Académique Documents
Professionnel Documents
Culture Documents
SEIS SIGMA
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
MC. MIGUEL BAHENA Y
DR. PRIMITIVO REYES AGUILAR
Febrero de 2006
Pgina 2
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
INDICE
Introduccin 2
Antecedentes de la Calidad
Qu es seis sigma?
Justificacin
Objetivos
Alcance
Planteamiento del problema
Metodologa
Capitulo 1. Introduccin a la metodologa Seis Sigma 21
1.1 La mtrica de Seis Sigma
1.2 Mediciones para Seis Sigma
1.3 Clculo de Sigmas del proceso
1.4 Diez pasos de Motorola para la mejora de procesos
1.5 Las Fases DMAIC de Seis Sigma
Capitulo 2. Fase de Definicin 43
2.1 Introduccin
2.2 Etapas de la fase de Definicin
2.3 Mapa del proceso
2.4 Despliegue de la Funcin de Calidad QFD
2.5 Modelo Kano
2.6 Diagrama matricial
2.7 Benchmarking
2.8 Costos de Calidad
2.9 Entregables de esta fase
Pgina 3
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Capitulo 3. Fase de edicin !!
3.1 Introduccin
3.2 Etapas de la fase de Medicin
3.3 Estadstica descriptiva
3.4 Herramientas estadsticas para la solucin de problemas
3.5 Entregables de esta fase
Capitulo 4. Fase de "n#lisis 123
4.1 Introduccin
4.2 Etapas de la fase de Anlisis
4.3 AMEF
4.4 Cartas Multi Vari
4.5 Correlacin
4.6 Anlisis de Regresin
4.7 Pruebas de Hiptesis
4.8 Anlisis de Varianza ANOVA
4.9 Entregables de esta fase
Capitulo $. Fase de e%ora 1!&
5.1 Introduccin
5.2 Etapas de la fase de Mejora
5.3 Terminologa
5.4 Diseo de Experimentos (DOE)
5.5 Mtodo de Superficie de Respuesta
5.6 Entregables de esta fase
Capitulo !. Fase de Control 2'4
6.1 Introduccin
6.2 Etapas de la fase de Control
6.3 Determinacin de la capacidad del proceso en control
Pgina 4
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
6.4 Implementacin del Sistema de Control
6.5 Cartas de Control
6.6 Dispositivos a prueba de errores Poka-Yoke
6.7 Mejora Continua Kaizen
6.8 Las 5Ss
6.9 El Kanban
6.10 Entregables de esta fase
Captulo &. (ro)ecto 234
7.1 Introduccin
7.2 Proyecto de mejora
7.3 Metodologa DMAIC
Paso 1 Fase de Definicin
Paso 2 Fase de Medicin
Paso 3 Fase de Anlisis
Paso 4 Fase de Mejora
Paso 5 Fase de Control
7.4 Entregables / resultados del proyecto
Conclusiones ) *ecomendaciones 2$$
+i,liografa 2$-
Pgina 5
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
IN.*/D0CCI1N
"N.ECEDEN.ES
La empresa de finales de los ochenta parece haber encontrado su nuevo
credo: el de la calidad total. Las empresas que se limitaban a hacer el control
a posteriori de su nica calidad presentaron la quiebra una tras otra. Las
empresas de hoy si quieren sobrevivir, deben trabajar para sus clientes ms
que para s misma.
Philip Crosby populariz el concepto de Cero Defecto como orientacin para el
control de calidad. Este enfoque establece la meta de resultados que carezcan
de errores al 100 por ciento. Crosby sostiene que si se establece un nivel
"aceptable de defectos, ello tiende a provocar que dicho nivel (o uno ms
alto) se conviertan en una profeca que se cumple; Si los empleados saben
que est "bien trabajar dentro de un nivel determinado de errores, llegarn a
considerar que ese nivel es la "norma. Es evidente que dicha "norma est
por debajo de lo ptimo. Crosby sostiene que a las personas se le establecan
estndares de desempeo mucho ms holgados en sus trabajos que lo que
regan sus vidas personales. "Ellos esperaban hacer las cosas bien, cuando se
trataba de sostener a un beb, de pagar las facturas o de regresar temprano
a la casa correcta. En cambio, en los negocios se les fijaban "niveles
aceptables de calidad, mrgenes de variacin y desviaciones.
La idea de un "porcentaje de error aceptable (a veces denominado un "nivel
de calidad aceptable) es un curioso remanente de la era del "control de
calidad. En aquellos tiempos, se podan encontrar maneras de justificar
estadsticamente las naturales fallas humanas, sosteniendo que nadie poda
ser posiblemente perfecto. De modo que si el 100% es inalcanzable, por qu
no conformarse con el 99%, e incluso con el 95%? Entonces, si alcanzramos
el 96,642%, podramos dar una fiesta y celebrar el hecho de haber superado
los objetivos. La cuestin es que el 96,642% significa que de 100.000
Pgina 6
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
transacciones efectuadas por un servicio, 3.358 resultaran desfavorables.
Como las fallas de uno entre mil paracaidistas. Los clientes insatisfechos,
aquellos que habran estado fuera del porcentaje de transacciones perfectas,
no regresaran jams.
En los aos ochenta la TQM (Gestin de Calidad Total) fue muy popular, pero
sufri un proceso de desgaste y en muchas empresas de agona; ante las
circunstancias descriptas, empresas mexicanas se han visto en la necesidad
imperiosa de realizar un cambio total en su manera de gestionar las
empresas, dando lugar ello a adoptar la metodologa de Seis Sigma en funcin
de tres caractersticas:
1. Seis Sigma est enfocado en el cliente.
2. Los proyectos Seis Sigma producen grandes retornos sobre la
inversin. En un artculo de la Harvard Business Review, Sasser y
Reichheld sealan que las compaas pueden ampliar sus ganancias
en casi un 100% si retienen slo un 5% ms de sus clientes gracias
al logro un alto grado de calidad.
3. Seis Sigma cambia el modo que opera la direccin. Seis Sigma es
mucho ms que proyectos de mejora. La direccin y los supervisores
aprenden nuevos enfoques en la forma de resolver problemas y
adoptar decisiones.
La historia de Seis Sigma se inicia en Motorola cuando un ingeniero (Mikel
Harry) comienza a influenciar a la organizacin para que se estudie la
variacin en los procesos (enfocado en los conceptos de Deming), como una
manera de mejorar los mismos. Estas variaciones son lo que estadsticamente
se conoce como desviacin estndar (alrededor de la media), la cual se
Pgina 7
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
representa por la letra griega sigma (o). Esta iniciativa se convirti en el
punto focal del esfuerzo para mejorar la calidad en Motorola, capturando la
atencin del entonces CEO de Motorola: Bob Galvin. Con el apoyo de Galvin,
se hizo nfasis no slo en el anlisis de la variacin sino tambin en la mejora
continua, estableciendo como meta obtener 3,4 defectos (por milln de
oportunidades) en los procesos; algo casi cercano a la perfeccin.
Esta iniciativa lleg a odos de Lawrence Bossidy, quin en 1991 y luego de
una exitosa carrera en General Electric, toma las riendas de Allied Signal para
transformarla de una empresa con problemas en una mquina exitosa.
Durante la implantacin de Seis Sigma en los aos 90 (con el empuje de
Bossidy), Allied Signal multiplic sus ventas y sus ganancias de manera
dramtica. Este ejemplo fue seguido por Texas Instruments, logrando el
mismo xito. Durante el verano de 1995 el CEO de GE, Jack Welch, se entera
del xito de esta nueva estrategia de boca del mismo Lawrence Bossidy,
dando lugar a la mayor transformacin iniciada en esta enorme organizacin.
El empuje y respaldo de Jack Welch transformaron a GE en una "organizacin
Seis Sigma", con resultados impactantes en todas sus divisiones. Por ejemplo:
GE Medical Systems recientemente introdujo al mercado un nuevo scanner
para diagnstico (con un valor de 1,25 millones de dlares) desarrollado
enteramente bajo los principios de Seis Sigma y con un tiempo de escaneo de
slo 17 segundos (lo normal eran 180 segundos). En otra de las divisiones:
GE Plastics, se mejor dramticamente uno de los procesos para incrementar
la produccin en casi 500 mil toneladas, logrando no slo un beneficio mayor,
sino obteniendo tambin el contrato para la fabricacin de las cubiertas de la
nueva computadora iMac de Apple.
Pgina 8
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
2u3 es Seis Sigma?
Seis Sigma es una forma ms inteligente de dirigir un negocio o un
departamento. Seis Sigma pone primero al cliente y usa hechos y datos para
impulsar mejores resultados. Los esfuerzos de Seis Sigma se dirigen a tres
reas principales
1
:
Mejorar la satisfaccin del cliente
Reducir el tiempo del ciclo
Reducir los defectos
Las mejoras en estas reas representan importantes ahorros de costes,
oportunidades para retener a los clientes, capturar nuevos mercados y
construirse una reputacin de empresa de excelencia.
Podemos definir Seis Sigma como
1
:
1. Una medida estadstica del nivel de desempeo de un proceso o
producto.
2. Un objetivo de lograr casi la perfeccin mediante la mejora del
desempeo.
3. Un sistema de direccin para lograr un liderazgo duradero en el
negocio y un desempeo de primer nivel en un mbito global.
La letra griega minscula sigma () se usa como smbolo de la desviacin
estndar, siendo sta una forma estadstica de describir cunta variacin
existe en un conjunto de datos, es decir, obtener slo 3.4 defectos por milln
de oportunidades o actividades.
1
Lefcovich Mauricio Seis Sigma hacia un nuevo paradigma en Gestin
Pgina 9
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
La metodologa Seis Sigma, engloba tcnicas de Control Estadstico de
Procesos, Despliegue de la funcin de calidad (QFD), Ingeniera de calidad de
Taguchi, Benchmarking, entre otras; siendo una slida alternativa para
mejorar los procesos y por lo tanto, lograr la satisfaccin de los clientes.
La estrategia Seis Sigma incluye el uso de 4erramientas estadsticas
dentro de una metodologa estructurada incrementando el conocimiento
necesario para lograr de una mejor manera, ms rpido y al ms bajo costo,
productos y servicios que la competencia.
Se caracteriza por la continua y disciplinada aplicacin de una estrategia
maestra "proyecto por proyecto" tal como lo recomienda Joseph Juran en su
triloga de la calidad, donde los proyectos son seleccionados mediante
estrategias clave de negocios, lo cual conduce a recuperar la inversin
realizada y obtener mayores mrgenes de utilidad. La gente que coordina los
proyectos de Seis Sigma son comnmente llamados: BlackBelts
2
, Green Belts,
etc.
A continuacin se presentan y describen las fases de la metodologa Seis
Sigma:
2
Black Belt es nombre registrado por Motorola Inc. en U.S.
Pgina 10
! "ase #. $efinici%n D $efine
! "ase 1. Medici%n M Measure
! "ase 2. n&lisis A nal'(e
! "ase ). Me*ora I Improve
! "ase +. ,ontrol C ,ontrol
Problema de Negocio
Problema Estadstico
Solucin Estadstica
Solucin de Negocio
! "ase #. $efinici%n D $efine
! "ase 1. Medici%n M Measure
! "ase 2. n&lisis A nal'(e
! "ase ). Me*ora I Improve
! "ase +. ,ontrol C ,ontrol
Problema de Negocio
Problema Estadstico
Solucin Estadstica
Solucin de Negocio
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Fases de Identificacin ) Definicin de proyectos en relacin con los
aspectos clave del negocio.
-Reconocer como afectan los procesos los resultados organizacionales.
-Reconocer como afectan los procesos a la rentabilidad.
-Definir cuales son las caractersticas crticas del proceso de negocio.
-Fases de edicin ) "n#lisis para conocer en forma profunda los niveles
actuales de desempeo
-Se selecciona una o ms de las caractersticas clave y se crea una
descripcin detallada de cada paso del proceso.
-Se evala el proceso a travs de mediciones y sirve de referencia para
establecer los objetivos de la empresa.
-Se crea un plan de accin despus de analizar la situacin actual para
lograr los objetivos establecidos
-Identificacin y comparacin competitiva (benchmark) de las
caractersticas clave del producto. Anlisis de brechas y factores de
xito.
o EDICI1N
-Seleccionar las caractersticas clave del producto a mejorar
-Crear el diagrama sistemtico de variabilidad del producto
-Definir las variables de desempeo
-Crear mapa de procesos
-Medir las Variables de desempeo
-Determinar la capacidad de desempeo y del proceso en trmino de
niveles de sigma.
o "N"5ISIS
-Seleccionar las variables de desempeo
-Hacer un benchmarking de las mtricas de desempeo
-Descubrir el desempeo mejor en su clase
Pgina 11
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
-Realizar un anlisis de brechas
-Identificar factores de xito
-Definir objetivos de desempeo
-Fases de me%ora ) control, para lograr mejoramiento con cambio mayor
-Identificar que pasos seguir para mejorar el proceso y reducir las
fuentes de mayor variacin que influyen negativamente en el proceso.
-Se identifican las variables clave o "pocas vitales que impactan al
proceso, a travs del DOE y se ajustan para optimizar el proceso.
-Puede ser necesario modificar el proceso, cambiar los materiales, etc.
o E6/*"
-Seleccionar variables de desempeo;
-Diagnosticar desempeo de las variables;
-Definir variables causales (DOE);
-Confirmar variables causales;
-Establecer lmites de operacin;
-Verificar mejoramiento del desempeo
o C/N.*/5
-Seleccionar variables causales;
-Definir el sistema de control estadstico;
-Validar el sistema de control;
-Implantar el sistema de control;
-Auditar el sistema de control;
-Monitorear las mtricas de desempeo
Pgina 12
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
A continuacin se esquematiza el propsito, los entregables, los mtodos y las
herramientas estadsticas utilizadas en cada una de las fases
3
:
Figura 1 Herramientas utilizadas en la metodologa Seis Sigma
Para aplicar la filosofa Seis Sigma dentro de una organizacin implica
7Cam,iar la cultura de la organi8acin79 ya que se fomenta el trabajo en
equipo para la solucin de problemas, se mejoran la comunicacin, y
aumenta el grado de confianza y seguridad en los individuos para realizar el
trabajo, de esta manera se rompe la resistencia al cambio para poder ser
ms agresivos y alcanzar metas cada vez ms desafiantes.
*ecomendaciones para seleccin de pro)ectos
4
:
o Fuentes e:ternas:
Considerar la voz del cliente
Considerar la voz del mercado
)
-e'es .rimitivo /omado de los apuntes de la material Opcin Terminal UI 0to1o 2##2
+
3euman -obert4 .ande .eter Las claves de Seis Sigma
Pgina 13
DMAC
DMAC
Definir Definir Definir
Medir Medir Medir
Analizar Analizar Analizar
Mejorar Mejorar Mejorar
Controlar Controlar Controlar
1. Mapa de Proceso
2. Despliegue de la
Funcin de
Calidad (FD!
". Modelo #ano
$. Diagrama Matricial
%. &enc'mar(ing
). Costos de Calidad
1. Mapa de Proceso
2. Despliegue de la
Funcin de
Calidad (FD!
". Modelo #ano
$. Diagrama Matricial
%. &enc'mar(ing
). Costos de Calidad
1. Mapa de Procesos
2. Diagrama de*
Pareto+Causa,
E-ecto+.rbol+
/-inidad
". M0todos de
Muestreo
Estadstico
$. Capacidad del
Sistema de
Medicin
%. Distribucin
Normal
). Capacidad del
Proceso
1. Mapa de Procesos
2. Diagrama de*
Pareto+Causa,
E-ecto+.rbol+
/-inidad
". M0todos de
Muestreo
Estadstico
$. Capacidad del
Sistema de
Medicin
%. Distribucin
Normal
). Capacidad del
Proceso
1. /MEF
2. Cartas Multi 1ari
". Correlacin
$. 2egresin lineal
Simple 3 lineal
M4ltiple
%. Pruebas de
5iptesis
). /n6lisis de
1arian7a (/N81/!
1. /MEF
2. Cartas Multi 1ari
". Correlacin
$. 2egresin lineal
Simple 3 lineal
M4ltiple
%. Pruebas de
5iptesis
). /n6lisis de
1arian7a (/N81/!
1. /n6lisis de
E9perimentos
(D8E!
2. Dise:o Factorial
2#
". Dise:o Fraccin
Factorial
$. Dise:o ;aguc'i
%. Dise:o de Me7clas
). M0todos de
Super-icie de
2espuesta
1. /n6lisis de
E9perimentos
(D8E!
2. Dise:o Factorial
2#
". Dise:o Fraccin
Factorial
$. Dise:o ;aguc'i
%. Dise:o de Me7clas
). M0todos de
Super-icie de
2espuesta
1. Plan de Control
2. Cartas de Control
". Po(a <o(e
$. Me=ora continua
(#ai7en!
%. >as % S?s
). #anban
1. Plan de Control
2. Cartas de Control
". Po(a <o(e
$. Me=ora continua
(#ai7en!
%. >as % S?s
). #anban
Herramientas
DMAC
DMAC
Definir Definir Definir
Medir Medir Medir
Analizar Analizar Analizar
Mejorar Mejorar Mejorar
Controlar Controlar Controlar
1. Mapa de Proceso
2. Despliegue de la
Funcin de
Calidad (FD!
". Modelo #ano
$. Diagrama Matricial
%. &enc'mar(ing
). Costos de Calidad
1. Mapa de Proceso
2. Despliegue de la
Funcin de
Calidad (FD!
". Modelo #ano
$. Diagrama Matricial
%. &enc'mar(ing
). Costos de Calidad
1. Mapa de Procesos
2. Diagrama de*
Pareto+Causa,
E-ecto+.rbol+
/-inidad
". M0todos de
Muestreo
Estadstico
$. Capacidad del
Sistema de
Medicin
%. Distribucin
Normal
). Capacidad del
Proceso
1. Mapa de Procesos
2. Diagrama de*
Pareto+Causa,
E-ecto+.rbol+
/-inidad
". M0todos de
Muestreo
Estadstico
$. Capacidad del
Sistema de
Medicin
%. Distribucin
Normal
). Capacidad del
Proceso
1. /MEF
2. Cartas Multi 1ari
". Correlacin
$. 2egresin lineal
Simple 3 lineal
M4ltiple
%. Pruebas de
5iptesis
). /n6lisis de
1arian7a (/N81/!
1. /MEF
2. Cartas Multi 1ari
". Correlacin
$. 2egresin lineal
Simple 3 lineal
M4ltiple
%. Pruebas de
5iptesis
). /n6lisis de
1arian7a (/N81/!
1. /n6lisis de
E9perimentos
(D8E!
2. Dise:o Factorial
2#
". Dise:o Fraccin
Factorial
$. Dise:o ;aguc'i
%. Dise:o de Me7clas
). M0todos de
Super-icie de
2espuesta
1. /n6lisis de
E9perimentos
(D8E!
2. Dise:o Factorial
2#
". Dise:o Fraccin
Factorial
$. Dise:o ;aguc'i
%. Dise:o de Me7clas
). M0todos de
Super-icie de
2espuesta
1. Plan de Control
2. Cartas de Control
". Po(a <o(e
$. Me=ora continua
(#ai7en!
%. >as % S?s
). #anban
1. Plan de Control
2. Cartas de Control
". Po(a <o(e
$. Me=ora continua
(#ai7en!
%. >as % S?s
). #anban
Herramientas
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Considerar la comparacin con la competencia
Algunas de las preguntas que surgen a partir de estas fuentes:
En que estamos fallando o vamos a fallar en la satisfaccin
de las necesidades del cliente?
Dnde nos encontramos detrs de nuestros competidores?
Cmo va a evolucionar el mercado?Estamos preparados
para ello?
Cules son las necesidades futuras de nuestros clientes?
o Fuentes internas:
Considerar la voz del proceso
Considerar la voz del personal
Algunas de las preguntas que surgen a partir de estas fuentes
Cules son los mayores retrasos que ralentizan a nuestros
procesos?
Dnde hay un volumen elevado de defectos y/o retrabajos
repetidos?
Dnde se incrementan los costos de mala Calidad?
Qu preocupaciones o ideas aportan el personal o los
directivos?
Otras recomendaciones
Debe de estar alineado con las iniciativas del negocio.
Mejorar un proceso existente.
Asegurarse de que el alcance no sea demasiado extenso, y
tambin que el proyecto sea realizable. En este caso, se
Pgina 14
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
puede segmentar para ser realizado por diferentes
personas, cada uno con distintos alcances.
Escoger un proyecto en el cual se pueda generar o se
tengan suficientes datos para ser medidos.
Que genere ahorros financieros.
De ser posible escoger un proceso con mas ciclos, altos
volmenes o tiempos de ciclo cortos.
Barreras para alcanzar el xito en los proyectos
Los proyectos no tienen el soporte de la gerencia.
Alcance demasiado largo o confuso.
Los objetivos del proyecto no son significativos o generan
conflicto con otros.
No se tienen medidas claras de los resultados.
No se destina un tiempo para la realizacin del proyecto.
El proyecto no esta alineado con las prioridades del
negocio.
Green Belt / Black Belt no entrenado.
Informacin no disponible.
El proyecto no utiliza una metodologa de mejora.
Seis sigma es una filosofa enfocaa a la
me!ora continua.
Pgina 15
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
6ustificacin
El concepto Seis Sigma ayuda a conocer y comprender los procesos, de tal
manera que puedan ser modificados al punto de reducir el desperdicio
generado en ellos. Esto se ver reflejado en la reduccin de los costos de
hacer las cosas, a la vez que permite asegurar que el precio de los
productos o servicios sean competitivos, no mediante la reduccin de
ganancias o reduccin de los costos de hacer bien las cosas, sino de la
eliminacin de los costos asociados con los errores o desperdicios.
La filosofa Seis Sigma busca ofrecer mejores productos o servicios, de una
manera cada vez ms rpida y a ms bajo costo, mediante la reduccin de
la variacin de cualquiera de nuestros procesos. Aunque a muchas personas
les ha costado entender, una de las grandes enseanzas del Dr. Deming fue
buscar el control de variacin de los procesos lo cual es medido por medio
de la desviacin estndar. Deca el Dr Deming: "el enemigo de todo proceso
es la variacin, por lo que es ah en donde debemos concentrar el esfuerzo
hacia de la mejora continua, pero sobre todo porque "5a ;ariacin es el
enemigo de la satisfaccin de nuestros clientes<.
Por lo anterior se pretende mostrar la aplicacin de esta metodologa en un
caso prctico de proyecto de mejora, donde en forma clara se describan los
pasos a seguir con la metodologa Seis Sigma.
Pgina 16
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Hasta ahora hemos mencionado algunos nombre de personas que han
contribuido a lo que es hoy 6 sigma, a continuacin se hace mencin de mas
"gurs y su aportacin a sta herramienta:
Figura 2 Gurs de Calidad
Enunciaremos algunas ventajas que tiene la implementacin de un sistema
Seis Sigma en comparacin con otros Sistemas de Calidad:
!= ;s. Calidad .otal > C. ;s. ! =
?enta%as Seis Sigma ;s. Calidad Total ?enta%as Calidad .otal ;s. Seis
Sigma
Mayor uso de tcnicas estadsticas en la
implementacin de proyectos de mejora.
Realiza un diagnostico operativo y cultural
en la empresa antes de llevar a cabo la
implementacin del sistema.
Las tcnicas estadsticas son ms fciles de
comprender y de seleccionar ya que utiliza un
lenguaje ms digerible para la mayora de los
usuarios.
Propone el desarrollo de polticas de
calidad las cuales deben de ser son
congruentes con los planes estratgicos de
la empresa.
Utilizacin de reportes de Confiabilidad para la
seleccin de proyectos de mejora.
Dicta procedimientos de entrenamiento,
educacin y reconocimiento a los logros de
calidad (mayor administracin del recurso
humano).
La seleccin de los equipos de mejora y Propone el uso de un sistema de
Pgina 17
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
entrenamiento son ms robustos ya que es
conducida a travs de grupos de gente que
poseen el conocimiento, experiencia, disciplina
tcnica, liderazgo y conocimientos en el rea
especfica. (Champions, Black Belts, Green
Belts, etc.)
Aseguramiento de Calidad, el cual
proporciona la certeza de que el resultado
del proceso productivo tendr los niveles
de calidad deseados.
Realiza estudios de la capacidad del proceso,
cuando los ndices Cp 2.0 y Cpk 1.5, se
tiene un buen indicador de que se est
logrando el nivel Seis Sigma.
Desarrollo de crculos de calidad mediante
los cuales se forman grupos voluntarios de
trabajadores para discutir temas
relacionados con la calidad, fortaleciendo
la actitud de los trabajadores hacia el
trabajo.
Anlisis de los proceso crticos mediante las
tcnicas de Diseo de experimentos y
Superficie de respuesta.
Para la implementacin y control de las
condiciones ptimas del proceso se utiliza en
gran medida el Diseo de experimentos, CEP y
Superficie de respuesta.
Anlisis de los sistemas de medicin
(calibracin), como parte de la metodologa.
Garantiza el cumplimiento mediante
muestreos aleatorios.
Los objetivos son medidos mediante el logro
de la mtrica 6 o, y las utilidades que genera
cada proyecto.
.a,la 1 Comparativos 6 o y Sistemas de Calidad
Des;enta%as de los sistemas de "seguramiento de Calidad ;s. Seis Sigma
El sistema de comunicacin es lento.
La calidad depende de las inspecciones que realiza el departamento de
Aseguramiento de calidad.
Cuando un auditor descubre oportunidades de mejora, pueden existir
fricciones entre los administradores de lnea y en ocasiones las
recomendaciones no se llevan a cabo.
Pgina 18
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Los auditores son los nicos que hacen llegar disconformidades a la alta
gerencia.
El seguimiento de las recomendaciones corresponde exclusivamente al
departamento de auditoria y en ocasiones no se involucra a la alta
administracin.
Cuando las auditorias son anunciadas (que sucede en la mayora de los
casos), los departamentos auditados se dedican a maquillar y ocultar
datos y evidencias.
Al llevar a cabo una auditoria es frecuente que las relaciones humanas
sean bastante tensas.
/,%eti;os
1.1 /,%eti;o general@
El objetivo general es el desarrollo de un proyecto de aplicacin de la
metodologa 6 sigma que muestre en forma clara y concisa los pasos a seguir;
servir como una gua que facilita la comprensin de aplicacin de los
diferentes mtodos y herramientas estadsticas para la mejora de la calidad.
/,%eti;os especficos@
Aplicacin de la metodologa seis sigma para mejorar la calidad y
productividad de una planta de bebidas, reduciendo la variabilidad en el
proceso, asegurando las caractersticas de calidad establecidas para el
producto.
Se pretende que este documento sea una gua, tanto para la capacitacin
como para la consulta, de todos aquellos que lleven a cabo la
implementacin de proyectos de mejora bajo la metodologa Seis Sigma.
Mostrar como se pueden utilizar el Minitab y Excel para reducir el tiempo
de desarrollo de los proyectos.
Pgina 19
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
'.1 "lcance
Mejorar la calidad y productividad del proceso.
'.2 (lanteamiento del pro,lema
El uso de la Estadstica para el mejoramiento de la calidad en la mayora de
los casos no ha sido difundido a todas las reas de las empresas,
principalmente por que no se conocen los beneficios que se pueden obtener,
en el manejo y anlisis de informacin y porque existe una cantidad de
deducciones y frmulas matemticas, que solo conocen aquellas personas que
son especialistas en el rea.
La mayora de los ingenieros se han enfocado en aspectos meramente
tcnicos, dejando a un lado las tcnicas de medicin y anlisis de informacin
proporcionados por la Estadstica., siendo que en la mayora de las veces los
problemas pueden ser resueltos mediante la ayuda de dichas tcnicas.
Dentro de una organizacin existen personas con diferentes perfiles y
diferentes niveles de conocimiento, lo que dificulta la transferencia de las
herramientas.
Para lograr la adecuada implementacin de Seis Sigma se propone que este
documento sea una gua que describa paso a paso la aplicacin de la
metodologa Seis Sigma en el mejoramiento de la calidad de los productos. Es
importante que la implementacin de Seis Sigma sea realizada por personas
que posean liderazgo y adecuado conocimiento del tema, adems de poder
conducir equipos de trabajo y administrar proyectos.
Actualmente el problema que se tiene en el proceso es la variacin en una
caracterstica, que nos genera un costo en la produccin.
Pgina 20
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
De tal manera que haciendo uso de diferentes tcnicas estadsticas nos sirvan
de apoyo para realizar mejoras en el proceso y lograr el objetivo planteado.
'.3 etodologa
La metodologa que se va a emplear es la aplicacin de seis sigma en
conjunto con kaizen, para lograr los resultados en un plazo no mayor a 3
meses.
Este documento consta de 7 captulos en los cuales se explican las diferentes
metodologas y herramientas que se pueden utilizar en la aplicacin de un
proyecto que se maneje bajo la metodologa de Seis Sigma.
1. Capitulo 1 Introduccin a la metodologa seis sigma
2. Capitulo 2 Fase de Definicin
3. Capitulo 3 Fase de Medicin
4. Capitulo 4 Fase de Anlisis
5. Capitulo 5 Fase de Mejora
6. Capitulo 6 Fase de Control
7. Capitulo 7 Proyecto de mejora
Pgina 21
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
C"(I.05/ 1 IN.*/D0CCI/N " 5"
E./D/5/AB" SEIS SIGMA
Seis Sigma es un sistema diseado cuyo objetivo de "cuasi perfeccin en la
satisfaccin de las necesidades del cliente
5
.
Otra forma de definir seis sigma es como un esfuerzo de "cambio de cultura
radical para posicionar a una empresa de manera que satisfaga mejor a los
clientes y hacerla ms productiva y competitiva.
Seis Sigma: Un enfoque completo y flexible para conseguir, mantener y
maximizar el xito en los negocios. 6 o funciona especialmente gracias a una
comprensin total de las necesidades del cliente, del uso disciplinario del
anlisis de los datos y hechos, y de la atencin constante a la gestin, mejora
y reinvencin de los procesos empresariales.
La metodologa fomenta en gran medida el trabajo en equipo, debido a que en
la mayora de las herramientas, el mecanismo para proponer ideas que nos
conducen a la solucin de problemas, es el resultado de la participacin de
todas las personas involucradas. La mejora continua de los procesos es el
objetivo comn de cada uno de los miembros.
En un principio es difcil integrar a las personas para realizar sus proyectos y
que dediquen el tiempo necesario para hacerlo, sin embargo cuando la gente
adopta Seis Sigma como una Cultura adems de realizar sus proyectos aplica
la metodologa en su trabajo diario, para la solucin de problemas y mejora
de los procesos.
2
.ande .eter4 3euman -obert Las claves de Seis Sigma
Pgina 22
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
La Estadstica es utilizada en gran medida dentro de la metodologa, pero hay
que aclarar que est es un medio y no un fin. A los clientes no les importa que
un producto haya sido producido bajo el esquema Seis Sigma, cuando tiene
fallas o defectos, lo que les interesa es tener un producto de excelente
calidad, a tiempo, sin defectos y que sea lo ms econmico posible.
El nivel de capacitacin requerido es muy alto en la implementacin, implica
costos ocasionados por capacitacin, tiempos, materiales, entre otros; sin
embargo el retorno de la inversin puede ser muy grande, cuando los
proyectos son bien conducidos, ya que los ahorros y/o mejoras que se
presentan cuando un proyecto 6 sigma funciona son cuantiosos.
La eliminacin o reduccin de la inspeccin es un punto muy importante
dentro de la metodologa, al seguir las diferentes tcnicas; por ejemplo con el
uso de sistemas Poka-Yoke entre otras la inspeccin deja de ser necesaria, se
busca el origen de las causas de los defectos para eliminarlos al mximo.
La implementacin de la filosofa Seis Sigma requiere que los directivos,
Champions, Green Belt, Black Belt, tcnicos y otros responsables del
departamento de calidad que sean capaces de desempear el papel de
administradores del sistema de calidad y de proporcionar tcnicas especficas
especializadas a los grupos de operacin, para poder realizar sus proyectos.
La seleccin adecuada de los proyectos tendr una especial incidencia en el
xito de la implantacin de la filosofa Seis Sigma en la empresa.
El resultado de proyecto general se mide por la suma del ahorro econmico
que ha presentado el mismo. Es importante que el Champion, directivos,
Black Belts dediquen tiempo a discutir con los miembros del equipo en fase de
formacin y les ayuden a elegir correctamente el tema de su proyecto de
mejora.
Pgina 23
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Hoy en da los clculos manuales toman mucho tiempo adems de que la
probabilidad de cometer un error es muy grande, se recomienda
ampliamente la adquisicin de un Software como por ejemplo el Minitab, ya
que es una herramienta muy poderosa que ayuda al manejo de los datos
estadsticamente hablando.
1.1 5a m3trica de Seis Sigma
El nivel sigma, es utilizado comnmente como medida dentro de el Programa
Seis Sigma, incluyendo los cambios o movimientos "tpicos de 1.5 o de la
media. Las relaciones de los diferentes niveles de calidad sigma no son
lineales, ya que para pasar de un nivel de calidad a otro, el porcentaje de
mejora del nivel de calidad que se tiene que realizar no es el mismo, cuando
avanzamos a un nivel mayor el porcentaje de mejora ser ms grande.
La tabla siguiente muestra el porcentaje de mejora requerido para cambiar de
un nivel sigma a otro mayor.
Ni;el actual Cam,io (orcenta%e de me%ora
reCuerido
) + 10x
+ 2 30x
2 5 40x
.a,la 1.1
En esta otra tabla se aprecia la cantidad de defectos por cada nivel sigma
Pgina 24
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
.a,la 1.2
Realizando un comparativo de el nivel de calidad sigma de varias empresas se
determin que el promedio de estas se encuentra en el nivel 4o Las
empresas con nivel 6 o son denominadas de "Clase Mundial "#orl Class$. El
objetivo de la implementacin Seis Sigma es precisamente convertirse en una
empresa de Clase Mundial.
En la figura se muestra el concepto bsico de la mtrica de Seis Sigma, en
donde las partes deben de ser manufacturadas consistentemente y estar
dentro del rango de especificaciones.
La distribucin normal muestra los parmetros de los niveles tres sigma y seis
sigma.
Pgina 25
Ni;el en
sigma
Defectos por milln de
oportunidades
6 3.4
5 233.0
4 6,210.0
3 66,807.0
2 308,537.0
1 690,000.0
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Figura 1.1. La figura muestra el nmero de partes por milln (ppm) que estaran fuera de
los limites de especificacin tomando como lmite el valor de cada desviacin estndar.
6
Figura 1.2 Distribucin normal centrada.
Con la distribucin normal centrada dentro de los lmites 6 o, se tendra
nicamente una porcin de 0.002 ppm.
7
Para compensar las inevitables consecuencias de los errores de centrado de
procesos, la media de la distribucin se desplazamiento 1.5 o. Este ajuste
proporciona una idea ms realista de la capacidad del proceso a travs de
varios ciclos de manufactura.
5
"orrest 6. Bre'fogle III4 Implementing Six Sigma.
7
"orrest 6. Bre'fogle III4 Implementing Six Sigma.
Pgina 26
1 2 ) + 2 5 5 2 + ) 2 1 + + + + + +
X
LSL USL
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
El desplazamiento puede ser en direccin positiva o negativa, pero nunca en
ambas direcciones
8
Figura 1.3 Distribucin normal descentrada 1.5
Una medida que describe el grado en el cual el proceso cumple con los
requerimientos es la capacidad del proceso. Los ndices utilizados son Cp y
Cpk, Un nivel Seis Sigma tiene la habilidad de lograr ndices de 2.0 y 1.5
respectivamente. Para lograr esta capacidad la meta a alcanzar de un
programa Seis Sigma es producir al menos 99.99966% de calidad, no ms de
3.4 defectos en un milln de piezas producidas en el largo plazo.
8
9ur&n . 9.M. Anlisis ! planeacin de la calidad
Pgina 27
Ni;el en
sigma
Defectos por milln
de oportunidades
6 99.99966 3.4
5 99.9769 233.0
4 99.379 6,210.0
3 93.32 66,807.0
2 69.13 308,537.0
1 30.23 690,.000.0
LSL USL
1 2 ) + 2 5
X
5 2 + ) 2 1 + + + + + +
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
.a,la 1.3 Porcentajes y cantidad de defectos a los que corresponden los
diferentes niveles "Sigma
1.2 ediciones para Seis Sigma
La letra griega minscula sigma (o) se usa como smbolo de la desviacin
estndar, siendo sta una forma estadstica de describir cunta variacin
existe en un conjunto de datos.
La medida en sigma se desarroll para ayudarnos a:
1. Enfocar las medidas en los clientes que pagan por los bienes y servicios.
Muchas medidas slo se concentran en los costes, horas laborales y
volmenes de ventas, siendo stas medidas que no estn relacionadas
directamente con las necesidades de los clientes.
2. Proveer un modo consistente de medir y comparar procesos distintos.
3. Es de suma importancia medir la capacidad del proceso en trminos
cuantificables y monitorear las mejoras a travs del tiempo.
Definiciones ,#sicas
D
@
Unidad (U): Es un artculo producido o procesado.
Defecto (D): Cualquier evento que no cumpla la especificacin de un CTQ.
Defectuoso: Una unidad que tiene uno o ms defectos.
Defectos por unidad (DPU): Es la cantidad de defectos en un producto
"
#
#$" =
:
"orrest 6. Bre'fogle III Implementing Six Sigma
Pgina 28
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Oportunidad de defectos (O): Cualquier acontecimiento que pueda medirse
y de una o%ortunia de no satisfacer un requisito del cliente.
Defectos por oportunidad (DPO):
O "
#
#$O
=
Defectos por milln de oportunidades (DPMO): Es el nmero de defectos
encontrados en cada milln de unidades.
Capacidad del proceso: Capacidad del proceso para cumplir
especificaciones o requerimientos del cliente.
Rendimiento estndar o de primera pasada YFT: Es el porcentaje de
producto sin defectos antes de realizar una revisin del trabajo efectuado.
Rendimiento al final o de ltima pasada: YLT: Es el porcentaje de producto
sin defectos despus de realizar la revisin del trabajo.
1.3 C#lculo de Sigmas del proceso.
Rendimiento de primera pasada (YFT) y ltima pasada (YLP)
Los resultados y el nmero de defectos pueden medirse antes o despus de
que se detecten, corrijan o revisen los defectos. Los resultados se miden en %
y el nmero de efectos en defectos por oportunidad (DPO) o defectos por
milln de oportunidades (DPMO).
E%emplo@
Un proceso de manufactura de cable se cuenta con los siguientes datos:
Caracterstica Cantidad
Unidades 1100
Defectos 310
Oportunidades de defectos 315
Defectos por oportunidad (DPO) =
DPMO = 0.01878 X 1,000,000 = 18,780
Pgina 29
#.#1878
11##;12
)1#
= =
O %
#
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
De la tabla de conversin de sigma determinamos el valor que ms se acerca
a 18,780 siendo este: o E 3.!
'.3.1 *endimiento al Final FGF.H
Es la probabilidad de que una unidad pase el ensamble final con 0 defectos
YF. = (1 - DPO) * 100
En el ejemplo anterior tenemos:
YF. = (1 - 0.01878) * 100 = 98.12%
Observemos la siguiente figura:
Figura 1.4 Subproceso esquematizado
En este subproceso podemos observar la entrada de N artculos con cero
defectos, se realiza un trabajo en el cual hay D1 defectos, resultando el
rendimiento a la primera (YFP), despus se revisa el trabajo y al final subsisten
D2 defectos, siendo este el rendimiento en la inspeccin final (YLP).
'.3.2 *endimiento *eal o Est#ndar FG*.H
Mide la probabilidad de pasar por todos los subprocesos sin un defecto, se
determina con el producto del resultado de cada paso:
Pgina 30
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
n
&$ &$ &$ &$
' ' ' ' ......
) 2 1
Es un rendimiento sensible a pasos y defectos en los
pasos.
*endimiento Normal FGNH
El rendimiento normal mide el promedio de rendimientos por los pasos del
proceso. Es el promedio exponencial basado en el nmero de pasos del
proceso, no es un promedio aritmtico.
n
(T %
' ' = , donde n es igual al nmero de pasos en el proceso.
E%emplo@
Considerando los siguientes datos:
Caracterstica *endimiento
Subproceso #1 96%
Subproceso #2 99%
Subproceso #3 97%
Subproceso #4 98%
Calcular G*. ) GN
YRT = 96%*99%*97%*98% = D'.34I '.D'34 que es la probabilidad de
que el producto pase sin error.
Nota: El rendimiento Normal es el promedio del rendimiento del proceso;
Sigma es calculada a partir de un rendimiento Normalizado.
Diferencia entre YRT y YFT
*endimiento real o est#ndar FG*.H *endimiento al final FGF.H
Rendimiento tomado en cada paso del
proceso oportunidad)
Rendimiento al final del proceso
Pgina 31
:7.+:< #.:#)+
+
= = =
n
(T %
' ' :7.+:< #.:#)+
+
= = =
n
(T %
' '
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Rendimiento antes de la inspeccin o la
prueba
Es el rendimiento despus de la inspeccin
la prueba
Incluye retrabajo y desperdicio Excluye el retrabajo y el desperdicio
Siempre <G
F.
Siempre >G
*.
Observa la calidad de todas las partes que
conforman el producto terminado.
Slo observa la calidad del producto
terminado
.a,la 1.4 Rendimientos
?ariacin a largo pla8o ;s. ?ariacin a corto pla8o FJK?alueH@
Largo plazo (J
5.
)
: Son los datos tomados durante un periodo de tiempo suficientemente largo
y en condiciones suficientemente diversas para que sea probable que el
proceso haya a experimentado todos los cambios y otras causas especiales.
Corto plazo (J
S.
)
: Son los datos tomados durante un periodo de tiempo suficientemente corto
para que sea improbable que haya cambios y otras causas especiales.
Para el clculo de datos a largo plazo a partir de datos a corto plazo restamos
1.5, debido a los desplazamientos que sufre la media debido al cambio natural
en los procesos.
ZST = ZLT + 1.5 ZBenchmark = ZYN + 1.5
Donde:
ZST = Z a corto plazo.
ZLT = Z a largo plazo.
YN = Rendimiento Normal
Pgina 32
Z
LT
=
(lmite especif. - media)
std dev
LT
Z
LT
=
(lmite especif. - media)
std dev
LT
Z
ST
=
(lmite especif. - nom)
desv. std
ST
Z
ST
=
(lmite especif. - nom)
desv. std
ST
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
E%emplo@
Un proceso tiene un YRT = 0.9034 con 4 operaciones. Determine YN y Zbenchmark
Z benchmark = 0.9747+1.5= 2.4&4
Existen 2 mtodos para calcular el valor de Sigma (La sigma del proceso que
es la sigma a corto plazo ZST), y 2 herramientas que ayudan a obtener el
valor, las cuales se exponen a continuacin:
METODO 1 (Utilizando en Excel):
1. El rendimiento es igual a Yrt = 1 - DPU o Yrt = 1 - D / DPO
2. La Z sigma a largo plazo Zlt = distr.norm.estand.inv(Yrt)
3. La Z sigma a corto plazo o Sigma del proceso = Zst = Zlt + 1.5
METODO 2 (Utilizando en Excel):
1. Se determina Zlie y Zlse en base a las especificaciones
2. Se determina la fraccin defectiva P(Zlie) y P(Zlse)
3. Con P(Zlie) = distr.norm.estand.inv(Zlie) y P(Zlse) = distr.norm.estand.inv(-
Zlse)
4. La fraccin defectiva total es P(Zt) = P(Zlie) + P(Zlse)
5. El rendimiento se determina con Yrt = 1 - P(Zt)
6. La Z sigma a largo plazo Zlt = distr.norm.estand.inv(Yrt)
7. La Z sigma a corto plazo o Sigma del proceso = Zst = Zlt + 1.5
METODO 1 (Utilizando MINITAB):
1.La Z sigmas del proceso a largo plazo en base al rendimiento se determina como:
Calc > Probability Distributions > Normal
Seleccionar Inverse Cumulative probability Mean 0.0 standar deviation 1
Input constant valor de Yrt OK, se obtiene la Zlt de largo plazo.
2.La Z del proceso se determina con Zst = Zlt + 1.5
A continuacin se presenta una ayuda grfica paso a paso para determinar los
valores de Z
Pgina 33
:7.+:< #.:#)+
+
= = =
n
(T %
' ' :7.+:< #.:#)+
+
= = =
n
(T %
' '
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Pgina 34
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Pgina 35
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
."+5" DE C/N?E*SI1N DE C"("CID"D
DE5 (*/CES/ EN SIA"S L METODO 1
Pgina 36
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Pgina 37
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Pgina 38
;abla @ A M0todo 2
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
1.4 Die8 pasos de otorola para la me%ora de procesos
Motorota sugiere una serie de pasos para mejorar el desempeo de los
procesos utilizando la metodologa Seis Sigma, como se muestra a
continuacin:
Pgina 39
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
1. (riori8ar oportunidades de me%ora@ Conocer y especificar los
problemas haciendo las siguientes preguntas: cmo, cuando, donde, por
qu y quin. Indicar cual es el impacto al cliente, confiabilidad, calidad del
producto, costos de calidad.
2. Seleccionar el eCuipo de tra,a%o adecuado@ Seleccionar un pequeo
grupo de gente que conozca el producto/ proceso, con la experiencia,
disciplina tcnica y conocimiento en el rea relativa. Establecer el rol del
equipo y de cada miembro, Seleccionar un C&am%ion que ser el
encargado de proporcionar los recursos, conducir y asesorar al grupo.
3. Descri,ir el proceso en su totalidad@ Mediante el uso de diagramas de
flujo ilustrar las posibles variaciones y alternativas de el proceso.
Incluyendo todo el equipo, gente, mtodos, herramientas instrumentos y
equipos de medicin.
4. "n#lisis del desempeMo de los sistemas de medicin@ Determinar la
exactitud, repetitibilidad y reproducibilidad, linealidad y estabilidad de cada
instrumento o indicador utilizado, para asegurar que la capacidad de los
mismos sea la adecuada, a lo ms del 10% de la variacin total permitida
para caractersticas crticas o 30% mximo para caractersticas no crticas.
Asegurar que la resolucin de la divisin o dgito ms pequeo sea al
menos 10 veces mayor que la magnitud que se va a comparar. Por
ejemplo si la tolerancia es de 10 mm. el medidor debe tener una resolucin
o distancia entre marcas de al menos 1 mm.
5. Identificar ) descri,ir los procesos ) productos potencialmente
crticos@ Enumerar todos los procesos crticos potenciales, mediante el uso
de tormentas de ideas, datos histricos, reportes de rendimiento, anlisis
de falla etc.
Pgina 40
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
6. "islar ) ;erificar los procesos crticos@ Reducir la lista enfocndonos a
los pocos vitales, identificar las relaciones de entrada y salida que provocan
problemas especficos. Verificar las causas potenciales de variacin en los
procesos, mediante el uso de diseo de experimentos, diagramas de
dispersin, y diagramas multivariados.
7. Estudio de el desempeMo del proceso ) medicin de la capacidad@
Identificar y definir las limitaciones de los procesos. Asegurar que los
procesos sean capaces de alcanzar su mximo potencial. Determinar las
especificaciones "reales. Se considera que un proceso es capaz cuando Cp
Cpk 1.0 , si el proceso es capaz se contina con el paso 8. , de lo
contrario se requiere tomar acciones rediseando el proceso o el producto.
8. Implementacin de condiciones de operacin ) control ptimas@
Llevar a cabo un plan permanente de acciones correctivas para prevenir
causas especiales de variacin. Es necesario tener un proceso estable y
predecible, por lo cual se deber tener continuamente controles de
proceso.
9. onitoreo de procesos a tra;3s de la me%ora continua@ Los sistemas,
mtodos, procedimientos debern de ser modificados cuando sea necesario
para evitar las causas especiales de variacin. Tambin ser necesario
identificar las acciones futuras requeridas para mejorar el proceso.
10. *educir causas comunes de ;ariacin para alcan8ar Seis Sigma:
Se deben reconocer las limitaciones del proceso. Solamente a travs de la
reduccin y eliminacin de las causas comunes de variacin y el diseo
para la manufactura es posible alcanzar el nivel Seis Sigma. Una vez que
las causas especiales se han eliminado solamente pueden permanecer
Pgina 41
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
causas comunes las cuales se irn eliminando a travs de la mejora
continua de los procesos.
1.$ 5as fases D"IC de Seis Sigma
La metodologa Seis Sigma es un mtodo disciplinado de mejora de los
procesos conformado por las fases siguientes: Definicin, Medicin, Anlisis,
Mejora y Control (D"IC), como se explican con ms detalle a continuacin:
Figura 1.$ Fases de DMAIC
En el siguiente captulo se vern las herramientas ms utilizadas en la Fase de
Definicin, en la cual se debe de definirse claramente en que problema se ha
de trabajar?, Porqu se trabaja en ese problema en particular?, Quin es el
Pgina 42
$efini
r
Medi
r
nali(a
r
Me*orar
Controla
r
$efini
r
Medi
r
nali(a
r
Me*orar
,ontrola
r
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
cliente?, Cules son los requerimientos del cliente?, Cmo se lleva a cabo el
trabajo en la actualidad?, Cules son los beneficios de realizar una mejora?.
Pgina 43
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
C"(I.05/ 2. F"SE DE DEFINICI/N
2.1 Introduccin
El propsito de esta fase es identificar el problema a resolver, estratificando
tanto como sea posible, por ejemplo: reclamacin de un cliente por falla,
identificar la familia de productos por importancia mediante el uso del
diagrama de Pareto, despus identificar el producto, la lnea donde se hace, el
equipo especfico, etc. En este momento ya se puede definir el problema y la
oportunidad de mejora.
En esta fase la primera de la metodologa de Seis Sigma, se trata de detectar
cual es el problema, definir los CTQs (Critico para la calidad) con base en la
voz del cliente (VOC), el impacto que tiene para el negocio la realizacin del el
proyecto, las metas que se pretenden lograr, el alcance y los ahorros
financieros.
Pgina 44
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Las Herramientas a utilizar pueden ser:
Figura 2.1 Herramientas en la Fase de Definir
Los objetivos de esta fase son:
Definicin del problema
Establecer el Alcance del proyecto
Conocer el uso de las herramientas de la fase de definicin
2.2 Etapas de la fase de definicin
Las etapas de la fase de definicin son las siguientes:
Identificacin de clientes internos ) e:ternos@
El primer paso en la definicin de un proyecto es identificar cuales son los
clientes a los cuales el proceso impacta, se define como cliente interno a la
persona o las personas siguientes en el proceso, esto es dentro de la
compaa. Como se describe a continuacin hay 2 tipos de clientes y son:
Pgina 45
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Cliente Interno: Es el personal interno afectado por el producto o
servicio generado (siguiente operacin).
Cliente Externo: Los clientes externos son todos aquellos a los que la
empresa provee un producto o servicio, estos se dividen en usuarios
finales, clientes intermediarios y otros que son impactados pero que no
usan ni compran el producto
o Usuarios finales: comprar o usan el producto para su uso
o Intermediarios: comprar el producto para su reventa, reempaque,
modificacin o ensamble final para venta al usuario final. Ejemplo:
detallistas, distribuidores, mayoristas, etc.
o Grupos impactados: no compran ni usan el producto pero son
impactados por el. Por ejemplo la comunidad, gobierno, padres,
grupos civiles, etc.
Determinar los C.2Ns del pro)ecto@
CTQ Critico para la calidad (Critical to 'ualit(), es un atributo o caracterstica
de calidad de un producto o servicio que es importante para el cliente.
Nota: Tambin existen otros conceptos como:
o Caractersticas Crticas para la Entrega (CTDs)
o Caractersticas Crticas para los Costos (CTOs)
o Caractersticas Crticas para el Proceso (CTPs)
o Caractersticas Crticas para la Satisfaccin (CTSs)
o Caractersticas Crticas prale Control (CTCs)
Tanto en los CTQ, CTD y CTC el objetivo para la empresa es reducir los
costos, aumentar la satisfaccin del cliente y aumentar las utilidades.
Pgina 46
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Para determinar los CTQ, tenemos que conocer la voz del cliente interno o
externo (VOC), o sea que es lo que espera nuestro cliente acerca del servicio
o producto que le proporcionamos. Mediante la voz del cliente podemos saber
cual es el grado de satisfaccin que este tiene.
Para determinar los CTQS se pueden tomar como base lo siguientes puntos:
Metas del negocio
Entrevistas
Encuestas
Quejas
Datos de Benchmarking
Discusiones ejecutivas
Discusiones de trabajo especfico
Matriz de Causa Efecto
QFD
Tendencias del mercado futuras
Seleccin del pro,lema@
El problema se puede dar debido a: devoluciones, bajo nivel de servicio,
entregas tardas, desperdicios, producto defectuoso, documentos
inadecuados.
El problema se selecciona basndose en las polticas de la organizacin, al
grupo de trabajo, jefe inmediato y a los resultados de sus actividades diarias.
Criterios para seleccionar el problema
Seguridad
Calidad
Costo
Pgina 47
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Entrega
Nivel de servicio
Es muy recomendable expresar los antecedentes, la importancia y la prioridad
de los problemas. Se debe de explicar porqu se seleccion el problema ya
sea por:
1. Efecto econmico, reclamo de mercado, rechazos, % de ventas prdidas,
disponibilidad otros.
2. Impacto para los procesos posteriores, monto de prdida, incremento de
tiempo de operacin, paro de lnea, desperdicio, costo de falla, baja
eficiencia etc.
Entre todos los integrantes del equipo pueden evaluar las razones arriba
descritas y enfocarse en un solo tema.
Impacto en el negocio@
En este punto se enuncia como impacta la mejora del proceso al negocio. Se
mencionan cuales seran las consecuencias en caso de no realizar el proyecto.
Se debe conocer cual ha sido la situacin en el negocio debido al proceso
actual. Qu nos ha ocasionado: Prdida de clientes? Incumplimiento en los
niveles de servicio?, As como cuantificar (en porcentajes y en prdidas de
utilidades).
Es importante describir como se alinea el proyecto con las iniciativas y metas
del negocio. Estas ltimas son definidas por la direccin.
Descripcin del pro,lema@
Se debe estratificar (se recomienda utilizar la herramienta estadstica de 5
porque?) para definir el problema que tiene el proceso, el producto o el
servicio de forma especfica, indicando cualitativamente de ser posible en
Pgina 48
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
cifras, o porcentajes que demuestren la necesidad de modificar su estado
actual. Es necesario expresar concretamente el grado del problema. (se
recomienda no dejar el tema demasiado amplio). Es mejor no usar la
solucin para nombrar un problema, sin antes realizar la bsqueda de la
causa verdadera (llamada tambin causa raz), se crear duda de si esa
solucin es la definitiva.
Definicin ) "lcance del pro)ecto@
Para determinar los objetivos del proyecto nos cuestionamos qu es lo que
vamos a obtener con la realizacin del proyecto? Generalmente es mejorar e
implementar el proceso para una fecha especfica. El Alcance nos sirve para
delimitar el proceso, es decir:
Punto de inicio: Identificar la actividad en donde empieza el proceso.
Punto final: Identificar la actividad donde termina el proceso.
Dentro del alcance: Actividades que se encuentran dentro del proceso.
Fuera del alcance: Actividades que no estn dentro del proceso.
La realizacin de los proyectos normalmente son asignados a lderes de
proyecto denominados "Green Belts
10
quienes aplican la metodologa Seis
Sigma en los proyectos de mejora del desempeo de los procesos.
"4orros@ Identificar de dnde se van a obtener los ahorros tanto
financieros como no financieros para el proyecto tales como:
Utilidades adicionales por mejoras en costo, calidad, disponibilidad
Menores prdidas por desperdicio, devoluciones, garantas, costo de falla,
baja eficiencia, etc.
1#
.ersona entrenada en la metodolog=a de Si> Sigma ' como facilitador 4 ?ue traba*a de tiempo parcial en la
reali(aci%n de pro'ectos de me*ora *unto con e?uipos de traba*o. )or*out +or Six Sigma $oc*et Guide
Pgina 49
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Costos de: personal, materiales, equipos, rentas, subcontratacin,
consultora, fondos de contingencia
Cabe mencionar que no siempre hay ahorros financieros, si el CTQ se deriva
de una mejora de la competencia, se har una inversin.
'.3.3Seleccin del eCuipo de tra,a%o.
- Seleccionar a las personas clave que intervienen o que estn involucradas
directamente y que reciben beneficios del proceso.
- Incluir nombre, posicin roles y responsabilidades a desempear en el
desarrollo del proyecto.
- Es necesario incluir adems de los miembros del equipo, al Champion del
proceso as como un Black Belt que apoye y asesore a los equipos de
proyecto guiados por Green Belts.
*ecomendaciones@
- Se debe definir claramente el problema (proyecto)
- Definir el cliente, sus CTQ y los procesos involucrados
- Medir el desempeo de los procesos involucrados
- Analizar los datos colectados y el mapa del proceso para determinar las
causas raz de defectos y oportunidades de mejora
- Mejorar el proceso seleccionado con soluciones creativas para corregir y
prevenir la reincidencia de problemas
- Controlar las mejoras para mantener su curso
A continuacin se presenta la fase de medicin donde se colectan datos para
establecer un diagnstico de la situacin actual del problema y sus posibles
causas.
Pgina 50
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
2.3 apa del proceso@
Figura 2.2 Mapa de proceso. )&ig& le*el+
Realizar un mapeo del proceso de alto nivel, identificando cuales son los
proveedores, entradas, proceso, salidas, clientes. Comnmente llamado
SIPOC.
Construccin de un Diagrama SIPOC COPIS:
1) El equipo crea el mapa de proceso apoyado con Post Its pegados a la pared
2) El proceso puede tener 4 o 7 pasos claves Cmo se transforma el
producto?
3) Listar las salidas del proceso Cul es el resultado final, producto o servicio
de este proceso?
Pgina 51
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
4) Listar los clientes de la salida del proceso quin es el usuario final del
proceso?
5) Listar las entradas del proceso De dnde vienen los materiales?
6) Listar los proveedores del proceso quines son los proveedores clave?
7) Como paso opcional identificar algunos requerimientos preliminares de los
clientes
8) Involucrar al lder del equipo, champion, y otros grupos interesados en la
verificacin del proyecto
E%emplo
11
:
2.4 Despliegue de la funcin de calidad 2FD
El QFD sirve para traducir la voz del cliente en especificaciones, participan
varias reas en el equipo, fue aplicado por primera vez en Kobe en 1972 por
Yoji Akao con gran xito. Se introdujo a EUA en los 1980s por Don Clausing y
se ha aplicado en la industria automotriz
11
UI Santa "@ #iplomado en ,lac* ,elt
Pgina 52
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
El QFD proporciona un mtodo grfico para expresar las relaciones entre los
requerimientos del cliente y las caractersticas de diseo, forma la matriz
principal
El QFD permite organizar los datos de requerimientos y expectativas del
cliente en una forma matricial denominada la casa de la calidad. Proceso muy
lento
Entre los beneficios del QFD se encuentran: orientacin al cliente, reduccin
de ciclo de desarrollo de nuevos productos, usa mtodos de ingeniera
concurrente, reduce los cambios en manufactura, incrementa la comunicacin
entre reas y establece prioridades en los requerimientos.
A continuacin se esquematiza una "Casa de calidad bsica QFD
Figura 2.3 QFD
Pgina 53
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Los siguientes pasos se siguen (mtodo simplificado) para la construccin del
un QFD
1. Cuando el tiempo apremia se puede usar una Matriz de causa efecto, sirve
para dar prioridad a las KPIVs
2. Lista en las columnas las variables de salida claves del proceso KPOVs
3. Asignar un nmero de importancia que tiene para el cliente entre 1-10
cada KPOV, en el rengln siguiente
4. Listar en los renglones las variables de entrada KPIVs que pueden causar
variabilidad o no conformidad en el proceso
Matriz de causa efecto, sirve para dar prioridad a las KPIVs
En la matriz y con apoyo del equipo de trabajo asignar un nmero de 1 a 10
indicando la importancia que tiene cada KPIV en cada KPOV en la celda
corresp.
Multiplicar estos nmeros por los de la importancia de cada KPOV y sumar en
renglones para identificar que KPIV deben recibir atencin prioritaria
Pgina 54
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
E%emplo@
Pgina 55
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Pgina 56
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Pgina 57
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
2.$ odelo Oano
12
Noritaki Kano desarrollo un modelo explicativo que demuestra la relacin
entre la satisfaccin del cliente y la organizacin proveedora segn se
muestra en la siguiente figura
"El modelo de Kano muestra que existe un nivel bsico de calidad que los
clientes asumen que el producto traer consigo. Sin embargo proveer dicha
"calidad bsica no es suficiente para crear satisfaccin al cliente.
La calidad esperada representa aquellas expectativas explcitamente
consideradas por los clientes.
La calidad excitante (o exciting quality), muestra una curva que se encuentra
en la zona de satisfaccin. Este es el efecto de la innovacin. Esto representa
algn atributo inesperado por el cliente. Es decir los clientes reciben ms de lo
que esperan.
Figura 2.4 Modelo Kano
12
Universidad de 3avarra -tedra de -alidad
Pgina 58
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Este modelo tambin se evala doblemente cada atributo: cuando se ofrece
en el servicio (modo funcional) y cuando est ausente del mismo (modo
disfuncional). La escala aqu utilizada no es ordinal, sino categrica, siendo el
cruce de dichas categoras en cada uno de los modos evaluados (funcional y
disfuncional) la que clasificara cada atributo dentro de uno de los seis tipos
contemplados en este modelo:
Atributos que satisfacen: son aquellos en los que la satisfaccin est
relacionada de forma directamente proporcional con la funcionalidad del
mismo.
Atributos reCueridos: los que aumentan la insatisfaccin si no se
ofrecen, pero no contribuyen a aumentar la satisfaccin por encima de
un lmite.
Atributos que deleitan: estos no disminuyen la satisfaccin del cliente
cuando no estn funcionales, pero la aumentan mucho y rpidamente
cuando s se presentan.
Atributos neutros: su presencia o ausencia no contribuye a aumentar o
disminuir la satisfaccin.
Atributos cuestiona,les: los que producen valoraciones
contradictorias.
Atributos in;ertidos: producen valoraciones positivas cuando no estn
presente y negativas cuando s lo estn.
2.! Diagrama atricial
El diagrama matricial (DM) es una herramienta que ordena grandes grupos de
caractersticas, funciones y actividades de tal forma que se pueden
representar grficamente los puntos de conexin lgica existentes entre ellos.
Tambin se muestra la importancia relativa de cada punto de conexin en
relacin con el resto de co-relaciones.
Pgina 59
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Se base en el principio de que si se sita un conjunto de elementos en las filas
de una matriz (horizontales) y otro conjunto de elementos en columnas de la
misma matriz (verticales), los puntos de interseccin de filas y columnas
indicarn la relacin entre ambos conjuntos. Una de las caractersticas ms
importantes de ste diagrama es la utilizacin de smbolos que indican de
forma visual la forma visual la fuerza de las relaciones existentes en cada
interseccin.
E%emplo@ Desear establecer un DM para determinar las expectativas de los
clientes de un restaurante de comida rpida (conjunto B) y las caractersticas
de diseo de dicho alimento (conjunto A).
Figura 2.$ Ejemplo de Diagrama Matricial
Pgina 60
Con%unto "
1.1.1.1.1.1
Relacin Fuerte:
Relacin Moderada:
Relacin Dbil:
(
e
s
o
d
e
l
a
p
o
r
c
i
n
I
n
u
t
r
i
c
i
o
n
a
l
r
e
C
u
e
r
i
d
o
I
P
i
d
r
a
t
o
s
d
e
C
a
r
,
o
n
o
.
i
e
m
p
o
d
e
p
r
e
p
a
r
a
c
i
n
Q
d
e
p
l
a
t
o
s
r
e
C
u
e
r
i
d
o
s
R
d
e
i
n
g
r
e
d
i
e
n
t
e
s
i
n
g
r
e
d
i
e
n
t
e
s
C
o
n
%
u
n
t
o
+
Sacia el
apetito
Es nutriti;o
.iene ,uen gusto
Sencillo de preparar
Sencillo de limpiar
Es ,arato
No produce e:cesi;a
,asura
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Cmo se indica si existe o no una relacin entre los distintos elementos, y en
caso afirmativo la fuerza de tal relacin?
El mtodo consiste en utilizar un cdigo visual (Los smbolos utilizados
tambin suelen variar)con el objeto de que el DM proporcione el mximo de
informacin. Existen muchas formas de codificar aunque las ms utilizadas
parten del supuesto de categorizar tres distintos grados de relacin: relacin
fuerte, relacin moderada y relacin dbil.
En ocasiones se utilizan estas matrices con el objeto de identificar rea o
reas responsables de algn problema y la codificacin pudiera ser:
2.& +enc4marSing
Proceso sistemtico y continuo para evaluar los productos, servicios y
procesos de trabajo de las organizaciones que son reconocidas como
representantes de las mejores prcticas, con el propsito de realizar mejoras
organizacionales
13
.
Objetivo del BMK
Obtener superioridad en todas las reas - calidad, fiabilidad del producto y
costos.
Actuar como una herramienta por la cual se identifican, establecen y logran
estndares de excelencia, basndose en la "realidad del mercado.
Qu cosas se deben someter al proceso de benchmarking?
Productos y servicios
Procesos de trabajo
Funciones de apoyo
1)
9. Spendolini $efinici%n de Michael
Pgina 61
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Desempeo organizacional
Estrategias
Las cinco etapas del benchmarking:
Pgina 62
BMK
$eterminar a ?u@ se le va a hacer
benchmarking
"ormar un e?uipo de
benchmarking
Identificar los socios
del benchmarking
-ecopilar ' anali(ar la
informaci%n de
benchmarking
ctuarAimplementar
1.
2.
3.
4.
5.
BMK
$eterminar a ?u@ se le va a hacer
benchmarking
"ormar un e?uipo de
benchmarking
Identificar los socios
del benchmarking
-ecopilar ' anali(ar la
informaci%n de
benchmarking
ctuarAimplementar
1.
2.
3.
4.
5.
ACTIVIDAD PROP!ITO R"!PO#!AB$" TI"MPO P"RIODO
%&'( se *a a someter a
+en,-mar.in/0
I1enti2i,ar so,ios
Re3ortar al ,omit( 1e
1ire,,i4n
Re,a+ar in2orma,i4n 5
anali6ar
Im3lantar
De2inir tarea. Determinar
2a,tores ,riti,os 1e (7ito
!ele,,ionar ti3o 1e
+en,-mar.in/
!e/'imiento 1ire,ti*o
In2orma,i4n8 an9lisis 5
1i2eren,ias
A3li,ar me:oras
i1enti2i,a1as
ACTIVIDAD PROP!ITO R"!PO#!AB$" TI"MPO P"RIODO
%&'( se *a a someter a
+en,-mar.in/0
I1enti2i,ar so,ios
Re3ortar al ,omit( 1e
1ire,,i4n
Re,a+ar in2orma,i4n 5
anali6ar
Im3lantar
De2inir tarea. Determinar
2a,tores ,riti,os 1e (7ito
!ele,,ionar ti3o 1e
+en,-mar.in/
!e/'imiento 1ire,ti*o
In2orma,i4n8 an9lisis 5
1i2eren,ias
A3li,ar me:oras
i1enti2i,a1as
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Plan de Accin:
Por qu utilizar el benchmarking?
Ofrece un camino ms rpido de desempeo notorio
Muestra qu procesos son candidatos para mejora continua y cules
requieren cambios mayores
Tiene orientacin al cliente y le da valor
Hay falta de tiempo para la mejora gradual
Ubica a la firma en donde est con respecto a prctica y procesos de su
clase, y qu debe ser cambiado
Aporta un modelo mejor en su clase para ser adoptado o, mejorado
Es un compromiso hacia la calidad total, ya que la apoya a dar los
mejores medios para la mejora y rpida, significativa de procesos o
prcticas
2
= Varianza poblacional donde se va a sacar la muestra
d = tolerancia o error permisible o mitad de la amplitud del intervalo de
confianza deseado
b) Cuando se desconoce el tamao de la poblacin y se conoce la desviacin
estndar poblacional:
donde:
Z = valor de la tabla normal estandarizada correspondiente al nivel de
confianza deseado
2
= Varianza poblacional donde se va a sacar la muestra
d = tolerancia o error permisible o mitad de la amplitud del intervalo de
confianza deseado
Pgina 92
n E
3;F
2
;
2
F
2
;
2
G d
2
H3I1J
n E
3;F
2
;
2
F
2
;
2
G d
2
H3I1J
n E
F
2
;
2
d
2
n E
F
2
;
2
d
2
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Estudios de Capacidad de sistemas de medicin S" F*Y*H
En muchas ocasiones las organizaciones no consideran el impacto de no
tener sistemas de medicin de calidad, el hecho de que las mediciones
no sean exactas puede llevar a cometer errores en el clculo, y en los
anlisis y conclusiones de los estudios de capacidad de los procesos.
Cuando los operadores no miden una pieza de manera consistente, se puede
caer en el riesgo de rechazar artculos que estn en buen estado o aceptar
artculos que estn en mal estado.
Por otro lado si los instrumentos de medicin no estn calibrados
correctamente tambin se pueden cometer errores. Cuando sucede lo
mencionado anteriormente tenemos un sistema de medicin deficiente que
puede hacer que un estudio de capacidad parezca insatisfactorio cuando en
realidad es satisfactorio.
Lo anterior puede tener como consecuencia gastos innecesarios de reproceso
al reparar un proceso de manufactura o de servicios, cuando la principal
fuente de variacin se deriva del sistema de medicin.
Pgina 93
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
(osi,les Fuentes de la ?ariacin del (roceso
Figura 3.- Fuentes de Variacin
Definiciones@
*epeti,ilidad6 es la variacin de las mediciones obtenidas con un
instrumento e meici7n, cuando es utilizado varias veces por un
operador, al mismo tiempo que mide las mismas caractersticas en una
misma %arte.
Pgina 94
Variacin del proceso, real Variacin de la medicin
Variacin del proceso
Reproducibilidad
Repetibilidad Estabilidad Linealidad
Sesgo
Variacin originada
por el calibrador
Calibracin
Variacin del proceso, real
Reproducibilidad
Repetibilidad
Variacin dentro de la
muestra
Estabilidad Linealidad
Sesgo
Equipo de
medicin
Calibracin
REPETIBILIDAD
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
*eproduci,ilidad@ Es la variacin, entre promedios de las mediciones
hechas por diferentes operadores que utilizan un mismo instrumento de
medicin cuando miden las mismas caractersticas en una misma parte.
?alor ;erdadero@
Valor correcto terico / estndares NIST
22
(recisin@ Es la habilidad de repetir la misma medida cerca o dentro de
una misma zona
E:actitud:
Es la diferencia entre el promedio del nmero de medidas y el valor
verdadero.
*esolucin@ La medicin que tiene exactitud y precisin.
Esta,ilidad@ es la variacin total de las mediciones obtenidas con un
sistema de medicin, hechas sobre el mismo patrn o sobre las mismas
partes, cuando se mide una sola de sus caractersticas, durante un perodo de
tiempo prolongado.
22
En EUA se tiene el NST (National nstitute of Standards and Technology)
Pgina 95
Reproducibilidad
Operador-A
Operador-C
Operador-B
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
5inealidad@ diferencia en los valores de la escala, a travs del rango de
operacin esperado del instrumento de medicin.
Sesgo@ distancia entre el valor promedio de todas las mediciones y el valor
verdadero. Error sistemtico o desviacin.
Cali,racin@ Es la comparacin de un estndar de medicin con exactitud
conocida con otro instrumento para detectar, reportar o eliminar por
medio del ajuste, cualquier variacin en la exactitud del instrumento.
Nota:
Pgina 96
Tiempo 1
Tiempo 2
Tiempo 1
Tiempo 2
Valor
Verdadero
Sesgo
Rango de Operacin del e!ipo
Valor
"erdadero
Valor
"erdadero
#rango in$erior% #rango s!perior%
Sesgo
&enor
Sesgo
ma'or
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Importante: para que el equipo de medicin tenga una discriminacin
adecuada en la evaluacin de las partes, su
Resolucin debe ser al menos 1/10 de la variabilidad del proceso
23
.
Criterios segn el MSA:
<10% Aceptable
10-30%. Puede ser aceptable, dependiendo si la caracterstica a medir
no es crtica.
>30%. Inaceptable!
En cualquier problema que involucre mediciones, algunas de las variaciones
observadas son debidas al proceso y otras son debidas al error o variacin en
los sistemas de medicin. La variacin total es expresada de la siguiente
manera:
medici3n error proceso total
2 2 2
+ =
Existen 2 mtodos mtodos para realizar los estudios de R&R, conocidos
como Mtodo corto y Mtodo largo, a continuacin se explica ste
ltimo:
Estudio de *Y* 3todo largo
Generalmente intervienen de dos a tres operadores
Se sugiere se tomen 10 unidades
Cada unidad es medida por cada operador, 2 3 veces.
La resolucin del equipo de medicin debe ser de al menos el 10% del
rango de tolerancia o del rango de variacin del proceso.
2)
MS -eference Manual )th edition
Pgina 97
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Las partes deben seleccionarse al azar, cubriendo el rango total del
proceso. Es importante que dichas partes sean representativas del
proceso total (80% de la variacin)
10 partes NO son un tamao de muestra significativo para una opinin
slida sobre el equipo de medicin a menos que se cumpla el punto
anterior.
(rocedimiento para reali8ar un estudio de *Y*
1. Asegrese de que el equipo de medicin haya sido calibrado.
2. Marque cada pieza con un nmero de identificacin que no pueda ver la
persona que realiza la medicin.
3. Haga que el primer operador mida todas las muestras una sola vez,
siguiendo un orden al azar.
4. Haga que el segundo operador mida todas las muestras una sola vez,
siguiendo un orden al azar.
5. Contine hasta que todos los operadores hayan medido las muestras
una sola vez (Este es el ensayo 1).
6. Repita los pasos 3-4 hasta completar el nmero requerido de ensayos
7. Determine las estadsticas del estudio R&R
Repetibilidad
Reproducibilidad
% R&R
Desviaciones estndar de cada uno de los conceptos mencionados
Anlisis del porcentaje de tolerancia
8. Analice los resultados y determine las acciones a seguir si las hay.
Pgina 98
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
3todos de estudio del error *Y*
24
@
I.
0.3.1 Mtodo de Promedios- Rango
Permite separar en el sistema de medicin lo referente a la
Reproducibilidad y a la Repetibilidad.
Los clculos son ms fciles de realizar.
II. Mtodo ANOVA
Permite separar en el sistema de medicin lo referente a la
Reproducibilidad y a la Repetibilidad.
Tambin proporciona informacin acerca de las interacciones de un
operador y otro en cuanto a la parte.
Calcula las varianzas en forma ms precisa.
Los clculos numricos requieren de una computadora.
El Mtodo ANOVA es ms preciso
E%emplo FINI."+H
3todo Z +arra K *
Se seleccionan 10 muestras de un proceso de manufactura, cada parte es
medida tres veces por tres operadores. Los datos son los siguientes, realice
un estudio R&R mediante el mtodo X-R.
2+
-e'es .rimitivo puntes de la materia Opcin Terminal "IA
Pgina 99
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Ejemplo de Estudio R&R
Capture los datos en la hoja de trabajo de Minitab en tres columnas C1, C2,
C3
Seleccione en el men de la barra de herramientas S.".[20"5I.G
.//5S[A"AE S.0DG [ Aage *Y* FCrossedH
>Seleccione C1 (parte), C2 (operador), C3 (Medicin)
>Mtodo de Anlisis Z +ar and *
>En Options Seleccionar: Staudy variation 6.0 Process tolerante 0.6
Los resultados se muestran a continuacin:
Pgina 100
Muestra Analista Resultado Muestra Analista Resultado Muestra Analista Resultado
1 Kari 3.546 1 Carlos 3.566 1 Csar 3.523
2 Kari 3.517 2 Carlos 3.569 2 Csar 3.569
3 Kari 3.496 3 Carlos 3.589 3 Csar 3.527
4 Kari 3.497 4 Carlos 3.579 4 Csar 3.558
5 Kari 3.525 5 Carlos 3.590 5 Csar 3.559
6 Kari 3.509 6 Carlos 3.537 6 Csar 3.543
7 Kari 3.529 7 Carlos 3.543 7 Csar 3.553
8 Kari 3.512 8 Carlos 3.555 8 Csar 3.536
9 Kari 3.534 9 Carlos 3.581 9 Csar 3.564
10 Kari 3.534 10 Carlos 3.570 10 Csar 3.571
1 Kari 3.546 1 Carlos 3.570 1 Csar 3.534
2 Kari 3.537 2 Carlos 3.569 2 Csar 3.571
3 Kari 3.494 3 Carlos 3.590 3 Csar 3.536
4 Kari 3.494 4 Carlos 3.582 4 Csar 3.563
5 Kari 3.521 5 Carlos 3.587 5 Csar 3.558
6 Kari 3.502 6 Carlos 3.530 6 Csar 3.547
7 Kari 3.529 7 Carlos 3.541 7 Csar 3.558
8 Kari 3.503 8 Carlos 3.549 8 Csar 3.536
9 Kari 3.523 9 Carlos 3.576 9 Csar 3.567
10 Kari 3.528 10 Carlos 3.570 10 Csar 3.574
1 Kari 3.578 1 Carlos 3.567 1 Csar 3.534
2 Kari 3.539 2 Carlos 3.570 2 Csar 3.577
3 Kari 3.531 3 Carlos 3.588 3 Csar 3.535
4 Kari 3.537 4 Carlos 3.590 4 Csar 3.566
5 Kari 3.523 5 Carlos 3.589 5 Csar 3.562
6 Kari 3.548 6 Carlos 3.526 6 Csar 3.544
7 Kari 3.529 7 Carlos 3.538 7 Csar 3.552
8 Kari 3.553 8 Carlos 3.551 8 Csar 3.540
9 Kari 3.570 9 Carlos 3.576 9 Csar 3.569
10 Kari 3.564 10 Carlos 3.570 10 Csar 3.575
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Gage R&R Study - XBar/R Method
%Contribution
Source VarComp (of VarComp)
Total Gage R&R 0.000478 8!."#
Repeatabilit$ 0.00007%0 %#.4&
Repro'ucibilit$ 0.000407 7%.47
(art)To)(art 0.0000"%7 %&.08
Total Variation 0.00070% %00.00
*pper proce++ tolerance limit , !.8
Stu'$ Var %Stu'$ Var %Tolerance
Source St'-e. (S-) (& / S-) (%SV) (SV0Toler)
Total Gage R&R 0.0#%874% 0.%!%#4 "%.&% #&.#0
Repeatabilit$ 0.0084#&" 0.00&% !.#" %0.0"
Repro'ucibilit$ 0.0#0%88 0.%#%%% 84.4 #4.%8
(art)To)(art 0.00"7!7 0.0744# 40.%0 %%.47
Total Variation 0.0#!877 0.%4!#& %00.00 #8.&0
1umber of -i+tinct Categorie+ , %
"n#lisis de los resultados@
El error de R&R vs tolerancia es 26.20% lo que hace que el equipo de
medicin no sea adecuado para la medicin.
Por otro lado el nmero de categoras es slo de 1 cuando debe ser al menos
4 indicando que el instrumento discrimina las diversas partes diferentes.
Pgina 101
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Figura 3.D Resultados del estudio de R&R
La grfica R se mantiene en control por 2 analistas y solamente 1 analista
presenta variacin, lo que representa un rea de oportunidad en cuestin de
recapacitacin y estandarizacin de conocimientos.
El mismo estudio mediante el Mtodo Anova da como resultado lo siguiente:
.WoK\a) "N/?" .a,le \it4 Interaction
Source -2 SS 3S 2 (
3ue+tra " 0.00"%80 0.00%0#0% %.#%"" 0.!4#
4nali+ta # 0.0#!0"%8 0.0%%4" %!.807& 0.000
3ue+tra / 4nali+ta %8 0.0%0%& 0.0008!&# &.##%# 0.000
Repeatabilit$ &0 0.0080&47 0.000%!44
Total 8" 0.0!88
Pgina 102
P
e
r
c
e
n
t
Part -t o-Part Reprod Repeat Gage R&R
100
50
0
% Contribution
% Study Var
% Tolerance
S
a
m
p
l
e
2
a
n
g
e
0.04
0.02
0.00
_
R=0.01427
UCL=0.03673
LCL=0
Carlos Csar Kari
S
a
m
p
l
e
M
e
a
n
3.60
3.55
3.50
_
_
X=3.5495
UCL=3.5641
LCL=3.5349
Carlos Csar Kari
Muestra
10 9 8 7 6 5 4 3 2 1
3.60
3.55
3.50
/nalista
Kari Csar Carlos
3.60
3.55
3.50
Muestra
/
C
e
r
a
g
e
10 9 8 7 6 5 4 3 2 1
3.60
3.55
3.50
Carlos
Csar
Kari
Analista
Component s o- 1ar iat ion
2 C'ar t b3 /nalist a
Dbar C'ar t b3 /nalista
2esult ado b3 Muest r a
2esult ado b3 /nalist a
/nalist a E Muest r a B nt er act ion
Fage 2G2 ( DbarH 2! -or 2esult ado
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
4lp5a to remo.e interaction term , 0.#
Gage R&R
%Contribution
Source VarComp (of VarComp)
Total Gage R&R 0.0007#! "7.#&
Repeatabilit$ 0.000%!44 %8.0#
Repro'ucibilit$ 0.000"0" 7".#4
4nali+ta 0.000!70 47.87
4nali+ta/3ue+tra 0.000#!!" !%.!7
(art)To)(art 0.0000#04 #.74
Total Variation 0.000748 %00.00
*pper proce++ tolerance limit , !.8
Stu'$ Var %Stu'$ Var %Tolerance
Source St'-e. (S-) (& / S-) (%SV) (SV0Toler)
Total Gage R&R 0.0#&"!%" 0.%&%"# "8.&# !#.#&
Repeatabilit$ 0.0%%"!& 0.0&"&% 4#.4 %!.8"
Repro'ucibilit$ 0.0#4!088 0.%48! 8".0# #".%%
4nali+ta 0.0%88"4# 0.%%!!& &".%" ##.&!
4nali+ta/3ue+tra 0.0%#"47 0.0"%7&8 &.0% %8.!#
(art)To)(art 0.004%"7 0.0#7%%8 %&. .4%
Total Variation 0.0#7!08& 0.%&!8% %00.00 !#.7%
Number of Distinct Categories = 1
Los resultados son muy parecidos, auque ms estrictos en este mtodo, ya
que el error de R&R vs tolerancia es 32.26%
El resultado total del estudio nos dice que se necesita urgentemente de una
mejora en nuestro sistema de Medicin, sobre todo la parte de
Reproducibilidad, hay que trabajar fuertemente en el mtodo de anlisis de
cada uno de los analistas que va desde la tcnica, la capacitacin y la
Pgina 103
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
efectividad de la misma, tambin la Repetitividad que se refiere al equipo con
que estamos midiendo, no sea adecuado para la medicin.
5a Distri,ucin Normal
La distribucin normal es una de las distribuciones ms usadas e importantes.
Su propio nombre indica su extendida utilizacin, justificada por la frecuencia
o normalidad con la que ciertos fenmenos tienden a parecerse en su
comportamiento a esta distribucin. Muchos eventos reales y naturales tienen
una distribucin de frecuencias cuya forma es muy parecida a la distribucin
normal.
La distribucin normal es llamada tambin campana de Gauss por su forma
acampanada.
Figura 3.1' Distribucin Normal
Pgina 104
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
(ropiedades de la distri,ucin normal
La distribucin normal tiene forma de campana.
La distribucin normal es una distribucin de probabilidad que tiene
media = 0 y desviacin estndar = 1.
El rea bajo la curva o la probabilidad desde menos infinito a ms
infinito vale 1.
La distribucin normal es simtrica, es decir cada mitad de curva
tiene un rea de 0.5.
La escala horizontal de la curva se mide en desviaciones estndar.
La forma y la posicin de una distribucin normal dependen de los
parmetros y , en consecuencia hay un nmero infinito de
distribuciones normales.
Pgina 105
Las distribuciones pueden variar en:
POSICI()
* O TE)ER C+AL,+IER CO&BI)ACIO)
-OR&A A&PLIT+D
Las distribuciones pueden variar en:
POSICI()
* O TE)ER C+AL,+IER CO&BI)ACIO)
-OR&A -OR&A A&PLIT+D A&PLIT+D
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Existe una relacin del porcentaje de poblacin a la desviacin estndar. En
la figura observamos por ejemplo que el rea bajo la curva para 1o tiene un
porcentaje de 68.26%, 2o = 95.46% y 3o= 99.73%.
Figura 3.11 Distribucin Normal en niveles de sigma y %
La desviacin estndar (o) representa la distancia de la media al punto de
inflexin de la curva normal.
Pgina 106
G1s G2s G)s I1s I2s
I)s
58.25<
:2.+5<
::.7)<
7
0 1 2 3 -1 -2 -3
7
0 1 2 3 -1 -2 -3 0 1 2 3 -1 -2 -3
9 9I 9I2 9I" 9, 9,2 9," 9 9I 9I2 9I" 9, 9,2 9,"
>
7
0 1 2 3 -1 -2 -3 0 1 2 3 -1 -2 -3
7
0 1 2 3 -1 -2 -3 0 1 2 3 -1 -2 -3
9 9I 9I2 9I" 9, 9,2 9," 9 9I 9I2 9I" 9, 9,2 9,"
>
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Figura 3.12 Distribucin Normal en niveles de Z
5a distri,ucin normal est#ndar
El ;alor de 8
Determina el nmero de desviaciones estndar o entre algn valor X y la
meia e la %o8laci7n . Para calcular el valor de Z usamos la siguiente
frmula.
=
X
4
La distribucin de probabilidad f (Z) es una distribucin normal con media 0 y
desviacin estndar 1; esto es Z se distribuye normalmente con media cero y
desviacin estndar = 1 Z ~ N(0,1): La grfica de densidad de probabilidad
se muestra en la figura.
La distribucin f (Z) se encuentra tabulada en la tabla de distribucin normal
estndar. En esta tabla podemos determinar los valores de Z o la probabilidad
de determinado valor Z.
E%emplo@
Pgina 107
1 =
0
Z
F(z)
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
El tiempo de vida de las bateras del conejito tiene una distribucin
aproximada a la normal con una media = 85.36 horas y una desviacin
estndar o = 3.77 horas. Que porcentaje de las bateras se espera que duren
80 horas o menos?
Calculando el valor de Z obtenemos:
Buscamos el valor correspondiente Z en las tablas de distribucin normal. Z0.5
= 0.9220 = 92.20%.
E%emplo@
Encuentre las probabilidades siguientes usando la tabla 9.
a) P(-2.85< Z > 0)
Solucin: Buscamos el valor Z2.85 en las tablas siendo este = 0.99781 restando
0.99781-0.5 = 0.49781, este valor es la probabilidad de 0 a 2.85 que es
exactamente la misma de -2.85 a 0 por simetra. Por lo tanto la probabilidad
es 49.78%
Pgina 108
=
X
4 E
8# I 82.)5
).77
E
;1.42
=
X
4 E
8# I 82.)5
).77
E
;1.42
I2.82 # I2.82 #
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
0so de la distri,ucin normal en E:cel
Para calcular la probabilidad dado un valor Z procedemos de la
siguiente manera:
En la barra de herramientas seleccione el icono de funciones
fx>Estadsticas>Distr.Norm.Estad !"#$ O%
Seleccione la celda que contiene el valor de Z, que en este caso es Z =
2.85 , de clic en aceptar y aparecer la probabilidad buscada P(z)= 0.99781
Para calcular Z dada una probabilidad f(z)
En la barra de herramientas seleccione el icono de funciones
fx>Estadsticas>Distr.Norm.Estad.i&!'ro(a(ilidad o )rea$ O%
De clic en aceptar. Procedemos de la misma manera que en el caso
anterior, pero en esta ocasin seleccionamos la probabilidad 0.99781 y
aparecer el valor Z = 2.8494
Capacidad de procesos normales
Al planear los aspectos de calidad de la manufactura, es sumamente
importante asegurarse de antemano de que el proceso ser capaz de
mantener las tolerancias. En las dcadas recientes ha surgido el concepto de
capacidad del proceso habilidad del proceso, que proporciona una prediccin
cuantitativa de qu tan adecuado es un proceso. La habilidad del proceso es la
variacin medida, inherente del producto que se obtiene en ese proceso.
Definiciones ,#sicas.
:roceso6 ste se refiere a alguna combinacin nica de mquinas,
herramientas, mtodos, materiales y personas involucradas en la
produccin.
Pgina 109
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Ca%acia o &a8ilia6 Esta palabra se usa en el sentido de aptitud,
basada en el desempeo probado, para lograr resultados que se puedan
medir.
Ca%acia el %roceso6 Es la aptitud del proceso para producir
productos dentro de los lmites de especificaciones de calidad.
Ca%acia meia6 Esto se refiere al hecho de que la capacidad del
proceso se cuantifica a partir de datos que, a su vez, son el resultado de
la medicin del trabajo realizado por el proceso.
Ca%acia in&erente6 Se refiere a la uniformidad del producto que
resulta de un proceso que se encuentra en estado de control estadstico,
es decir, en ausencia de causas especiales o atribuibles de variacin.
;aria8ilia natural6 Los productos fabricados nunca son idnticos sino
que presentan cierta variabilidad, cuando el proceso est bajo control,
solo actan las causas comunes de variacin en las caractersticas de
calidad.
;alor 4ominal6 Las caractersticas de calidad tienen un valor ideal
ptimo que es el que desearamos que tuvieran todas las unidades
fabricadas pero que no se obtiene, aunque todo funcione correctamente,
debido a la existencia de la variabilidad natural.
/,%eti;os de determinar la capacidad del proceso
2$
1. Predecir en que grado el proceso cumple especificaciones.
2. Apoyar a diseadores de producto o proceso en sus modificaciones.
3. Especificar requerimientos de desempeo para el equipo nuevo.
4. Seleccionar proveedores.
5. Reducir la variabilidad en el proceso de manufactura.
6. Planear la secuencia de produccin cuando hay un efecto interactivo de los
procesos en las tolerancias.
22
$ouglas ,. Montgomer' Introduction to Statistical 5ualit! -ontrol
Pgina 110
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Figura 3.13 p = porcentaje de medidas bajo la curva de probabilidad fuera de
especificaciones.
(artes fuera de especificaciones9 como ;amos a me%orar estoU
Para solucionar este problema, podemos reducir la desviacin
estndar.
Tambin podramos cambiar la media.
Pgina 111
LIB K LSB LIB K LSB
LIB K LSB LIB K LSB
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Lo ideal sera, por supuesto cambiar ambas.
Condiciones para reali8ar un estudio de capacidad del proceso
Para realizar un estudio de capacidad es necesario que se cumplan los
siguientes supuestos
26
:
El proceso se encuentre bajo control estadstico, es decir sin la influencia
de fuerzas externas o cambios repentinos. Si el proceso est fuera de
control la media y/o la desviacin estndar del proceso no son estables y,
en consecuencia, su variabilidad ser mayor que la natural y la capacidad
potencial estar infravalorada, en este caso no es conveniente hacer un
estudio de capacidad.
Se recolectan suficientes datos durante el estudio de habilidad para
minimizar el error de muestreo para los ndices de habilidad. Si los datos
se componen de menos de 100 valores, entonces deben calcularse los
lmites de confianza inferiores.
Los datos se recolectan durante un periodo suficientemente largo para
asegurar que las condiciones del proceso presentes durante el estudio sean
representativos de las condiciones actuales y futuras.
25
9uran 9.M. Anlisis ! planeacin de la -alidad
Pgina 112
LIB K LSB LIB K LSB
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
El parmetro analizado en el estudio sigue una distribucin de probabilidad
normal, de otra manera, los porcentajes de los productos asociados con los
ndices de capacidad son incorrectos.
Tambin es importante al realizar un estudio de capacidad, asegurarnos que
la ;ariacin en el sistema de medicin no sea mayor al 10%.
?ariacin a corto pla8o ) a largo pla8o
Existen dos maneras de expresar la variabilidad:
?ariacin a corto pla8o FJstH@ Los datos son recogidos durante un periodo de
tiempo suficientemente corto para que sea improbable que haya cambios y
otras causas especiales.
Las familias de variacin han sido restringidas de tal manera que los datos
considerados, slo son los que se obtuvieron del subgrupo racional. Ayuda a
determinar subgrupos racionales importantes.
?ariacin a 5argo (la8o FJltH@ Los datos son recogidos durante un periodo
de tiempo suficientemente largo y en condiciones suficientemente diversas
para que sea probable que contenga algunos cambios de proceso y otras
causas especiales. Aqu todas las familias de variacin exhiben su
contribucin en la variacin del proceso general.
Pgina 113
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Para el clculo de Z utilizamos las siguientes formulas
27
:
( )
ST
st
std desv
nom especi+ l2mite
4
.
. .
=
LT
LT
std desv
media especi+ l2mite
4
.
.
=
donde:
Zst = variacin a corto plazo.
nom = Valor nominal u objetivo
Zlt = variacin a largo plazo.
J s4ift@ A largo plazo los procesos tienen un desplazamiento natural de 1.5
desviaciones estndar.
Zlt = Zst-1.5shift
C#lculo de la capacidad del proceso@
Para calcular la capacidad del proceso utilizamos la siguiente frmula:
27
-e'es .rimitivo #iplomado en ,lac* ,elt
Pgina 114
,p E
LSB L LIB
5
,p E
LSB L LIB
5
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
donde:
Cp = capacidad potencial
LSE = lmite superior de especificaciones
LIE = lmite inferior de especificaciones
= desviacin estndar
El ndice Cp debe
ser 1 para tener el potencial de cumplir con especificaciones (LIE, LSE)
Para calcular la capacidad real utilizamos la siguiente frmula:
El menor valor absoluto de Zl o Zs
Para que el proceso cumpla con las especificaciones el Cpk = debe de ser 1 .
Capacidad del proceso a partir de 4istogramas
(rocedimiento@
1. Seleccionar un proceso especfico para realizar el estudio
2. Seleccionar las condiciones de operacin del proceso
3. Seleccionar un operador entrenado
4. El sistema de medicin (MSA) debe ser en cuestin de error R&R <
10%
5. Recolectar la informacin
6. Construir un histograma de frecuencia con los datos
7. Calcular la media y desviacin estndar del proceso
8. Calcular la capacidad del proceso.
Pgina 115
,pk E
MFl 4 FsN
)
,pk E
MFl 4 FsN
)
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
E%emplo@ Capacidad de proceso a partir de 4istogramas
Observamos que el histograma
tiene forma normal.
Calculando la media y la
desviacin estndar tenemos:
X= 3.65 = 0.051
La variabilidad del proceso se
encuentra en 6 = 0.306
Si las especificaciones fueran LIE = 3.58 y LSE = 3.68
] 19 el proceso no es 4#,il.
Cpk = menor de Zl y Zs = -1.37 < 1 , por lo tanto proceso no cumple
especificaciones.
Pgina 116
E
L
Fs E
).58 L ).52
#.#21
E #.288 E
L
Fs E
).58 L ).52
#.#21
E #.288
E
L
Fl E
).28 L ).52
#.#21
E I1.)7 E
L
Fl E
).28 L ).52
#.#21
E I1.)7
5istograma
0
5
10
15
20
25
30
Clase
F
r
e
c
u
e
n
c
i
a
5istograma
0
5
10
15
20
25
30
Clase
F
r
e
c
u
e
n
c
i
a
,p E
LSB L LIB
5
,p E
LSB L LIB
5
,p E
LSB L LIB
5
=
p*
-
= -1.041 por tanto el proceso no cumple con las
especificaciones.
Pgina 118
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Capacidad de procesos en inita, con los siguientes datos realizar el
anlisis de la capacidad de proceso.
Primeramente, nos aseguramos que los datos se distribuyan normalmente con
la prueba de Ryan como sigue:
1. Stat > Basic statistics > Normality Test
2. Variable C1 Seleccionar Anderson-Darling test OK
El P-value debe ser mayor a 0.05 para que los datos se distribuyan
normalmente nos da como resultado:
Otra opcin por medio de una grfica de probabilidad normal, se tiene:
3. Graph > Probability plot > Normal
4. Graph Variable C1
Pgina 119
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
5. Distribution Normal OK
Los puntos deben quedar dentro del intervalo de confianza para indicar que es
normal la distribucin
Determinacin de la capacidad del proceso
Una vez comprobada la normalidad de los datos, ddeterminar la capacidad
con:
1. Stat > Quality tools > Capability analysis > Normal
2. Single column C1 Subgroup size 1 Lower Spec 14.5 Upper spec 17.5
Los resultados se muestran a continuacin:
Pgina 120
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Interpretacin:
La desviacin estndar Within se determina basndose en el Rango medio y
d2, con esta se determinan los ndices de capacidad potencial Cp y Cpk, as
como el desempeo Within, lo cual es adecuado para un proceso en control o
normal.
La desviacin estndar Overall se determina con la desviacin estndar de
todos los datos de la muestra dividido entre el factor C4= 4(n-1))/(4n - 3),
con esta desviacin estndar se determinan los ndices de desempeo Pp y
Ppk as como el desempeo Overall, no importando si el proceso est en
control o no, en este ltimo caso los valores no tienen significado prctico.
Opcin Six Pack para mostrar toda la informacin relevante:
Determinar la capacidad con:
3. Stat > Quality tools > Capability Six Pack > Normal
4. Single column C1 Subgroup size 1 Lower Spec 14.5 Upper spec 17.5
5. Estimate R-bar OK
Los resultados se muestran a continuacin:
Pgina 121
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
En este caso de la grfica de probabilidad normal, los datos siguen una
distribucin normal.
3.$ Entrega,les@
En esta etapa los entregables seran:
Seleccionar Requerimientos del Cliente
o Identificar caractersticas medibles del requerimiento del cliente (CTQs)
para el proyecto.
Definir estndares de desempeo
o Desarrollar definiciones operacionales para el proceso a ser
medido
o Identificar el objetivo de mejora del proceso
o Establecer mrgenes de tolerancia (lmites de especificacin)
o Definir los conceptos de unidad, defecto y oportunidad de defecto
Plan coleccin datos
Pgina 122
B
n
d
i
C
i
d
u
a
l
1
a
l
u
e
55 49 43 37 31 25 19 13 7 1
18
16
14
_
X= 16.022
UCL=18.385
LCL=13.660
M
o
C
i
n
g
2
a
n
g
e
55 49 43 37 31 25 19 13 7 1
3.0
1.5
0.0
__
MR=0.888
UCL=2.902
LCL=0
8bserCation
1
a
l
u
e
s
55 50 45 40 35
18
16
14
18 17 16 15 14
LSL USL
LSL 14.5
USL 17.5
Specifications
20 18 16 14
Within
Ov erall
Specs
StDev 0.787395
Cp 0.64
Cpk 0.63
Within
StDev 1.16718
Pp 0.43
Ppk 0.42
Cpm *
Ov erall
1 1
Process Capabilit3 Si9pac( o- C1
B C'ar t
MoCing 2ange C'ar t
>ast 2 % 8bser Cations
Capabilit 3 5ist ogr am
Nor mal Pr ob Plot
AD: 0.737, P: 0.052
Capabilit 3 Plot
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
o Validar Sistema de Medicin
o Desarrollar el Plan de recoleccin de datos
o Validar el Sistema de Medicin (Y)
La siguiente fase es la de anlisis, la cual nos permite descubrir la causa raz.
Para ello se har uso de las distintas herramientas de gestin de la calidad.
Ellas son las siete herramientas estadsticas clsicas y las nuevas siete
herramientas. Las herramientas de anlisis deben emplearse para determinar
dnde estamos, no para justificar los errores.
Pgina 123
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
C"(I.05/ 4. F"SE DE "N"5ISIS
4.1 Introduccin
En esta fase se efecta el anlisis de los datos obtenidos en la etapa de
Medicin, con el propsito de conocer las relaciones causales o causas raz del
problema.
La informacin de este anlisis nos proporcionar evidencias de las fuentes de
variacin y desempeo insatisfactorio, el cual es de gran utilidad para la
mejora del proceso.
Pgina 124
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Las Herramientas a utilizar pueden ser:
Figura 4.1 Herramientas en la Fase de Medicin
Los objetivos de esta fase son:
Determinar el nivel de desempeo del proceso actual.
Identificar cuales son las fuentes de variacin.
Una vez identificadas las causas potenciales por medio de una lluvia de
ideas y un diagrama de causa efecto, se realiza un proceso de validacin
estadstica de las mismas apoyndose en Anlisis de regresin, Pruebas de
Hiptesis y Anlisis de varianza.
4.2 Etapas de la fase de "n#lisis
La fase de anlisis consta de las siguientes etapas:
Definir el o,%eti;o de desempeMo
En esta etapa se define la meta hacia la cual nos dirigimos, o sea cuales son
los ni*eles sigma esperados en nuestro proceso en el tiempo.
Pgina 125
DMAC
DMAC
Definir
Definir
Medir
Medir
Analizar Analizar Analizar
Mejorar
Mejorar
1. Mapa de Proceso
2. Despliegue de la
Funcin de Calidad
(FD!
". Modelo #ano
$. Diagrama Matricial
%. &enc'mar(in
). Costos de Calidad
1. Mapa de Proceso
2. Despliegue de la
Funcin de Calidad
(FD!
". Modelo #ano
$. Diagrama Matricial
%. &enc'mar(in
). Costos de Calidad
1. Mapa de detallado
de Procesos
2. Diagrama de Pareto
". Diagrama de Causa,
E-ecto
$. Diagrama de .rbol
%. Diagrama de
/-inidad
). M0todos de
Muestreo
Estadstico
J. Capacidad del
Sistema de Medicin
K. Distribucin Normal
L. Capacidad del
Proceso
1. Mapa de detallado
de Procesos
2. Diagrama de Pareto
". Diagrama de Causa,
E-ecto
$. Diagrama de .rbol
%. Diagrama de
/-inidad
). M0todos de
Muestreo
Estadstico
J. Capacidad del
Sistema de Medicin
K. Distribucin Normal
L. Capacidad del
Proceso
1. /MEF
2. Cartas Multi 1ari
". Correlacin
$. 2egresin lineal
Simple 3 lineal
M4ltiple
%. Pruebas de 5iptesis
). /n6lisis de 1arian7a
(/N81/!
1. /MEF
2. Cartas Multi 1ari
". Correlacin
$. 2egresin lineal
Simple 3 lineal
M4ltiple
%. Pruebas de 5iptesis
). /n6lisis de 1arian7a
(/N81/!
Controlar
Controlar
DMAC
DMAC
Definir
Definir
Medir
Medir
Analizar Analizar Analizar
Mejorar
Mejorar
1. Mapa de Proceso
2. Despliegue de la
Funcin de Calidad
(FD!
". Modelo #ano
$. Diagrama Matricial
%. &enc'mar(in
). Costos de Calidad
1. Mapa de Proceso
2. Despliegue de la
Funcin de Calidad
(FD!
". Modelo #ano
$. Diagrama Matricial
%. &enc'mar(in
). Costos de Calidad
1. Mapa de detallado
de Procesos
2. Diagrama de Pareto
". Diagrama de Causa,
E-ecto
$. Diagrama de .rbol
%. Diagrama de
/-inidad
). M0todos de
Muestreo
Estadstico
J. Capacidad del
Sistema de Medicin
K. Distribucin Normal
L. Capacidad del
Proceso
1. Mapa de detallado
de Procesos
2. Diagrama de Pareto
". Diagrama de Causa,
E-ecto
$. Diagrama de .rbol
%. Diagrama de
/-inidad
). M0todos de
Muestreo
Estadstico
J. Capacidad del
Sistema de Medicin
K. Distribucin Normal
L. Capacidad del
Proceso
1. /MEF
2. Cartas Multi 1ari
". Correlacin
$. 2egresin lineal
Simple 3 lineal
M4ltiple
%. Pruebas de 5iptesis
). /n6lisis de 1arian7a
(/N81/!
1. /MEF
2. Cartas Multi 1ari
". Correlacin
$. 2egresin lineal
Simple 3 lineal
M4ltiple
%. Pruebas de 5iptesis
). /n6lisis de 1arian7a
(/N81/!
Controlar
Controlar
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Una opcin es realizar un Benchmarking, el cual es el mecanismo para
identificar y comparar quien tiene el mejor desempeo del proceso, ya sea
dentro de la organizacin u otra organizacin, y comparamos nuestros valores
contra ese parmetro de referencia para determinar el GAP existente e
identificar acciones para reducirlo.
Identificar las fuentes de ;ariacin
Cuando un proceso se encuentra fuera de las especificaciones permitidas, se
tiene evidencia de que existe variacin. Para comprobarlo utilizamos alguna
de las herramientas de anlisis, segn sea el el caso por ejemplo, el anlisis
Multi-Vari es una herramienta estadstica que nos permite determinar las
fuentes que presentan mayor variacin, a travs de la descomposicin de los
componentes de variabilidad del proceso. Una vez determinadas las causas de
variacin, nos enfocaremos en los )%ocos *itales <+ que estn afectando la
variable de respuesta "y. Una opcin para priorizar estas causas es el uso del
)iagrama e :areto+.
A continuacin se muestra un diagrama de posibles fuentes de variacin del
proceso:
Pgina 126
Varia,i4n 1el Pro,eso
Varia,i4n 1el Pro,eso 1e Me1i,i4n
Varia,i4n A,t'al 1el Pro,eso
0tras fuentes de
Cariaci%n
Cariaci%n debida al
B?uipo de Medici%n
Cariaci%n debida al
operador
Cariaci%n a
,orto .la(o
Cariaci%n a
Largo .la(o
B>actitud
HSesgoJ
.recisi%n
HBrror de Medici%nJ
$iscriminaci%n
H-esoluci%nJ
Varia,i4n 1el Pro,eso
Varia,i4n 1el Pro,eso 1e Me1i,i4n Varia,i4n 1el Pro,eso 1e Me1i,i4n
Varia,i4n A,t'al 1el Pro,eso Varia,i4n A,t'al 1el Pro,eso
0tras fuentes de
Cariaci%n
Cariaci%n debida al
B?uipo de Medici%n
Cariaci%n debida al
operador
Cariaci%n a
,orto .la(o
Cariaci%n a
,orto .la(o
Cariaci%n a
Largo .la(o
B>actitud
HSesgoJ
B>actitud
HSesgoJ
.recisi%n
HBrror de Medici%nJ
.recisi%n
HBrror de Medici%nJ
$iscriminaci%n
H-esoluci%nJ
$iscriminaci%n
H-esoluci%nJ
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Figura 4.2 Fuentes de Variacin
Para una validacin estadstica de causas se utilizan diversas herramientas
estadsticas como las que se explican a continuacin.
Perramientas ,#sicas para la fase de "n#lisis
4.3 "EF F(roceso actualH
El AMEF o FMEA ( Failure Mode and Effect Analisis) es una tcnica de
prevencin, utilizada para detectar por anticipado los posibles modos de falla,
con el fin de establecer los controles adecuados que eviten la ocurrencia de
defectos.
/,%eti;os
Identificar los modos de falla potenciales, y calificar la severidad de su
efecto.
Evaluar objetivamente la ocurrencia de causas y la habilidad de los
controles para detectar la causa cuando ocurre.
Clasifica el orden potencial de deficiencias de producto y proceso.
Se enfoca hacia la prevencin y eliminacin de problemas del producto y
proceso
Cu#ndo iniciar un "EF
Al disear los sistemas, productos y procesos nuevos.
Al cambiar los diseos o procesos existentes o que sern usados en
aplicaciones o ambientes nuevos.
Despus de completar la Solucin de Problemas (con el fin de evitar la
incidencia de los mismos).
Pgina 127
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
El AMEF de sistema, despus de que las funciones del sistema se
definen, aunque sea antes de seleccionar el hardware especfico.
El AMEF de diseo, despus de que las funciones del producto son
definidas, aunque sea antes de que el diseo sea aprobado y entregado
para su manufactura.
El AMEF de proceso, cuando los dibujos preliminares del producto y sus
especificaciones estn disponibles.
.ipos de "EFNS
AME= e Dise>o6 Se usa para analizar componentes de diseos. Se enfoca
hacia los Modos de Falla asociados con la funcionalia de un componente,
causados por el ise>o.
AME= e :roceso6 Se usa para analizar los procesos de manufactura y
ensamble. Se enfoca a la incapacidad para producir el requerimiento que
se pretende, un efecto. Los Modos de Falla pueden derivar de causas
identificadas en el AMEF de Diseo.
(rocedimiento para la ela,oracin del "..E.F FDiseMo o (rocesoH
1.
Determinar el proceso o producto a analizar.
2. Establecer los modos potenciales de falla.
3. Determinar el efecto de la falla
4. Determinar la causa de la falla
5. Describir las condiciones actuales: Anotar los controles actuales que estn
dirigidos a prevenir o detectar la causa de la falla.
6. Determinar el grado de ocurrencia: Es necesario estimar el grado de
ocurrencia de la causa de la falla potencial. Se utiliza una escala de evaluacin
Pgina 128
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
del 1 al 10. El "1 indica remota probabilidad de ocurrencia, el "10 indica muy
alta probabilidad de ocurrencia. (Tabla 4-3.1)
7. Determinar el grado de severidad: Para estimar el grado de severidad, se
debe de tomar en cuenta el efecto de la falla en el cliente. Se utiliza una
escala del 1 al 10: el `1 indica una consecuencia sin efecto. El 10 indica una
consecuencia grave. (Tabla 4-3.2)
8. Determinar el grado de deteccin: Se estimar la probabilidad de que el
modo de falla potencial sea detectado antes de que llegue al cliente. El `1
indicar alta probabilidad de que la falla se pueda detectar. El `10 indica que
es improbable ser detectada. (Tabla 4-3.3)
9. Calcular el nmero de prioridad de riesgo (NPR): Es un valor que establece
una !erar-ui?aci7n de los problemas a travs de la multiplicacin del grado de
ocurrencia, severidad y deteccin, ste provee la prioridad con la que debe de
atacarse cada modo de falla, identificando tems crticos.
NPR = Grado de Ocurrencia * Severidad * Deteccin.
Acciones recomendadas: Anotar la descripcin de las acciones
preventivas o correctivas recomendadas , incluyendo responsables de
las mismas. Anotando la fecha compromiso de implantacin.
10. Una vez realizadas las acciones correctivas o preventivas, se recalcula el
grado de ocurrencia, severidad, deteccin y el NPR.
Cada vez que haya alguna modificacin en el proceso o en el producto se
debe de actualizar el A.M.E.F.
4.4 Cartas ulti ?ari
2-
28
,orreo 9uan , Oon(&le( 3elfi Gr+icos 6stad2sticos "niversidad %acional
Pgina 129
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
El anlisis Multi-Vari permite determinar las fuentes que presentan mayor
variacin, a travs de la descomposicin de los componentes de variabilidad
del proceso.
El objetivo general de las cartas Multi-Vari es, descubrir los componentes de
variacin en el proceso y cuantificar las diferentes fuentes de variabilidad, las
cules pueden ser, por ejemplo: de lote a lote, dentro del lote, de turno a
turno, entre turnos, dentro del turno, de mquina a mquina, dentro de la
mquina, de operador a operador, dentro del operador, entre operadores, etc.
Su propsito fundamental es reducir el gran nmero de causas posibles de
variacin, a un conjunto pequeo de causas que realmente influyen en la
variabilidad.
Sirven para identificar el patrn principal de variacin de entre tres patrones
principales:
1.-Temporal: Variacin de hora a hora; turno a turno; da a da; semana a
semana; etc.
2.- Cclico: Variacin entre unidades de un mismo proceso; variacin entre
grupos de unidades; variacin de lote a lote.
3.- Posicional:
Variaciones dentro de una misma unidad (ejemplo: porosidad en un
molde de metal) o a travs de una sola unidad con mltiples partes
(circuito impreso).
Variaciones por la localizacin dentro de un proceso que produce
mltiples unidades al mismo tiempo. Por ejemplo las diferentes
cavidades de un molde
Variaciones de mquina a mquina; operador a operador; planta a
planta
Pgina 130
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Una vez identificados las fuentes de variacin, el anlisis Multi-Vari esta
diseado y enfocado a identificar la variable independiente de mayor
influencia dentro de las familias de variacin descritas anteriormente.
Pgina 131
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
E%emplo@
Se toman 3 a 5 unidades consecutivas, repitiendo el proceso tres o ms veces
a cierto intervalo de tiempo, hasta que al menos el 80% de la variacin en el
proceso se ha capturado.
Pgina 132
,
1 2 ) + 2 27 28 2: )# )1 22 25 27 28 2:
C-I,IP3 /BM.0-L $B /IBM.0 /IBM.0
,
1 2 ) + 2 27 28 2: )# )1 22 25 27 28 2:
C-I,IP3 /BM.0-L $B /IBM.0 /IBM.0
B
1 2 ) + 2 27 28 2: )# )1 22 25 27 28 2:
C-I,IP3 ,Q,LI, $B U3I$$ U3I$$
B
1 2 ) + 2 27 28 2: )# )1 22 25 27 28 2:
C-I,IP3 ,Q,LI, $B U3I$$ U3I$$
A
1 2 ) + 2 27 28 2: )# )1 22 25 27 28 2:
C-I,IP3 .0SI,I03L $B3/-0 $B L U3I$$
A
1 2 ) + 2 27 28 2: )# )1 22 25 27 28 2:
C-I,IP3 .0SI,I03L $B3/-0 $B L U3I$$
,
1 2 ) + 2 27 28 2: )# )1 22 25 27 28 2:
C-I,IP3 /BM.0-L $B /IBM.0 /IBM.0
,
1 2 ) + 2 27 28 2: )# )1 22 25 27 28 2:
C-I,IP3 /BM.0-L $B /IBM.0 /IBM.0
B
1 2 ) + 2 27 28 2: )# )1 22 25 27 28 2:
C-I,IP3 ,Q,LI, $B U3I$$ U3I$$
B
1 2 ) + 2 27 28 2: )# )1 22 25 27 28 2:
C-I,IP3 ,Q,LI, $B U3I$$ U3I$$
A
1 2 ) + 2 27 28 2: )# )1 22 25 27 28 2:
C-I,IP3 .0SI,I03L $B3/-0 $B L U3I$$
A
1 2 ) + 2 27 28 2: )# )1 22 25 27 28 2:
C-I,IP3 .0SI,I03L $B3/-0 $B L U3I$$
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
E%emplo@
Un proceso produce flecha cilndrica, con un dimetro especificado de 0.0250
R 0.001. Sin embargo un estudio de capacidad muestra un Cp = 0.8 y una
dispersin natural de 0.0025 (6o) contra la permitida de 0.0002. Se tiene
pensado comprar un torno nuevo de US$70,000 para tolerancia de R 0.0008,
i.e. Cpk = 1.25. Se sugiri un estudio Multi Vari previo.
Se tomaron cuatro lecturas en cada flecha, dos a cada lado. Estas muestran
una disminucin gradual desde el lado izquierdo al lado derecho de las
flechas, adems de excentricidad en cada lado de la flecha.
Un anlisis rpido revela que la mayor variacin es temporal con un cambio
mayor entre las 10 AM y las 11 AM.
A las 10 AM se para el equipo para el almuerzo y se arranca a las 11 AM, con
lecturas similares a las de las 8 AM. Conforme pasa el tiempo las lecturas
tienden a decrecer ms y ms, hasta que se invierten a las 10 A.M. en forma
drstica.
Pgina 133
<.251<=
<.25<<=
<.24><=
M69imo
Mnimo
B7Muierda
Derec'a
K /M L /M 1N /M 11 /M 12 /M
<.251<=
<.25<<=
<.24><=
M69imo
Mnimo
B7Muierda
Derec'a
M69imo
Mnimo
B7Muierda
Derec'a
K /M L /M 1N /M 11 /M 12 /M
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Se investig y se encontr que la temperatura tena influencia en la variacin.
La variacin en temperatura era causada por que la cantidad de refrigerante
no era la adecuada, lo cual se notaba ms cuando se paraba el equipo y se
volva a arrancar. Se adicion, reduciendo la variacin en 50%
aproximadamente..
Tambin se encontr que el acabado cnico era causado por que la
herramienta de corte estaba mal alineada. Se ajust, contribuyendo a otra
reduccin del 10% de la variabilidad.
La excentricidad de las flechas se corrigi al cambiar un rodamiento
excntrico por desgaste en el torno. Se instal un nuevo rodamiento
eliminndose otro 30% de la variabilidad.
4.$ Correlacin
Establece si existe una relacin entre las variables y responde a la pregunta,
Qu tan evidente es esta relacin?"
Los Diagramas de Correlacin se utilizan para estudiar las relaciones y
"posibles dependencias entre dos variables.
Pgina 134
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Tipos de Correlaciones:
Figura 4.3 Tipos de Correlaciones
La Correlacin:
Mide la fuerza de la asociacin lineal entre dos variables
No mide las relaciones fuertes no lineales
No mide causa y efecto
Puede ser utilizada como un primer paso para la regresin
Debe ser utilizada en conjunto con tcnicas grficas
La medicin de la fuerza de la asociacin lineal en un anlisis de correlacin es
"R (el coeficiente de correlacin.) que dependiendo del valor "nos dice que
tan bien se ajuntan los datos a la ecuacin.
-1<R<1
Pgina 135
(r
opi
ed
ad
es
de
*
Sin Correlacin Sin Correlacin
Correlacin PositiCa Correlacin PositiCa
Fuerte Correlacin PositiCa Fuerte Correlacin PositiCa
8tros patrones 8tros patrones Correlacin NegatiCa Correlacin NegatiCa
Fuerte Correlacin NegatiCa Fuerte Correlacin NegatiCa
1 1
2 2
" "
$ $
% %
) )
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
R > 0 indica una relacin positiva lineal
R < 0 indica una relacin negativa lineal
R
2
la proporcin de la variabilidad total de los valores de "y que pueden ser
explicados por la variable independiente x.
Si el valor de * esta entre:
0.9 R 1 Muy buen ajuste
0.8 R < 0.9 Buen ajuste, requiere de ms pruebas
0.6 R < 0.8 Regular, requiere revisin
4.! "n#lisis de *egresin
El anlisis de regresin es un mtodo estandarizado para localizar la
correlacin entre dos grupos de datos, y, quiz ms importante, crear un
modelo de prediccin.
Puede ser usado para analizar las relaciones entre:
Una sola "X predictora y una sola "Y
Mltiples predictores "X y una sola "Y
Varios predictores "X entre s
*egresin lineal simple
La Regresin lineal se refiere a la prediccin del valor de una variable a partir
de una o ms variables. En ocasiones se denomina a la variable dependiente
(y) variable de respuesta y a la variable independiente (x) variable de
prediccin.
Usamos un modelo pro,a,ilstico para explicar el comportamiento de la
variable independiente vs la variable dependiente, llamado modelo de
regresin lineal, y se expresa de acuerdo a la siguiente ecuacin:
Pgina 136
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
odelo de regresin lineal
Donde:
( = variable dependiente
0 = ordenada al origen
1 = pendiente
@ A variable independiente
e = Error aleatorio
La expresin
0 +
0 y
1
Supuestos para el modelo de regresin lineal
2D
1. Para cada valor de @, la variable aleatoria se distribuye normalmente.
2. Para cada valor de @, la media o valor esperado de es 0; esto es,
( ) # = =
6
.
). Para cada valor de @B la varianza de es la constante o
2
(llamada varianza
del error).
+. Los valores del trmino de error son independientes.
2. Para un valor fijo de @, la distribucin muestral de ( es normal, porque sus
valores dependen de los de .
6. Para un valor fijo @, es posible predecir el valor de (.
7. Para un valor fijo @, es posible estimar el valor promedio de (
2:
-ichard 6eimer 6stad2stica
Pgina 137
+ + = x !
1 #
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
E%emplo
3'
@
Se tiene que predecir las ventas mensuales en funcin del costo de publicidad
de los siguientes datos:
Utilizando el Minitab:
> Stat > Regression > Regression
Seleccionar Response = Columna de las Y's
Seleccionar Predictors = Columnas de las Xs
OK
)#
-am=re( Bduardo /omado de los puntes de la ,lase Anlisis de (egresin
Pgina 138
Mes Publicidad 1entas
1 1.20 101
2 0.80 92
3 1.00 100
4 1.30 110
5 0.70 90
6 0.80 82
7 0.90 95
8 0.60 80
9 0.90 91
10 1.10 105
11 0.90 93
12 0.70 91
13 0.70 83
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
La ecuacin sera: * E $-.-! ^ 3!.!_(u,licidad
De acuerdo al valor de R2 (82.46%) tenemos que el 82.46% de los datos se
ajustan al modelo de regresin, es un buen ajuste, pero requiere de ms
pruebas para hacerlo estadsticamente ms representativo.
*egresin lineal m`ltiple
En ocasiones la informacin de una variable independiente no es suficiente,
Cuando se usa ms de una variable independiente para predecir los valores de
una variable dependiente, el proceso se llama anlisis de regresin mltiple; y
se expresa de acuerdo a la siguiente ecuacin:
odelo de regresin m`ltiple
Y =
0 +
1 @1 +
2 @2 +.... +
n
Donde:
( = variable dependiente
0 = ordenada al origen
1,
Ho:
o
=
Ha:
#
Calcular el estadstico de prueba
n
s
4
calc
#
=
Establecer la regin de rechazo, para prueba de 2 colas: 2 2
4 4
Pgina 148
Pruebas de 5iptesis de dos colas*
5o* a O b
5a* a b
Pruebas de 5iptesis de cola derec'a*
5o* a b
5a* a P b
Pruebas de 5iptesis cola i7Muierda*
5o* a b
5a* a R b
@
/2 N
, @
/2
2egin de
2ec'a7o
2egin de
2ec'a7o
@
/2
N
2egin de
2ec'a7o
@
/2
N
, @
/2
2egin de
2ec'a7o
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Si el ;alor del estadstico de
prue,a cae en la regin de
rec4a8o rec4a8aremos Po de
otra manera no podemos
rec4a8ar Po.
E%emplo@
Supongamos que tenemos muestras de dos reactores que producen el mismo
artculo. Se desea ver si hay diferencia significativa en el rendimiento de
"Reactor a Reactor.
Estadsticas Descripti;as
Variable Reactor N Media Desv.Std
Rendimiento A 10 84.24 2.90
B 10 85.54 3.65
(regunta (r#ctica: Existe diferencia entre los reactores?
(regunta Estadstica La media del Reactor B (85.54) es significativamente
diferente de la media del Reactor A (84.24)? o, su diferencia se da por
casualidad en una variacin de da a da.
Po@ No existe diferencia entre los Reactores.
Pa@ Las medias de los Reactores son diferentes.
7 a
. = S
#
7 a a
. S
Pgina 149
@
/2
N
, @
/2
2egin de
2ec'a7o
2egin de
2ec'a7o
-eactor -eactor B
8:.7 8+.7
81.+ 85.1
8+.2 8).2
8+.8 :1.:
87.) 85.)
7:.7 7:.)
82.1 82.5
81.7 8:.1
8).7 8).7
8+.2 88.2
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Se busca demostrar que los valores observados al parecer no corresponden al
mismo proceso, se trata de rechazar Ho.
Representan los reactores dos procesos diferentes?
Representan los reactores un proceso bsico?
Pgina 150
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
(rue,as de Piptesis so,re la Igualdad de dos edias.
A) Varianzas conocidas
Supngase que hay dos poblaciones de inters X1 y X2, Suponemos que X1
tiene media desconocida
1
y varianza conocida
2
1
y que X2 tiene media
desconocida
2
y
2
sean iguales.
Considrense primero las hiptesis alternativas de dos lados:
2 1 #
S = .
2 1 1
S .
donde:
H0 = Hiptesis nula
H1 = Hiptesis alternativa.
1
= media de la poblacin 1
2
= media de la poblacin 2
El procedimiento para probar 2 1 #
S = .
consiste en calcular la estadstica de
prueba Z0 mediante la siguiente frmula:
2
2
2
1
1
2
2 1
#
n n
X X
4
+
=
donde:
Pgina 151
1
X E media de la muestra 1
2
X E media de la muestra 2
1
2
E varian(a de la poblaci%n 1
2
2
E varian(a de la poblaci%n 2
1
n E tama1o de la muestra 1
2
n
E tama1o de la muestra 2
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
5a 4iptesis nula P' se *ec4a8a si@
2 #
4 4 >
o 2 #
4 4 <
donde:
Z0 = Valor calculado del estadstico de prueba
2
4
= Valor obtenido de las tablas.
Las hiptesis alternativa de un lado se analizan de manera similar. Para
probar
2 1 #
S = .
2 1 1
S > .
Se calcula la estadstica de prueba Z0 , y se rechaza 2 1 #
S = .
si
4 4 >
# .
Para probar las otras hiptesis alternativas de un lado
2 1 #
S = .
2 1 1
S < .
Se utiliza la estadstica de prueba Z0 y se rechaza 2 1 #
S = .
si
4 4 <
#
E%emplo@
Se emplean dos mquinas para llenar botellas de plstico con un volumen
neto de 16 onzas. El proceso de llenado puede suponerse normal, con
desviaciones estndar de
#12 .
1
=
y
#18 .
2
=
. Ingeniera de calidad sospecha
que ambas mquinas llenan hasta el mismo volumen neto, sin importar que
este volumen sea o no de 16 onzas. Se toma una muestra aleatoria de la
salida de cada mquina. Piensa usted que ingeniera de calidad est en lo
correcto? Utilizando #2 . = .
Pgina 152
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Se toman muestras con cada mquina, mostradas en la siguiente tabla:
Se establecen las hiptesis:
2 1 #
S = .
2 1 1
S .
Calculando las medias de cada mquina obtenemos:
##2 . 15 4 #12 . 15
2 1
= = X X
.
2
2
2
1
1
2
2 1
#
n n
X X
4
+
=
=
)+ . 1
1#
#18 .
1#
#12 .
##2 . 15 #12 . 15
2 2
=
+
2
4
= Z.025 = 1.96 ( De tablas)
Utilizando el criterio de decisin 2 #
4 4 >
para rechazar la hiptesis nula H0,
entonces tenemos que:
1.34 > 1.96 por lo tanto NO rechazamos H0.
No existe suficiente evidencia estadstica para pensar que las medias son
diferentes.
Pgina 153
mquina 1 mquina 2
16.03 16.02
16.04 15.97
16.05 15.96
16.05 16.01
16.02 15.99
16.01 16.03
15.96 16.04
15.98 16.02
16.02 16.01
15.99 16
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Cuando rechazamos la hiptesis nula se considera que la prueba es potente,
si aceptramos la hiptesis nula el criterio de decisin es dbil, ya que
generalmente se busca rechazar H0.
(rue,as de 4iptesis para dos po,laciones
(rue,as de igualdad de dos ;arian8as
Presentaremos ahora pruebas para comparar dos varianzas. Supngase que
son dos las poblaciones de inters, por ejemplo X1 y X2, donde
2
2 2
2
1 4 1
4 4
, se
desconocen. Deseamos probar hiptesis relativas a la igualdad de las dos
varianzas,
2
2
2
1 #
S = .
. Considrese que se disponen dos muestras aleatorias
de tamao n1 de la poblacin 1 y de tamao n2 de la poblacin 2, y sean
2
2
2
1
!S S las varianzas de muestra. Para probar la alternativa de dos lados
2
2
2
1 #
S = .
2
2
2
1 1
S .
Utilizamos el hecho de que la estadstica
2
2
2
1
#
S
S
& =
Se distribuye como F, con n1-1 y n2 -1 grados de libertad.
Rechazaramos H0 si
1 4 1 4 2 #
2 1
>
n n
& &
o si
1 4 1 4 2 1 #
2 1
<
n n
& &
Pgina 154
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Donde 1 4 1 4 2
2 1
n n
&
y 1 4 1 4 2 1
2 1
n n
&
son los puntos porcentuales
2
superior e
inferior de la distribucin F con n1-1 y n2-2 grados de libertad. La tabla F
proporciona slo los puntos de la cola superior de F, por lo que para
determinar 1 4 1 4 2 1
2 1
n n
&
debemos emplear
1 4 1 4 2 1
2 1
n n
&
=
1 4 1 4 2
2 1
1
n n
&
,
podemos combinarlas para producir una sola estimacin, mediante la
siguiente frmula:
( ) ( )
2
1 1
2 1
2
2 2
2
1 1
+
+
=
n n
S n S n
S
p
Para probar 2 1 #
S = .
calclese la estadstica de prueba
2 1
2 1
#
1 1
n n
S
X X
t
p
+
=
Si 2 4 2 #
2 1
+
>
n n
t t
o si 2 4 2 #
2 1
+
<
n n
t t
, rechazamos 2 1 #
S = .
Las alternativas de un lado se tratan de modo similar. Para probar:
2 1 1
2 1 #
S
S
>
=
.
.
Calclese la estadstica de prueba t0 y rechcese
2 1 #
S = .
si:
2 4 #
2 1
+
>
n n
t t
Para la otra alternativa de un lado,
2 1 1
2 1 #
S
S
<
=
.
.
Calclese la estadstica de prueba y rechcese
2 1 #
S = .
si:
2 4 #
2 1
+
<
n n a
t t
E%emplo@
Pgina 157
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Se est investigando la resistencia de dos alambres, con la siguiente
informacin de muestra.
"lam,re *esistencia Fo4msH
1 0.140 0.141 0.139 0.140 0.138 0.144
2 0.135 0.138 0.140 0.139 - -
Suponiendo que las dos varianzas son iguales, qu conclusiones puede
extraerse respecto a la resistencia media de los alambres?
2 1 #
S = .
2 1 1
S .
Calculando la media y la desviacin estndar de la muestra:
##22 . #
##21 . #
1)8 . #
1+# . #
2
1
2
1
=
=
=
=
S
S
x
x
( ) ( )
2
1 1
2 1
2
2 2
2
1 1
+
+
=
n n
S n S n
S
p
= .0021
2 1
2 1
#
1 1
n n
S
X X
t
p
+
=
= 1.72
Se busca en la tabla de distribucin t el valor
2 4 2 1
4 2
+n n
t
= t.025,8 =2.306 o se
determina con Excel.
Utilizando el criterio de rechazo 2 4 2 #
2 1
+
>
n n
t t
, 1.72 no es mayor que 2.306,
por lo tanto no rechazamos H0.
Pgina 158
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
4.- "n#lisis de ;arian8a de una ;a F"N/?"H
El anlisis de la varianza de un criterio (ANOVA) es una metodologa para
analizar la variacin entre muestras y la variacin al interior de las mismas
mediante la determinacin de varianzas. Es llamado de un criterio porque
analiza un variable independiente o Factor. Como tal, es un mtodo
estadstico til para comparar dos o ms medias poblacionales.
Tipos de ANOVAS:
ANOVA de un factor o direccin
ANOVA de un factor y una variable de bloqueo
ANOVA de un factor y dos variables de bloqueo - CUADRADO LATINO
ANOVA de un factor y tres variables de bloqueo - CUADRADO
GRECOLATINO
El "N/?" de un factor o direccin@
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, Temp.3, etc)
Prueba de Hiptesis:
Ho : 1 = 2 = 3 .. n
Ha: Alguna media es diferente
Condiciones:
Todas las poblaciones son normales
Todas las poblaciones tiene la misma varianza
Los errores son independientes con distribucin normal de media cero
La varianza se mantiene constante para todos los niveles del factor
Pgina 159
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
"N/?" de un factor ) una ;aria,le de ,loCueo@
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 RENGLN y considerando los
niveles de otro factor que se piensa que tiene influencia en la prueba -
FACTOR DE BLOQUEO Por COLUMNA
(rue,a de Piptesis@
a) Para el tratamiento en renglones
Ho : 1 = 2 = 3 .. n
Ha: Alguna media es diferente
b) Para el factor de bloqueo en columnas
Ho : 1 = 2 = 3 .. n
Ha: Alguna media es diferente
Pgina 160
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
"N/?" de un factor ) dos ;aria,les de ,loCueo L C0"D*"D/ 5".IN/@
El diseo de Cuadrado latino utiliza dos factores de bloqueo adicionales al de
Tratamiento
El clculo de suma de cuadrados para renglones y para columnas es similar al
de ANOVA de un factor principal y otro de bloqueo.
"N/?" de un factor ) tres ;aria,les de ,loCueo L C0"D*"D/
A*EC/5".IN/@
El diseo de Cuadrado Grecolatino utiliza tres factores adicionales al del
Tratamiento
El clculo de suma de cuadrados para renglones y para columnas es similar al
de ANOVA de un factor principal y otro de bloqueo.
En todos los casos, la Ho se rec4a8a si..
Fc > F tablas TAceptando Ha donde las medias son diferentes tambin
considerando el valor de P-value (del minitab)
Del correspondiente de Fc P < TAceptando Ha donde las medias son
diferentes
E%emplo@
Tres tipos distintos de motores de gasolina fueron probados para determinar
cunto tiempo son tiles antes de necesitar una reparacin; si los tiempos de
vida de los motores de cada tipo se distribuyen normalmente y tienen la
misma varianza, haga una prueba usando = 0.05 para determinar si difieren
las medias de vida til antes de requerir una reparacin. En la tabla aparecen
Pgina 161
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
los tiempos de vida til, en decenas de miles de millas para cada tipo de
motor.
A B C
6 8 3
2 7 2
4 7 5
1 2 4
7 6 1
Mediante Minitab determinamos si las muestras provienen de una poblacin Normal para cada
tipo de motor.
Stat > Basic statistics > Normality test
Variable - Columnas de datos
Test for normality - Seleccionar Ryan Joiner OK
.
Pgina 162
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Analizando las grficas nos damos cuenta de que las 3 muestras provienen de poblaciones
normales.
Si denotamos por ) 2 4 1
!
las medias poblacionales de los tiempos de vida til para los
tipos A, B y C, respectivamente, entonces podemos escribir las hiptesis estadsticas como:
) 2 1 #
S = = .
Pgina 163
/
P
e
r
c
e
n
t
10 8 6 4 2 0 -2
99
95
90
80
70
60
50
40
30
20
10
5
1
Mean
>0.100
4
StDev 2.550
N 5
RJ 0.982
P-Value
Probabilit3 Plot o- /
Normal
&
P
e
r
c
e
n
t
12 10 8 6 4 2 0
99
95
90
80
70
60
50
40
30
20
10
5
1
Mean
>0.100
6
StDev 2.345
N 5
RJ 0.909
P-Value
Probabilit3 Plot o- &
Normal
C
P
e
r
c
e
n
t
7 6 5 4 3 2 1 0 -1
99
95
90
80
70
60
50
40
30
20
10
5
1
Mean
>0.100
3
StDev 1.581
N 5
RJ 0.998
P-Value
Probabilit3 Plot o- C
Normal
5a3 normalidad si
P Calue es PON.N%
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
DC6 Al menos dos medias poblacionales no son iguales.
(rocedimiento en E:cel@
En el men herramientas seleccione la opcin Anlisis de datos, en
funciones para anlisis seleccione Anlisis de varianza de un factor.
En Rango de entrada seleccionar la matriz de datos.
Alfa = 0.05
En Rango de salida indicar la celda donde se iniciar la presentacin de
resultados.
En la tabla observamos que el estadstico de prueba Fc es menor al valor crtico para F, por lo
que 2.41 < 3.88, por lo cual no rechazamos al Hiptesis nula H0.
No tenemos evidencia estadstica para afirmar que los tiempos de vida til de los motores,
antes de requerir una reparacin son diferentes.
Pgina 164
Anlisis de varianza de un factor
RESUMEN
Grupos Cuenta Suma Promedio Varian!a
Columna 1 5 20 4 6.5
Columna 2 5 30 6 5.5
Columna 3 5 15 3 2.5
ANLSS DE VARANZA
"rigen de las #ariaciones Suma de cuadrados Grados de libertad Promedio de los cuadrados F Probabilidad Valor crtico para F
Entre grupos 23.33333333 2 11.66666667 2.413793103 0.13150932 3.885290312
Dentro de los grupos 58 12 4.833333333
Total 81.33333333 14
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
"N/?" en inita,.
Utilice #2 . # = para calcular si difiere el rendimiento de los motores.
Seleccionar:
Stat > ANOVA > One Way (Unstacked)
Response in separate columns A, B, C
Seleccionar ! Store Residuals ! Store Fits Confidence level 95%
Graphs
Seleccionar Normal plot of residuals
Comparisons
Seleccionar Tukeys Family error rate OK
*esultados@
La grfica normal de residuos debe mostrar los residuos aproximados por una recta para
validar el modelo:
2esidual
P
e
r
c
e
n
t
5.0 2.5 0.0 -2.5 -5.0
99
95
90
80
70
60
50
40
30
20
10
5
1
Normal Probabilit3 Plot o- t'e 2esiduals
(responses are A, B, C)
One-way ANOVA: A, B, C
Pgina 165
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Source -2 SS 3S 2 (
2actor # #!.!! %%.&7 #.4% 0.%!#
6rror %# 8.00 4.8!
Total %4 8%.!!
Como este valor P es mayor a 0.05 se rec4a8a la 4iptesis nula y A, B y C no
tienen efecto en la respuesta.
S , #.%"8 R)S7 , #8.&"% R)S7(a'8) , %&.80%
9n'i.i'ual "% C9+ 2or 3ean :a+e' on
(oole' St-e.
;e.el 1 3ean St-e. ))))))<)))))))))<)))))))))<)))))))))<)))
4 4.000 #.0 ())))))))))/)))))))))))
: &.000 #.!4 ())))))))))/)))))))))))
C !.000 %.8% ())))))))))/)))))))))))
))))))<)))))))))<)))))))))<)))))))))<)))
#.0 4.0 &.0 8.0
(oole' St-e. , #.%"8
Los intervalos de confianza de los tres niveles A, B, C del factor se pueden
traslapar por tanto sus efectos no son diferentes.
Tu=e$ "% Simultaneou+ Confi'ence 9nter.al+
4ll (air>i+e Compari+on+
9n'i.i'ual confi'ence le.el , "7."4%
4 +ubtracte' from?
Pgina 166
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
;o>er Center *pper )))))))))<)))))))))<)))))))))<)))))))))<
: )%.707 #.000 .707 ())))))))))/))))))))))
C )4.707 )%.000 #.707 ()))))))))/)))))))))))
)))))))))<)))))))))<)))))))))<)))))))))<
)!. 0.0 !. 7.0
: +ubtracte' from?
;o>er Center *pper )))))))))<)))))))))<)))))))))<)))))))))<
C )&.707 )!.000 0.707 ()))))))))/)))))))))))
)))))))))<)))))))))<)))))))))<)))))))))<
)!. 0.0 !. 7.0
Como el cero pertenece al intervalo de confianza de las diferencias entre A y
B; A y C y entre B y C no hay diferencia entre el efecto entre estos niveles.
4.D Entrega,les@
En esta etapa los entregables seran:
Establecer Capacidad del Proceso
o Analizar datos grficamente para para la "Y del proyecto. (datos
continuos)
o Calcular el sigma inicial (de referencia) para la Y del proyecto.
Definir Objetivos de Desempeo
o Definir objetivos de rendimiento
Identificar Fuentes de Variacin
o Identificar las posibles causas de variacin
o Reducir la lista de causas potenciales
La siguiente fase es la de mejora, la cual implica tanto el diseo como la
implementacin. En esta fase de diseo es muy importante ya que asume una
preponderancia fundamental la participacin de todos los participantes del
proceso, como as tambin la capacidad creativa, de los mismos; tambin
Pgina 167
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
considera la actividad de benchmarking a los efectos de detectar en otras
unidades de la misma empresa o en otras empresas (competidoras o no)
formas ms efectivas de llevar a cabo un proceso.
Pgina 168
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
C"(B.05/ $. F"SE DE E6/*"
$.1 Introduccin
En la fase de Anlisis es cuando el equipo selecciona las caractersticas de
desempeo del producto que deben ser mejoradas para alcanzar la meta de
mejora identificando las mayores fuentes de variacin del proceso. S
e identificaron las causas de variacin. En esta fase se utilizar el diseo de
experimentos (DOE), para seleccionar las causas que ms afectan nuestro
CTQ e investigar estas causas para conocer el comportamiento del proceso.
El mtodo de DOE consiste en realizar cambios en los niveles de operacin de
los factores (Xs) para obtener los mejores resultados en la respuesta "Y".
Esta informacin es de gran ayuda para la optimizacin y mejora de procesos.
Pgina 169
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Las Herramientas a utilizar pueden ser:
Figura $.1 Herramientas en la Fase de Medicin
Los objetivos de esta fase son:
Identificar especficamente cmo el proceso debe ser mejorado.
Conocer el uso de las herramientas de mejora.
Conducir el diseo de experimentos para la optimizacin de procesos.
Obtener las mejoras del proceso en el proyecto.
Las principales herramientas utilizadas en esta fase son las siguientes:
$.2 Etapas de la fase de e%ora
Las etapas de la fase mejora son las siguientes:
Pgina 170
DMAC
DMAC
Definir
Definir
Medir
Medir
Analizar
Analizar
Mejorar Mejorar Mejorar Controlar
Controlar
1. Mapa de Proceso
2. Despliegue de la
Funcin de Calidad
(FD!
". Modelo #ano
$. Diagrama Matricial
%. &enc'mar(in
). Costos de Calidad
1. Mapa de Proceso
2. Despliegue de la
Funcin de Calidad
(FD!
". Modelo #ano
$. Diagrama Matricial
%. &enc'mar(in
). Costos de Calidad
1. Mapa de detallado
de Procesos
2. Diagrama de Pareto
". Diagrama de Causa,
E-ecto
$. Diagrama de .rbol
%. Diagrama de
/-inidad
). M0todos de
Muestreo
Estadstico
J. Capacidad del
Sistema de Medicin
K. Distribucin Normal
L. Capacidad del
Proceso
1. Mapa de detallado
de Procesos
2. Diagrama de Pareto
". Diagrama de Causa,
E-ecto
$. Diagrama de .rbol
%. Diagrama de
/-inidad
). M0todos de
Muestreo
Estadstico
J. Capacidad del
Sistema de Medicin
K. Distribucin Normal
L. Capacidad del
Proceso
1. /MEF
2. Cartas Multi 1ari
". Correlacin
$. 2egresin lineal
Simple 3 lineal
M4ltiple
%. Pruebas de
5iptesis
). /n6lisis de 1arian7a
(/N81/!
1. /MEF
2. Cartas Multi 1ari
". Correlacin
$. 2egresin lineal
Simple 3 lineal
M4ltiple
%. Pruebas de
5iptesis
). /n6lisis de 1arian7a
(/N81/!
1. /n6lisis de
E9perimentos (D8E!
2. Dise:o Factorial 2
#
". Dise:o Factorial
Fraccional
$. Dise:o ;aguc'i
%. Dise:o de Me7clas
). M0todos de Super-icie
de 2espuesta
1. /n6lisis de
E9perimentos (D8E!
2. Dise:o Factorial 2
#
". Dise:o Factorial
Fraccional
$. Dise:o ;aguc'i
%. Dise:o de Me7clas
). M0todos de Super-icie
de 2espuesta
DMAC
DMAC
Definir
Definir
Medir
Medir
Analizar
Analizar
Mejorar Mejorar Mejorar Controlar
Controlar
1. Mapa de Proceso
2. Despliegue de la
Funcin de Calidad
(FD!
". Modelo #ano
$. Diagrama Matricial
%. &enc'mar(in
). Costos de Calidad
1. Mapa de Proceso
2. Despliegue de la
Funcin de Calidad
(FD!
". Modelo #ano
$. Diagrama Matricial
%. &enc'mar(in
). Costos de Calidad
1. Mapa de detallado
de Procesos
2. Diagrama de Pareto
". Diagrama de Causa,
E-ecto
$. Diagrama de .rbol
%. Diagrama de
/-inidad
). M0todos de
Muestreo
Estadstico
J. Capacidad del
Sistema de Medicin
K. Distribucin Normal
L. Capacidad del
Proceso
1. Mapa de detallado
de Procesos
2. Diagrama de Pareto
". Diagrama de Causa,
E-ecto
$. Diagrama de .rbol
%. Diagrama de
/-inidad
). M0todos de
Muestreo
Estadstico
J. Capacidad del
Sistema de Medicin
K. Distribucin Normal
L. Capacidad del
Proceso
1. /MEF
2. Cartas Multi 1ari
". Correlacin
$. 2egresin lineal
Simple 3 lineal
M4ltiple
%. Pruebas de
5iptesis
). /n6lisis de 1arian7a
(/N81/!
1. /MEF
2. Cartas Multi 1ari
". Correlacin
$. 2egresin lineal
Simple 3 lineal
M4ltiple
%. Pruebas de
5iptesis
). /n6lisis de 1arian7a
(/N81/!
1. /n6lisis de
E9perimentos (D8E!
2. Dise:o Factorial 2
#
". Dise:o Factorial
Fraccional
$. Dise:o ;aguc'i
%. Dise:o de Me7clas
). M0todos de Super-icie
de 2espuesta
1. /n6lisis de
E9perimentos (D8E!
2. Dise:o Factorial 2
#
". Dise:o Factorial
Fraccional
$. Dise:o ;aguc'i
%. Dise:o de Me7clas
). M0todos de Super-icie
de 2espuesta
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
ostrar las causas potenciales ) caracteri8acin de ZNs
31
@
En la fase de anlisis encontramos los pocos vitales Xs, en esta fase vamos a
determinar aquellos que especficamente afectan nuestro proceso. Esto se
lleva a cabo a travs de datos histricos, conocimiento y discusiones. Con
base a lo anterior tambin desechamos las variables que no son utilizadas.
Una opcin para realizar esta actividad es mediante el uso del diagrama de
Ishikawa.
Los cambios en los parmetros de operacin referentes a las Xs pueden ser
puestos en niveles mltiples, para estudiar como afectan la respuesta en el
proceso "Y
El Diseo de Experimentos es un mtodo para probar la significancia, o sea
que tanto afectan cada uno de los factores a la variable de respuesta. Y para
determinar la interaccin entre dichos factores.
Consideraciones:
El Diseo de Experimentos sirve para identificar los pocos vitales de los CTQ
s
En la optimizacin es utilizada para determinar los niveles ms apropiados
de los pocos vitales.
Sirve para comparar el resultado experimental contra el proceso actual
$.3 .erminologa
+loCues@ Unidades experimentales homogneas.
+loCueo@ Considerar las variables que el experimentador desea reducir su
efecto o variabilidad.
)1
-e'es .rimitivo #iplomado en ,lac* ,elt
Pgina 171
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Colinealidad@ Ocurre cuando 2 variables estn completamente
correlacionadas.
Co;arian8a@ Cosas que cambian durante los experimentos pero no fueron
planeadas a cambiar
DiseMo ro,usto@ De acuerdo a Taguchi, un experimento en el cual la variable
de respuesta es
inmune a los factores de ruido.
DiseMo simples@ Un diseo espacial usado para determinar todas las
combinaciones posibles de factores de entrada en una prueba experimental.
D/E@ Diseo de Experimentos.
Efecto principal@ Un estimado del efecto de un factor independientemente del
efecto de los dems.
Error e:perimental@ Variacin en respuesta bajo las mismas condiciones de
prueba. Tambin se denomina error residual.
Error residual@ Es la diferencia entre los valores observados y los estimados
por un modelo.
Fraccional@ Un arreglo con menos experimentos que el arreglo completo (1/2,
, etc.).
Factorial completo@ Arreglo experimental que considera todas las
combinaciones de factores y niveles.
Arados de li,ertad (DOF, DF, df): Nmero de mediciones independientes para
estimar un parmetro poblacional.
Pgina 172
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Interaccin@ Ocurre cuando el efecto de un factor de entrada en la respuesta
depende del nivel de otro factor diferente.
Ni;el@ Un valor especfico para un factor controlable de entrada.
/ptimi8acin@ Hallar las combinaciones de los factores que maximicen o
minimicen la respuesta.
/rtogonal o ,alanceado@ Es el arreglo que permite estimar los efectos de los
factores principales y de sus interacciones sin confundirlos (el factorial
completo es un ejemplo).
*3plicas@ Experimentos repetidos en diferente tiempo para estimar el error
experimental.
?aria,le de respuesta@ Variable que muestra los resultados observados de un
tratamiento experimental, es la variable dependiente.
.ratamientos@ Son los diversos niveles de los factores que describen como se
debe realizar el experimento (50 y 7.5 pH).
$.4 DiseMo de E:perimentos FD/EH
32
Un experimento es una prueba o serie de pruebas en las cuales se hacen
modificaciones a las variables de entrada de un proceso o sistema para que
puedan ser observadas y definidas las respuestas de salida
Los propsitos del diseo de experimentos son:
Determinar
o Cules variables son de mayor influencia a la salida.
o Dnde fijar las entradas para producir la salida al nivel deseado.
)2
Montgomer' $ouglas ,. #ise8o de 6xperimentos
Pgina 173
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
o Dnde fijar las entradas de mayor influencia para reducir la
variabilidad en la salida.
o Dnde fijar las entradas controlables para que los efectos de las
entradas incontrolables sean minimizados.
Encontrar la ecuacin (y = f(x)) para optimizar el proceso
Por lo anterior, los mtodos de diseo de experimentos pueden utilizarse ya
sea para el desarrollo o la mejora de los procesos, para mejorar el desempeo
o para obtener un proceso que sea ro8usto o insensible a fuentes externas de
variabilidad.
Existen diferentes tipos de experimentos entre los cuales se encuentra los
siguientes:
.ipos comunes de
E:perimentos
4 /,%eti;os
N`mero tpico
de factores
controla,les
Factorial Completo
(todas las combinaciones
de factores y niveles)
- Encontrar los niveles de factor que
proporcionan los mejores resultados.
- Construir un modelo matemtico (evala
todas las interacciones)
4 o menos
Fraccional Factorial
(subgrupo del nmero total
de combinaciones)
- Encontrar los niveles de factor que
proporcionan los mejores resultados.
- Construir un modelo matemtico (evala
todas las interacciones).
5 o ms
DiseMo Central
Compuesto
- Optimizar
- Construir un modelo matemtico cuando
no haya efectos lineales (Superficie de
respuesta).
3 o menos
Pgina 174
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
4.1 DiseMo *o,usto - Optimizar
- Para encontrar los niveles de factores a fin
de reducir al mnimo la variacin ante
factores de ruido cambiantes
5 o ms
DiseMo *o,usto
Din#mico de .aguc4i
- Optimizar
- Optimizar la funcin de un producto o
proceso de manufactura.
- Reducir al mnimo la sensibilidad al ruido y
aumentar al mximo la sensibilidad a la
seal de entrada.
7 o ms
.a,la $.1 Tipos de Experimentos
Los mtodos de diseo de experimentos pueden tambin jugar un papel
mayor en las actividades de ingeniera de desarrollo de nuevos productos o
mejora de los productos actuales. Algunas aplicaciones del diseo de
experimentos incluyen:
1. Evaluacin y comparacin de configuraciones bsicas de diseo.
2. Evaluacin de alternativas de material.
3. Determinacin de parmetros clave de diseo con impacto en el
desempeo.
Cla;es para E:perimentar con a:ito
a) Medicin Adecuada de los Resultados
Usar un resultado relacionado directamente con la funcin del proceso,
usar datos variables.
b) Diseo Experimental Slido
Ni el mejor anlisis de datos puede compensar un experimento mal
diseado. Selecciona cuidadosamente la respuesta de salida, los
factores y los niveles as como el esquema del DOE.
c) Planeacin Meticulosa
Pgina 175
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Para asegurar que las condiciones se puedan controlar como se
estableci en el diseo experimental, se deben preparar con anticipacin
todos los recursos (gente, materiales, etc.) necesarios para realizar el
experimento.
d) Sistemas de Medicin Verificados
Para asegurar que todos los datos sean "buenos, verifica todos los
sistemas de medicin antes de realizar el DOE.
e) Identifica las Unidades Experimentales
Marca cada unidad de acuerdo con la condicin experimental que la
produce. De lo contrario, se perder toda la informacin.
(asos para DiseMar ) *eali8ar un DiseMo de E:perimentos
1.- Observar datos histricos y/o recolectar datos para establecer la
capacidad actual del proceso debe estar en control estadstico.
2.- Determinar el objetivo del experimento (CTQs a mejorar).
(or medio de un eCuipo de tra,a%o multidisciplinario
3.- Determinar qu se va a medir como resultado del experimento.
4.- Identificar los factores (factores de control y de ruido) que pueden
afectar el resultado.
5.- Determinar el nmero de niveles de cada factor y sus valores reales.
6.- Seleccionar un esquema experimental que acomode los factores y
niveles seleccionados y decidir el nmero de replicas.
7.- Verificar todos los sistemas de medicin (R&R < 10%)
8.- Planear y preparar los recursos (gente, materiales, etc.) para llevar a
cabo el experimento. Hacer un plan de prueba.
9.- Realizar el experimento, marcar partes con la condicin experimental
que la produce.
10.- Medir las unidades experimentales.
11.- Analizar los datos e identificar los factores significativos.
Pgina 176
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
12.- Determinar la combinacin de niveles de factores que mejor alcance
el objetivo.
13.- Correr un experimento de confirmacin con esta combinacin
"ptima".
14.- Asegurar que los mejores niveles para los factores significativos se
mantengan por largo tiempo mediante la implementacin de Procesos de
Operacin Estndar y controles visuales.
15.- Re evaluar la capacidad del proceso.
E%emplo@ Proceso de soldadura de una tarjeta de circuito impreso:
Objetivos de los experimentos
oCaracterizar el proceso (identificar los factores que influyen en la
ocurrencia de defectos)
oOptimizar, identificar el nivel ptimo de los factores crticos para reducir
el nmero de defectos en los circuitos impresos
Identificar la variable de respuesta
Identificar los factores controlables que pueden afectar Y
Identificar los factores de ruido que no podemos o queremos controlar
Variables de control Xs
oTemperatura de la soldadura
oTemperatura de precalentamiento
oVelocidad de la banda
oTipo de fundente
oDensidad relativa del fundente
oAltura de la ola de soldadura
oAngulo de la banda transportadora
Variables que no se pueden o desean controlar Zs - Variables de ruido
Pgina 177
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
oEspesor de la tarjeta de circuito impreso
oTipos de componentes usados en el CI
oDisposicin de los componentes
oOperario
oRitmo de produccin
Los Factores pueden afectar...
Tipos de Salidas (Las salidas se clasifican de acuerdo a nuestros objetivos):
Pgina 178
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Estrategias cuando el "Valor Meta es Mejor
+
=
+ =
+
+
=
+ =
+
+
=
Las cantidades entre parntesis se denominan contrastes, aqu los
coeficientes siempre son +1 -1. Tambin se pueden determinar usando una
tabla de signos para los efectos en el diseo 2
2
como sigue:
Pgina 182
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Efectos factoriales
Corrida I A B AB
1 (1) + - - + ANOVA
2 a + + - - Fo = SST / SSE
3 b + - + - glSST = 4n - 1
4 ab + + + + gl.SSE = 4(n-1)
Para obtener la suma de cuadrados de A, B, y AB se usa:
=
2
2
J . . H
J H
contrastes de es coe+icient n
contraste
SS
Por tanto la suma de cuadrados para A, B y AB son:
2
2
2
J J 1 H H
+
1
JJ 1 H H
+
1
JJ 1 H H
+
1
7 a a7
n
SSA,
a a7 7
n
SS,
7 a7 a
n
SSA
+ + =
+ =
+ =
E%emplo
34
@
Se trata de considerar la concentracin del reactivo y de la cantidad de
catalizador sobre la conversin (rendimiento) de un proceso qumico. Por tal
motivo sea A la concentracin del reactivo con 2 niveles de inters que son
15% y 25%; Y el catalizador del proceso es B, con un nivel alto denotando el
uso de 2 libras de catalizador y un nivel bajo denotando el uso de 1 libra.
Se hacen 3 replicas del experimento y los datos son los siguientes:
)+
Montgomer' $ouglas #ise8o de 6xperimentos
Pgina 183
/ & 1 2 " ;otal
- - 28 25 27 80
+ - 36 32 32 100
- + 18 19 23 60
+ + 31 30 29 90
R pl i ca Factor
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
De forma grfica tenemos:
Los efectos principales de los factores e interaccin son los siguientes:
A = 8.334
B = -5.0
AB = 1.67
Cada elemento dentro de los parntesis se denomina Contrastes o efectos
totales de los factores
En este caso son ortogonales. Su suma de cuadrados se encuentra con:
Pgina 184
[ ]
[ ]
[ ]
n
7 a
n
a7
! ! 7 a a7
n
A,
n
a
n
7 a7
! ! a 7 a7
n
,
n
7
n
a a7
! ! 7 a a7
n
A
A, A,
, ,
A A
2 2
J 1 H
J 1 H
2
1
2
J 1 H
2
J 1 H
2
1
2
J 1 H
2
J 1 H
2
1
+
+
= = + =
+
+
= = + =
+
+
= = + =
+
+
+
[ ]
[ ]
[ ]
A, , A T 6
A,
,
A
i0* T
SS SS SS SS SS
7 a a7
n
SS
a 7 a7
n
SS
7 a a7
n
SS
n
!
! SS
=
+ =
+ =
+ =
=
J 1 H
+
1
J 1 H
+
1
J 1 H
+
1
+
2
2
2
...
2
Catali7ador bO)N ab O LN
&
(1! O KN a O 1NN
1%S 2%S /
Concentracin del reactiCo /
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Para este caso la Tabla ANOVA es:
De la tabla anterior se puede concluir a un nivel Alfa de 0.05 vs P
Los factores " y + que son significativos,
La interaccin no es significativa
"n#lisis *esidual
Para obtener los residuos se utiliza la ecuacin de regresin siguiente, donde
los factores A y B se representan por X1 y X2 y la interaccin AB por X1X2. Los
niveles alto y bajo de cada factor se asignan a los valores +1 y -1
respectivamente, el modelo de ajuste es:
+ + + + =
2 1 ) 2 2 1 1 #
x x x x !
El valor de la interseccin 0 se calcula como el promedio de las observaciones
y cada coeficiente de regresin es la mitad del efecto estimado del factor
correspondiente, dado que los coeficientes de regresin miden el efecto de
una unidad de cambio en Xi sobre la media de Y, y el estimado del efecto se
basa en dos unidades de cambio de (X1 = -1 a X2 = 1).
Pgina 185
Fuente de Suma de Frados de Cuadrado
1ariacin Cuadrados libertad medio Fo P
/ 208.33 1 208.33 53.15 0.0001
& 75.00 1 75.00 19.13 0.0024
/& 8.33 1 8.33 2.13 0.1826
Error 31.34 8 3.92
;otal 323.00 11
2 1
#
2 1 12 2 2 1 1 #
2 . 2 152 . + + . 27
S
8)2 . 2 A ) 2 . 2 2 A 2 152 . + 2 A 1
57 . 1 ) ; 2 A J 15# 17# H
2 ) ; 2 A J 18# 12# H
)) . 8 ) ; 2 A J 1+# 1:# H
+ . 27 + A J :# 5# 1## 8# H #
x x !
es a0ustado regresin de modelo 6l
A, 7 , 7 A 7
A, interaccin la de principal 6+ecto
, +actor del principal 6+ecto
A +actor del principal 6+ecto
respuestas las de promedio 7 estimado
x x x x !
est
+ =
= = = = = =
= =
= =
= =
= + + + = = =
+ + + + =
2 1
#
2 1 12 2 2 1 1 #
2 . 2 152 . + + . 27
S
8)2 . 2 A ) 2 . 2 2 A 2 152 . + 2 A 1
57 . 1 ) ; 2 A J 15# 17# H
2 ) ; 2 A J 18# 12# H
)) . 8 ) ; 2 A J 1+# 1:# H
+ . 27 + A J :# 5# 1## 8# H #
x x !
es a0ustado regresin de modelo 6l
A, 7 , 7 A 7
A, interaccin la de principal 6+ecto
, +actor del principal 6+ecto
A +actor del principal 6+ecto
respuestas las de promedio 7 estimado
x x x x !
est
+ =
= = = = = =
= =
= =
= =
= + + + = = =
+ + + + =
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
La interaccin no se incluye en la ecuacin de regresin porque no fue
significativa.
La variable X1 es una variable codificada que representa la concentracin del
reactivo y X2 es una variable codificada que representa la cantidad de
catalizador.
La razn de que el coeficiente de regresin sea la mitad de las estimaciones
del efecto es que un coeficiente mide el efecto de un cambio unitario en X
sobre la media de Y, y la estimacin del efecto se basa en un cambio de dos
unidades (-1 a +1). Se deduce del mtodo de mnimos cuadrados.
La relacin entre las variables codificadas y las variables naturales es:
Entonces para obtener una respuesta con valores reales, se sustituye X1 y X2
en la ecuacin
para valores codificados.
*esiduales "decuacin del odelo@
Con este modelo se pueden encontrar los valores estimados en los cuatro
puntos del diseo:
Pgina 186
2 . #
2 . 1
2 A . .
. .
2
2#
2 A . .
. .
2
1
=
r -atali9ado
r catali9ado de (ango
r catali9ado de promedio r -atali9ado
x
in -oncentrac
in concentrac de (ango
in concentrac de promedio in -oncentrac
x
r -atali9ado in -oncentrac !
r -atali9ado in concentrac
!
est
est
; ## . 2 ; 8))) . # )) . 18
2 . #
2 . 1
2
2
2
2#
2
)) . 8
2 . 27
+ =
+ =
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Considerando todava los valores codificados en (-1,+1) se tiene:
Para el punto (X1 = -1 y X2 = -1) se tiene:
Yest = 27.5 + 4.16 (-1) - 2.5 (-1) = 25.835
Como hay tres observaciones en esta combinacin de tratamientos los
residuales son:
e1 = 28 - 25.835 = 2.165
e2 = 25 - 25.835 = -0.835
e3 = 27 - 25.835 = 1.165
De la misma forma se calculan todos los dems residuales
Al final se grafican en una grfica de probabilidad normal para observar su
normalidad y se grafican contra los valores estimados y el orden para
asegurar que se mantiene la varianza.
Por medio de la ecuacin de regresin se obtiene la grfica de Contornos, por
medio de la cual se encuentra la direccin de mejoramiento potencial de un
proceso. Lo cual se logra por medio del Mtodo del ascenso ms pronunciado.
Pgina 187
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
E%emplo en inita,@
Se toman los datos del ejemplo anterior y se siguen los siguientes pasos:
Crear el diseo en Minitab con:
Stat > DOE > Factorial > Create factorial design
Seleccionar 2 level factorial (default generators) Number of central points 0
En Designs No. of replicates 3 Number of blocks 1
En Factors A = Cata A Factor B = Cata B
En Options quitar seleccin de Randomize runs OK
Una vez generado el diseo de dos factores introducir la siguiente columna de
datos:
Pgina 188
2lbs.
Cantidad de
catalizador
Direccin de ascenso
ms rpido para optimizacin
1lb.
15% Concentracin 25%
Nueva zona
alrededor de la cual
se experimentar
23
33
Cata / Cata & 2espuesta
-1 -1 28
1 -1 36
-1 1 18
1 1 31
-1 -1 25
1 -1 32
-1 1 19
1 1 30
-1 -1 27
1 -1 32
-1 1 23
1 1 29
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
"nali8ar el diseMo con@
Stat > DOE > Factorial > Analyze factorial design
En responses indicar Columna de Respuesta
En Terms y Results pasar todos los factores a Selected terms con >>
En Graphs seleccionar para Effects Plots Pareto y Normal con alfa de 0.05
En Graphs seleccionar para los residuos Standardized y Normal Plot
En Store seleccionar Fits y Residuals OK
a) Los residuos se distribuyen normalmente y el diseo es vlido y adecuado
para la caracterizacin de este problema.
b) De la Tabla de efectos (ANOVA), se observan efectos o interacciones que
puedan tener un efecto significativo en la resistencia
Factora! Ft: Re"#ue"ta $er"u" Cata A, Cata B
6+timate' 6ffect+ an' Coefficient+ for Re+pue+ta (co'e' unit+)
Term 6ffect Coef S6 Coef T (
Con+tant #7.00 0.7%! 48.%4 0.000
Cata 4 8.!!! 4.%&7 0.7%! 7.#" 0.000
Cata : ).000 )#.00 0.7%! )4.!8 0.00#
Cata 4/Cata : %.&&7 0.8!! 0.7%! %.4& 0.%8!
S , %."7"0& R)S7 , "0.!0% R)S7(a'8) , 8&.&&%
Pgina 189
2esidual
P
e
r
c
e
n
t
5.0 2.5 0.0 -2.5 -5.0
99
90
50
10
1
Fitted 1alue
2
e
s
i
d
u
a
l
35 30 25 20
2
0
-2
2esidual
F
r
e
M
u
e
n
c
3
3 2 1 0 -1 -2
4
3
2
1
0
8bserCation 8rder
2
e
s
i
d
u
a
l
12 11 10 9 8 7 6 5 4 3 2 1
2
0
-2
Normal Probabilit 3 Plot o- t 'e 2esiduals 2esiduals 1ersus t 'e Fit t ed 1alues
5ist ogram o- t 'e 2esiduals 2esiduals 1ersus t 'e 8rder o- t 'e Dat a
2esidual Plots -or 2espuesta
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
En este caso se observa que tienen una influencia significativa el catalizador A
y el B temperatura y su interaccin no.
c) En base al Pareto o grfica normal de los efectos, se comprueba que los
factores significativos son ambos catalizadores, mientras que su interaccin
No lo es como se muestra a continuacin:
d) De la tabla de coeficiente se obtiene la ecuacin del modelo que representa
este proceso.
Term Coef
Con+tant #7.
Catali@a'or 4 4.%&
Catali@a'or : )#.0
Temp/3Ato'o )%#.!!!
Gest E 2&.$ ^ 4.1!_Catali8ador " L 2.$'_Catali8ador +
e) Obtener grficas factoriales con:
Stat > DOE > Factorial > Factorial Plots
En Main effects Setup indicar en Responses columna de Respuesta y
seleccionar factores con >>
Pgina 190
;
e
r
m
St andardi7ed E--ect
AB
B
A
8 7 6 5 4 3 2 1 0
2.306
A Cata A
B Cata B
Factor Name
Pareto C'art o- t'e Standardi7ed E--ects
(response is Respuesta, Alpha = .05)
St andardi7ed E--ect
P
e
r
c
e
n
t
7.5 5.0 2.5 0.0 -2.5 -5.0
99
95
90
80
70
60
50
40
30
20
10
5
1
A Cata A
B Cata B
Factor Name
Not Significant
Significant
Effect Type
B
A
Normal Probabilit3 Plot o- t'e Standardi7ed E--ects
(response is Respuesta, Alpha = .05)
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
En Interaction effects Setup en Responses columna de Respuesta y
seleccionar factores con >>
En Cube Plot indicar en Responses columna de Respuesta y seleccionar
factores con >> OK
Los niveles en que deben fijarse los factores para maximizar la resistencia son
de la grfica de interaccin, Catalizador A =1 y Catalizador B = -1
f) Obtener las grficas de contornos y de superficie de respuesta con:
Stat > DOE > Factorial >Contour Plot
En Setup de Contour y Response Surfase Plot solo entrar y salir
OK
De acuerdo a la grfica de contornos, conviene seguir experimentando
aumentando gradualmente la temperatura hasta llegar al punto ptimo en
una trayectoria de ascenso rpido.
Pgina 191
M
e
a
n
o
-
2
e
s
p
u
e
s
t
a
1 -1
32
31
30
29
28
27
26
25
24
23
1 -1
Cata A Cata B
Main E--ects Plot ( data means! -or 2espuesta
Cat a &
M
e
a
n
1 -1
34
32
30
28
26
24
22
20
-1
1
Cata A
B nteraction Plot ( data means! -or 2espuesta
M
e
a
n
o
-
2
e
s
p
u
e
s
t
a
1 -1
32
31
30
29
28
27
26
25
24
23
1 -1
Cata A Cata B
Main E--ects Plot ( data means! -or 2espuesta
Cat a &
M
e
a
n
1 -1
34
32
30
28
26
24
22
20
-1
1
Cata A
B nteraction Plot ( data means! -or 2espuesta
Cat a /
C
a
t
a
&
1.0 0.5 0.0 -0.5 -1.0
1.0
0.5
0.0
-0.5
-1.0
>
-
-
-
-
< 21
21 24
24 27
27 30
30 33
33
Respuesta
Contour Plot o- 2espuesta Cs Cata &+ Cata /
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Una vez establecidos los mejores niveles de operacin del proceso por medio
del Diseo de Experimentos, ahora se trata de mantener la solucin por medio
de la fase de Control.
El diseMo Factorial Fraccional:
Cuando crece el nmero de factores, aparecen tantas combinaciones en los
ensayos factoriales, que es prudente reducir la labor experimental. En lugar
de ejecutar el ensayo completo con un nmero muy alto de tentativas, se
recurre a los diseos factoriales fraccionales o incompletos, donde, en lugar
de analizar la totalidad de las posibilidades, se considera una fraccin bien
elegida. Con cinco factores a tres niveles se llegan a 243 combinaciones
posibles y si la tarea se redujese a una fraccin de un tercio, bastaran 81
ensayos. Si fuese 1/9, tendramos 27. La ventaja de este enfoque es que
reduciendo mucho el esfuerzo, no se pierde un panorama muy amplio y
ambicioso de las relaciones entre causas y efectos en sistemas multivariables.
El estudio de una fraccin no le quita validez al anlisis final.
Ventajas
Se pueden obtener conclusiones parecidas que con experimentacin de
diseos factoriales completos con menos experimentos ( o )
*esulta m#s econmico
Dado que en muchos casos las interacciones no son significativas, no
importa que su efecto se confunda con los de los factores principales
En muchos casos slo se pueden estimar los efectos principales de los
factores (diferencia de promedios)
Pgina 192
Des;enta%as
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
El diseMo .aguc4i
Sugiere tres pasos que son:
a) Diseo del sistema
b) Diseo de parmetros
c) Diseo de tolerancias
De estas tres etapas, la ms importante es el diseo de parmetros cuyos
objetivos son:
a) Identificar qu factores afectan la caracterstica de calidad en cuanto a su
magnitud y en cuanto a su variabilidad.
b) Definir los niveles "ptimos en que debe fijarse cada parmetro o factor,
a fin de optimizar la operacin del producto y hacerlo lo ms robusto posible.
c) Identificar factores que no afecten substancialmente la caracterstica de
calidad a fin de liberar el control de estos factores y ahorrar costos de
pruebas.
Taguchi ha propuesto una alternativa no del todo diferente que se que conoce
como Arreglos Ortogonales y las Grficas Lineales. La herramienta son
diseos Factoriales Fraccionados, sin embargo cuando el nmero de factores
se ve incrementado, las posibles interacciones aumentan, as como la
complicaciones para identificar cules son las condiciones especficas a
experimentar.
Un arreglo ortogonal se puede comparar con una replicacin factorial
fraccionada, de manera que conserva el concepto de ortogonalidad y
contrastes. Un experimento factorial fraccionado es tambin un arreglo
ortogonal. Taguchi desarroll una serie de arreglos particulares que
denomin:
Pgina 193
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
La (b)
C
a = Representa el nmero de pruebas o condiciones experimentales que se
tomarn. Esto es el nmero de renglones o lneas en el arreglo.
b = Representa los diferentes niveles a los que se tomar cada factor
c = Es el nmero de efectos
independientes que se pueden analizar,
esto es el nmero de columnas.
E%emplo@ Un diseo L4
Experimento de 2 niveles y 3 factores por lo que se requieren 4 pruebas. En
la matriz se pueden observar los contrastes de cada factor , formando las
columnas de los factores ; (1) significa que el factor esta a su nivel bajo (-) y
(2) a su nivel alto o de signo (+).
Taguchi ha desarrollado una serie de arreglos para experimentos con factores
a dos niveles:
Pgina 194
F A C T O R E S (c)
No. (a) A B C Resultado
1 1 1 1 Y1
2 1 2 2 Y2
3 2 1 1 Y3
4 2 2 1 Y4
1 , 2 = Niveles de los Factores (b) , Contrastes.
Dise?o
3Umero de condiciones
e>perimentalesHrenglonesJ
lineas o pruebas
3Umero de 2a,tores o efectos
ma>imo ?ue se pueden anali(ar '
nUmero de columnas
$4 + )
$@ 8 7
$12 12 11
$1A 15 12
$32 )2 )1
$A4 5+ 5)
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
E%emplo@
En un proceso de formacin de paneles, una caracterstica no deseada es la
emisin de formaldehdo en el producto final. Se cree que 5 factores pueden
estar afectando la emisin, stos son:
Se desea analizar el efecto de cada factor y proponer las mejores condiciones
de operacin.
En este caso estamos interesados en analizar el efecto de 5 factores o efectos,
a dos niveles cada uno. Por lo tanto, se utilizar un arreglo ortogonal L8.
Se ejecutarn por lo tanto 8 pruebas o condiciones experimentales, A qu
columna especficamente se asignar cada factor?, en estos casos se pueden
asignar a cualquier columna, aunque se recomienda que aquellos factores que
en la practica sea ms difcil de variar de nivel continuamente, sean los que se
asigne a las primeras columnas.
El arreglo L8 y su descripcin para este caso se muestra a continuacin:
Pgina 195
Factor Descripcin NiCel B NiCel 2
A Tipo de resina Tipo Tipo
B Concentracin 5% 10%
C Tiempo de ciclo de prensado 10 seg 15 seg
D Humedad 3% 5%
E Presin 800 psi. 900 psi.
No. / & C D E e e 2esina Concen. ;iempo 5umedad Presin <i
1 1 1 1 1 1 1 1 Tipo 5% 10 seg. 3% 800 psi. 0.49
2 1 1 1 2 2 2 2 Tipo 5% 10 seg. 5% 900 psi. 0.42
3 1 2 2 1 1 2 2 Tipo 10% 15 seg. 3% 800 psi. 0.38
4 1 2 2 2 2 1 1 Tipo 10% 15 seg. 5% 900 psi. 0.30
5 2 1 2 1 2 1 2 Tipo 5% 15 seg. 3% 900 psi. 0.21
6 2 1 2 2 1 2 1 Tipo 5% 15 seg. 5% 800 psi. 0.24
7 2 2 1 1 2 2 1 Tipo 10% 10 seg. 3% 900 psi. 0.32
8 2 2 1 2 1 1 2 Tipo 10% 10 seg. 5% 800 psi. 0.28
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Observe que los factores Resina, concentracin, tiempo, humedad y presin
fueron asignados en orden a las columnas A, B, C, D, y E. En las columnas
restantes, F y G no se asign ningn factor y nos servirn para tener una
estimacin del error aleatorio. Esto se explica porque con ocho observaciones
tenemos siete grados de libertad, como estamos interesados nicamente en
cinco factores quedan dos grados de libertad para el error aleatorio. El
anlisis de variancia de los resultados es:
A1 = Total de lecturas con el factor A a su nivel 1 = 0.49 + 0.42 + 0.38 +
0.30 = 1.59
A2 = Total de lecturas con el factor A a su nivel 2 = 0.21 + 0.24 + 0.32 +
0.28 = 1.59
SSA = Suma de cuadrados debido al factor A SSA = (A2 - A1)2 /8 =
0.3645 con 1 g.l
Similarmente :
SSB = (B2 - B1)sq/8= 0.00080 con 1g.l
SSC = (C2 -C1)sq/8 = 0.01805 con 1g.l
SSD = (D2 -D1)sq/8= 0.00320 con 1g.l
SSE = (E2 - E1)sq/8= 0.00245 con 1g.l
Sse1 = (F2 - F1)sq/8= 0.00080 con 1g.l, 1a. Columna de error F
Sse2 = (G2 -G1)sq/8= 0.00045 con 1g.l 2a. Columna de error G
Las sumas de cuadrados de las columnas donde no se asign factor se toman
como asignaciones del error, en este caso SSF y SSG se consideran como
error y se obtiene:
Sse = SSF + SSG = 0.00080 + 0.00045 = 0.00125 con 2g.l.
Pgina 196
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
La tabla ANOVA es:
* significante al nivel 5% ya que F0.05 (1,2) = 18.51
** significante al nivel 10% ya que F0.10 (1,2) = 8.16
Nota: No se incluye en esta tabla especficamente la suma de cuadrados del
promedio o media. El error total es la suma de cuadrados total corregida por
el factor de correccin.
Se acostumbra que aquellos efectos que no resultaron significantes, se
consideren como error aleatorio a fin de obtener una mejor estimacin del
error aleatorio, (con mayor nmero de grados de libertad).
En ste caso, por ejemplo, la estimacin de Sse es :
Sse = SSB + SSD + SSE + Sse = 0.00080 + 0.00320 + 0.00245 + 0.00125
= 0.0077
Con , 1 + 1 + 1 + 2 = 5 grados de libertad.
Y (Ve) = (Sse) /5 = 0.0077 / 5 = 0.00154
Al nivel 5%, el valor crtico de tablas es F 0.05 (1,5) = 6.607877
Las estimaciones que se obtienen de esta forma se suelen escribir entre
parntesis.
Pgina 197
E-ecto SS F.>. 1 Fe9p. S Contrib.
A 0.03645 1 0.03645 58.32* 57.59
B 0.0008 1 0.00080 1.28 0.28
C 0.01805 1 0.01805 28.88** 28.01
D 0.0032 1 0.00320 5.12 4.14
E 0.00245 1 0.00245 3.92 2.93
Error 0.00125 2 0.00063 7.03
Total 0.0622 7 100
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Fc para el factor (A) = 23.66 y Fc para el factor (C) = 11.72, comparando
ambos contra Fcrtico = 6.6, continan siendo significativos los factores A y C.
Los promedios de la emisin de Formaldehdo para cada nivel son:
El promedio global es:
_
Y = (0.3975+ 0.34+ 0.3775+ 0.35 + 0.3475+ 0.2625+ 0.32+ 0.31+0.3125)/
10 = 0.33
S nicamente los factores A y C son significativos, estos factores debern
fijarse al nivel que minimice la emisin de Formaldehdo, esto es A2 y C2;
resina tipo II y 15 segundos como tiempo de prensado. El resto de los
factores se fijar a su nivel ms econmico, ya que no afectan la
caracterstica de calidad dentro del intervalo analizado
Cul ser el nivel esperado de emisin?, el efecto de cada factor respecto al
promedio general es:
EF A = A2 - Y = 0.2665 - 0.33 = -0.06435
EF C = C2 - Y= 0.2825 - 0.33 = -0.0475
Y el efecto estimado bajo las condiciones A2 y C2 es: EF A + EF C + Y =
-0.0635-0.0475+0.33 = 0.219
Pgina 198
Efecto Nivel 1 Nivel 2
A A1avg. = A1/4 =0.3975 A2avg. = A2/4 =0.2625
B B1avg =0.3400 B2avg =0.3200
C C1avg =0.3775 C2avg =0.2825
D D1avg =0.3500 D2avg =0.3100
E E1avg =0.3475 E2avg =0.3125
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Si las lecturas no siguen un orden secuencial, o se toman en otra prueba bajo
las mismas condiciones se le conoce como "Replica. Taguchi considera dos
tipos de error aleatorio con lecturas mltiples:
Error Primario (e1): Error que existe entre las diferentes condiciones de
experimentacin, aparte del efecto de los factores en si. Es decir lo que hace
diferentes a las lecturas bajo diferentes condiciones de experimentacin.
Error Secundario (e2): Aquel que hace diferentes las lecturas tomadas bajo
una misma condicin experimental. Cuando se toma una lectura no es posible
evaluar el error secundario.
Pgina 199
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
El diseMo de e8clas
35
Este procedimiento permite disear y crear un experimento para manejar
situaciones donde los componentes se mezclan para formar una combinacin
qumica. Se puede utilizar el diseo "simplex-lattice" cuando los datos se
encuentran distribuidos regularmente sobre una regin de superficie de
respuesta y el diseo "simplex-centroid" cuando los valores de los datos se
distribuyen alrededor del centro de la regin de superficie de respuesta.
Todos los diseos incluyen estimaciones de modelos lineales, cuadrticas,
cbicas, cbicas especiales y gran cantidad de grficos para visualizar los
resultados.
Caractersticas:
Los factores independientes son proporciones de diferentes componentes
de una mezcla.
Cuando las proporciones tienen la restriccin de sumar la unidad se pueden
utilizar modelos de estructura Simplex o Simplex con centroide.
Cuando adems algunos componentes tienen la restriccin adicional de
tener un valor mximo o mnimo los modelos a utilizar son los de Vrtices
extremos.
Un diseo de estructura Simplex para q componentes cuya proporcin
puede tomar los niveles m+1 igualmente espaciados entre 0 y 1.
Xi = 0, 1/m, 2/m, ...., 1 para i = 1, 2, ..., q
)2
,lase de $ise1o de B>perimentos $r. .rimitivo -e'es
Pgina 200
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
E%emplo@
Para una mezcla de q = 3 componentes donde el nmero de niveles
igualmente espaciados para cada componente es m + 1 = 4 (X1 = 0, 0.333,
0.666, 1)
Las mezclas posibles con los 3 componentes es:
Las ecuaciones de la restriccin y del modelo lineal son:
E%emplo@
Se tienen 3 componentes y m = 2 niveles, X1 = polietileno, X2 = poliestireno,
X3 = polipropileno mezclados para formar fibras, de las cuales se mide la
elongacin en dos rplicas, el arreglo sera:
Pgina 201
Rendimiento
D1 D2 D"
0 0 1
0 0.333 0.667
0 0.667 0.333
0 1 0
0.333 0 0.667
0.333 0.333 0.333
0.333 0.667 0
0.667 0 0.333
0.667 0.333 0
1 0 0
1 2 )
1
H 1JV
VH 1JV
1
H J
:
i i
i
: m
$untos
m :
X X X
6 ' X
=
+
=
+ + =
=