Académique Documents
Professionnel Documents
Culture Documents
REGISTRO Y ALIANZAS
TEMARIO
1.0 ETAPA DEFINIR
1.1 DMAIC del Lean Six sigma
1.2 Identificacin y seleccin del problema
1.3 Project Charter
1.4 SIPOC
1.5 Diagrama CTQ
2.0 ETAPA MEDIR
2.1 Anlisis del Sistema de medicin
2.2 Normalidad
2.3 Control del proceso (Grficas de control)
2.4 Capacidad de procesos
2.5 Clculo del nivel sigma del proceso
SIGUE TEMARIO
3.0 ETAPA ANALIZAR
3.1 Diagrama de anlisis de Causa Efecto
3.2 5 por qu?
3.3 AMEF 1. Anlisis de Modo y Efecto de Fallas
3.3 Correlacin y regresin lineal
3.4 Introduccin a las pruebas de hiptesis, y al ANOVA
4.0 ETAPA MEJORAR / IMPLEMENTAR
4.1 AMEF 2
4.2 Plan de implementacin de soluciones
4.3 Nuevo nivel sigma del proceso
5.0 ETAPA CONTROLAR
5.1 Plan de control del proceso mejorado
5.2 Estandarizar y control del proceso mejorado (grficas de control)
5.3 Entregables
2.
3.
4.
Definir
Pasos claves
Expresar las necesidades del cliente (critical to quality).
Asignar lder de proyecto y miembros del equipo.
Documentar el caso de negocio (project charter)
finanzas.
Especificaciones (1)
Especificaciones (1)
Necesidades
del cliente
Requerimien
tos del
cliente (2)
Especificaciones (1)
Requerimien
tos del
cliente (3)
Especificaciones (1)
Cantidad de
carbohidratos
Cantidad de
protenas
Alimento
nutritivo
Composicin
nutricional
Cantidad de grasas
Sabores
Cantidad de
minerales
Parmetros de Xs
Ys
Xs
Entradas
PROCESO
Salidas
Parmetros del
y = f(x)
Producto, Ys
2.
3.
4.
5.
Paso #2
Paso #3
Proceso - Nivel #2
Paso #1
Paso #2
Paso #3
Proceso - Nivel #3
Paso #1
Paso #2
Paso #3
Despliegue de la Funcin de
Calidad - QFD
Despliegue de la
Funcin de Calidad
Desarrollo de Producto
inspirado por clientes
Instituto para
la del
Calidad
PUCP 2016.
derechos
reservados.
PontificiaUniversidad
Catlica
Per -Instituto
para la Todos
Calidad,los
2016.
Todos los
derechos reservados
Historia y Antecedentes
1960s Es introducido en Japn por los profesores Shigeru Mizuno and Yoji Akao.
1966 - Se desarroll a gran escala por Kiyotaka Oshiumi en la fbrica de neumticos Bridgestone.
Versiones de QFD
QFD de las Cuatro Fases: creado por Macabe y divulgado en los
EUA por CLAUSING (1993) y por la American Supplier Institute
(ASI);
QFD-Extendido: creado por Don Clausing a partir de la versin
de las Cuatro Fases; Clausing e Pugh (1991).
QFD de los Cuatro nfasis: creado principalmente por los
Profesores Akao y Mizuno, a partir de la Union of Japanese
Scientists and Engineers (JUSE) (CHENG et al., 1995 y AKAO,
1996);
La Matriz de las matrices: una extensin de la versin de los
cuatro nfasis (KING, 1989).
Modelo de Kaneko: presentado en 1991 para aplicacin en
servicios a partir del modelo conceptual de AKAO, compuesto
por seis matrices
Instituto para la Calidad PUCP 2016. Todos los derechos reservados.
Proceso de
produccin
Componentes
especficos
Necesidades
del cliente
Requerimientos
de diseo
Requerimientos
del diseo
Cmo
Componentes
especficos
Cmo
Proceso de
produccin
Cmo
Qu
Qu
Qu
Qu
Proceso de diseo del producto utilizando equipos multifuncionales de Marketing, diseo industrial y produccin.
Convierte las opiniones-preferencias- deseos del cliente en caractersticas especficas del producto.
Supone la creacin de 4 matrices o casas tabulares (divisin del diseo del producto en crecientes niveles de
detalle).
Evala los productos competidores
ACT
DO
CHECK
Evaluar la informacin
generada y evaluar los procesos
CHECK
Analizar y comprender la data,
a travs de QFD
Instituto para
la del
Calidad
PUCP 2016.
derechos
reservados.
PontificiaUniversidad
Catlica
Per -Instituto
para la Todos
Calidad,los
2016.
Todos los
derechos reservados
SECTOR 1:
Requerimientos de Calidad de los clientes
Se listan los Requisitos de Calidad
(RQs) de los clientes o de los usuarios
de los servicios que ofrece la
organizacin y que se deben cumplir
en el diseo de un nuevo producto o
servicio. A esta seccin de la matriz se
denomina QUs.
SECTOR 2:
Benchmark del mercado
Por cada QUs, se identifican
atributos que poseen productos de la
competencia similares a los nuestros.
Tambin se considera nuestra propia
evaluacin del producto.
A todos estos factores se le atribuyen
valores entre 1 a 5, donde 1 indica una
menor importancia y 5 indica alta
importancia.
SECTOR 3:
Caracteristicas Tcnicas.
En este sector se detallan las
Caractersticas Tcnicas, los CMOs ,
es decir los modos como se cumplirn
las
expectativas
de
calidad
determinadas por los requisitos de
calidad de los clientes (QUEs). Por
cada requisito de calidad se obtienen
uno o varias caractersticas tcnicas
que se listan en cada columna del
sector 3.
SECTOR 4:
Matriz de relaciones
Se establece el grado de relacin que
se le asigna a cada una de las
caractersticas tcnicas para el
cumplimiento de los requerimientos
de calidad.
Se pueden utilizar diferentes escalas
de valoracin, por ejemplo: una
valoracin de 5 para una alta relacin,
3 si tiene una relacin media, 1 para
una relacin dbil o poca y 0 (cero) si
no tiene ninguna relacin.
SECTOR 5:
Ranking de Importancia.
Se determina la importancia de cada
caracterstica tcnica que se obtiene al
resolver la matriz de relaciones.
R = Sumatoria (Peso Absoluto (PA)n x Grado de relacin (GR)n )
Matriz de Correlaciones.
Se colocan valores que representan el
grado en que cada requisito tcnico (RCs)
aporta o dificulta el desempeo de los
otros requisitos tcnicos considerados,
permitiendo identificar contradicciones
tcnicas en el diseo de productos, las
cuales se deben de resolver antes de
continuar con el desarrollo de la matriz.
Para el diseo de servicios y en especial
para el planeamiento no resulta muy til
por lo que se suele prescindir de esta zona
de trabajo.
2) Establecimiento de la lista de
Qus (Requerimientos de clientes)
Anticorrosivo
Resistente
Combinable.
Adhesin
Tensin.
Escala
Escalajaponesa:
japonesa:
Otra
Otraescala:
escala:
5
4
3
2
1
4) Evaluacin competencia
Evaluar el grado de excelencia alcanzado por
los competidores en cada uno de los qus.
Escala:
Escala:
5
4
3
2
1
1= Nosotros
2
B
A
C
A
C
C
C
C
A
CB A
A C
B
B A
B
C
A
B
A
B
B
A B
B C
Precocinados.
Limpieza.
Alimentos congelados.
...
Smbolos de correlacin:
=
=
=
=
Correlacin positiva
Correlacin negativa
Fuerte correlacin negativa
5
2
3
1
2
4
4
5
3
1
3
3
3
1
5
5
5
1
1
3
3
5
5
3
5
1
3
1
3
5
5
5
3
5
3
Escala:
Escala:
0: Ni nguna relacin
1: Baja relacin 3:
Media relacin
n.
5: Alta relacin
Instituto para la Calidad PUCP 2016. Todos los derechos reservados.
EMPRESA A
EMPRESA B
EMPRESA C
OBJETIVO: O
5
4O
3A
2 CB
1
AB O O
CO C
A
AB B
C
OA
O BC AO O
CB A
A
CB
CB
DIFICULTAD
PUNTUACIN
ABSOLUTA
PUNTUACIN
RELATIVA
PRIORIDAD
Hilo Mus.
12-15 h
2 + Reg.
Norma X
19-22 C
ESP. <5
X pta/mes
CUANTIFICACIN PROPUESTA
x pta/cub
56 219 118 12
9 344 57 25
10 26 21
1 31
GRADO DE DIFICULTAD
1-2-3-4-5
PROB. DE XITO
Fuerte negativa
Dbil negativa
Durabilidad
ESPECIFICACIONES
Potencia de
aspiracin
Nivel de ruido
Inferior a
60 dB
Dbil positiva
Fuerte positiva
Mximo
2 metros
Mnimo
20 kPa
Comodidad de manejo
Inferior
a 150 euros
NECESIDADES
DE CALIDAD
30 x 45 x 30
cm
Dimensiones
Importancia otorgada
por el cliente
Coste
MATRIZ DE
CORRELACIN
ELEMENTOS
DE CALIDAD
Peor
Mejor
Ejemplo de QFD.
El objetivo del
equipo es
desarrollar un
nuevo diseo de
aspiradora
domstica.
Evaluacin
competitiva
del cliente
Relacin dbil
Relacin media
Relacin fuerte
Mejor
Evaluacin
competitiva
tcnica
Peor
Instituto
para la Calidad PUCP 2016. Todos los derechos reservados.
Fuerte negativa
Dbil negativa
Durabilidad
ESPECIFICACIONES
Potencia de
aspiracin
Nivel de ruido
Inferior a
60 dB
Dbil positiva
Fuerte positiva
Mximo
2 metros
Mnimo
20 kPa
Comodidad de manejo
Inferior
a 150 euros
NECESIDADES
DE CALIDAD
30 x 45 x 30
cm
Dimensiones
Importancia otorgada
por el cliente
Coste
MATRIZ DE
CORRELACIN
ELEMENTOS
DE CALIDAD
Peor
Mejor
Evaluacin
competitiva
del cliente
Relacin dbil
Relacin media
Relacin fuerte
Mejor
Evaluacin
competitiva
tcnica
Peor
Instituto
para la Calidad PUCP 2016. Todos los derechos reservados.
1. Project Charter
2. Capacidad de proceso.
3. Calculo del nivel sigma del proceso.
Medir
Pasos clave
Desarrollar el mapa de proceso (SIPOC)
Buscar las variables claves del proceso (filtrado)
Recolectar datos y analizarlos.
Project Charter
Es un acta de compromiso del proyecto.
En este documento se deber precisar, por lo menos:
1.
2.
3.
4.
5.
6.
7.
Ejemplo:
CARTILLA DEL EQUIPO/PROYECTO (PROJECT CHARTER)
Nombre del Proyecto RECUPERAR LA RENDIMIENTO DE LOS HORNOS C Y D
N Proyecto: 002-13
Objetivo:
Ahorros/Beneficios Esperados:
Aumentar la HUMEDAD de la malta > 4.5%
Mejorar el indicador FACTORY EFICENCE >102.5 %
Mejorar el indicador ENERGA TOTAL < 3300 Mj/Ton
Equipo:
Nombre:
Rol:
J. KOBASHIGAWA
D. FARRO
Dueo proceso
Miembro
10%
18-ago
C. CORDOBA
Miembro
10%
18-ago
30-ago
E. PEREZ
Miembro
10%
30-ago
15-sep
J. CHIPOLLINI
Miembro
10%
M. VILCA
Miembro
10%
M. PEBE
Miembro
10%
C. CASTAEDA
Facilitador
20%
J. KOBASHIGAWA
Facilitador
20%
DEFINIR
Fecha de Inicio
20-jun
Fecha de Trmino
10-jul
MEDIR
20-jul
10-jul
ANALIZAR
12-jul
MEJORAR
CONTROLAR
Trmino Real
Compromiso (%):
Significado
Afecta la calidad del producto final o del proceso. No se
Calidad (Q)
Costo (C)
Entrega (D)
siguiente proceso.
Seguridad (S)
trabajadores.
Afecta las relaciones interpersonales, trabajo en equipo
Moral (M)
Environment (E)
Cpi y Cps
Pp y Ppk
Z, Zl, Zc PPM y
DPMO
ndice Cp
Indicador de la capacidad potencial del proceso que
resulta de dividir el ancho de las especificaciones
(variacin tolerada) entre la amplitud de la variacin
natural del procesos.
Variacin tolerada
Cp
Variacin real
ES EI
Cp
6
Cp 2
Clase Mundial
Cp > 1.33
Adecuado
Cp < 0.67
Ejemplo
Una caracterstica de calidad importante en la fabricacin
de una llanta es la longitud de capa, que para cierto tipo de
Caculo del Cp
ES EI
Cp
6
Cp = (790 770)/ 6(3) = 1.11
ndice Cpk
Indicador de la capacidad real de un procesos que se
puede ver como un ajuste del ndice Cp para tomar en
cuenta el centrado del proceso.
El ndice Cpk es igual al valor ms pequeo de entre los
ndices Cpi y Cps
EI ES
Cpk Minimo
,
3
3
EI ES
Cpk Minimo
,
Cp= 1, Cpk = 0
ES EI
C pm
6t
t ( N )
2
ndice Cpm
ES EI
C pm
6t
t ( N )
2
Interpretacin Cpm
pero adems la media del proceso est dentro de la quinta parte central
del rango de especificaciones.
Instituto para la Calidad PUCP 2016. Todos los derechos reservados.
ndice Z
Es la mtrica de capacidad de procesos de mayor uso en
Seis Sigma. Se obtiene calculando la distancia entre la
media y las especificaciones, y esta distancia se divide
entre la desviacin estndar.
Zs
ES
EI
Zi
Z mnimoZs, Zi
Instituto para la Calidad PUCP 2016. Todos los derechos reservados.
Cp
Zc
% dentro de
especificaciones
0.33
0.67
PPM
ZL
% dentro de
especificaciones
68.27
317,300
- 0.5
30.23
697,700
95.45
45,500
0.5
69.13
308,700
1.00
99.73
2,700
1.5
93.32
66807
1.33
99.9937
63
2.5
99.379
6210
1.67
99.999943
0.57
3.5
99.9767
233
2.00
99.999998
0.002
4.5
99.99966
3.4
PPM
Ejemplo
En un proceso de envasado de cemento, se tiene las
especificaciones del contenido de los costales 50 Kg., con
una
tolerancia
de
0.6
Kg.
De
esta
forma
las
APORTES DE GENICHI
TAGUCHI
FUNCIN PERDIDA DE TAGUCHI.
L(y)= Prdidas $
Desempeo
del
producto
K = Coef. Costo
y = Valor de la
caract. Calidad
m = Valor nominal
Costos
FUNCIN DE PRDIDA
TAGUCHI
Robustez = Alta calidad
Todas las actividades de ingeniera de calidad tienen como
objetivo fundamental fabricar un producto robusto frente a
todos los factores de ruido.
Lo robusto de un producto implica que su caracterstica
funcional no se vea afectada por los factores de ruido.
Buena calidad significa tener una variacin funcional mxima,
esto es un producto que funcione de acuerdo con lo
planeado, en las ms diversas condiciones y durante el tiempo
de vida para el que fue diseado.
FUNCIN DE PRDIDA
TAGUCHI
Factores de ruido
Causan que una caracterstica funcional se desve de
su valor objetivo.
Los factores de ruido causan variacin y prdida de
calidad....
FUNCIN DE PERDIDA
TAGUCHI
Tipos de ruido
Ruido externo: Este ruido se da durante el uso del
producto y puede ser producido por cambios de
temperatura, humedad y polvo.
Ruido interno: (Deterioro) Este es un gasto de los
componentes del producto.
Nominal es mejor.
Se expresa con la siguiente ecuacin:
L(y) = K(y-m)2
L (y) = Prdida en dinero por unidad de producto cuando las
caractersticas de calidad son iguales a y.
y = Valor de la caracterstica (longitud, anchura, etc.)
m = Valor nominal de y.
K = Constante de proporcionalidad.
L (y) = Es mnima cuando y=m
L (y) = Aumenta en la medida en que y se desva de m.
L (y)= Se expresa en unidades monetarias
Instituto para la Calidad PUCP 2016. Todos los derechos reservados.
1.
Grfica de Control
Es un diagrama estadstico que representa el
comportamiento de un proceso, utilizando para ello, el
Promedio y el rango de una muestra de datos.
Utilidad
La grfica de control indica cundo corregir o ajustar un
proceso y cundo dejarlo slo.
Sirven para vigilar la estabilidad de un proceso.
Indican la conducta de la organizacin en forma grfica.
Causas especiales
Grfica X R
Se usa para controlar y analizar un proceso en el cual
las caractersticas de calidad del producto est dado en
valores continuos, tales como: longitud, peso o
concentraciones.
Una grfica R se usa en combinacin con una grfica X.
Se emplean para procesos masivos, de mediano a alto
volumen.
A medida que n crece, las cartas son capaces de
detectar cambios en el proceso.
LCS x A 2 R
LCS D4 R
LC x
LC R
LCI x A 2 R
LCI D3 R
R
d
2
Ejemplo
En una corrida de produccin, se extrajeron 20 muestras
de los resultados de un mquina que produce remaches de
Ejemplo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
G
Sample
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
H
Item 1
1.405
1.407
1.385
1.386
1.382
1.404
1.409
1.399
1.408
1.399
1.394
1.409
1.405
1.390
1.393
1.413
1.410
1.407
1.411
1.404
I
Item 2
1.419
1.397
1.392
1.419
1.391
1.406
1.386
1.382
1.411
1.421
1.397
1.389
1.387
1.410
1.403
1.390
1.415
1.386
1.406
1.396
J
Item 3
1.377
1.377
1.399
1.387
1.390
1.404
1.399
1.389
1.394
1.400
1.396
1.398
1.399
1.388
1.387
1.395
1.392
1.396
1.392
1.391
K
Item 4
1.400
1.393
1.392
1.417
1.397
1.402
1.403
1.410
1.388
1.407
1.409
1.399
1.393
1.384
1.415
1.411
1.397
1.393
1.387
1.390
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
G
Sample
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
H
Item 1
1.405
1.407
1.385
1.386
1.382
1.404
1.409
1.399
1.408
1.399
1.394
1.409
1.405
1.390
1.393
1.413
1.410
1.407
1.411
1.404
I
Item 2
1.419
1.397
1.392
1.419
1.391
1.406
1.386
1.382
1.411
1.421
1.397
1.389
1.387
1.410
1.403
1.390
1.415
1.386
1.406
1.396
J
Item 3
1.377
1.377
1.399
1.387
1.390
1.404
1.399
1.389
1.394
1.400
1.396
1.398
1.399
1.388
1.387
1.395
1.392
1.396
1.392
1.391
K
Item 4
1.400
1.393
1.392
1.417
1.397
1.402
1.403
1.410
1.388
1.407
1.409
1.399
1.393
1.384
1.415
1.411
1.397
1.393
1.387
1.390
L
Rango
0.042
0.030
0.014
0.033
0.015
0.004
0.023
0.028
0.023
0.022
0.015
0.020
0.018
0.026
0.028
0.023
0.023
0.021
0.024
0.014
0.022
M
Promedio
1.400
1.394
1.392
1.402
1.390
1.404
1.399
1.395
1.400
1.407
1.399
1.399
1.396
1.393
1.400
1.402
1.404
1.396
1.399
1.395
1.398
INSTITUTO PARA
LA Instituto
CALIDAD
2014.
reproduccin
o parcial
sin permisoreservados.
del autor y del Instituto para la Calidad de la
para
la Prohibida
Calidad su
PUCP
2016. total
Todos
los derechos
Pontificia Universidad Catlica del Per.
Grfica R
UCL=0.05087
Rango de la muestra
0.05
0.04
0.03
_
R=0.0223
0.02
0.01
0.00
LCL=0
1
9
11
Muestra
13
15
17
19
Grfico X S
Diagrama para varianzas que aplican a procesos
masivos, en los que se quiere tener una mayor potencia
para detectar pequeos cambios.
Se emplean para procesos masivos, de mediano a alto
volumen.
A medida que n crece, las cartas son capaces de
detectar cambios en el proceso.
Por lo general, el tamao de los subgrupos (n) es mayor
a 10.
LCS X 3
S
LCS S 3
1 c2 4
c4
c4 n
LCC S
LC X
LCI X 3
S
2
LCI S 3
1 c 4
c4
S
c4 n
c
4
Nota / ojo: se usa el promedio del promedio de x
Instituto para la Calidad PUCP 2016. Todos los derechos reservados.
Ejemplo
En la elaboracin de envases de plstico, se debe tener
pesos entre 28 0.5 g. Cada media hora se toma un sub
Ejemplo
N
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
medias
28.048
28.042
27.985
27.968
28.044
28.162
27.981
27.985
28.024
27.973
28.021
28.026
28.004
27.993
27.949
28.028
27.99
28.004
27.997
28.014
desviacion
0.1343
0.1596
0.0846
0.0868
0.1086
0.1029
0.1241
0.101
0.0924
0.1049
0.1157
0.1127
0.0841
0.109
0.1285
0.1116
0.0927
0.1691
0.1083
0.1031
Grfica X
28.20
1
28.15
Valor individual
UCL=28.1286
28.10
28.05
_
X=28.0119
28.00
27.95
27.90
LCL=27.8952
1
9
11
13
Observacin
15
17
19
Grfica S
UCL=0.1761
0.175
Valor individual
0.150
0.125
_
X=0.1117
0.100
0.075
0.050
LCL=0.0473
1
9
11
13
Observacin
15
17
19
Cartas Individuales
Es un diagrama para variables de tipo continuo que se aplica a
procesos lentos y/o donde hay un espacio largo de tiempo entre
una medicin y la siguiente.
Ejemplo:
Procesos qumicos que trabajan por lotes.
Procesos de fermentacin, mayores a 100 horas de produccin.
Procesos en los que las mediciones cercanas solo difieren por el
error de medicin. Ejemplo, temperaturas en procesos,
humedad relativa en el medio ambiente, etc.
Algunas mediciones administrativas que se obtienen cada da o
semana.
Instituto para la Calidad PUCP 2016. Todos los derechos reservados.
Donde:
x X
Lmites :
R
R
x
d 2 1.128
R
X 3*
1.128
Nmero de lata
Peso
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
16.11
16.08
16.12
16.1
16.1
16.11
16.12
16.09
16.12
16.1
16.09
16.07
16.13
16.12
16.1
16.08
16.13
16.15
16.12
16.1
16.08
16.07
16.11
16.13
16.1
Prueba
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Viscosidad
2838
2785
3058
3064
2996
2882
2878
2920
3050
2870
3174
3102
2762
2975
2719
2861
2797
3078
2964
2805
Analizar
Pasos claves
Verificar causas raz
Enfocar la bsqueda en las variables clave del proceso.
Correlacin/regresin
Anlisis de la varianza (ANOVA)
Utilidad
Determinar las categoras (6Ms) principales de las
causas.
Mquina
Mtodo
Problema
Sntoma o
efecto
Medicin
Materiales
Medioambiente
Condiciones de variacin
Mano de obra o gente
Perfil de puesto definido =
competencias mnimas.
Adecuado procedo de
induccin y/o capacitacin?
Habilidad (los operadores
han demostrado tener
habilidad para el trabajo
que realizan?).
La gente est motivada?
Conoce la importancia de
su trabajo por la calidad?
Mtodos
Proceso / flujo de trabajo
definido?
Procedimientos o
instructivos de trabajo
claros?
Documentos de trabajo:
formatos, plantillas, etc.
definidos?
Especificaciones de
producto?
Condiciones de variacin
Mquinas o equipos
Las mquinas tienen
mantenimiento preventivo?
Las mquinas han sido
modificadas?
Las mquinas estn
correctamente instaladas?
Existen
procedimientos/especificacion
es de operacin?
Especificaciones mnimas de
los materiales/insumos para el
ptimo funcionamiento de los
equipos?
Material
Se han identificado los
materiales/proveedores
crticos?
Se tienen las
especificaciones de los
materiales crticos?
Condiciones de variacin
Mediciones
Los equipos de medicin
se calibran o verifican?
El personal que opera los
instrumentos de medicin
ha sido capacitado?
Se han redefinido
procedimientos de
muestreo?
Medio ambiente
Condiciones de produccin
y almacenamiento?
Temperatura
Humedad
Iluminacin
Vibracin
Ruido.
Factor
Disciplina
Hombre
(Man)
Mquina
(Machine)
Materiales
(Materials)
Matariles crticos
Proveedores crticos
Materiales y proveedores sustitos
Mtodo
(Method)
Medicin
(Measurement)
Medio ambiente
Control de temperatura, humedad, luz, aire,
Infraestructura /
(Milieu/Environm
presin, etc.
Operaciones
ent)
Instituto para la Calidad PUCP 2016. Todos los derechos reservados.
Calibracin
Verificacin
Estabilidad
Lineabilidad
Gestin de
RR.HH.
Gestin de
Mantenimiento
Gestin de
Compras
Calidad / O y M
Metrologa
Cul es el problema?
Mano de obra
Demoras en la entrega
de pizzas a domicilio
los viernes y sbados
Mtodos
Materiales
Mal manejo de
los pedidos
grandes
Mtodos
Mano de obra
Carros no
confiables
La gente no se
presenta a trabajar
Los choferes
se pierden
Mal
despacho
Demoras en la entrega
de pizzas a domicilio
los viernes y sbados
Agotamiento de
los ingredientes
Materiales
Maquinaria
No hay capacidad para
perodos de mayor
afluencia
Carros no confiables
No hay programacin
Baja paga
La gente no se presenta a trabajar
Hornos demasiado
pequeos
Los empleados
tienen carros que
no funcionan bien
Mala distribucion
de la planta
No conocen la ciudad
Baja paga
Alta fluctuacin
del personal
No conocen los
procedimiento
Alta fluctuacin
del personal
Agotamiento de ingredientes
Alta fluctuacin
del personal
Mal despacho
Falta de
experiencia
Mtodos
Demoras en la entrega
de pizzas a domicilio
los viernes y sbados
Pedidos
inexactos
Materiales
correcta?
Respuesta 4: Porque el eje de la bomba estaba gastado.
Grfica de Dispersin
Es un diagrama que representa el comportamiento
conjunto de dos variables.
Utilidad
Muestra la relacin o correlacin entre dos mediciones.
Sirve para evaluar posibles relaciones entre causa y
efecto, causa y causa y efecto y efecto.
Ejemplos de variables
Variables dependientes
(y)
Variables independiente
(x)
1. Merma
1. Materia prima
2. Productividad
mquina
3. Productividad por
3. Clima
hectrea
4. Presin
4. Temperatura
NO CORRELACION
No hay correlacin. Y puede depender
de otra variable
Instituto para la Calidad PUCP 2016. Todos los derechos reservados.
CORRELACION NEGATIVA
Un aumento en X causar una
disminucin en Y, por lo tanto, como
en el punto 1, X puede ser controlada
en lugar de Y.
Significado
+/- 1
Correlacin perfecta
Alta correlacin
Baja correlacin
No existe correlacin
Ejemplo 1
En cierta empresa es usual
pagar horas extras para cumplir
con los tiempos de entrega. En
este centro productivo, un grupo
de mejora de calidad est
tratando de reducir la proporcin
de piezas malas. Con este
propsito deciden investigar la
relacin que existe entre la
cantidad de horas extras, X, y el
porcentaje de artculos
defectuosos, Y. A continuacin
se muestran los datos
obtenidos.
SEMANA
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
HORAS
EXTRAS
340
95
210
809
80
438
107
180
100
550
220
50
193
290
340
115
362
300
75
93
320
154
PORCENTAJE DE
DEFECTUOSOS
5
3
6
15
4
10
4
6
3
13
7
3
6
8
2
4
10
9
2
2
10
7
18
16
% de Defectos
14
12
10
8
6
4
y = 0.0171x + 2.111
R2 = 0.7368
2
0
0
100
200
300
400
500
600
700
H. Extras
800
900
Ejemplo 2
En una fbrica de pintura se
requiere reducir el tiempo de
secado del barniz. Los
siguientes datos corresponden
el tiempo de secado del barniz
(horas) y a la cantidad de
aditivo con el que se intenta
lograr tal reduccin.
CANTIDAD DE
ADITIVO
TIEMPO DE
SECADO
14
11
10
7.5
10
11
13
12
10
15
16
y = 0.2409x + 9.75
R2 = 0.1116
14
12
10
8
6
4
2
0
0
10
12
Diagrama de Pareto
Es una grfica de barras en la que stas se acomodan en orden
descendente. El orden de las barras refleja la importancia o
costo de las causas o categoras que se asocian con las barras.
Utilidad
Ayuda a establecer prioridades respecto a los problemas a
resolver en primer lugar.
Ayuda a identificar el 80 % de los problemas en un proceso
resultan solamente del 20 % de sus causas potenciales.
La vitalidad de los pocos y la trivialidad de los muchos
Mancha amarilla
4 300
700
700
II
6 300
650
650
3 500
700
400
II
6 600
500
420
8 500
800
324
II
9 120
655
345
Mquina
Turno
empacadora
A
B
C
Total
Porcentaje
% acum
I
II
I
II
I
II
45,164
100%
Mquina
empacadora
Total
% Acum.
17,620
46%
46%
10,600
28%
74%
10,100
26%
100%
38,320
100%
Turno
Suma
% Acum
II
II
16300
22020
38320
43%
57%
43%
100%
1. Prueba de Hiptesis
2. Anlisis de Varianza ANOVA
promedio.
La variacin del proceso se redujo con los cambios realizados.
-1.96
1.96
No
El valor de p es <
al nivel de
significancia, ,
especificado?
H 0 : 1.3250 minutos
H A : 1.3250 minutos
x 0
1.3229 1.3250
0.47
0.0396 80
.0025
.0025
-1.96
1.96
INSTITUTO PARA
LA Instituto
CALIDAD
2014.
reproduccin
o parcial
sin permisoreservados.
del autor y del Instituto para la Calidad de la
para
la Prohibida
Calidad su
PUCP
2016. total
Todos
los derechos
Pontificia Universidad Catlica del Per.
Usando Minitab
Usando Minitab
Z de una muestra
OJO
Si P < alfa. Se rechaza Ho
Si P > alfa. No se rechaza Ho
H 0 : 1030 horas
H A : 1030 horas
x 0 1061.6 1030.0
z
2.22
x
90.0 40
Para una prueba de una cola, usando la distribucin normal y con =
0.05, los lmites seran z =1.645
0.05
1.645
Usando Minitab
Usando Minitab
Ruta: Estadsticas Estadstica bsicas Z de 1 Muestra
Z de una muestra
OJO
Si P < alfa. Se rechaza Ho
Si P > alfa. No se rechaza Ho
Error
estndar
de la 95% Lmite
N Media media inferior Z
P
40 1061.6
14.2
1038.2 2.22 0.013
H A : $ 410
x 0 511.33 410.00
t
2.340
sx
183.75 18
Para una prueba de dos colas, usando la distribucin normal y con =
0.05, los lmites seran 0.025 en cada una son z= -2.110 y z
= 2.110
.0025
-2.110
.0025
2.110
INSTITUTO PARA
LA Instituto
CALIDAD
2014.
reproduccin
o parcial
sin permisoreservados.
del autor y del Instituto para la Calidad de la
para
la Prohibida
Calidad su
PUCP
2016. total
Todos
los derechos
Pontificia Universidad Catlica del Per.
Usando Minitab
Usando Minitab
Ruta: Estadsticas Estadstica bsicas t de 1 Muestra
T de una muestra
Prueba de mu = 410 vs. no = 410
OJO
Si P < alfa. Se rechaza Ho
Si P > alfa. No se rechaza Ho
Error
estndar
de la
N Media Desv.Est. media IC de 95%
T
P
18 511.3
183.8
43.3 (420.0, 602.7) 2.34 0.032
OJO: P value < 0.05: se rechaza H0
Instituto para la Calidad PUCP 2016. Todos los derechos reservados.
H A : 60,000 Km
x 0 58341.69 - 60000
t
-2.739
sx
3632.53 36
Para una prueba de una cola, usando la distribucin normal y con =
0.05, los lmites seran z =-2.438
Rechazo
0.01
-2.438 0
INSTITUTO PARA
LA Instituto
CALIDAD
2014.
reproduccin
o parcial
sin permisoreservados.
del autor y del Instituto para la Calidad de la
para
la Prohibida
Calidad su
PUCP
2016. total
Todos
los derechos
Pontificia Universidad Catlica del Per.
Usando Minitab
Usando Minitab
OJO
Si P < alfa. Se rechaza Ho
Si P > alfa. No se rechaza Ho
Error
estndar Lmite
de la superior
N Media Desv.Est. media
99%
T
P
36 58342
3633
605 59818 -2.74 0.005
OJO: P value < 0.05: se rechaza H0
Instituto para la Calidad PUCP 2016. Todos los derechos reservados.
H 0 : 0.7
H A : 0.7
(1 )
0
0 0.7(1 0.7) 0.0324
n
200
0.66 0.7
0
z
1.23
0.0324
p
INSTITUTO PARA
LA Instituto
CALIDAD
2014.
reproduccin
o parcial
sin permisoreservados.
del autor y del Instituto para la Calidad de la
para
la Prohibida
Calidad su
PUCP
2016. total
Todos
los derechos
Pontificia Universidad Catlica del Per.
Usando Minitab
OJO
Si P < alfa. Se rechaza Ho
Si P > alfa. No se rechaza Ho
Muestra X N Muestra p
IC de 95%
Valor Z Valor P
1
132 200 0.660000 (0.594349, 0.725651) -1.23 0.217
Qu es el anlisis de varianzas?
Qu es el ANOVA?
Definicin
Ho : U1 = U2 = U3 = U4.
Ha: Al menos una U(k), es diferente
Ejemplo de ANOVA
Usando Minitab
Ruta: Estadsticas ANOVA Un solo factor (Desapilado)
Rechazo
Se acepta la
hiptesis nula. Las
medias poblacionales
son iguales.
Usando Minitab
OJO
Si P < alfa. Se rechaza Ho
Si P > alfa. No se rechaza Ho
Nivel N
Method1
Method2
Method3
Ejemplo 2 ANOVA
Usando Minitab
Ruta: Estadsticas ANOVA Un solo factor (Desapilado)
OJO
Si P < alfa. Se rechaza Ho
Si P > alfa. No se rechaza Ho
H 0 : 1 2
H A : 1 2
Instituto para la Calidad PUCP 2016. Todos los derechos reservados.
Usando Minitab
Ruta: Estadsticas Estadstica bsica 2-sample t
media
0.99
0.96
Fuente GL SC MC F P
Factor 1 25.6 25.6 2.44 0.134
Error 20 209.7 10.5
Total 21 235.3
S = 3.238 R-cuad. = 10.88% R-cuad.(ajustado) = 6.43%
OJO
Si P < alfa. Se rechaza Ho
Si P > alfa. No se rechaza Ho
Mejorar
Pasos claves
Determinar beneficios y riesgos asociados con la solucin del
problema.
Mejorar
Tcnica 5W 2H
Quin? Who?
Qu? What?
Por qu? Why?
Cundo? When?
Dnde? Where?
Cmo? How?
Cunto cuesta? How Much?
MATRIZ DE PLANIFICACIN
QU
QUIN
CUNDO
DNDE
R. Guzmn
30/01/2012
Sede Central
R. Guzmn
15/01/2012
Sede Central
15/03/2012
Sede Central
V. Chvez
10/04/2012
20/04/2012
31/08/2012
Sede Central
Sede Central
Sede Central
POR QU
CMO
Porque va a permitir el
desarrollo continuo de
integracin
Porque se tiene que
designar recursos en
base al presupuesto
interno.
Porque se tiene que
asegurar el
cumplimiento de las
actividades
Porque son actividades
clave que permitiran
lograr el objetivo
deseado
CUNTO
CUESTA (S/.)
3,000
5,000
En reuniones de
trabajo
8,000
En reuniones de
trabajo
800
En reuniones
mensuales de
seguimiento
300
En talleres con la
participacin activa
e involucramiento
de alta gerencia,
RRHH y especialista
segn cronograma
5,000
22100
INSTITUTO PARA
LA Instituto
CALIDAD
2014.
reproduccin
o parcial
sin permisoreservados.
del autor y del Instituto para la Calidad de la
para
la Prohibida
Calidad su
PUCP
2016. total
Todos
los derechos
Pontificia Universidad Catlica del Per.
Conceptos Clave
Modo Potencial de Falla
Es la manera en que un sistema podra fallar en su operacin o
cumplimiento de requerimiento.
Efectos de Falla Potencial
Son las consecuencias negativas que se dan cuando falla un
proceso, por lo que se deben buscar sus causas.
Severidad
Es una evaluacin del efecto de falla potencial en el cliente.
Ocurrencia
Es la evaluacin de la probabilidad de que una causa particular
ocurra y resulte en el modo de falla.
Deteccin
Es la evaluacin de la probabilidad de que los controles actuales
detecten la causa del modo de falla, si ocurriera, evitando por lo
tanto el que llegue al cliente.
Instituto para la Calidad PUCP 2016. Todos los derechos reservados.
Identificacin de modos
posibles de fallas
Encontrar causas
potenciales de falla y la
frecuencia de ocurrencia
Revisar resultados
de acciones
AMEF Nmero
Equipo de trabajo
Preparado por
De
4
NPR
Deteccin
Acciones
Tomadas
Ocurrencia
Severidad
Responsable
y fecha
objetivo de
Acciones
cierre (Para la
recomendadas
Accin
Recomendada
1
1
)
NPR
Deteccin
Causa(s)
Potencial(es)
Controles del
/
Proceso
Mecanismo(s)
Actuales
de falla
1
1 1
Ocurrencia
Clasificacin
Severidad
Requerimient
os del proceso
Efectos
/
Modo de falla
Potenciales
9
potencial
de la Falla
Funciones
1
1
Fecha de elaboracin
Pgina
INSTITUTO PARA
LA Instituto
CALIDAD
2014.
reproduccin
o parcial
sin permisoreservados.
del autor y del Instituto para la Calidad de la
para
la Prohibida
Calidad su
PUCP
2016. total
Todos
los derechos
Pontificia Universidad Catlica del Per.
Criterio
nfima. El defecto sera imperceptible por el usuario
Valor de S
1
Escasa. El cliente puede notar un fallo menor, pero slo provoca una ligera molestia
23
45
6- 7
89
Muy elevada. El fallo implica problemas de seguridad o de no conformidad con los reglamentos en vigor
9 - 10
Criterio
Muy escasa probabilidad de ocurrencia. Defecto inexistente en el pasado
Valor de O
1
23
45
Frecuente probabilidad de ocurrencia. En circunstancias similares anteriores el fallo se ha presentado con cierta frecuencia
6- 7
89
9 - 10
Criterio
Muy escasa. El defecto es obvio. Resulta muy improbable que no sea detectado por los controles existentes.
Valor de D
1
Escasa. El defecto, aunque es obvio y fcilmente detectable, podra raramente escapar a algn control
primario, pero sera posteriormente detectado
23
45
Frecuente. Defectos de difcil deteccin que con relativa frecuencia llegan al cliente
6- 7
Elevada. El defecto es de naturaleza tal, que su deteccin es relativamente improbable mediante los
procedimientos convencionales de control y ensayo
89
Muy elevada. El defecto con mucha probabilidad llegar al cliente, por ser muy difcil detectable
9 - 10
Control
Pasos Clave
Controlar nuevas condiciones del proceso
Re evaluar la capacidad del proceso
Definiciones de causas
Causas comunes:
Es la variabilidad aleatoria debida a la combinacin de muchos efectos
que no son fciles de identificar, un proceso que incluye solo causas
comunes se dice que est en control estadstico. Requiere acciones
locales.
Causas Especiales:
Es la variabilidad imputable a causas que son posibles de identificar,
corregir y lo que es mejor eliminar, un proceso que incluye causas
especiales no est en control estadstico.
Grfica p
Estas grficas se usan cuando las caractersticas de
calidad se representan por la fraccin defectuosa.
Unidades rechazadas / unidades inspeccionadas.
La grfica p se usa para una muestra de tamao
variable. Pero tambin puede usarse para n constantes.
Grfica np
Estas grficas se usan cuando las caractersticas de
calidad se representan por el nmero de unidades
defectuosas. O el nmero de unidades rechazadas por
cada muestra inspeccionada.
Para una muestra de tamao muestra constante se usa
la grfica np.
Frmulas np y p
LC np
p (1 p )
LCS p 3
n
LC p
LCI np 3 pn(1 p)
LCI p 3
LCS np 3 pn(1 p)
Total de defectos
p
Total de inspeccionados
p (1 p )
n
Ejemplo grfica p
Para probar la integridad de un filamento, se toman
muestras de los focos que salen de una lnea de
C
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
Muestra
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
D
Piezas
defectuosas
8
14
16
14
15
20
19
12
17
6
10
15
9
17
13
11
E
No
defectuosas
92
86
84
86
85
80
81
88
83
94
90
85
91
83
87
89
F
Proporcin
defectuosa (p)
0.080
0.140
0.160
0.140
0.150
0.200
0.190
0.120
0.170
0.060
0.100
0.150
0.090
0.170
0.130
0.110
0.135
Ejemplo grfica p
Grfica P
0.25
UCL=0.2375
Proporcin
0.20
0.15
_
P=0.135
0.10
0.05
LCL=0.0325
1
9
Muestra
11
13
15
Ejemplo Grfica np
Se inspecciona una muestra de 120 artculos de los
componentes k12. Los datos se obtienen de 20 lotes
consecutivos como se muestran en la tabla.
Total de defectos
p
Total de inspeccionados
183
p
120 * 20
183
n* p
*120
120 * 20
Muestra
Componentes
defectuosos
1
2
3
4
5
6
7
8
9
10
9
6
10
8
5
5
14
12
9
8
Muestra
11
12
13
14
15
16
17
18
19
20
Total
Componente
s
defectuosos
10
20
12
10
10
0
13
5
6
11
183
NP Chart
1
20
UCL=17.87
Sample Count
15
__
NP=9.15
10
LCL=0.43
11
Sample
13
15
17
19
Grfica c
(nmero de defectos por sub grupo)
Estas grficas se usan para controlar y analizar un
Grfica u
(nmero promedio de defectos por unidad)
Estas grficas se usan para controlar y analizar un
variables o constante.
Frmulas grfica c y u
LCS c 3 c
LCS u 3
LC c
LC u
LCI c 3 c
LCI u 3
Donde :
u
n
u
n
Donde :
Total de defectos
c
Total de subgrupos
Total de defectos
Total de artculos inspeccionados
Ejemplo grfica c
Durante la produccin de lminas de acero continuas, se
examinan muestras peridicas de 10 pies de longitud, para
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
D
Muestra
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
suma
c
E
Defecto
3
4
6
6
4
7
9
8
3
6
10
5
7
8
3
3
1
4
6
3
106
5.3
Ejemplo grfica c
Grfica C
UCL=12.21
12
Conteo de muestras
10
8
6
_
C=5.3
4
2
0
LCL=0
1
11
Muestra
13
15
17
19
Ejemplo grfica u
Una fbrica que ensambla artculos electrnicos y al
final del proceso se hace una inspeccin por muestreo
Lote
Tamao de
lote
Defectos
encontrados
Lote
Tamao de
lote
Defectos
encontrados
1
2
3
4
5
6
7
8
9
10
11
12
20
20
20
20
15
15
15
25
25
25
25
30
17
24
16
26
15
15
20
18
26
10
25
21
13
14
15
16
17
18
19
20
21
22
23
24
30
30
30
30
30
30
15
15
15
15
15
15
40
24
46
32
30
34
11
14
30
17
18
20
Lote
Tamao de
lote
Defectos
encontrados
Lote
Tamao de
lote
Defectos
encontrados
1
2
3
4
5
6
7
8
9
10
11
12
20
20
20
20
15
15
15
25
25
25
25
30
17
24
16
26
15
15
20
18
26
10
25
21
0.85
1.20
0.80
1.30
1.00
1.00
1.33
0.72
1.04
0.40
1.00
0.70
13
14
15
16
17
18
19
20
21
22
23
24
Total
30
30
30
30
30
30
15
15
15
15
15
15
525
40
24
46
32
30
34
11
14
30
17
18
20
549
u
1.33
0.80
1.53
1.07
1.00
1.13
0.73
0.93
2.00
1.13
1.20
1.33
Grfica U
2.25
2.00
1
1.75
UCL=1.692
1.50
1.25
_
U=1.040
1.00
0.75
0.50
LCL=0.388
1
11
13
15
Muestra
17
19
21
23
Conclusiones generales
Uso de conocimiento no estadstico buscando la experiencia de
los expertos en el tema para retroalimentar el estudio. El
conocimiento no estadstico es invaluable para elegir factores,
determinar niveles e interpretar resultados.
Mantener el diseo y el anlisis tan simple como sea posible
Es necesario no exagerar en el uso de tcnicas estadsticas
complejas y sofisticadas. Los mtodos de diseo y anlisis
simples son siempre los mejores.
Tener presente la significancia prctica y estadstica ya que a
veces encontramos soluciones que optimizan una respuesta pero
son econmicamente inviables.
Muchas gracias
Carlos Toledo
Carlos.Toledo@calidar.pe