación)
Terminología
k = número de subgrupos; n = número de muestras en cada subgrupo
X = promedio para un subgrupo
X = promedio de todos los promedios de los subgrupos
R = rango de un subgrupo
R = promedio de todos los rangos de los subgrupos
x1 + x2 + x3 + ...+ xN
x =
n
x1 + x2 + x3 + ...+ xN
x =
k
LSCX = x + A2 R NOTA: Los factores a considerar
LICX = x - A2 R para n = 5
LSCR = D4 R Son A2 = 0.577 D3 = 0 D4 = 2.114
LICR = D3 R 279
Ejemplo de carta de control X-
R
Xbar-R Chart of Pulse1
90
UCL=86.84
Sample Mean
80
_
_
X=72.69
70
60
LCL=58.53
2 4 6 8 10 12 14 16 18
Sample
UCL=51.89
48
Sample Range
36
_
24 R=24.54
12
0 LCL=0
2 4 6 8 10 12 14 16 18
Sample
280
Carta de Individuales (I-MR)
1
I ndividual Value
125 1 1
1 1
UCL=113.2
100
_
X=80
75
50 LCL=46.8
1 9 18 27 36 45 54 63 72 81 90
Observation
60
Moving Range
1
45 1
UCL=40.75
30
15 __
MR=12.47
0 LCL=0
1 9 18 27 36 45 54 63 72 81 90
Observation
284
Cartas de control para atributos
Datos de Atributos
Tipo Medición ¿Tamaño de
Muestra ?
p - CON n PROMEDIO
p - ESTANDARIZADA
286
Carta p (Cont..)
Ejemplo: Gráfica P para Fracción Defectiva
0.5
0.4
3.0SL= 0.4484 LSC
Proporci
0.3
ón
0.2
0.1 P= 0.1128 p
0.0 - 3.0SL= 0.000
LIC
0 5 10
Número de muestra
288
Carta np (Cont...)
Ejemplo 1:
Carta np de número de servicios erroneos
10 3.0 LSC=10.03
No. De fecetivos
5
Np =4.018 np
c – Número de defectos
Se cuentan los defectos que tienen
cada unidad de inspección de
tamaño n constante en productos
como facturas
Terminología
c = Número de defectos encontrados en
cada unidad o unidades constantes de
inspección
k = número de muestras
291
Carta c (cont..)
Ejemplo:
Carta C
15 1
Número de defectos
5 C = 5.640 C
0 5 10 15 20 25
Número de Muestras
• Ejemplos:
• Se toma una muestra de facturas por semana,
identificando los errores en estas.
7 3. 0L SC= 6. 768
LSC
6
5 U=4. 979 u
4
- 3. 0L IC= 3. 190
3 LIC
2
0 10 20
Número de Muestras
295
Cartas de precontrol
(Shainin)
Es más exitosa con procesos estables no
sujetos a corridas rápidas una vez que se
implementan y estabilizan
296
Pre- Control
Bajo Alto
Línea Línea
P-C P-C
Tolerancia Completa
297
Reglas de Precontrol
298
Acciones a tomar
Ultima servicio Servicio actual
Verde Continuar
Rojo Detener
299
Distribución de probabilidad
LI Espec.Línea Línea LS Espec.
P-C P-C
7% 86% 7%
Rojo Amarillo Verde Amarillo Rojo
Area Objetivo
300
Estandarización
5. Uso de métodos de
estandarización.
301
Prevención de la reincidencia –
Estandarización
303
Métodos Lean
Pensamiento Lean, Muda
Fábrica visual
5S’s (Organización del lugar de trabajo)
Kaizen
Kanban
Teoría de restricciones
Poka Yokes
Estándares de trabajo
SMED
TPM 304
Pensamiento Lean
Womack (1990) introduce el término de
producción Lean en occidente en 1990 con la
su libro “The machine that changed the
World”, describe las prácticas de las mejores
empresas en el mundo:
Reparaciones / Retrabajos
Movimientos
Proceso de firmas
Esperas
Transportes 306
Pensamiento Lean
Cadenas de valor: La reducción del desperdicio se
concentran en 3 actividades clave de procesos:
Beneficios:
Satisfacer al cliente
Reducir gasto interno y externo
Incrementar la capacidad
Simplificar la operación y actividad
Continuar siendo competitivo
308
Administración visual
Tiene como propósito mostrar a la
administración y empleados lo que está
sucediendo en cualquier momento de un
vistazo
Los programas
En Inglés:
Sort (eliminar lo innecesario)
Straighten (poner cada cosa en su lugar)
Scrub / Shine (limpiar todo
Systematize (hacer de la limpieza una rutina)
Standardize (mantener lo anterior y mejorarlo)
310
Kaizen Blitz (evento o taller)
Involucra una actividad Kaizen (proyecto de
mejora) en un área específica por medio de un
equipo de trabajo durante 3 a 5 días:
2 días de entrenamiento
3 días para colección de datos, análisis e
implementación de la solución
Mejoras en calidad
Ambiente de trabajo seguro
Reducción de actividades que no agregan
valor
312
Kanban
Kanban = signo. Es una señal a los procesos
internos para proporcionar servicios (tarjetas,
banderas, espacio en el piso, etc.). Da
indicación visual de:
Tiempo de entrega
Colores en función del destino
313
Teoría de restricciones
Goldratt (1986) escribe “La Meta” describiendo
un proceso de mejora continua
314
Teoría de restricciones
Las métricas básicas son:
Throughput: es la tasa a la cual el sistema
genera dinero a través de las ventas. Dinero
que ingresa.
316
Teoría de restricciones-
Método de cinco Pasos
Identificar las restricciones del sistema que
limitan el logro de objetivos, darles prioridad
por su impacto
318
Teoría de restricciones
Evaporando nubes:
Frecuentemente existen soluciones simples para
problemas complejos, reexaminar los fundamentos
del problema
Árboles de prerrequisitos:
Algo debe ocurrir antes de que algo adicional ocurra.
La T.R. Permite la transición entre la forma anterior
de hacer las cosas y la nueva forma
319
Poka Yoke
Con dispositivos sencillos a Prueba de error se
pueden evitar los errores humanos por:
Olvidos
Malos entendidos
Identificación errónea
Falta de entrenamiento
Distracciones
Omisión de las reglas
Falta de estándares escritos o visuales
320
Poka Yoke
Beneficios
321
Poka Yokes
Se puede lograr a prueba de error por medio
de un control para prevenir errores humanos o
usando mecanismos de alerta.
322
Poka Yokes
Los mecanismos de alerta de errores incluyen:
Uso de colores
Formatos guía para facilidad de llenado
Mecanismos para detectar el proceso de
información equivocada
Una alarma indica que ha ocurrido un error y se
debe atender de inmediato
Se pueden combinar los Poka Yokes para
obtener cero defectos con: inspecciones en la
fuente, autoinspecciones por el ejecutivo y
métodos de inspección sucesivos (Shingo)
323
Estándares de Trabajo
Documentan la mejor manera de hacer el
trabajo, en forma más fácil y segura.
Preservan el Know How y experiencia para
hacer el trabajo que puede perderse al irse los
empleados
Códigos de colores
327
SMED - Pasos
Formación de un equipo de trabajo con
personal involucrado en el servicio
Primer paso, observar las condiciones actuales
por medio de:
Uso de cronómetro para observación continua
Uso de un estudio de trabajo por muestreo
Entrevistas de ejecutivos
Videofilmación de la operación completa
331
Implementación del TPM
Pasos recomendados para implementar el TPM: