UNIVERSIDAD IBEROAMERICANA PUEBLA

Estudios con Reconocimiento de Validez Oficial por Decreto Presidencial del 3 de abril de 1981

APLICACIN DE LA METODOLOGA SEIS SIGMA PARA MEJORAR LA CALIDAD Y PRODUCTIVIDAD DE UNA PLANTA DE BEBIDAS

TESIS que para obtener el Grado de MAESTRA EN INGENIERA DE CALIDAD presenta MIGUEL BAHENA QUINTANILLA Puebla, Pue. 2006

INDICE
Introduccin
Antecedentes de la Calidad Qu es seis sigma? Justificacin Objetivos Alcance Planteamiento del problema Metodologa

Capitulo 1. Introduccin a la metodologa Seis Sigma

1.1 1.2 1.3 1.4 1.5 La mtrica de Seis Sigma Mediciones para Seis Sigma Clculo de Sigmas del proceso Diez pasos de Motorola para la mejora de procesos Las Fases DMAIC de Seis Sigma

Capitulo 2. Fase de Definicin

2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 3.1 3.2 3.3 3.4 3.5 Introduccin Etapas de la fase de Definicin Mapa del proceso Despliegue de la Funcin de Calidad QFD Modelo Kano Diagrama matricial Benchmarking Costos de Calidad Entregables de esta fase Introduccin Etapas de la fase de Medicin Estadstica descriptiva Herramientas estadsticas para la solucin de problemas Entregables de esta fase

Capitulo 3. Fase de Medicin

Capitulo 4. Fase de Anlisis

4.1 4.2 4.3 4.4 4.5 4.6 4.7 4.8 4.9 5.1 5.2 5.3 5.4 5.5 Introduccin Etapas de la fase de Anlisis AMEF Cartas Multi Vari Correlacin Anlisis de Regresin Pruebas de Hiptesis Anlisis de Varianza ANOVA Entregables de esta fase Introduccin Etapas de la fase de Mejora Terminologa Diseo de Experimentos (DOE) Mtodo de Superficie de Respuesta

Capitulo 5. Fase de Mejora

Pgina 1

5.6

Entregables de esta fase

Capitulo 6. Fase de Control

6.1 6.2 6.3 6.4 6.5 6.6 6.7 6.8 6.9 6.10 Introduccin Etapas de la fase de Control Determinacin de la capacidad del proceso en control Implementacin del Sistema de Control Cartas de Control Dispositivos a prueba de errores Poka-Yoke Mejora Continua Kaizen Las 5Ss El Kanban Entregables de esta fase

Captulo 7.
7.1 7.2 7.3

Proyecto
Introduccin Proyecto de Nivel de Llenado 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 Entregables / resultados del proyecto

7.4

Conclusiones y Recomendaciones

Bibliografa

Pgina 2

INTRODUCCIN

ANTECEDENTES 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 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. 2. Seis Sigma est enfocado en el cliente. 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. 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.

3.

Pgina 3

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 representa por la letra griega sigma (). 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. Qu es Seis Sigma? Seis Sigma es una forma 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 principales1: 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 como1: 1. 2. 3. Una medida estadstica del nivel de desempeo de un proceso o producto. Un objetivo de lograr casi la perfeccin mediante la mejora del desempeo. Un sistema de direccin para lograr un liderazgo duradero en el negocio y un desempeo de primer nivel en un mbito global.

Lefcovich Mauricio Seis Sigma hacia un nuevo paradigma en Gestin

Pgina 4

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. 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 herramientas 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: BlackBelts2, Green Belts, etc. A continuacin se presentan y describen las fases de la metodologa Seis Sigma:

Fase 0. Definicin D Fase 1. Medicin Fase 2. Anlisis Fase 3. Mejora Fase 4. Control

Define

Problema de Negocio

M Measure
Problema Estadstico

A I C

Analyze Improve Control

Solucin Estadstica

Solucin de Negocio

Fases de Identificacin y 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 Medicin y Anlisis 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
2

Black Belt es nombre registrado por Motorola Inc. en U.S.A

Pgina 5

Identificacin y comparacin competitiva (benchmark) de las caractersticas clave del producto. Anlisis de brechas y factores de xito. o MEDICIN 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 ANALISIS Seleccionar las variables de desempeo Hacer un benchmarking de las mtricas de desempeo Descubrir el desempeo mejor en su clase Realizar un anlisis de brechas Identificar factores de xito Definir objetivos de desempeo Fases de mejora y 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 Diseo de Experimentos (DOE) y se ajustan para optimizar el proceso. Puede ser necesario modificar el proceso, cambiar los materiales, etc. o MEJORA 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 CONTROL 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 6

A continuacin se esquematiza el propsito, los entregables, los mtodos y las herramientas estadsticas utilizadas en cada una de las fases3:

DMAIC DMAIC
Definir
Herramientas
1. Mapa de Proceso 1. Mapa de Proceso 2. Despliegue de la 2. Despliegue de la Funcin de Funcin de Calidad (QFD) Calidad (QFD) 3. Modelo Kano 3. Modelo Kano 4. Diagrama Matricial 4. Diagrama Matricial 5. Benchmarking 5. Benchmarking 6. Costos de Calidad 6. Costos de Calidad 1. Mapa de Procesos 1. Mapa de Procesos 2. Diagrama de: 2. Diagrama de: Pareto,CausaPareto,CausaEfecto,rbol, Efecto,rbol, Afinidad Afinidad 3. Mtodos de 3. Mtodos de Muestreo Muestreo Estadstico Estadstico 4. Capacidad del 4. Capacidad del Sistema de Sistema de Medicin Medicin 5. Distribucin 5. Distribucin Normal Normal 6. Capacidad del 6. Capacidad del Proceso Proceso 1. AMEF 1. AMEF 2. Cartas Multi Vari 2. Cartas Multi Vari 3. Correlacin 3. Correlacin 4. Regresin lineal 4. Regresin lineal Simple y lineal Simple y lineal Mltiple Mltiple 5. Pruebas de 5. Pruebas de Hiptesis Hiptesis 6. Anlisis de 6. Anlisis de Varianza (ANOVA) Varianza (ANOVA) 1. Anlisis de 1. Anlisis de Experimentos Experimentos (DOE) (DOE) 2. Diseo Factorial 2. Diseo Factorial 2K 2K 3. Diseo Fraccin 3. Diseo Fraccin Factorial Factorial 4. Diseo Taguchi 4. Diseo Taguchi 5. Diseo de Mezclas 5. Diseo de Mezclas 6. Mtodos de 6. Mtodos de Superficie de Superficie de Respuesta Respuesta 1. Plan de Control 1. Plan de Control 2. Cartas de Control 2. Cartas de Control 3. Poka Yoke 3. Poka Yoke 4. Mejora continua 4. Mejora continua (Kaizen) (Kaizen) 5. Las 5 Ss 5. Las 5 Ss 6. Kanban 6. Kanban

Medir

Analizar

Mejorar

Controlar

Figura 1 Herramientas utilizadas en la metodologa Seis Sigma

Para aplicar la filosofa Seis Sigma dentro de una organizacin implica "Cambiar la cultura de la organizacin", 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. Recomendaciones para seleccin de proyectos4: o Fuentes externas: Considerar la voz del cliente Considerar la voz del mercado 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

3 4

Reyes Primitivo Tomado de los apuntes de la material Opcin Terminal UIA Otoo 2005 Neuman Robert, Pande Peter Las claves de Seis Sigma

Pgina 7

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 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 ms 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 enfocada a la mejora continua.

Justificacin 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.

Pgina 8

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 La variacin 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. Hasta ahora hemos mencionado algunos nombres 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:
Guru
Philip B. Crosby W. Edwards Deming Armand Feigenbaum Kaoru Ishikawa Joseph Juran

Contribucin
Involucramiento de la direccin (ID), 4 absolutos de la calidad, evaluar costo de calidad Ciclo de mejora PHEA, ID, enfoque a mejorar el sistema, constancia de propsito Control total de calidad / Gestin e ID Diagrama causa efecto, CWQC, cliente sig. Op. ID, triloga de la calidad, mejoramiento por proyecto, medir costo de calidad, Pareto Causas asignables vs comunes, Cartas de control, ciclo PHVA, usar estadstica para mejora Funcin de prdida, relacin seal a ruido, Diseos de experimentos, diseos robustos

Walter A. Shewhart Genichi Taguchi

Figura 2 Gurs de Calidad

Enunciaremos algunas ventajas que tiene la implementacin de un sistema Seis Sigma en comparacin con otros Sistemas de Calidad: 6 vs. Calidad Total / CT vs. 6
Ventajas Seis Sigma vs. Calidad Total
Mayor uso de tcnicas estadsticas en la implementacin de proyectos de mejora. Las tcnicas estadsticas son ms fciles de comprender y de seleccionar ya que utiliza un lenguaje ms digerible para la mayora de los usuarios. Utilizacin de reportes de Confiabilidad para la seleccin de proyectos de mejora. La seleccin de los equipos de mejora y entrenamiento son

Ventajas Calidad Total vs. Seis Sigma

Realiza un diagnostico operativo y cultural en la empresa antes de llevar a cabo la implementacin del sistema. Propone el desarrollo de polticas de calidad las cuales deben de ser congruentes con los planes estratgicos de la empresa. Dicta procedimientos de entrenamiento, educacin y reconocimiento a los logros de calidad (mayor administracin del recurso humano). Propone el uso de un sistema de Aseguramiento de

Pgina 9

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.) 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. Anlisis de los procesos 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.

Calidad, el cual proporciona la certeza de que el resultado del proceso productivo tendr los niveles de calidad deseados. 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.

Los objetivos son medidos mediante el logro de la mtrica 6, y las utilidades que genera cada proyecto. Tabla 1 Comparativos 6 y Sistemas de Calidad

Desventajas de los sistemas de Aseguramiento de Calidad vs. 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. 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.

Objetivos
1.1 Objetivo general: El objetivo general de esta tesis es el desarrollo de un caso prctico 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. Objetivos especficos: Aplicacin de la metodologa seis sigma para mejorar la calidad y productividad de una planta de bebidas, reduciendo la variabilidad en el nivel de llenado en la presentacin premier, asegurando las caractersticas de calidad establecidas para el producto.

Pgina 10

Se pretende que este trabajo 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.

1.1

Alcance

Mejorar la calidad y productividad del proceso de llenado en una planta de bebidas, especficamente en el departamento de envasado en la lnea de produccin B.

1.2

Planteamiento del problema

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 trabajo 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 este proceso es la variacin en el nivel de llenado, ya que a pesar de estar bajo especificaciones internas (de planta) y bajo Normas Oficiales existe dicha variacin que nos genera un costo en la produccin. 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.

Pgina 11

1.3

Metodologa

La metodologa que se va a emplear es la aplicacin de seis sigma en conjunto con kaizen, lo que en planta llamamos Kaizen Seis Sigma, para lograr los resultados en un plazo no mayor a 3 meses. La presente tesis constar de 7 captulos en los cuales consistirn en la explicacin de 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. 2. 3. 4. 5. 6. 7.

Capitulo #1 Capitulo #2 Capitulo #3 Capitulo #4 Capitulo #5 Capitulo #6 Capitulo #7

Introduccin a la metodologa seis sigma Fase de Definicin Fase de Medicin Fase de Anlisis Fase de Mejora Fase de Control Proyecto de nivel de llenado en una planta de bebidas

Pgina 12

CAPITULO 1 INTRODUCCION A LA METODOLOGA SEIS SIGMA

Seis Sigma es un sistema diseado cuyo objetivo de cuasi perfeccin en la satisfaccin de las necesidades del cliente5. 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 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. 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.
5

Pande Peter, Neuman Robert Las claves de Seis Sigma

Pgina 13

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. 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 La mtrica de Seis Sigma El nivel sigma, es utilizado comnmente como medida dentro del Programa Seis Sigma, incluyendo los cambios o movimientos tpicos de 1.5 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.
Nivel actual Cambio Porcentaje de mejora requerido

3 4 5

4 5 6
Tabla 1.1

10x 30x 40x

En esta otra tabla se aprecia la cantidad de defectos por cada nivel sigma
Nivel en sigma 6 5 4 3 2 1 Defectos por milln de oportunidades 3.4 233.0 6,210.0 66,807.0 308,537.0 690,000.0 Tabla 1.2

Pgina 14

Realizando un comparativo del nivel de calidad sigma de varias empresas se determin que el promedio de estas se encuentra en el nivel 4; Las empresas con nivel 6 son denominadas de Clase Mundial (World 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.

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

LSL

USL

6 5 4 3 2 1

+ 1 + 2 + 3 + 4 + 5 + 6

Figura 1.2 Distribucin normal centrada.

Con la distribucin normal centrada dentro de los lmites 6, se tendra nicamente una porcin de 0.002 ppm.7

6 7

Forrest W. Breyfogle III, Implementing Six Sigma. Forrest W. Breyfogle III, Implementing Six Sigma.

Pgina 15

Para compensar las inevitables consecuencias de los errores de centrado de procesos, la media de la distribucin se desplaz 1.5. Este ajuste proporciona una idea ms realista de la capacidad del proceso a travs de varios ciclos de manufactura. El desplazamiento puede ser en direccin positiva o negativa, pero nunca en ambas direcciones8

LSL

USL

6 5 4

3 2 1

+ 1 + 2

+ 3

+ 4 + 5 + 6

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.
Nivel en sigma Porcentaje Defectos por milln de oportunidades

6 5 4 3 2 1

99.99966 99.9769 99.379 93.32 69.13 30.23

3.4 233.0 6,210.0 66,807.0 308,537.0 690,.000.0

Tabla 1.3 Porcentajes y cantidad de defectos a los que corresponden los diferentes niveles Sigma

Jurn . J.M. Anlisis y planeacin de la calidad

Pgina 16

1.2 Mediciones para Seis Sigma 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. 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 bsicas9: 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 D DPU = U Oportunidad de defectos (O): Cualquier acontecimiento que pueda medirse y de una oportunidad de no satisfacer un requisito del cliente. Defectos por oportunidad (DPO): D DPO = U 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 Clculo 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).
9

Forrest W. Breyfogle III Implementing Six Sigma

Pgina 17

Ejemplo:

Un proceso de manufactura de cable se cuenta con los siguientes datos:

Caracterstica Unidades Defectos Oportunidades de defectos Cantidad 1100 310 315

Defectos por oportunidad (DPO) =

D 310 = = 0.01878 N O 1100*15

DPMO = 0.01878 X 1,000,000 = 18,780 De la tabla de conversin de sigma determinamos el valor que ms se acerca a 18,780 siendo este: = 3.6
Rendimiento al Final (YFT)

Es la probabilidad de que una unidad pase el ensamble final con 0 defectos YFT = (1 - DPO) * 100 En el ejemplo anterior tenemos: YFT = (1 - 0.01878) * 100 = 98.12% Observemos la siguiente figura:

Subproceso
N artculos defectuosos
Generacin de D1 Defectos

YLP

Actividades

Revisin de Actividades

Subsistencia de D2 Defectos

YFP

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).

Pgina 18

Rendimiento Real o Estndar (YRT)

Mide la probabilidad de pasar por todos los subprocesos sin un defecto, se determina con el producto del resultado de cada paso: YFP1 YFP2 YFP3 ......YFPn Es un rendimiento sensible a pasos

y defectos en los pasos.

Rendimiento Normal (YN)

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.
YN = n YRT , donde n es igual al nmero de pasos en el proceso.
Ejemplo:

Considerando los siguientes datos:

Caracterstica Subproceso #1 Subproceso #2 Subproceso #3 Subproceso #4 Calcular YRT y YN Rendimiento 96% 99% 97% 98%

YRT = 96%*99%*97%*98% = 90.34% 0.9034 que es la probabilidad de que el producto pase sin error.

YN = YRT =
n

0.9034 = 97.49%

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
Rendimiento real o estndar (YRT)
Rendimiento tomado en cada paso del proceso oportunidad) Rendimiento antes de la inspeccin o la prueba Incluye retrabajo y desperdicio Siempre <YFT producto terminado. Tabla 1.4 Rendimientos

Rendimiento al final (YFT)

Rendimiento al final del proceso Es el rendimiento despus de la inspeccin la prueba Excluye el retrabajo y el desperdicio Siempre >YRT

Observa la calidad de todas las partes que conforman el Slo observa la calidad del producto terminado

Pgina 19

Variacin a largo plazo vs. Variacin a corto plazo (Z-Value):

Largo plazo (ZLT): 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.
ZLT = (lmite especif. - media)
std devLT

Corto plazo (ZST): Son los datos tomados durante un periodo de tiempo suficientemente corto para que sea improbable que haya cambios y otras causas especiales.
ZST = (lmite especif. - nom)
desv. stdST

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 Donde: ZST = Z a corto plazo. ZLT = Z a largo plazo. YN = Rendimiento Normal
Ejemplo:

ZBenchmark = ZYN + 1.5

Un proceso tiene un YRT = 0.9034 con 4 operaciones. Determine YN y Zbenchmark YN = YRT =

n 4

0.9034 = 97.49%

Z benchmark = 0.9747+1.5= 2.474 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 sobre la base de 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)

Pgina 20

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 sobre la base del rendimiento se determina como: Calc > Probability Distributions > Normal Seleccionar Inverse Cumulative probability Mean 0.0 2.La Z del proceso se determina con Zst = Zlt + 1.5 standar deviation 1 Input constant valor de Yrt OK, se obtiene la Zlt de largo plazo.

A continuacin se presenta una ayuda grfica paso a paso para determinar los valores de Z

Pgina 21

Pgina 22

TABLA DE CONVERSIN DE CAPACIDAD DEL PROCESO EN SIGMAS METODO 1

Pgina 23

Tabla Z Mtodo 2

Pgina 24

1.4 Diez pasos de Motorola para la mejora 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:

Priorizar oportunidades de mejora Seleccionar equipo de trabajo adecuado Describir el proceso en su totalidad Anlisis del sistema de medicin Identificar y describir los procesos y productos criticos Aislar y verificar los procesos crticos Estudio del desempeo del proceso y medicin de la capacidad

Si

Proceso capaz?

No

Accin requerida en el proceso

Rediseo de equipo/proceso Rediseo de producto Accin de la gerencia

Implementar condiciones de operacin y control ptimas Monitoreo de procesos a travs de la mejora continua Reducir causas comunes de variacin alcanzado 6 Cp 2 y Cpk 1.5

Si

No

MEJORA CONTINUA

Pgina 25

1. Priorizar oportunidades de mejora: 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 equipo de trabajo 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 Champion que ser el encargado de proporcionar los recursos, conducir y asesorar al grupo. 3. Describir el proceso en su totalidad: Mediante el uso de diagramas de flujo ilustrar las posibles variaciones y alternativas del proceso. Incluyendo todo el equipo, gente, mtodos, herramientas instrumentos y equipos de medicin. 4. Anlisis del desempeo 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 y describir los procesos y 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. 6. Aislar y verificar 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 del desempeo del proceso y 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 y 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. Monitoreo de procesos a travs de la mejora 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.

Pgina 26

10. Reducir causas comunes de variacin para alcanzar 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 causas comunes las cuales se irn eliminando a travs de la mejora continua de los procesos.
1.5 Las fases DMAIC 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 (DMAIC), como se explican con ms detalle a continuacin:

Definir
Asd

Controlar Controlar

Medir

Mejorar

Analizar

Figura 1.5 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 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 27

CAPITULO 2 FASE DE DEFINICION

2.1 Introduccin

Definir Definir

Controlar Controlar

Medir Medir

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 proyecto, las metas que se pretenden lograr, el alcance y los ahorros financieros.

Mejorar Mejorar Mejorar

Analizar Analizar

Las Herramientas a utilizar pueden ser:

DMAIC
Definir
1. Mapa de Proceso 1. Mapa de Proceso 2. Despliegue de la 2. Despliegue de la Funcin de Funcin de Calidad (QFD) Calidad (QFD) 3. Modelo Kano 3. Modelo Kano 4. Diagrama Matricial 4. Diagrama Matricial 5. Benchmarking 5. Benchmarking 6. Costos de Calidad 6. Costos de Calidad

Medir Medir

Analizar Analizar

Mejorar Mejorar

Controlar Controlar

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

Pgina 28

2.2 Etapas de la fase de definicin

Las etapas de la fase de definicin son las siguientes:

Identificacin de clientes internos y externos:

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: 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 l. Por ejemplo la comunidad, gobierno, padres, grupos civiles, etc.

Determinar los CTQs del proyecto:

CTQ Critico para la calidad (Critical to Quality), 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 para el 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. 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.

Pgina 29

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 problema:

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 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).

Pgina 30

Es importante describir como se alinea el proyecto con las iniciativas y metas del negocio. Estas ltimas son definidas por la direccin.
Descripcin del problema:

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 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 s esa solucin es la definitiva.
Definicin y Alcance del proyecto:

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 Belts10 quienes aplican la metodologa Seis Sigma en los proyectos de mejora del desempeo de los procesos.
Ahorros: 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. 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.
Seleccin del equipo de trabajo.

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.

10

Persona entrenada en la metodologa de Six Sigma y como facilitador , que trabaja de tiempo parcial en la realizacin de proyectos de mejora junto con equipos de trabajo. Workout for Six Sigma Pocket Guide

Pgina 31

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. 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

Recomendaciones: -

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.
2.3 Mapa del proceso:

Realizar un mapeo del proceso de alto nivel, identificando cuales son los proveedores, entradas, proceso, salidas, clientes. Comnmente llamado SIPOC.

Entradas

Proceso

Salida

Proveedor

Cliente

Figura 2.2 Mapa de proceso. high level

Construccin de un Diagrama SIPOC COPIS: 1) 2) 3) 4) 5) 6) 7) El equipo crea el mapa de proceso apoyado con Post Its pegados a la pared El proceso puede tener 4 o 7 pasos claves Cmo se transforma el producto? Listar las salidas del proceso Cul es el resultado final, producto o servicio de este proceso? Listar los clientes de la salida del proceso quin es el usuario final del proceso? Listar las entradas del proceso De dnde vienen los materiales? Listar los proveedores del proceso quines son los proveedores clave? Como paso opcional identificar algunos requerimientos preliminares de los clientes

Pgina 32

8) Involucrar al lder del equipo, champion, y otros grupos interesados en la verificacin del proyecto
Ejemplo :
11

Cliente C
Cliente, Cliente, Ing. de Soporte Ing. de Soporte

Salida O

Proceso P

Entrada I
Llamada, Identificacin Llamada, Identificacin Persona, Contrato Persona, Contrato Vigente, Descripcin del Vigente, Descripcin del Problema Problema Problemas Parecidos ya Problemas Parecidos ya Resueltos o Registrados Resueltos o Registrados Info. Tcnica detallada de Info. Tcnica detallada de la instalacin del Cliente la instalacin del Cliente Recomendaciones de Recomendaciones de Expertos Expertos Plan de Implantacin, Plan de Implantacin, Pruebas y Contingencia Pruebas y Contingencia de la Solucin, de la Solucin, Otras recomendaciones y Otras recomendaciones y instrucciones instrucciones Aprobacin de la Aprobacin de la Solucin, Solucin, Resumen del Reporte de Resumen del Reporte de Falla Falla

Proveedor S
Cliente Cliente

Confirmacin y Nmero 1. Recibir la llamada y 1. Recibir la llamada y Confirmacin y Nmero de Reporte registrar problema registrar problema de Reporte Nombre del Ing. Asignado del Cliente del Cliente Nombre del Ing. Asignado

Ing. de sistemas del Ing. de sistemas del cliente cliente

Posibles Soluciones Posibles Soluciones Plan Implantacin de la Plan Implantacin de la Solucin Solucin

2. Analizar probllema y 2. Analizar prob ema y proponer soluciones proponer soluciones

Base de Problemas, Base de Problemas, Cliente, Cliente, Expertos Tcnicos Expertos Tcnicos

Ing. de sistemas del Ing. de sistemas del cliente cliente

Posibles Soluciones Posibles Soluciones Plan Implantacin de la Plan Implantacin de la Solucin Solucin

3. Corregir el Problema 3. Corregir el Problema

Ing. de Soporte Ing. de Soporte

Cliente, Cliente, Organizacin Interna Organizacin Interna

Reporte de Solucin Reporte de Solucin 4. Cerrar el reporte del Documentacin del Caso 4. Cerrar el reporte del Documentacin del Caso problema problema Registro BD de problemas Registro BD de problemas

Cliente Cliente Ing. de Soporte Ing. de Soporte

2.4 Despliegue de la funcin de calidad QFD

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 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

11

UIA Santa F Diplomado en Black Belt

Pgina 33

Interrelaciones de Caractersticas de Diseo Cmo cumplir los requerimientos del Cliente (Carcteristicas de diseo)

Necesidades del cliente

MATRIZ DE RELACIONES

Compracin de Prioridades del cliente

Valores meta de acuerdo a Benchmarking

Figura 2.3 QFD

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 34

Ejemplo:

1. Anote los Requerimientos Clave del Cliente

Rango de Importancia Del Cliente Salidas, Req. o CTQs Entradas del Proceso
1 2 3 4 5 6 7

Matriz de Causa y Efecto

Resistencia Requisito

10

11

12

13

14

15

Requisito

Requisito

Tierra

Corto

Total

Estos datos se toman del Diagrama de Flujo del Proceso

Pgina 35

Matriz de Causa y Efecto

Rango de Importancia al Ciente Salidas o CTQs

2. Clasificar requerimientos en orden de importancia para el cliente

10 11 12 13 14 15

10 9 8 1 2 3
Resistencia Tierra Corto 4 Requisito 5 Requisito 6 Requisito 7 Requisito 8 Requisito 9 Requisito

Entradas del Proceso 1 2 3 4 5 6 7 8

Total

Deben participar: Mercadotecnia, Desarrollo del Producto, Manufactura y de ser posible el usuario.

Matriz de Causa y Efecto

3. Anotar entradas clave

Rango de Importancia al Ciente 1 Salidas o CTQs Corto 2 Tierra 3 Resistencia 4 Requisito 5 Requisito 6 Requisito 7 Requisito 8 Requisito 9 Requisito 10 Requisito 11 Requisito 12 Requisito 13 Requisito 14

Entradas del Proceso

Total

1 2 3 4 5 6
7 8

Ensamble A Operacin B Ensamble C Ensamble D Ensamble E Prueba Final

9 10

Las entradas del Proceso siguen el Diagrama de Flujo paso a paso.

Pgina 36

Matriz de Causa y Efecto

Requisito

Requisito

Requisito

Requisito

Requisito

Requisito

Requisito

Requisito

Requisito

Entradas del Proceso

Requisito

Requisito Total

Tierra

Corto

Salidas o CTQs

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

Ensamble de A Operacin B Ensamble de C Ensambled de D Ensamble de E Prueba Final

10 9 10 6 4 4

10 10 6 7 8 0

9 9 8 6 7 8

Hacer una estimacin subjetiva de qu tanto influyen las variables de entrada en los requerimientos o salidas CTQs

Matriz de Causa y Efecto

Rango de Importancia al Ciente Salidas o CTQs Corto Tierra

Resistencia

4. Relacionar las Entradas con los requerimientos

Rango de Importancia al Ciente

10 1

9 2

8 3 4 5 6 7 8 9 10 11 12 13 14

10 9
1 2

8
3 Resistencia 4 Requisito 5 Requisito 6 Requisito 7 Requisito 8 Requisito 9 Requisito 10 Requisito 11 Requisito 12 Requisito 13 Requisito 14 Requisito

5. Multiplicar e identificar prioridad

Entradas del Proceso 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Ensamble A Operacin B Ensamble C Ensamble D Ensamble E Prueba Final

Total

10 10 9 9
9 10 6 4 4 10 6 7 8 0 8 6 7 8

10x10+9x10+8x9 = 262

262 252 218 171 168 104

Se identifican las variables que ms influyen en la variacin de las salidas

Pgina 37

Causa y Efecto Matriz

Rango de Importancia al Ciente Salidas o CTQs Corto 10 1 9 2 Tierra 8 3 Resistencia 4 Requisito 5 Requisito 6 Requisito 7 Requisito 8 Requisito 9 Requisito 10 Requisito 11 Requisito 12 Requisito 13 Requisito 14 Requisito

Ordenando los nmeros resultantes se observa que:

Total

Entradas del Proceso 1 2 3 5 Ensamble D 10 Ensamble E 9 Prueba Final 11 13 15 12 14 4 7 8 6

Ensamble A 10 Operacin B 9 Ensamble C 10

6 4 4

10 10 6 7 8 0

9 9 8 6 7 8

171 168 104

262 252 218

El ensamble A, Operacin B y Ensamble de C son importantes. Ahora se evalan los planes de control para sus variables clave (KPIVs)

2.5 Modelo Kano12

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.

12

Universidad de Navarra Ctedra de Calidad

Pgina 38

Figura 2.4 Modelo Kano

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 requeridos: 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 cuestionables: los que producen valoraciones contradictorias. Atributos invertidos: producen valoraciones positivas cuando no estn presentes y negativas cuando s lo estn.

Pgina 39

2.6 Diagrama Matricial

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. 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 fuerza de las relaciones existentes en cada interseccin.
Ejemplo: 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).
Conjunto A
$ de ingredientes % Hidratos de Carbono Tiempo de preparacin

Relacin Fuerte: Relacin Moderada: Relacin Dbil:

Sacia el apetito Es nutritivo Tiene buen gusto Conjunto B Sencillo de preparar Sencillo de limpiar Es barato No produce excesiva basura

Figura 2.5 Ejemplo de Diagrama Matricial

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.

Pgina 40

% nutricional requerido

# de platos requeridos

Peso de la porcin

# de ingredientes

En ocasiones se utilizan estas matrices con el objeto de identificar rea o reas responsables de algn problema y la codificacin pudiera ser:

2.7 Benchmarking (BMK)

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 organizacionales13. Objetivo del benchmarking 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 Desempeo organizacional Estrategias Las cinco etapas del benchmarking:

5.

Actuar/implementar

1.

Determinar a qu se le va a hacer benchmarking

BMK
4.
Recopilar y analizar la informacin de benchmarking

2. Formar un equipo de
benchmarking

3.

Identificar los socios del benchmarking

13

J. Spendolini Definicin de Michael

Pgina 41

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 Sirve de apoyo al proceso de planificacin estratgica Sirve como base para la fijacin de objetivos Como base para las nuevas ideas
2.8 Costos de Calidad14

Los costos de calidad son un vehculo para evaluar los esfuerzos de control de costos e identificar oportunidades de reduccin de costos por medio de mejoras al sistema Las categoras de los costos de calidad son: Costos de Prevencin Costos de Evaluacin Costos de Falla interna Costos de Falla externa Algunos ejemplos de los Costos de Prevencin:
Seleccin y reclutamiento Estudios de capacidad Almacenamiento controlado Revisiones de diseo Capacitacin en calidad Mantenimiento de equipo y rep. Pruebas de campo Diseo dispositivos de ensamble Pronsticos Orden y limpieza Descripciones de puestos Investigacin de mercados Revisiones con el personal

Proyectos piloto Planeacin Revisin de procedimientos Prueba de prototipos Diseo de calidad Incentivos de calidad Revisiones de seguridad Encuestas Estudios de tiempos y movs. Capacitacin Seleccin y evaluacin de prov. Auditorias de proveedores

14

Reyes Primitivo Diplomado en Black Belt

Pgina 42

Costos de Evaluacin:
Auditorias Verificacin de documentos Verificacin de dibujos Calibracin de equipo Inspeccin final Inspeccin en proceso Inspeccin y prueba Reportes de inspeccin y prueba Pruebas de laboratorio Otros gastos de revisin Pruebas al personal Verificacin de procedimientos Inspeccin de prototipos Inspeccin de recibo Inspeccin de embarques Mantenimiento de equipos de prueba

Costos de Falla interna

Accidentes Correccin de errores en contabilidad Cambios de diseo Rotacin de personal Cambios de ingeniera Tiempo muerto de equipo ** Exceso en Gasto de intereses** Exceso en Inventarios ** Exceso en Manejo de matles. ** Exceso en Gastos de viaje Revisin de fallas
** Normalmente son costos indirectos

Obsolescencia por cambios ** Tiempo extra ** Exceso pago en transporte Rediseos Reinspecciones Reparaciones y pruebas rep. Reescritura de documentos Retrabajos Desperdicios Reserva para desperdicios Selecciones

Costos de Falla externa

Atencin de quejas de clientes Avisos de cambio de ingeniera Exceso en manejo de matls.** Exceso en gastos de viaje Revisiones de fallas Costos de entren amiento en campo Demandas legales ** Prdida de participacin de mercado** Obs olescencia por cambios **
** Normalmente son costos indirectos

Tiempo extra ** Penalizaciones ** Exceso de pago en transporte Concesiones de precio ** Errores en precio ** Reclamaciones Rediseos Reinspecciones y pruebas rep. Reparaciones Costos de reabastecimiento Devoluciones Retrabajo y desperdicio Selecciones y gastos de garanta

Ventajas del sistema de costos de calidad Es una herramienta para administrar con base a la calidad Alinea calidad y metas de la empresa Proporciona una forma de medir el cambio Mejora el uso efectivo de los recursos Enfatiza hacer las cosas bien a la primera Ayuda a establecer nuevos productos y proceso

Pgina 43

2.9 Entregables:

En esta etapa los entregables seran: Identificar los requerimientos del cliente
o o o

Identificar al cliente Recolectar los datos para identificar los requerimientos del cliente Construir un mapa de proceso a detalle para identificar los requerimientos del cliente Desarrollar el enunciado del problema y de la meta Evaluar el alcance del proyecto Seleccionar a los integrantes del equipo y sus roles Desarrollar el contrato Buscar la aprobacin del contrato

Project Charter
o o o o o

Plan de Trabajo

Mapa del proceso En el siguiente captulo se vern las herramientas ms utilizadas en la Fase de Medicin; El medir persigue dos objetivos fundamentales: 1. Tomar datos para validar y cuantificar el problema o la oportunidad. Esta es una informacin crtica para refinar y completar el desarrollo del plan de mejora. 2. Nos permiten y facilitan identificar las causas reales del problema. El conocimiento de estadstica se hace fundamental. La calidad no se mejora, a no ser que se la mida.

Pgina 44

CAPITULO 3 FASE DE MEDICION

3.1 Introduccin Definir

Controlar Controlar

Medir Medir

Esta fase se enfoca a seleccionar una o ms caractersticas para ser medidas, definiendo cmo sern medidas, estableciendo un plan de recoleccin de datos y la recoleccin de datos. Esta fase es importante porque asegura que los datos que se relacionan con los requerimientos del cliente y el desempeo actual del proceso sean precisos, claros y confiables.

Mejorar Mejorar Mejorar

Analizar Analizar

Las Herramientas a utilizar pueden ser:

DMAIC
Definir Definir
1. Mapa de Proceso 1. Mapa de Proceso 2. Despliegue de la 2. Despliegue de la Funcin de Calidad Funcin de Calidad (QFD) (QFD) 3. Modelo Kano 3. Modelo Kano 4. Diagrama Matricial 4. Diagrama Matricial 5. Benchmarkin 5. Benchmarkin 6. Costos de Calidad 6. Costos de Calidad

Medir
1. Mapa de detallado de 1. Mapa de detallado de Procesos Procesos 2. Diagrama de Pareto 2. Diagrama de Pareto 3. Diagrama de Causa3. Diagrama de CausaEfecto Efecto 4. Diagrama de rbol 4. Diagrama de rbol 5. Diagrama de Afinidad 5. Diagrama de Afinidad 6. Mtodos de Muestreo 6. Mtodos de Muestreo Estadstico Estadstico 7. Capacidad del 7. Capacidad del Sistema de Medicin Sistema de Medicin 8. Distribucin Normal 8. Distribucin Normal 9. Capacidad del 9. Capacidad del Proceso Proceso

Analizar

Mejorar

Controlar Controlar

Figura 3.1 Herramientas en la Fase de Medicin

Los objetivos de esta fase son: Conocer el uso de las herramientas de la fase de medicin Determinar que mediciones son importantes para el proyecto Identificar los tipos, fuentes y causas de la variacin en el proceso Desarrollar un plan de recoleccin de ratos relevantes Convertir los datos en nmeros para conocer sus comportamientos Realizar un anlisis del sistema de medicin (MSA) Detectar cual es la frecuencia con la que ocurren los defectos

Pgina 45

En todos los procesos existe variacin, en esta fase el propsito es medir dicha variacin, para saber si existen datos que se encuentren fuera de especificaciones, que estn causando problemas en nuestros procesos. Para realizar esta actividad es de suma importancia conocer: que es lo que necesitamos medir? y cmo lo vamos a medir? A lo largo de este capitulo tenemos diferentes herramientas que nos ayudarn a responder estas preguntas. Dependiendo de las condiciones y necesidades que tengamos seleccionaremos una o ms herramientas, cabe mencionar que no necesariamente se utilizan todas las herramientas, lo importante es seleccionar cuidadosamente aquellas que nos proporcionen la informacin ms objetiva y precisa.

3.2 Etapas de la fase de medicin

Esta fase consta de las siguientes etapas:

Seleccionar los CTQS del proceso (Crtico para la Calidad)

Observemos la siguiente tabla: Y = F(X) Y X1, X2,..Xn Variable Variable independiente dependiente Entrada-Proceso Salida (respuesta) Causa Efecto Problema Sntoma Controlable. Monitoreable Zs Variables de ruido Incontrolables

Tabla 3.1 Variables dependiente, independiente y de ruido.

Para la seleccin de Ys podemos utilizar un diagrama de Pareto para priorizar y centrar nuestra atencin en el(los) efecto(s) ms importantes. La variable dependiente Y (o de respuesta) fue previamente determinada en la fase de definicin, las Xs son las variables de entrada, las Zs son las variables de ruido. En esta etapa se tratarn de determinar las Xs, ya que son las variables que podemos medir y controlar. En otras palabras: Y (=) Son los CTQs del cliente (interno o externo) Xs (=) Son CTQs del proceso

Pgina 46

Para determinar los CTQs del proceso (Xs) seleccionaremos alguna o algunas de las herramientas apropiadas a las necesidades del proyecto que se enuncian de manera general:
Herramienta 5 Porqus? 5W/1H Anlisis de Campo de Fuerzas. Benchmarking Capacidad de los sistemas de medicin (MSA) Carta de tendencias Diagrama Causa-Efecto (Ishikawa o Fishbone) Diagrama de Afinidad Diagrama de Dispersin Diagrama de Pareto Diagrama de Relaciones Diagramas Matriz Hoja de Verificacin Lluvia de ideas Mapa de procesos Para qu es utilizada? Se utiliza despus de haber determinado las causas ms importantes de un problema, preguntando sistemticamente 5 veces porqu, podremos llegar a la solucin del problema Tcnica en la cual se responde a las siguientes preguntas: que, quin, porque, cuando, donde, como, para la solucin de problemas. Analizar cuales son las fuerzas dentro de una organizacin o proceso que estn dando empuje a las soluciones y cuales estn frenando el progreso. Estudio que ayuda a realizar un comparativo de productos, procesos o servicios contra el "mejor en la clase" puede ser dentro de la empresa o, para identificar oportunidades de mejora. Sirve para determinar que tan grandes son las variaciones sobre la base de ciertos parmetros de los sistemas de medicin, incluyendo equipo y gente. Conocer el comportamiento de un proceso grficamente para poder tomar las acciones correctivas a tiempo cuando es necesario. Representa de forma ordenada y completa todas las causas que pueden originar un problema (efecto) es una herramienta muy efectiva para encontrar las causas ms importantes de un problema y sobre la base del anlisis de las causas encontrar la mejor solucin. Agrupar en categoras afines las posibles causas que ocasionan un problema, permitiendo obtener fcilmente la causa que lo origina. Es una tcnica utilizada para estudiar la relacin entre dos variables, facilitando la comprensin del problema planteado. Priorizar los problemas que tienen el potencial ms grande de mejora. Muestra la frecuencia relativa en una grfica de barras descendiente. Permite al equipo identificar, analizar y clasificar sistemticamente las relaciones causa y efecto que existen entre todos los elementos crticos, para lograr una solucin efectiva. Mtodo utilizado para mostrar las relaciones que existen entre mtodos, causas, actividades etc. determinando la fuerza que existe entre estas. Permite Identificar las medidas ms convenientes para la solucin. Recolectar datos basados en la observacin del comportamiento de un proceso con el fin de detectar tendencias, por medio de la captura, anlisis y control de informacin relativa al proceso. Cada miembro del equipo propone posibles soluciones a un problema, se determinan las mejores soluciones por consenso. Proveen una secuencia grfica de cada uno de los pasos o actividades que componen una operacin desde el inicio hasta el final. Permitiendo una mejor visualizacin y comprensin del proceso. Sirve para identificar pasos innecesarios, compara el proceso actual contra el ideal. Relaciona las entradas claves a los CTQs y el diagrama de flujo del proceso como su principal fuente. Sirve para priorizar las entradas clave a usar en AMEFS, planes de control y estudios de capacidad. Mtodo grfico (matriz de relaciones) en el que se identifican los deseos del cliente (CTQS) y las caractersticas de diseo del producto, procesos o servicios. Permite traducir de un lenguaje ambiguo a los requerimientos especficos del diseo del producto, proceso o servicio. En otras palabras relacionas los qu? del cliente con los como? del proceso. Permite al equipo rpidamente realizar un consenso de la importancia relativa de asuntos, problemas o soluciones posibles. Las causas ms importantes son atacadas y se priorizan para encontrar la mejor solucin Tabla 3.2 Herramientas Estadsticas

Matriz Causa y efecto QFD

Tcnica de grupos nominales.

Pgina 47

Establecer y validar el plan de recoleccin de datos

Para realiza la recoleccin de datos podemos ayudarnos del diagrama 5W-1H el cual consiste en contestar las siguientes preguntas, cuyo objetivo es recolectar datos confiables, que reflejen la realidad de lo que est sucediendo15: (What) (Why) (Where) (Who) (When) (How) Qu vamos a hacer? Por qu vamos a hacer eso? En donde lo vamos a hacer? Quien va ha hacer que? Para cuando lo van a hace? Cmo lo vamos a hacer?

Hay algunos textos que incluyen otra H ms que es: (How much) Cuanto me va a costar? Ventajas de sta herramienta: Provee una estrategia clara y documentada al recolectar datos confiables. Da a los miembros del equipo una referencia comn. Ayuda a asegurar que los recursos sean usados efectivamente para recolectar nicamente datos crticos.
Estadstica bsica para la fase de Medicin

La Estadstica descriptiva es la rama de las matemticas que comprende la recopilacin, presentacin, tabulacin, anlisis e interpretacin de datos cuantitativos y cualitativos, para tomar decisiones que se requieran a fin de que el comportamiento de los datos se mantenga dentro de los parmetros de control establecidos, la estadstica descriptiva Incluye las tcnicas que se relacionan con el resumen y la descripcin de datos numricos, graficas, tablas y diagramas que muestran los datos y facilitan su interpretacin16. La Estadstica inferencial se refiere a la estimacin de parmetros y pruebas de hiptesis acerca de las caractersticas de la poblacin en base a los datos obtenidos con una muestra. A continuacin se hace mencin de algunas definiciones estadsticas:
Poblacin (N): Es el conjunto de todos los elementos de inters para determinado estudio Parmetro: Es una caracterstica numrica de la poblacin, se identifica con letras griegas (Media = , Desviacin estndar = , Proporcin = , Coeficiente de correlacin = ) Muestra (n): Es una parte de la poblacin, debe ser representativa de la misma. Estadstico: Es una caracterstica numrica de una muestra, se identifica con letras latinas (Media = X, Desviacin estndar = s, Proporcin = p, Coeficiente de correlacin = r)

15 16

ITESM Diplomado en Black Belt Vicente Manzano Universidad de Sevilla

Pgina 48

Para poder obtener consecuencias y deducciones vlidas de los datos de una estadstica, es muy til contar con informacin sobre los valores que se agrupan hacia el centro y sobre que tan distanciados o dispersos estn unos respecto a otros. Las medidas de tendencia central son: la media, mediana y moda. Las medidas de dispersin: son el rango, la desviacin estndar y el coeficiente de variacin. Otras medidas son: percentiles, deciles y cuartiles representados en el diagrama de caja.

3.3 Estadsticas Descriptiva

En el men de Anlisis de datos del Excel podemos obtener estadsticas de un conjunto determinado de datos.
Ejemplo: de los siguientes datos obtener la estadstica bsica
3.560 3.394 3.242 3.391 3.277 3.495 3.593 3.679 3.702 3.823 3.828 3.457 3.475 3.490 3.336 3.469 3.520 3.434 3.576 3.510 3.573 3.669 3.543 3.583 3.687 3.707 3.442 3.512 3.495 3.530 3.790 3.611 3.391 3.409 3.699 3.626 3.624 3.601 3.692 3.664 3.598 3.500 3.467 3.492 3.475 3.477 3.641 3.596 3.659 3.724 3.419 3.449 3.649 3.570 3.682 3.631 3.525 3.429 3.434 3.515 3.578 3.666 3.500 3.424 3.424 3.654 3.540 3.729 3.437 3.563 3.538 3.480 3.550 3.606 3.631 3.568 3.507 3.475 3.505 3.523 3.603 3.535 3.477 3.555 3.618 3.798 3.656 3.459 3.606 3.717 3.391 3.391 3.787 3.626 3.495 3.568 3.626 3.462

Utilizando el Excel, realizamos lo siguiente: Seleccione: Herramientas > Anlisis de datos > Estadstica descriptiva
Resumen Mean Standard Error Median Mode Standard Deviation Sample Variance Kurtosis Skewness Range Minimum Maximum Sum Count Confidence Level(95.0%) 3.55407 0.01172 3.54650 3.39100 0.11605 0.01347 -0.00966 0.09892 0.58600 3.24200 3.82800 348.2990 98 0.023267191

Pgina 49

Distribucin de frecuencias e Histogramas

Cuando tenemos una cantidad grande de datos es difcil poder analizarlos, a menos que hagamos uso de herramientas que nos permitan hacerlo con mayor facilidad y claridad. El histograma es una de ellas, Se emplea para ilustrar muestras agrupadas en intervalos. Esta formado por rectngulos unidos a otros, cuyos vrtices de la base coinciden con los limites de los intervalos y el centro de cada intervalo es la marca de clase, que representamos en el eje de las abscisas. La altura de cada rectngulo es proporcional a la frecuencia del intervalo respectivo en un diagrama de barras donde las bases corresponden a los intervalos y las alturas a las frecuencias. Para construir un histograma se recomienda tener un mnimo de 50 a 100 datos.
Ejemplo: De los datos del ejemplo anterior, construir un Histograma

Realizando una distribucin de frecuencias tenemos:

Columna 1 2 3 4 5 6 7 8 9 10 11 Intervalo 0.000 - 3.242 3.243 -3.300 3.007 - 3.359 3.360 - 3.417 3.418 - 3.476 3.477 - 3.535 3.536 - 3.593 3.594 - 3.652 3.653 - 3.652 3.653 - 3.710 3.711 - 3.769 Registro de frecuencias I 1 II 2 IV 4 VI 6 XVII 17 XXVIII 28 XX 20 XIV 14 X 10 III 3 II 2

Utilizando el Excel para obtener el Histograma: 1. En el men herramientas seleccione la opcin anlisis de datos. 2. Seleccione la opcin histograma. 3. Seleccione el rango de entrada, estos corresponden a los datos numricos de la tabla. 4. Seleccione el rango de clases, antes escribir en una columna los intervalos de clase. 5. En opciones de salida seleccione una celda de la hoja de calculo que este en blanco (a partir de est celda ser insertado el histograma). 6. Una vez insertado el histograma podr hacer modificaciones de la escala, color, ttulos etc. Haciendo clic en el elemento deseado.
Histograma
30 25

20 15 10 5 0

1.3.1.1.10

1.3.1.1.2 1.3.1.1.3 1.3.1.1.4 1.3.1.1.5 1.3.1.1.6 1.3.1.1.7 1.3.1.1.8 1.3.1.1.9 Figura 3.2 Histograma de Frecuencias
3. 53 5 3. 59 36 3. 65 22 3. 71 08 3. 76 94
Clase

Frecuencia

3. 24 2 3. 30 06 3. 35 92 3. 41 78 3. 47 64

Pgina 50

or e

Diagrama de Caja: Es un diagrama que proporciona informacin sobre el centro, la dispersin y la asimetra o sesgo; utiliza cuartiles, y as, es resistente a las observaciones aberrantes.

Utilizando el Minitab para obtener el Diagrama de Caja: 1. Capture los datos en la hoja de trabajo. 2. Seleccione la opcin: Graph> Boxplot
Seleccione la variable C1 como se muestra en la pantalla y presione clic en ok
Boxplot of C1
3.9 3.8 3.7 3.6 Data 3.5 3.4 3.3 3.2

Tercer Cuartil Media Primer Cuartil

Figura 3.3 Diagrama de Caja

3.4 Herramientas Estadsticas para solucin de problemas Mapa de procesos

Dentro de los sistemas de calidad resulta de gran utilidad representar la estructura y relaciones de los sistemas mediante diagramas de flujo.
Ventajas de los diagramas de flujo

Proveen una secuencia grfica de cada uno de los pasos que componen una operacin desde el inicio hasta el final. Permitiendo una mejor visualizacin y comprensin del proceso. Los diagramas de flujo pueden minimizar grandes volmenes de documentacin, incluyendo la documentacin ISO 9000. Facilitan el desarrollo de Procedimientos Estndar de Operacin. Al tener un procedimiento de operacin estndar se reduce en gran medida la variacin y el tiempo de ciclo. Los diagramas de flujo permiten detectar reas de mejora en los procesos.

Pgina 51

Descripcin de smbolos

En la construccin de diagramas de flujo de procesos se utilizan los smbolos descritos a continuacin17:

Pasos para la elaboracin de un diagrama de flujo

1. Describir el proceso a evaluar: Es importante comenzar con los procesos que se consideran de mayor impacto en la organizacin. 2. Definir todos los pasos que componen un producto o servicio: Existen diferentes maneras de hacerlo. Una de ellas consiste en que el equipo de trabajo anote en tarjetas los diferentes pasos que conforman el proceso, con este mtodo el equipo puede arreglar y ordenar los pasos del proceso. Otra manera de hacerlo es mediante el uso de programas de diagramas de flujo en computadoras, de esta manera se tiene mayor flexibilidad que en el mtodo anterior y se ahorra bastante tiempo. Cada paso deber de ser discutido y analizado a detalle utilizando la pregunta por qu se hace de esta manera? 3. Conectar las actividades: Cuando los pasos que componen el proceso han sido descritos se construye el diagrama de flujo, conectando las actividades mediante flechas, cada smbolo debe describir la actividad que se realiza con pocas palabras. 4. Comparar el proceso actual con el proceso considerado como ideal las siguientes preguntas pueden servir de gua:
17

UIA Santa F Diplomado en Black Belt

Pgina 52

Existen pasos demasiado complejos? Existe duplicidad o redundancia? Existen puntos de control para prevenir errores? deberan de existir? El proceso funciona en la manera en la cual debera de hacerse? Se puede realizar el proceso de diferente manera?
5. Mejoras del proceso: Una vez que se contestan las preguntas mediante tormenta de ideas se realizan mejoras. Definiendo los pasos que agregan valor y los que no agregan se puede llevar a cabo una simplificacin sustancial del proceso. Las mejoras son priorizadas y se llevan a cabo planes de accin. 6. Implementar el nuevo procedimiento: Una vez realizadas las mejoras se dan a conocer a las personas involucradas en el proceso y se verifica su efectividad. Lluvia de ideas

Es una tcnica de grupo para crear ideas originales en un ambiente relajado. Esta herramienta fue creada cuando se realiz una bsqueda de ideas creativas, el cual generaba ms y mejores ideas que las que los individuos podan producir trabajando de forma independiente18. Para utilizar la tcnica de lluvia de ideas se sugiere la siguiente tcnica: 1.Escoger a alguien para que sea el facilitador y apunte las ideas. 2.Escribir en un rotafolio o pizarrn el problema a discutir. 3.Escribir cada idea en el menor nmero de palabras y si se llega a repetir una idea verificarla con su contribuidor. Nunca el facilitador puede interpretar o cambiar las ideas. 4. Establecer un tiempo lmite. (Aprox. 25 minutos) 5. Fomentar la creatividad. Construir sobre las ideas de otros pero nunca criticar las ideas. 6. Revisar la lista para verificar su comprensin. 7.Converger las ideas (Eliminar las duplicaciones, problemas irrelevantes y aspectos no aplicables). El grupo llegar al consenso en las principales ideas y propondr unas medidas a tomar en funcin del anlisis. La tcnica Lluvia de ideas puede ser aplicada con gran frecuencia al llevar a cabo otras herramientas, como por ejemplo, diagramas causa-efecto, 5 Porqus?, Diagrama de Afinidad, Diseo de experimentos, pruebas de confiabilidad, etc.
Ventajas:

La tormenta, o lluvia, de ideas posee una serie de caractersticas que la hacen muy til cuando se pretende obtener un amplio nmero de ideas sobre las posibles causas de un problema, acciones a tomar, o cualquier otra cuestin.
18

Prez Oscar Herramientas para la Calidad

Pgina 53

Una observacin aadida es que este mtodo sirve de entrada, o de fase previa, para otras tcnicas de anlisis.

Diagrama de Pareto

Herramienta utilizada para el mejoramiento de la calidad en la solucin de problemas, para representar datos sobre un problema que permite identificar fcilmente los aspectos ms significativos del mismo19. El principio enuncia que aproximadamente el 80% de los efectos de un problema se debe a solamente 20% de las causas involucradas. El diagrama de Pareto es una grfica de dos dimensiones que se construye listando las causas de un problema en el eje horizontal, empezando por la izquierda para colocar a aquellas que tienen un mayor efecto sobre el problema, de manera que vayan disminuyendo en orden de magnitud. El eje vertical se dibuja en ambos lados del diagrama: el lado izquierdo representa la magnitud del efecto provocado por las causas, mientras que el lado derecho refleja el porcentaje acumulado de efecto de las causas, empezando por la de mayor magnitud.
Ventajas: Ayuda a concentrarse en las causas que tendrn mayor impacto en caso de ser resueltas. Proporciona una visin simple y rpida de la importancia relativa de los problemas. Ayuda a evitar que se empeoren algunas causas al tratar de solucionar otras. Su formato altamente visible proporciona un incentivo para seguir luchando por ms mejoras

19

Prez Oscar Herramientas para la Calidad

Pgina 54

Diagrama de Causa Efecto (Ishikawa)

Algunas veces es llamado diagrama de Ishikawa o espina de pescado, es la representacin de varios elementos (causas) de un sistema que pueden contribuir a un problema (efecto). Es utilizado cuando se necesita identificar las posibles Causas de un problema especfico, La naturaleza grfica del diagrama permite que los grupos organicen grandes cantidades de informacin sobre el problema y determinar exactamente las posibles causas principales. Una vez elaborado, el diagrama causa-efecto representa de forma clara, ordenada y completa todas las causas que pueden determinar cierto problema. 1. Identificar el problema. El problema es algo que queremos mejorar o controlar, este debe ser fsico y concreto, sino el nmero de elementos en el diagrama ser muy alto. 2. Registrar la frase que resume el problema. Escribir el problema en la parte extrema derecha del papel y dejar espacio para el resto del diagrama a la izquierda. Dibujar una caja alrededor de la frase que resume el problema 3. Dibujar y marcar las espinas principales, estas representan la entrada principal / categoras de recursos o factores causales; las categoras a usar son materiales, mtodos, mquinas, mente de obra, medio ambiente. 4. Realizar una lluvia de ideas de las causas del problema, este es el paso ms importante en el diagrama de Ishikawa. Las ideas generadas en este paso guiarn la seleccin de las causas de raz. Para asegurar que el equipo est al nivel apropiado de profundidad se deber hacer continuamente la pregunta Por qu por cada una de las causas iniciales mencionadas. 5. Identificar los candidatos para la causa ms probable. Las causas seleccionadas por el equipo son opiniones y deben ser verificadas con ms datos. Todas las causas en el diagrama no necesariamente estn relacionadas de cerca con el problema: el equipo deber reducir su anlisis a las causas ms posibles. Hay que encerrar en un crculo la(s) causa(s) ms probable seleccionada por el equipo o marcarla con *. 6. Cuando las ideas ya no pueden ser identificadas, se deber analizar ms a fondo el diagrama para identificar mtodos adicionales para la recoleccin de datos.
Ventajas:

Permite que el grupo se concentre en el contenido del problema, no en la historia del problema ni en los distintos intereses personales de los integrantes del equipo. Ayuda a determinar las causas principales de un problema, o las causas de las caractersticas de calidad, utilizando para ello un enfoque estructurado. Estimula la participacin de los miembros del grupo de trabajo, permitiendo as aprovechar mejor el conocimiento que cada uno de ellos tiene sobre el proceso. Incrementa el grado de conocimiento sobre un proceso.

Pgina 55

Ejemplo:

El Sr. Prez tuvo un accidente automovilstico en el carretera, el equipo de mejora continua que trabaja con l se reuni y analiz el problema, utilizando una Lluvia de ideas; despus de que convergieron en 16 ideas se utiliz el Diagrama de Ishikawa para clasificarlas como a continuacin de ejemplifica. Se construye el diagrama espina de pescado con las causas primarias (Ms), a partir de estas causas se agrupan las causas secundarias y terciarias derivadas de la lluvia de ideas.
Llanta ponchada
MATERIALES

Carretera resbaladiza

MEDIO AMBIENTE

Clavo Piedra Aceite

Hielo

Nieve Lluvia Reventn Cristal

Temeridad Acelerador bloqueado Fallo de frenos Rotura direccin Fallo mecnico

MQUINAS

Prdida de control del coche, ocasion accidente

Reflejos deficientes Formacin defectuosa
MENTE DE OBRA

Error conductor

Diagrama de rbol

El Diagrama de rbol, o sistemtico, es una tcnica que permite obtener una visin de conjunto de los medios necesarios para alcanzar una meta o resolver un problema. Partiendo de una informacin general, como la meta a alcanzar, se incrementa gradualmente el grado de detalle sobre los medios necesarios para su consecucin. Este mayor detalle se representa mediante una estructura en la que se comienza con una meta general (el "tronco") y se contina con la identificacin de niveles de accin ms precisos (las sucesivas "ramas"). Las ramas del primer nivel constituyen medios para alcanzar la meta pero, a su vez, estos medios tambin son metas, objetivos intermedios, que se alcanzarn gracias a los medios de las ramas del nivel siguiente. As repetidamente hasta llegar a un grado de concrecin suficiente sobre los medios a emplear20.

20

Vilar Jos 7 nuevas herramientas para la mejora de la calidad

Pgina 56

Figura 3.5 Ejemplo de Diagrama de rbol

Ventajas:

Exhorta a los integrantes del equipo a ampliar su modo de pensar al crear soluciones. Mantiene a todo el equipo vinculado a las metas y submetas generales de una tarea. Mueve al equipo de planificacin de la teora al mundo real.
Diagrama de Afinidad

El Diagrama de Afinidad, referido a veces como mtodo KJ, es una herramienta que sintetiza un conjunto de datos verbales (ideas, opiniones, temas, expresiones,...) agrupndolos en funcin de la relacin que tienen entre s. Se basa, por tanto, en el principio de que muchos de estos datos verbales son afines por lo que pueden reunirse bajo unas pocas ideas generales.

Pgina 57

Es una herramienta muy til cuando se dispone de una gran cantidad de informacin proveniente de diferentes fuentes; sta herramienta es muy sutil al momento de analizar y extraer la informacin de stos datos.Es considerado como una clase especial de "tormenta de ideas", constituyendo, frecuentemente, esta tcnica de creatividad el punto de partida para la elaboracin del diagrama.
Adecuado capital y excelente administracin, as como alto poder tcnico calidad y personal entusiasta

Adecuado capital y utilidades

a f s
18

g d j

Alto poder tcnico y excelente administracin, as como capacidad para proveer calidad y personal entusiasta b l i
13

e k n

q o h

r m c

Figura 3.6 Diagrama de Afinidad

Diagrama de Relaciones

Es una herramienta Que determina que idea tiene influencia sobre otra, representando sta relacin mediante una flecha en la direccin de influencia. En particular el Diagrama de Relaciones se utiliza cuando: a) Un tema es lo suficientemente complejo como para que la Inter.-relacin entre ideas (causas y efectos) sea difcil de determinar, clasificar y priorizar b) Es critico en la resolucin del problema la secuenciacin correcta de las actividades por parte de la direccin c) Existe un sentimiento de que el problema en cuestin en realidad es un solo sntoma. d) El nmero de causa y las relaciones entre estas es significativo y difcil de analizar por separado Desarrollar aprox. 50 conceptos del problema (post its) Colocar en forma aleatoria los conceptos Relacionar los conceptos con flechas causa-efecto Se requieren varias revisiones al diagrama por los miembros del equipo El equipo llega a un consenso sobre los conceptos sobre los que necesita trabajar

Pgina 58

Causa raz = ms flechas de salida; Resultado = ms flechas de llegada

Buen manejo del mercado actual Lograr los objetivos de utilidades

Gran participacin de mercado con utilidades estables

Mejor uso de capital Capital suficiente

Personal con entusiasmo

Buenas ventas de productos de ms rentabilidad

Figura 3.7 Diagrama de Relaciones

Mtodos de Muestreo Estadstico

El muestreo es una herramienta de la investigacin cientfica. Su funcin bsica es determinar que parte de una realidad en estudio (poblacin o universo) debe examinarse con la finalidad de hacer inferencias sobre dicha poblacin. El error que se comete debido al hecho de que se obtienen conclusiones sobre cierta realidad a partir de la observacin de slo una parte de ella, se denomina error de muestreo. Obtener una muestra adecuada significa lograr una versin simplificada de la poblacin, que reproduzca de algn modo sus rasgos bsicos.
Muestreo probabilstico:

El mtodo otorga una probabilidad conocida de integrar la muestra a cada elemento de la poblacin, y dicha probabilidad no es nula para ningn elemento. Los mtodos de muestreo no probabilisticos no garantizan la representatividad de la muestra y por lo tanto no permiten realizar estimaciones inferenciales sobre la poblacin. Entre los mtodos de muestreo probabilsticos ms utilizados en investigacin encontramos21:

21

Carreira Valledor M. Metodologa del Muestreo

Pgina 59

Caractersticas Aleatorio simple Se selecciona una muestra de tamao n de una poblacin de N unidades, cada elemento tiene una probabilidad de inclusin igual y conocida de n/N.

Ventajas Sencillo y de fcil comprensin. Clculo rpido de medias y varianzas. Se basa en la teora estadstica, y por tanto existen paquetes informticos para analizar los datos Fcil de aplicar. No siempre es necesario tener un listado de toda la poblacin. Cuando la poblacin est ordenada siguiendo una tendencia conocida, asegura una cobertura de unidades de todos los tipos.

Desventajas Requiere que se posea de antemano un listado completo de toda la poblacin. Cuando se trabaja con muestras pequeas es posible que no represente a la poblacin adecuadamente Si la constante de muestreo est asociada con el fenmeno de inters, las estimaciones obtenidas a partir de la muestra pueden contener sesgo de seleccin

Sistemtico

Estratificado

Conseguir un listado de los N elementos de la poblacin Determinar tamao muestral n. Definir un intervalo k = N/n. Elegir un nmero aleatorio, r, entre 1 y k (r = arranque aleatorio). Seleccionar los elementos de la lista. En ciertas ocasiones resultar conveniente estratificar la muestra segn ciertas variables de inters. Para ello debemos conocer la composicin estratificada de la poblacin objetivo a muestrear. Una vez calculado el tamao muestral apropiado, este se reparte de manera proporcional entre los distintos estratos definidos en la poblacin usando una simple regla de tres.

Conglomerados

Tiende a asegurar que la muestra represente adecuadamente a la poblacin en funcin de unas variables seleccionadas. Se obtienen estimaciones ms precisa Su objetivo es conseguir una muestra lo mas semejante posible a la poblacin en lo que a la o las variables estratificadoras se refiere. Se realizan varias fases de Es muy eficiente cuando muestreo sucesivas (polietpico) la poblacin es muy grande y La necesidad de listados de las dispersa. unidades de una etapa se limita a aquellas No es preciso tener un unidades de muestreo seleccionadas en la listado de toda la poblacin, slo etapa anterior. de las unidades primarias de muestreo. Tabla 3.3 Tipos de muestreos

Se ha de conocer la distribucin en la poblacin de las variables utilizadas para la estratificacin.

El error estndar es mayor que en el muestreo aleatorio simple o estratificado. El clculo del error estndar es complejo

Clculo del tamao muestral

Cada estudio tiene un tamao muestral idneo, que permite comprobar lo que se pretende con la seguridad y precisin fijadas por el investigador. De que depende el tamao muestral ?

Variabilidad del parmetro a estimar: Datos previos, estudios piloto o usar 50% como peor estimacin Precisin: Amplitud del intervalo de confianza. Si se estima prevalencia su formato ser % Nivel de confianza (1-a): habitualmente 95% o 99%. Probabilidad complementaria al error admitido

Si aumentamos el tamao muestral n, podremos mejorar la calidad de la estimacin bien aumentando la precisin (disminuye amplitud del intervalo) o bien aumentando la seguridad (disminuye el error admitido)
Pgina 60

Clculo del tamao de la muestra para estimar la media poblacional a) Cuando se conoce el tamao de la poblacin y la desviacin estndar poblacional:

n=

N*Z * 2 2 2 Z * + d (N-1)

donde: N = tamao de la poblacin 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 b) Cuando se desconoce el tamao de la poblacin y se conoce la desviacin estndar poblacional:

n=
donde:

Z * 2 d

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
Estudios de Capacidad de sistemas de medicin MSA (R&R)

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 61

Posibles Fuentes de la Variacin del Proceso

Variacin del proceso

Variacin del proceso, real Variacin del proceso, real

Variacin de la medicin

Variacin dentro de la muestra

Variacin originada Equipo de medicin por el calibrador

Reproducibilidad

Repetibilidad

Estabilidad

Linealidad

Sesgo

Calibracin
Figura 3.8 Fuentes de Variacin

Definiciones

Repetibilidad: es la variacin de las mediciones obtenidas con un instrumento de medicin, cuando es utilizado varias veces por un operador, al mismo tiempo que mide las mismas caractersticas en una misma parte.

REPETIBILIDAD

Reproducibilidad: 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.
Operador-B

Operador-C

Operador-A

Reproducibilidad

Pgina 62

Valor verdadero: Valor correcto terico / estndares NIST22 Precisin: Es la habilidad de repetir la misma medida cerca o dentro de una misma zona Exactitud: Es la diferencia entre el promedio del nmero de medidas y el valor verdadero. Resolucin: La medicin que tiene exactitud y precisin.

Errores del Sistema de Medicin

No Exacto No Preciso

Si Exacto No Preciso

No Exacto Exacto Si Preciso Preciso

Si Exacto Si Preciso

Estabilidad: 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.

Tiempo 2 Tiempo 1

22

En EUA se tiene el NIST (National Institute of Standards and Technology)

Pgina 63

Linealidad: diferencia en los valores de la escala, a travs del rango de operacin esperado del instrumento de medicin.
Valor verdadero Sesgo Menor Valor verdadero Sesgo mayor

(rango inferior)
Rango de Operacin del equipo

(rango superior)

Sesgo: distancia entre el valor promedio de todas las mediciones y el valor verdadero. Error sistemtico o desviacin.
Valor Verdadero Sesgo

Calibracin: 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: 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 proceso23.
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:

2 total = 2 proceso + 2 error medicin

23

MSA Reference Manual 3th edition

Pgina 64

Existen 2 mtodos para realizar los estudios de R&R, conocidos como Mtodo corto y Mtodo largo, a continuacin se explica ste ltimo:
Estudio de R&R Mtodo 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. 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.
Procedimiento para realizar un estudio de R&R

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.
Mtodos de estudio del error R&R24: I. 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.

24

Reyes Primitivo Apuntes de la materia Opcin Terminal UIA

Pgina 65

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

Ejemplo (MINITAB)

Mtodo X Barra - R

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.
Muestra 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 Analista Kari Kari Kari Kari Kari Kari Kari Kari Kari Kari Kari Kari Kari Kari Kari Kari Kari Kari Kari Kari Kari Kari Kari Kari Kari Kari Kari Kari Kari Kari Resultado 3.546 3.517 3.496 3.497 3.525 3.509 3.529 3.512 3.534 3.534 3.546 3.537 3.494 3.494 3.521 3.502 3.529 3.503 3.523 3.528 3.578 3.539 3.531 3.537 3.523 3.548 3.529 3.553 3.570 3.564 Muestra 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 Analista Carlos Carlos Carlos Carlos Carlos Carlos Carlos Carlos Carlos Carlos Carlos Carlos Carlos Carlos Carlos Carlos Carlos Carlos Carlos Carlos Carlos Carlos Carlos Carlos Carlos Carlos Carlos Carlos Carlos Carlos Resultado 3.566 3.569 3.589 3.579 3.590 3.537 3.543 3.555 3.581 3.570 3.570 3.569 3.590 3.582 3.587 3.530 3.541 3.549 3.576 3.570 3.567 3.570 3.588 3.590 3.589 3.526 3.538 3.551 3.576 3.570 Muestra 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 Analista Csar Csar Csar Csar Csar Csar Csar Csar Csar Csar Csar Csar Csar Csar Csar Csar Csar Csar Csar Csar Csar Csar Csar Csar Csar Csar Csar Csar Csar Csar Resultado 3.523 3.569 3.527 3.558 3.559 3.543 3.553 3.536 3.564 3.571 3.534 3.571 3.536 3.563 3.558 3.547 3.558 3.536 3.567 3.574 3.534 3.577 3.535 3.566 3.562 3.544 3.552 3.540 3.569 3.575

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 STAT>QUALITY TOOLS>GAGE STUDY > Gage R&R (Crossed) >Seleccione C1 (parte), C2 (operador), C3 (Medicin) >Mtodo de Anlisis X Bar and R >En Options Seleccionar: Staudy variation 6.0 Process tolerante 0.6

Pgina 66

Los resultados se muestran a continuacin:

Gage R&R Study - XBar/R Method
Source Total Gage R&R Repeatability Reproducibility Part-To-Part Total Variation VarComp 0.0004785 0.0000710 0.0004075 0.0000917 0.0005701 %Contribution (of VarComp) 83.92 12.46 71.47 16.08 100.00

Upper process tolerance limit = 3.8 Study Var (6 * SD) 0.131245 0.050561 0.121115 0.057442 0.143265 %Study Var (%SV) 91.61 35.29 84.54 40.10 100.00 %Tolerance (SV/Toler) 26.20 10.09 24.18 11.47 28.60

Source Total Gage R&R Repeatability Reproducibility Part-To-Part Total Variation

StdDev (SD) 0.0218741 0.0084269 0.0201858 0.0095737 0.0238775

Number of Distinct Categories = 1

Anlisis 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.
Figura 3.9 Resultados del estudio de R&R
Gage R&R (Xbar/R) for Resultado
C omponents of Var iation
100 Percent
% Contribution % Study Var % Tolerance

Resultado by M uestr a
3.60

50

3.55

3.50 Gage R&R Repeat Reprod Part-to-Part 1 2 3 4 5 6 Muestra 7 8 9 10

R C har t by A nalista
Carlos Sample Range 0.04 0.02 0.00 Csar Kari UCL=0.03673 3.55 _ R=0.01427 LCL=0 3.50 Carlos 3.60

Resultado by A nalista

Xbar C har t by A nalista

3.60 Sample Mean Carlos Csar Kari 3.60 Average UCL=3.5641 _ _ X=3.5495 LCL=3.5349

Csar Analista

Kari

A nalista * M uestr a Inter action

Analista Carlos Csar Kari

3.55

3.55

3.50

3.50

5 6 Muestra

10

Pgina 67

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:
Two-Way ANOVA Table With Interaction
Source Muestra Analista Muestra * Analista Repeatability Total DF 9 2 18 60 89 SS 0.0091805 0.0230918 0.0150516 0.0080647 0.0553885 MS 0.0010201 0.0115459 0.0008362 0.0001344 F 1.2199 13.8076 6.2212 P 0.342 0.000 0.000

Alpha to remove interaction term = 0.25

Gage R&R
Source Total Gage R&R Repeatability Reproducibility Analista Analista*Muestra Part-To-Part Total Variation VarComp 0.0007253 0.0001344 0.0005909 0.0003570 0.0002339 0.0000204 0.0007458 %Contribution (of VarComp) 97.26 18.02 79.24 47.87 31.37 2.74 100.00

Upper process tolerance limit = 3.8

Source Total Gage R&R Repeatability Reproducibility Analista Analista*Muestra Part-To-Part Total Variation

StdDev (SD) 0.0269319 0.0115936 0.0243088 0.0188942 0.0152947 0.0045197 0.0273086

Study Var (6 * SD) 0.161592 0.069561 0.145853 0.113365 0.091768 0.027118 0.163851

%Study Var (%SV) 98.62 42.45 89.02 69.19 56.01 16.55 100.00

%Tolerance (SV/Toler) 32.26 13.89 29.11 22.63 18.32 5.41 32.71

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 efectividad de la misma, tambin la Repetitividad que se refiere al equipo con que estamos midiendo, no sea adecuado para la medicin.

Pgina 68

La Distribucin 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 3.10 Distribucin Normal

Propiedades de la distribucin 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 69

Las distribuciones pueden variar en:

POSICIN

AMPLITUD

FORMA

O TENER CUALQUIER COMBINACION

Existe una relacin del porcentaje de poblacin a la desviacin estndar. En la figura observamos por ejemplo que el rea bajo la curva para 1 tiene un porcentaje de 68.26%, 2 = 95.46% y 3 = 99.73%.

-3s -2s -1s

+1s +2s +3s 68.26% 95.46% 99.73%

Figura 3.11 Distribucin Normal en niveles de sigma y %

Pgina 70

La desviacin estndar () representa la distancia de la media al punto de inflexin de la curva normal.

x-3 -3 x-2 -2 x- -1 x 0 x+ 1 x+2 2

x
x+3 3

Figura 3.12

Distribucin Normal en niveles de Z

La distribucin normal estndar El valor de z

Determina el nmero de desviaciones estndar entre algn valor X y la media de la poblacin . Para calcular el valor de Z usamos la siguiente frmula.
Z= X

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.
F(z)

= 1

Z 0

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.

Pgina 71

Ejemplo:

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 = 3.77 horas. Que porcentaje de las bateras se espera que duren 80 horas o menos? Calculando el valor de Z obtenemos:
Z= X

80 - 85.36 3.77

= -1.42

Buscamos el valor correspondiente Z en las tablas de distribucin normal. Z0.5 = 0.9220 = 92.20%.
Ejemplo:

Encuentre las probabilidades siguientes usando la tabla Z. a) P(-2.85< Z > 0)

-2.85

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%
Uso de la distribucin normal en Excel

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.Estand (-Z) OK 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.Estand.inv(probabilidad o rea) OK 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

Pgina 72

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 bsicas.

Proceso: ste se refiere a alguna combinacin nica de mquinas, herramientas, mtodos, materiales y personas involucradas en la produccin. Capacidad o habilidad: Esta palabra se usa en el sentido de aptitud, basada en el desempeo probado, para lograr resultados que se puedan medir. Capacidad del proceso: Es la aptitud del proceso para producir productos dentro de los lmites de especificaciones de calidad. Capacidad medida: 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. Capacidad inherente: 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. Variabilidad natural: 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. Valor Nominal: 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.

Objetivos de determinar la capacidad del proceso25

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.

25

Douglas C. Montgomery Introduction to Statistical Quality Control

Pgina 73

LIE
Figura 3.13

LSE

p = porcentaje de medidas bajo la curva de probabilidad fuera de especificaciones.

Partes fuera de especificaciones, como vamos a mejorar esto?

Para solucionar este problema, podemos reducir la desviacin estndar.

LIE

LSE

Tambin podramos cambiar la media.

LIE

LSE LSE

Lo ideal sera, por supuesto cambiar ambas.

LIE
Pgina 74

LSE

Condiciones para realizar un estudio de capacidad del proceso

Para realizar un estudio de capacidad es necesario que se cumplan los siguientes supuestos26:

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. 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 variacin en el sistema de medicin no sea mayor al 10%.
Variacin a corto plazo y a largo plazo

Existen dos maneras de expresar la variabilidad:

Variacin a corto plazo (Zst): 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.

26

Juran J.M. Anlisis y planeacin de la Calidad

Pgina 75

Variacin a Largo Plazo (Zlt):

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.

Para el clculo de Z utilizamos las siguientes formulas27:

Z st =

(lmite especif . nom.)

desv.std ST

Z LT =

lmite especif . media desv.std LT

donde: Zst = variacin a corto plazo. nom = Valor nominal u objetivo Zlt = variacin a largo plazo.
Z shift: A largo plazo los procesos tienen un desplazamiento natural de 1.5 desviaciones estndar.

Zlt = Zst-1.5shift

Clculo de la capacidad del proceso:

Para calcular la capacidad del proceso utilizamos la siguiente frmula:

Cp =

LSE LIE 6

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:
27

Reyes Primitivo Diplomado en Black Belt

Pgina 76

Cpk =

[Zl , Zs] 3

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 histogramas Procedimiento:

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.
Ejemplo: Capacidad de proceso a partir de histogramas
Histograma
30 25 20 15 10 5 0 Clase

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

Frecuencia

Si las especificaciones fueran LIE = 3.58 y LSE = 3.68

LSE LIE = 3.68 3.58 = 0.326 6 0.306 3.68 3.65 Zs = = 0.588 0.051 Cp =

Zl =

3.58 3.65 = -1.37 0.051

< 1, el proceso no es hbil.

Cpk = menor de Zl y Zs = -1.37 < 1 , por lo tanto proceso no cumple especificaciones. menor cumple

Pgina 77

Capacidad a partir de cartas de control

En casos especiales como estos donde las variaciones presentes son totalmente inesperadas tenemos un proceso inestable impredecible.
? ? ? ? ? ? ?

Si las variaciones presentes son iguales, se dice que se tiene un proceso estable. La distribucin ser predecible en el tiempo.

Prediccin

Tiempo

Clculo de la desviacin estndar del proceso

R S = (Para cartas de control X-R y X-S respectivamente) d2 C4

donde: S = Desviacin estndar de la poblacin d2 = Factor que depende del tamao del subgrupo en la carta de control X - R C4 = dem al anterior para una carta X - S En una carta por individuales, d2 se toma para n = 2 y Rango Medio = Suma rangos / (n -1)

Pgina 78

Ejemplo (carta X - R):

De una carta de control X - R (con subgrupo n = 5) se obtuvo lo siguiente, despus de que el proceso se estabiliz quedando slo con causas comunes: Por tanto estimando los parmetros del proceso se tiene:

= 3.60 , R = 0.015

= x (media de medias)
Si el lmite de especificacin es: LIE = 3.58. El C pk =

R 0.015 = = 0.0064 d 2 2.326

(3.58 3.60)
3 0.0064

= -1.041 por tanto el proceso no cumple con las especificaciones.

Capacidad de procesos en Minitab con los siguientes datos realizar el anlisis de la capacidad de proceso.
15.25 15.50 15.25 15.00 15.50 14.50 14.50 15.00 15.50 17.00 16.50 17.00 17.00 16.00 15.75 16.50 15.50 14.75 16.00 15.75 19.00 18.50 18.00 18.00 17.00

15.00 16.50 15.50 15.00 14.50 15.00 14.00

15.00 16.50 17.50 15.50 18.00 17.50 16.00 16.50

14.00 16.00 15.00 19.00 18.00 16.00 18.00 17.00

16.50 15.00 16.75 15.25

16.50 14.50

14.00 15.00 15.50 15.50

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:
Probability Plot of C1
Normal
99 Mean StDev N AD P-Value 16.02 1.162 56 0.737 0.052

95 90 80

Percent

70 60 50 40 30 20 10 5

13

14

15

16 C1

17

18

19

Pgina 79

Otra opcin por medio de una grfica de probabilidad normal, se tiene: 3. Graph > Probability plot > Normal 4. Graph Variable C1 5. Distribution Normal OK Los puntos deben quedar dentro del intervalo de confianza para indicar que es normal la distribucin
Probability Plot of C1
Normal - 95% CI
99 Mean StDev N AD P-Value 16.02 1.162 56 0.737 0.052

95 90 80

Percent

70 60 50 40 30 20 10 5

12

13

14

15

16 C1

17

18

19

20

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

Pgina 80

Los resultados se muestran a continuacin:

Process Capability of C1
LSL
P rocess Data LS L 14.5 Target * USL 18.5 S ample M ean 16.0223 S ample N 56 S tDev (Within) 0.787395 S tDev (O v erall) 1.16718

USL W ithin Ov erall

P otential (Within) C apability Cp 0.85 C P L 0.64 C P U 1.05 C pk 0.64 O v erall C apability Pp PPL PPU P pk C pm 0.57 0.43 0.71 0.43 *

14
O bserv ed P erformance P P M < LS L 53571.43 PPM > USL 0.00 P P M Total 53571.43

15

16

17

18

E xp. Within P erformance P P M < LSL 26595.70 PPM > USL 825.69 P P M Total 27421.38

E xp. O v erall P erformance P P M < LS L 96071.19 PPM > USL 16886.08 P P M Total 112957.27

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 81

Process Capability Sixpack of C1

11

I C har t
UCL=18.385 _ X=16.022

C apability H istogr am
LSL USL

Individual Value

18

16 14 1 7 13 19 25 31 37 43 49 55

S pecifications LS L 14.5 U S L 17.5

LCL=13.660 14 15 16 17 18

M oving Range C har t

3.0 Moving Range UCL=2.902

Nor mal P r ob P lot A D: 0.737, P : 0.052

1.5

__ MR=0.888 LCL=0 1 7 13 19 25 31 37 43 49 55 14 16 18 20

0.0

Last 2 5 O bser vations

18 Values

C apability P lot Within S tD ev 0.787395 Cp 0.64 C pk 0.63 Within O v erall S pecs O v erall S tD ev 1.16718 Pp 0.43 P pk 0.42 C pm *

16

14 35 40 45 Observation 50 55

En este caso de la grfica de probabilidad normal, los datos siguen una distribucin normal. so
3.5 Entregables:

En esta etapa los entregables seran:

Seleccionar Requerimientos del Cliente

o o o o o

Identificar caractersticas medibles del requerimiento del cliente (CTQs) para el proyecto. Desarrollar definiciones operacionales para el proceso a ser medido Identificar el objetivo de mejora del proceso Establecer mrgenes de tolerancia (lmites de especificacin) Definir los conceptos de unidad, defecto y oportunidad de defecto Validar Sistema de Medicin Desarrollar el Plan de recoleccin de datos Validar el Sistema de Medicin (Y)

Definir estndares de desempeo

Plan coleccin datos

o o o

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 82

Definir

4.1 Introduccin
Controlar Controlar Medir

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.

Mejorar

Analizar Analizar

Las Herramientas a utilizar pueden ser:

DMAIC
Definir Definir
1. Mapa de Proceso 1. Mapa de Proceso 2. Despliegue de la 2. Despliegue de la Funcin de Calidad Funcin de Calidad (QFD) (QFD) 3. Modelo Kano 3. Modelo Kano 4. Diagrama Matricial 4. Diagrama Matricial 5. Benchmarkin 5. Benchmarkin 6. Costos de Calidad 6. Costos de Calidad

Medir Medir
1. Mapa de detallado 1. Mapa de detallado de Procesos de Procesos 2. Diagrama de Pareto 2. Diagrama de Pareto 3. Diagrama de Causa3. Diagrama de CausaEfecto Efecto 4. Diagrama de rbol 4. Diagrama de rbol 5. Diagrama de 5. Diagrama de Afinidad Afinidad 6. Mtodos de 6. Mtodos de Muestreo Muestreo Estadstico Estadstico 7. Capacidad del 7. Capacidad del Sistema de Medicin Sistema de Medicin 8. Distribucin Normal 8. Distribucin Normal 9. Capacidad del 9. Capacidad del Proceso Proceso

Analizar
1. AMEF 1. AMEF 2. Cartas Multi Vari 2. Cartas Multi Vari 3. Correlacin 3. Correlacin 4. Regresin lineal 4. Regresin lineal Simple y lineal Simple y lineal Mltiple Mltiple 5. Pruebas de Hiptesis 5. Pruebas de Hiptesis 6. Anlisis de Varianza 6. Anlisis de Varianza (ANOVA) (ANOVA)

Mejorar

Controlar Controlar

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.

Pgina 83

4.2 Etapas de la fase de Anlisis

La fase de anlisis consta de las siguientes etapas:

Definir el objetivo de desempeo

En esta etapa se define la meta hacia la cual nos dirigimos, o sea cuales son los niveles sigma esperados en nuestro proceso en el tiempo. 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 variacin

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 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 pocos vitales X que estn afectando la variable de respuesta y. Una opcin para priorizar estas causas es el uso del diagrama de Pareto. A continuacin se muestra un diagrama de posibles fuentes de variacin del proceso:
Variacin del Proceso

Variacin Variacin Actual del Proceso

Variacin del Proceso de Medicin

Variacin a Largo Plazo

Variacin a Corto Plazo

Otras fuentes de Variacin

Variacin debida al operador

Variacin debida al Equipo de Medicin

Exactitud (Sesgo)

Precisin (Error de Medicin)

Discriminacin (Resolucin)

Figura 4.2 Fuentes de Variacin

Para una validacin estadstica de causas se utilizan diversas herramientas estadsticas como las que se explican a continuacin.
Pgina 84

Herramientas bsicas para la fase de Anlisis

4.3 AMEF (Proceso actual)

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.
Objetivos

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
Cundo iniciar un AMEF

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). 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.
Tipos de AMEFS

AMEF de Diseo: Se usa para analizar componentes de diseos. Se enfoca hacia los Modos de Falla asociados con la funcionalidad de un componente, causados por el diseo. AMEF de Proceso: Se usa para analizar los procesos de manufactura y ensamble. Se enfoca a la incapacidad para producir el requerimiento que se pretende, un defecto. Los Modos de Falla pueden derivar de causas identificadas en el AMEF de Diseo.
Procedimiento para la elaboracin del A.M.E.F (Diseo o Proceso)

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.

Pgina 85

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 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 jerarquizacin 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 Multi Vari28

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).
28

Correo Juan C Gonzlez Nelfi Grficos Estadsticos Universidad Nacional

Pgina 86

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 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.
Ejemplo:

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.

A
1 2 3 4 5 27 28 29 30 31 55 56 57 58 59

VARIACIN POSICIONAL DENTRO DE LA UNIDAD

B
1 2 3 4 5 27 28 29 30 31 55 56 57 58 59

VARIACIN CCLICA DE UNIDAD A UNIDAD

1 2 3 4 5

27 28 29 30 31

55 56 57 58 59

VARIACIN TEMPORAL DE TIEMPO A TIEMPO

Ejemplo:

Un proceso produce flecha cilndrica, con un dimetro especificado de 0.0250 0.001. Sin embargo un estudio de capacidad muestra un Cp = 0.8 y una dispersin natural de 0.0025 (6) contra la permitida de 0.0002. Se tiene pensado comprar un torno nuevo de US$70,000 para tolerancia de 0.0008, i.e. Cpk = 1.25. Se sugiri un estudio Multi Vari previo.

Pgina 87

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.
8 AM 9 AM 10 AM 11 AM 12 AM

0.2510

0.2500

0.2490
Izquierda Mximo Derecha Mnimo

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. 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.
4.5 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 88

Tipos de Correlaciones:
1 3 5

Fuerte Correlacin Negativa Fuerte Correlacin Positiva

Sin Correlacin

Correlacin Positiva

Correlacin Negativa

Otros patrones

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.
Propiedades de R

-1<R<1 R > 0 indica una relacin positiva lineal R < 0 indica una relacin negativa lineal R2 la proporcin de la variabilidad total de los valores de y que pueden ser explicados por la variable independiente x. Si el valor de R esta entre: 0.9 R 1 0.8 R < 0.9 0.6 R < 0.8 Muy buen ajuste Buen ajuste, requiere de ms pruebas Regular, requiere revisin

Pgina 89

4.6 Anlisis de Regresin

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
Regresin 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 probabilstico 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:
Modelo de regresin lineal

y = 0 + 1 x +

Donde:
y = variable dependiente 0 = ordenada al origen 1 = pendiente x = variable independiente = Error aleatorio

La expresin 0 + 1X se denomina componente determinstico del modelo de regresin lineal. La muestra de pares de datos se usar para estimar los parmetros 0 y 1
Supuestos para el modelo de regresin lineal29

Para cada valor de x, la variable aleatoria se distribuye normalmente. Para cada valor de x, la media o valor esperado de es 0; esto es, E ( ) = = 0 . Para cada valor de x, la varianza de es la constante 2 (llamada varianza del error). Los valores del trmino de error son independientes. Para un valor fijo de x, la distribucin muestral de y es normal, porque sus valores dependen de los de . 6. Para un valor fijo x, es posible predecir el valor de y. 7. Para un valor fijo x, es posible estimar el valor promedio de y 1. 2. 3. 4. 5.

29

Richard Weimer Estadstica

Pgina 90

Ejemplo30:

Se tiene que predecir las ventas mensuales en funcin del costo de publicidad de los siguientes datos:
Mes 1 2 3 4 5 6 7 8 9 10 11 12 13 Publicidad 1.20 0.80 1.00 1.30 0.70 0.80 0.90 0.60 0.90 1.10 0.90 0.70 0.70 Ventas 101 92 100 110 90 82 95 80 91 105 93 91 83

Utilizando el Minitab: > Stat > Regression > Regression Seleccionar Response = Columna de las Y's Seleccionar Predictors = Columnas de las Xs OK
Fitted Line Plot
Ventas = 58.86 + 38.60 Publicidad
110 105 100
S R-S q R-S q (ad j) 3.90857 82.4% 80.8%

Ventas

95 90 85 80 0.6 0.7

0.8

0.9 1.0 Publicidad

1.1

1.2

1.3

La ecuacin sera: Y = 58.86 + 36.6*Publicidad

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.
Regresin lineal mltiple

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:
30

Ramrez Eduardo Tomado de los Apuntes de la Clase Anlisis de Regresin

Pgina 91

Modelo de regresin mltiple

Y = 0 + 1 x1 + 2 x2 +.... + Donde:
y = variable dependiente 0 = ordenada al origen 1, 2 = coeficiente de cada variable. x1, x2 = variables independientes = Error aleatorio

La estimacin de los coeficientes de una regresin mltiple es un clculo bastante complicado y laborioso, por lo que se requiere del empleo de programas de computacin especializados. Sin embargo, la interpretacin de los coeficientes es similar al caso de la regresin simple: el coeficiente de cada variable independiente mide el efecto separado que esta variable tiene sobre la variable dependiente. El coeficiente de determinacin, por otro lado, mide el porcentaje de la variacin total en Y que es explicado por la variacin conjunta de las variables independientes.
Ejemplo:

Una de las caractersticas importantes del alambre para amarres es su resistencia a la traccin. La tabla a continuacin proporciona informacin sobre la resistencia a la traccin(y), la altura del dado (X1), la altura del poste (X2); La altura del amarre (X3), La longitud del alambre (X4), el ancho del amarre sobre el dado (X5).
y 8.0 8.3 8.5 8.8 9.0 9.3 9.3 9.5 9.8 10.0 10.3 10.5 10.8 11.0 11.3 11.5 11.8 12.3 12.5 x1 5.2 5.2 5.8 6.4 5.8 5.2 5.6 6.0 5.2 5.8 6.4 6.0 6.2 6.2 6.2 5.6 6.0 5.8 5.6 x2 19.6 19.8 19.6 19.4 18.6 18.8 20.4 19.0 20.8 19.9 18.0 20.6 20.2 20.2 19.2 17.0 19.8 18.8 18.6 x3 29.6 32.4 31.0 32.4 28.6 30.6 32.4 32.6 32.2 31.8 32.6 33.4 31.8 32.4 31.4 33.2 35.4 34.0 34.2 x4 94.9 89.7 96.2 95.6 86.5 84.5 88.8 85.7 93.6 86.0 87.1 93.1 83.4 94.5 83.4 85.1 84.1 86.9 83.0 x5 2.1 2.1 2.0 2.2 2.0 2.4 2.2 2.1 2.3 2.1 2.0 2.1 2.2 2.1 1.9 2.1 2.0 2.1 1.9

Utilizando el excel empleamos las siguientes instrucciones: >Tools >Data Anlisis >Regresin >Input Y: La variable de prediccin > Input X: Las variables de predictoras >Conficence Level al 95% OK

Pgina 92

Estadsticas de la regresin Coeficiente de correlacin mltiple 0.829840383 Coeficiente de determinacin R^2 0.688635061 R^2 ajustado 0.568879315 Error tpico 0.892010307 Observaciones 19 ANLISIS DE VARIANZA Regresin Residuos Total Grados de liberta Suma de cuadrados 5 22.8771816 13 10.3438710 18 33.2210526 Coeficientes 6.2272909 0.3951351 -0.0488255 0.4772919 -0.1122814 -1.3687757 Error tpico 8.4501126 0.5791396 0.2580863 0.1417064 0.0525337 1.9205352 Promedio de los cuadrados 4.5754363 0.7956824 F 5.7503300 Valor crtico de F 0.0051466

Intercepcin Variable X 1 Variable X 2 Variable X 3 Variable X 4 Variable X 5

Estadstico t 0.7369477 0.6822796 -0.1891830 3.3681736 -2.1373204 -0.7127054

Probabilidad 0.4742451 0.5070376 0.8528711 0.0050414 0.0521490 0.4886239

Inferior 95% -12.0280640 -0.8560196 -0.6063870 0.1711538 -0.2257735 -5.5178389

Superior 95% 24.4826458 1.6462899 0.5087359 0.7834300 0.0012108 2.7802875

a) Ajuste el modelo de regresin mltiple

Y = 6.22 + 0.395 X1 0.048X2 + 0.477X3 - 0.112X4 1.368 X5

b) Realizar la tabla de ANOVA para el modelo anterior:

TABLA

ANOVA

de Cuadrados SSR 22.871 SSE 10.400 SST 33.271

Grados de libertad p-1 5 n-p 13 n-1 18

de cuadrados MSR 4.574 MSE 0.800

Fo Fo = MSR/MSE 5.7178

Fuente de Regresin Error Total

Ho : i = 0 Vi H1 : i = 0 al menos para una i = 0 El modelo se rechaza si: Fo > F/2,p-1,n-p Fo > F0.025,5,13 5.717 > 3.77 El valor de F/2,p-1,n-p se obtiene de la tabla V pg, A-13 de Douglas Montgomery

Por lo tanto se rechaza la Ho y se acepa la Hi que acepta que el modelo de regresin Si es significativo.

c) Obtener los valores de R y R2:

SS E Ra^2 = 1

(n-p) SS T n-1 10.400

Ra

^2

= 1

13 33.271 18

Pgina 93

Ra^2 = 0.567

R = 0.753

De acuerdo al valor de la R se denota que el modelo es Regular y requiere revisin. d) Realizar la grfica de Residuos:
Grfica de Residuos 1.5 1.0 0.5 0.0 -0.5 -1.0 -1.5 -2.0 0 5 10 15 20

En la grfica se puede apreciar que no se ve que existe una correlacin alguna.

4.7 Pruebas de Hiptesis:

Al realizar pruebas de hiptesis, se parte de un valor supuesto (hipottico) en parmetro poblacional. Despus de recolectar una muestra aleatoria, se compara la estadstica muestral, as como la media (x), con el parmetro hipottico, se compara con una supuesta media poblacional (). Despus se acepta o se rechaza el valor hipottico, segn proceda. Se rechaza el valor hipottico slo si el resultado muestral resulta muy poco probable cuando la hiptesis es cierta. Etapa 1.- Planear la hiptesis nula y la hiptesis alternativa. La hiptesis nula (H0) es el valor hipottico del parmetro que se compra con el resultado muestral resulta muy poco probable cuando la hiptesis es cierta. Etapa 2.- Especificar el nivel de significancia que se va a utilizar. El nivel de significancia del 5%, entonces se rechaza la hiptesis nula solamente si el resultado muestral es tan diferente del valor hipottico que una diferencia de esa magnitud o mayor, pudiera ocurrir aleatoria mente con una probabilidad de 1.05 o menos. Etapa 3.- Elegir la estadstica de prueba. La estadstica de prueba puede ser la estadstica muestral (el estimador no segado del parmetro que se prueba) o una versin transformada de esa estadstica muestral. Por ejemplo, para probar el valor hipottico de una media poblacional, se toma la media de una muestra aleatoria de esa distribucin normal, entonces es comn que se transforme la media en un valor z el cual, a su vez, sirve como estadstica de prueba.

Pgina 94

Etapa 4.- Establecer el valor o valores crticos de la estadstica de prueba. Habiendo especificado la hiptesis nula, el nivel de significancia y la estadstica de prueba que se van a utilizar, se produce a establecer el o los valores crticos de estadstica de prueba. Puede haber uno o ms de esos valores, dependiendo de si se va a realizar una prueba de uno o dos extremos. Etapa 5.- Determinar el valor real de la estadstica de prueba. Por ejemplo, al probar un valor hipottico de la media poblacional, se toma una muestra aleatoria y se determina el valor de la media muestral. Si el valor crtico que se establece es un valor de z, entonces se transforma la media muestral en un valor de z. Etapa 6.- Tomar la decisin. Se compara el valor observado de la estadstica muestral con el valor (o valores) crticos de la estadstica de prueba. Despus se acepta o se rechaza la hiptesis nula. Si se rechaza sta, se acepta la alternativa; a su vez, esta decisin tendr efecto sobre otras decisiones de los administradores operativos, como por ejemplo, mantener o no un estndar de desempeo o cul de dos estrategias de mercadotecnia utilizar. La distribucin apropiada de la prueba estadstica se divide en dos regiones: una regin de rechazo y una de no rechazo. Si la prueba estadstica cae en esta ltima regin no se puede rechazar la hiptesis nula y se llega a la conclusin de que el proceso funciona correctamente. Al tomar la decisin con respecto a la hiptesis nula, se debe determinar el valor crtico en la distribucin estadstica que divide la regin del rechazo (en la cual la hiptesis nula no se puede rechazar) de la regin de rechazo. A hora bien el valor crtico depende del tamao de la regin de rechazo.
Pasos de la prueba de hiptesis:

1. Definir el Problema ( Problema Prctico). 2. Sealar los Objetivos ( Problema Estadstico). 3. Determinar tipo de datos: Atributo o Variable. 4. Si son datos Variables: Prueba de Normalidad. 5. Establecer las Hiptesis: Hiptesis Nula (Ho),Hiptesis Alterna (Ha). 6. Seleccionar el nivel de Alfa (normalmente 0.05 o 5%). 7. Establecer el tamao de la muestra, 10 . 8. Desarrollar el Plan de Muestreo. 9. Seleccionar Muestras y Obtener Datos. 10. Decidir la prueba estadstica apropiada y calcular el estadstico de prueba (Z, t, X2 o F) a partir de los datos. 11. Obtener el estadstico correspondiente de tablas o Excel. 12. Determinar la probabilidad de que el estadstico de prueba calculado ocurra al azar. 13. Comparar el estadstico calculado con el de tablas y ver si cae en la regin de rechazo o ver si la probabilidad es menor a alfa, rechace Ho y acepte Ha. En caso contrario no rechace Ho. 14. Con los resultados interprete una conclusin estadstica para la solucin prctica.

Pgina 95

Pruebas de hiptesis para una poblacin

Se trata de probar una afirmacin sobre parmetros de la poblacin (media ; varianza 2 o proporcin ) sobre la base de datos de estadsticos de una muestra (X media, s2 o p respectivamente):
ELEMENTOS DE UNA PRUEBA:

Prueba Estadstica: Procedimiento para decidir aceptar o rechazar hiptesis. Hiptesis: Es una afirmacin acerca de una o ms poblaciones. Hiptesis Nula (Ho): Usualmente es una afirmacin representando una situacin status quo. Generalmente deseamos rechazar la hiptesis nula.
o o o

Es la hiptesis o afirmacin a ser probada Puede ser por ejemplo =, , o a 7 Slo puede ser rechazada o no rechazada

Hiptesis Alterna (Ha): Es lo que aceptamos si podemos rechazar la hiptesis nula. Ha es lo que queremos probar.
o o

Es la hiptesis que se acepta como verdadera cuando se rechaza Ho, es su complemento Puede ser por ejemplo 7 para prueba de dos colas
< 7 para prueba de cola izquierda > 7 para prueba de cola derecha

Estadstico de prueba: Calculado con datos de la muestra. Regin de Rechazo: Indica los valores de la prueba estadstica para que podamos rechazar la Hiptesis nula (Ho). Esta regin esta basada en un riesgo a deseado, normalmente 0.05 o 5%. Estadstico de prueba(Z, t, X2 o F): Para probar la hiptesis nula se calcula un estadstico de prueba con la informacin de la muestra el cual se compara a un valor crtico apropiado. De esta forma se toma una decisin sobre rechazar o no rechazar la Ho. Error tipo I (alfa = nivel de significancia, normal=0.05): Se comete al rechazar la Ho cuando en realidad es verdadera. Tambin se denomina riesgo del productor Error tipo II (beta): Se comete cuando no se rechaza la hiptesis nula siendo en realidad falsa. Es el riesgo del consumidor

Pgina 96

Las pruebas de hiptesis pueden ser de dos colas, de cola derecha o de cola izquierda, a continuacin se esquematizan cada una de ellas.
Pruebas de Hiptesis de dos colas:

Ho: a = b Ha: a b

Regin de Rechazo

Regin de Rechazo

-Z/2
Pruebas de Hiptesis de cola derecha:

Z/2

Ho: a b Ha: a > b Z/2

Regin de Rechazo 0

Pruebas de Hiptesis cola izquierda:

Ho: a b Ha: a < b

Regin de Rechazo

-Z/2

Z/2

Prueba de hiptesis Estadstica Para una muestra grande (n >30) probar la hiptesis de una media
Ho: Ha:

= o 0

Calcular el estadstico de prueba

Z calc =

s n Establecer la regin de rechazo, para prueba de 2 colas: Z 2 Z 2

Si el valor del estadstico de prueba cae en la regin de rechazo rechazaremos Ho de otra manera no podemos rechazar Ho.

Regin de Rechazo
0

Regin de Rechazo

-Z/2

Z/2

Pgina 97

Ejemplo:

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.
Reactor A 89.7 81.4 84.5 84.8 87.3 79.7 85.1 81.7 83.7 84.5 Reactor B 84.7 86.1 83.2 91.9 86.3 79.3 82.6 89.1 83.7 88.5

Estadsticas Descriptivas Variable Reactor N Media Rendimiento A 10 84.24 B 10 85.54 3.65

Desv.Std 2.90

Pregunta Prctica: Existe diferencia entre los reactores? Pregunta 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. Ho: No existe diferencia entre los Reactores. Ha: Las medias de los Reactores son diferentes. H 0 : a = b H a : a b

Se busca demostrar que los valores observados al parecer no corresponden al mismo proceso, se trata de rechazar Ho.
Reactor A Reactor B

Representan los reactores dos procesos diferentes? Representan los reactores un proceso bsico?

B A

B B B B BB AA AAAA A

BB A

Pgina 98

Pruebas de Hiptesis sobre la Igualdad de dos Medias.

A) Varianzas conocidas Supngase que hay dos poblaciones de inters X1 y X2, Suponemos que X1 tiene media 2 desconocida 1 y varianza conocida 1 y que X2 tiene media desconocida 2 y varianza conocida. Estaremos interesados en la prueba de la hiptesis de que las medias 1 y 2 sean iguales. Considrense primero las hiptesis alternativas de dos lados:
H 0 : 1 = 2
H 1 : 1 2

donde: H0 = Hiptesis nula H1 = Hiptesis alternativa. 1 = media de la poblacin 1 2 = media de la poblacin 2 El procedimiento para probar H 0 : 1 = 2 consiste en calcular la estadstica de prueba Z0 mediante la siguiente frmula:
Z0 = X1 X 2

21
n1

22
n2

donde:

X 1 = media de la muestra 1 X 2 = media de la muestra 2

21 = varianza de la poblacin 1 2 2 = varianza de la poblacin 2

n1 n2

= tamao de la muestra 1 = tamao de la muestra 2

La hiptesis nula H0 se Rechaza s:

Z 0 > Z 2 o Z 0 < Z 2

donde: Z0 = Valor calculado del estadstico de prueba Z 2 = Valor obtenido de las tablas. Las hiptesis alternativa de un lado se analizan de manera similar. Para probar
H 0 : 1 = 2
H 1 : 1 > 2

Se calcula la estadstica de prueba Z0 , y se rechaza H 0 : 1 = 2 s Z 0 > Z . Para probar las otras hiptesis alternativas de un lado

Pgina 99

H 0 : 1 = 2

H 1 : 1 < 2

Se utiliza la estadstica de prueba Z0 y se rechaza H 0 : 1 = 2 s Z 0 < Z

Ejemplo:

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 1 = .015 y 2 = .018 . 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 = .05 . Se toman muestras con cada mquina, mostradas en la siguiente tabla:
mquina 1 16.03 16.04 16.05 16.05 16.02 16.01 15.96 15.98 16.02 15.99 mquina 2 16.02 15.97 15.96 16.01 15.99 16.03 16.04 16.02 16.01 16

Se establecen las hiptesis:

H 0 : 1 = 2 H 1 : 1 2

Calculando las medias de cada mquina obtenemos: X 1 = 16.015, X 2 = 16.005 .

X1 X 2

Z0 =

21
n1

22
n2

16.015 16.005 .015 2 .018 2 + 10 10

= 1.34

Z 2 = Z.025 = 1.96 ( De tablas)

Utilizando el criterio de decisin Z 0 > Z 2 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 100

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.
Pruebas de hiptesis para dos poblaciones Pruebas de igualdad de dos varianzas

Presentaremos ahora pruebas para comparar dos varianzas. Supngase que son dos las poblaciones 2 de inters, por ejemplo X1 y X2, donde 1, 12 , 2 , 2 , se desconocen. Deseamos probar hiptesis
2 relativas a la igualdad de las dos varianzas, H 0 : 12 = 2 . 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 S12 yS 2 las varianzas de muestra. Para probar la alternativa de dos lados 2 H 0 : 12 = 2 2 H 1 : 12 2

Utilizamos el hecho de que la estadstica S12 F0 = 2 S2 Se distribuye como F, con n1-1 y n2 1 grados de libertad. Rechazaramos H0 s

F0 > F 2, n1 1, n 2 1
o s

F0 < F1 2,n1 1,n2 1

Donde F 2,n1 1,n2 1 y F1 2,n1 1,n2 1 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 F1 2,n1 1,n2 1 debemos emplear
F1 2,n1 1,n2 1 =

1
F 2,n1 1,n2 1

La misma estadstica de prueba puede utilizarse para probar hiptesis alternativas de un lado. La hiptesis alternativa de un lado es:
2 H 0 : 12 = 2 2 H 1 : 12 > 2

Si

F0 > F ,n1 1,n2 1 , rechazaramos H 0 : 12 = 22 .

Pgina 101

Ejemplo:

Los siguientes son tiempos de quemado (en minutos) de seales luminosas de dos tipos diferentes; Y pruebe la hiptesis de que las dos varianzas sean iguales. Use = .05
2 H 0 : 12 = 2 2 H 1 : 12 2

X 1 = 70.6 X 2 = 70 S12 = 88.71

2 S 2 = 100.44

F0 =

S12 88.71 = = 0.877 2 S 2 100.44

Tipo 1 63 81 57 66 82 82 68 59 75 73

Tipo 2 64 72 83 59 65 56 63 74 82 82

F 2,n1 1,n2 1 = F.025,9,9 = 4.03

F1 2,n1 1,n2 1 = 0.248

Como 0.877 no es mayor que 4.03, por lo cual No se Rechaza la hiptesis nula y tenemos que: 2 H 0 : 12 = 2 .
Prueba de dos poblaciones cuando las varianzas son iguales

Sean X1 y X2 dos poblaciones normales independientes con medias desconocidas 2 varianzas conocidas pero iguales 12 = 2 = 2 . Deseamos probar:
H 0 : 1 = 2 H 1 : 1 2

1 y 2 , y

2 Sean X1, X2, S12 , S 2 , las medias y las varianzas de las muestras, respectivamente. Puesto que tanto 2 2 S12 como S 2 estiman la varianza comn , podemos combinarlas para producir una sola estimacin, mediante la siguiente frmula:

Sp =

(n1 1)S12 + (n2 1)S 22

n1 + n2 2

Para probar H 0 : 1 = 2 calclese la estadstica de prueba

t0 = X1 X 2 1 1 Sp + n1 n2

Si t 0 > t 2,n1 + n2 2 o si t 0 < t 2,n1 + n2 2 , rechazamos H 0 : 1 = 2

Pgina 102

Las alternativas de un lado se tratan de modo similar. Para probar: H 0 : 1 = 2

H 1 : 1 > 2 Calclese la estadstica de prueba t0 y rechcese H 0 : 1 = 2 s: t 0 > t ,n1 + n2 2

Para la otra alternativa de un lado, H 0 : 1 = 2

H 1 : 1 < 2

Calclese la estadstica de prueba y rechcese H 0 : 1 = 2 s: t 0 < t a ,n1 + n2 2

Ejemplo:

Se est investigando la resistencia de dos alambres, con la siguiente informacin de muestra.

Alambre
1 2 0.140 0.135 0.141 0.138

Resistencia
0.139 0.140

(ohms)
0.140 0.139 0.138 0.144 -

Suponiendo que las dos varianzas son iguales, qu conclusiones puede extraerse respecto a la resistencia media de los alambres?
H 0 : 1 = 2 H 1 : 1 2

Calculando la media y la desviacin estndar de la muestra:

x1 = 0.140 x 2 = 0.138 S1 = 0.0021 S 2 = 0.0022 Sp =

(n1 1)S12 + (n2 1)S 22

n1 + n2 2

= .0021

t0 =

X1 X 2 = 1.72 1 1 + Sp n1 n2

Pgina 103

Se busca en la tabla de distribucin t el valor t 2,n1 + n2 , 2 = t.025,8 =2.306 o se determina con Excel. Utilizando el criterio de rechazo t 0 > t 2,n1 + n2 2 , 1.72 no es mayor que 2.306, por lo tanto no rechazamos H0.
4.8 Anlisis de varianza de una va (ANOVA)

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 ANOVA 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 tienen la misma varianza Los errores son independientes con distribucin normal de media cero La varianza se mantiene constante para todos los niveles del factor
ANOVA de un factor y una variable de bloqueo:

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
Prueba de Hiptesis:

a) Para el tratamiento en renglones Ho : 1 = 2 = 3 .. n Ha: Alguna media es diferente

Pgina 104

b) Para el factor de bloqueo en columnas Ho : 1 = 2 = 3 .. n Ha: Alguna media es diferente

ANOVA de un factor y dos variables de bloqueo CUADRADO LATINO:

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.
ANOVA de un factor y tres variables de bloqueo CUADRADO GRECOLATINO:

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 rechaza s.. Fc > F tablas Aceptando Ha donde las medias son diferentes tambin considerando el valor de P-value (del minitab) Del correspondiente de Fc P < Aceptando Ha donde las medias son diferentes

Ejemplo:

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 los tiempos de vida til, en decenas de miles de millas para cada tipo de motor.

A 6 2 4 1 7

B 8 7 7 2 6

C 3 2 5 4 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 105

Probability Plot of A
Normal
99 Mean StDev N RJ P-Value 4 2.550 5 0.982 >0.100

Hay normalidad s P value es >=0.05

95 90 80

Percent

70 60 50 40 30 20 10 5

-2

4 A

10

Probability Plot of B
Normal
99 Mean StDev N RJ P-Value 6 2.345 5 0.909 >0.100

95 90 80

Percent

70 60 50 40 30 20 10 5

6 B

10

12

Probability Plot of C
Normal
99
Mean StDev N RJ P-Value 3 1.581 5 0.998 >0.100

95 90
80

Percent

70 60 50 40 30 20 10 5

-1

3 C

Analizando las grficas nos damos cuenta de que las 3 muestras provienen de poblaciones normales. Si denotamos por

1, 2 y 3

las medias poblacionales de los tiempos de vida til para los tipos A, B y C,

respectivamente, entonces podemos escribir las hiptesis estadsticas como:

H 0 : 1 = 2 = 3
H1: Al menos dos medias poblacionales no son iguales.

Pgina 106

Procedimiento en Excel:

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.
Anlisis de varianza de un factor RESUMEN Grupos Columna 1 Columna 2 Columna 3

Cuenta 5 5 5

Suma 20 30 15

Promedio 4 6 3

Varianza 6.5 5.5 2.5

ANLISIS DE VARIANZA Origen de las variaciones Entre grupos Dentro de los grupos Total

Suma de cuadrados Grados de libertad Promedio de los cuadrados F Probabilidad Valor crtico para F 23.33333333 2 11.66666667 2.413793103 0.13150932 3.885290312 58 12 4.833333333 81.33333333 14

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.

ANOVA en Minitab.

Utilice = 0.05 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 Graphs Seleccionar Normal plot of residuals Comparisons Seleccionar Tukeys Family error rate OK
Resultados: La grfica normal de residuos debe mostrar los residuos aproximados por una recta para validar el modelo:

Confidence level 95%

Pgina 107

Normal Probability Plot of the Residuals

(responses are A, B, C)
99

95 90 80

Percent

70 60 50 40 30 20 10 5

-5.0

-2.5

0.0 Residual

2.5

5.0

One-way ANOVA: A, B, C
Source Factor Error Total DF 2 12 14 SS 23.33 58.00 81.33 MS 11.67 4.83 F 2.41 P 0.132

Como este valor P es mayor a 0.05 se rechaza la hiptesis nula y A, B y C no tienen efecto en la respuesta.
S = 2.198 R-Sq = 28.69% R-Sq(adj) = 16.80%

Level A B C

N 5 5 5

Mean 4.000 6.000 3.000

StDev 2.550 2.345 1.581

Individual 95% CIs For Mean Based on Pooled StDev ------+---------+---------+---------+--(----------*----------) (----------*----------) (----------*----------) ------+---------+---------+---------+--2.0 4.0 6.0 8.0

Pooled StDev = 2.198

Los intervalos de confianza de los tres niveles A, B, C del factor se pueden traslapar por tanto sus efectos no son diferentes.
Tukey 95% Simultaneous Confidence Intervals All Pairwise Comparisons Individual confidence level = 97.94% A subtracted from: Lower -1.707 -4.707 Center 2.000 -1.000 Upper 5.707 2.707 ---------+---------+---------+---------+ (----------*---------) (---------*----------) ---------+---------+---------+---------+ -3.5 0.0 3.5 7.0

B C

Pgina 108

B subtracted from: Lower -6.707 Center -3.000 Upper 0.707 ---------+---------+---------+---------+ (---------*----------) ---------+---------+---------+---------+ -3.5 0.0 3.5 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.
4.9 Entregables:

En esta etapa los entregables seran:

Establecer Capacidad del Proceso o Analizar datos grficamente para la Y del proyecto. (datos continuos) o Calcular la 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 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 109

CAPTULO 5
Definir

FASE DE MEJORA
5.1 Introduccin

Controlar Controlar

Medir

Mejorar Mejorar

Analizar Analizar

En la fase de Anlisis es cuando el equipo selecciona las caractersticas de desempeo del producto que debe ser mejoradas para alcanzar la meta de mejora identificando las mayores fuentes de variacin del proceso. Se 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.

Las Herramientas a utilizar pueden ser:

DMAIC
Definir Definir
1. 1. 2. 2. Mapa de Proceso Mapa de Proceso Despliegue de la Despliegue de la Funcin de Calidad Funcin de Calidad (QFD) (QFD) Modelo Kano Modelo Kano Diagrama Matricial Diagrama Matricial Benchmarkin Benchmarkin Costos de Calidad Costos de Calidad

Medir Medir
1. Mapa de detallado 1. Mapa de detallado de Procesos de Procesos 2. Diagrama de Pareto 2. Diagrama de Pareto 3. Diagrama de Causa3. Diagrama de CausaEfecto Efecto 4. Diagrama de rbol 4. Diagrama de rbol 5. Diagrama de 5. Diagrama de Afinidad Afinidad 6. Mtodos de 6. Mtodos de Muestreo Muestreo Estadstico Estadstico 7. Capacidad del 7. Capacidad del Sistema de Medicin Sistema de Medicin 8. Distribucin Normal 8. Distribucin Normal 9. Capacidad del 9. Capacidad del Proceso Proceso 1. 1. 2. 2. 3. 3. 4. 4.

Analizar Analizar
AMEF AMEF Cartas Multi Vari Cartas Multi Vari Correlacin Correlacin Regresin lineal Regresin lineal Simple y lineal Simple y lineal Mltiple Mltiple 5. Pruebas de 5. Pruebas de Hiptesis Hiptesis 6.. Anlisis de Varianza 6 Anlisis de Varianza (ANOVA) (ANOVA)

Mejorar
1. Anlisis de 1. Anlisis de Experimentos (DOE) Experimentos (DOE) 2. Diseo Factorial 2K 2. Diseo Factorial 2K 3. Diseo Factorial 3. Diseo Factorial Fraccional Fraccional 4. Diseo Taguchi 4. Diseo Taguchi 5. Diseo de Mezclas 5. Diseo de Mezclas 6. Mtodos de Superficie 6. Mtodos de Superficie de Respuesta de Respuesta

Controlar Controlar

3. 3. 4. 4. 5. 5. 6. 6.

Figura 5.1 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.

Pgina 110

Las principales herramientas utilizadas en esta fase son las siguientes:

5.2 Etapas de la fase de Mejora

Las etapas de la fase mejora son las siguientes:

Mostrar las causas potenciales y caracterizacin de Xs31:

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 CTQs 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

5.3 Terminologa
Bloques: Unidades experimentales homogneas. Bloqueo: Considerar las variables que el experimentador desea reducir su efecto o variabilidad. Colinealidad: Ocurre cuando 2 variables estn completamente correlacionadas. Covarianza: Cosas que cambian durante los experimentos pero no fueron planeadas a cambiar Diseo robusto: De acuerdo a Taguchi, un experimento en el cual la variable de respuesta es inmune a los factores de ruido. Diseo simples: Un diseo espacial usado para determinar todas las combinaciones posibles de

factores de entrada en una prueba experimental.

DOE: Diseo de Experimentos.
Efecto principal: Un estimado del efecto de un factor independientemente del efecto de los dems.
31

Reyes Primitivo Diplomado en Black Belt

Pgina 111

Error experimental: 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. Grados de libertad (DOF, DF, df): Nmero de mediciones independientes para estimar un

parmetro poblacional.
Interaccin: Ocurre cuando el efecto de un factor de entrada en la respuesta depende del nivel de

otro factor diferente.

Nivel: Un valor especfico para un factor controlable de entrada. Optimizacin: Hallar las combinaciones de los factores que maximicen o minimicen la respuesta. Ortogonal o balanceado: Es el arreglo que permite estimar los efectos de los factores principales y

de sus interacciones sin confundirlos (el factorial completo es un ejemplo).

Rplicas: Experimentos repetidos en diferente tiempo para estimar el error experimental. Variable de respuesta: Variable que muestra los resultados observados de un tratamiento

experimental, es la variable dependiente.

Tratamientos: Son los diversos niveles de los factores que describen como se debe realizar el

experimento (50 y 7.5 pH).

5.4 Diseo de Experimentos (DOE)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. 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

32

Montgomery Douglas C. Diseo de Experimentos

Pgina 112

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 robusto o insensible a fuentes externas de variabilidad. Existen diferentes tipos de experimentos entre los cuales se encuentra los siguientes:
Tipos comunes de Experimentos
Factorial Completo (todas las combinaciones de factores y niveles) Fraccional Factorial (subgrupo del nmero total de combinaciones) Diseo Central Compuesto 3.1 Diseo Robusto

Objetivos
Encontrar los niveles de factor que proporcionan los mejores resultados. Construir un modelo matemtico (evala todas las interacciones) Encontrar los niveles de factor que proporcionan los mejores resultados. Construir un modelo matemtico (evala todas las interacciones). Optimizar Construir un modelo matemtico cuando no haya efectos lineales (Superficie de respuesta). Optimizar Para encontrar los niveles de factores a fin de reducir al mnimo la variacin ante factores de ruido cambiantes 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. Tabla 5.1 Tipos de Experimentos

Nmero tpico de factores controlables

4 o menos

5 o ms

3 o menos 5 o ms 7 o ms

Diseo Robusto Dinmico de Taguchi

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.
Claves para Experimentar con xito

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 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.

Pgina 113

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.
Pasos para Disear y Realizar un Diseo de Experimentos

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).
Por medio de un equipo de trabajo 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. 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.
Ejemplo: Proceso de soldadura de una tarjeta de circuito impreso:

Objetivos de los experimentos o Caracterizar el proceso (identificar los factores que influyen en la ocurrencia de defectos) o Optimizar, 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 o Temperatura de la soldadura o Temperatura de precalentamiento o Velocidad de la banda o Tipo de fundente o Densidad relativa del fundente o Altura de la ola de soldadura o Angulo de la banda transportadora

Pgina 114

Variables que no se pueden o desean controlar Zs Variables de ruido o Espesor de la tarjeta de circuito impreso o Tipos de componentes usados en el CI o Disposicin de los componentes o Operario o Ritmo de produccin Los Factores que pueden afectar... Tipos de Salidas (Las salidas se clasifican de acuerdo a nuestros objetivos):
Objetivo
1. El Valor Meta es el Mejor
Lograr un valor meta con variacin mnima

Ejemplos de Salidas

Dimensin de la Parte Voltaje ILD de Uretano

Meta

2. El Valor Mnimo es el Mejor

Tendencia de salida hacia cero

Tiempo de Ciclo Contraccin de la Parte Desviacin

0 3. El Valor Mximo es el Mejor

Tendencia de salida hacia arriba

Fuerza Durabilidad

1. La Variacin del Resultado

Tiempo de Ciclo Largo Tiempo de Ciclo Corto

3. La Variacin y el Promedio
Temp Alta Temp Baja

Dimensin de la Parte

Dimensin de la Parte

2. El Resultado Promedio
Presin de Sujecin Baja Presin de Sujecin Alta

4. Ni la Variacin ni el Promedio
Ambos materiales producen el mismo resultado

Dimensin de la Parte

Dimensin de la Parte

Pgina 115

Estrategias cuando el Valor Meta es Mejor Paso 1: Encuentra los factores que afectan la variacin. Usa estos factores para reducir al mnimo la variacin.

Paso 2: Encuentra los factores que desplazan el promedio (y no afectan la variacin). Usa estos factores para ajustar la salida promedio con la meta deseada.

Meta

Estrategias cuando el Valor Mnimo es Mejor

o El objetivo en este caso es encontrar los factores que afectan la salida promedio (tiempo). Usa estos factores para hacer que la tendencia del promedio sea baja. o Cuando se reduce la variacin en la salida al mnimo, tambin se mejora la salida al detectar los factores que contribuyen en gran medida a la variacin.
Tendencia de salida baja

Pgina 116

Esquematizando tendramos:
Respuesta de Salida
La salida que se mide como resultado del experimento y se usa para juzgar los efectos de los factores.

Dimensin de la Parte
A. Tiempo de Ciclo B. Temp. de Moldeo

Factores

Las variables de entrada de proceso que se establecen a C. Presin de Sujecin diferentes niveles para observar su efecto en la salida. D. Tiempo de Sujecin
E. Tipo de Material

Niveles
Los valores en los que se establecen los factores.

Factor B. Temp. de Moldeo E. Tipo de Material

Niveles
600 700 Nylon Acetal

Tiempo x Temp: El mejor nivel de tiempo El grado en que los factores dependen unos de otros. Algunos experimentos evalan el efecto de las interacciones; depende de la temperatura establecida. otros no.

Interacciones

Pruebas o Corridas Experimentales

Las combinaciones de pruebas especficas de factores y niveles que se corren durante el experimento.

Corridas

A -1 -1 -1

B -1 -1 +1

C -1 +1 -1

D -1 +1 +1

E -1 +1 +1

Datos

1 2 3

-1=Nivel Bajo

+1=Nivel Alto

El diseo33 factorial 2K :

Un diseo muy comn es el que considera varios factores (K) en dos niveles (alto y bajo), el diseo ms simple es el diseo 2k Las cinco razones principales para usar Diseos 2k: 1. La razn nmero uno para usar factorial es: Y = f(x) 2. Son fciles de entender y analizar 3. Forman la base de los diseos factoriales fraccionados, material de las tcnicas avanzadas 4. Pueden ser aumentados para formar diseos compuestos, en caso que se requiera informacin ms detallada. 5. Requieren de relativamente pocas corridas por cada factor estudiado.
El diseo 22 Este el diseo ms simple, usa dos factores A y B, cada uno en dos niveles. Requiere la realizacin de 4 experimentos que pueden replicarse n veces, tomando las sumas de los resultados de las rplicas se tiene: b ab (1) A = -, B = (a) A = +, B = (b) A = -, B = + (1) a (ab) A = +, B = +
Figura 5.2 Diseo 2
33

ITESM Diplomado en Black Belt

Pgina 117

Los efectos de inters en el diseo son los efectos principales de A y B y los efectos de la interaccin AB, se denominan contrastes calculados como sigue: a + ab b + (1) 1 (a + ab b (1)) A= = 2n 2n 2n

B=

b + ab a + (1) 1 (b + ab a (1)) = 2n 2n 2n ab + (1) a + b 1 (ab + (1) + a b) = 2n 2n 2n

AB =

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 22 como sigue: Corrida 1 (1) 2 a 3 b 4 ab I + + + + Efectos factoriales A B + + + + AB + +

ANOVA Fo = SST / SSE glSST = 4n - 1 gl.SSE = 4(n-1)

Para obtener la suma de cuadrados de A, B, y AB se usa: (contraste) 2 SS = n (coeficientes.de.contrastes) 2 Por tanto la suma de cuadrados para A, B y AB son: 1 (a + ab b (1)) 2 SSA = 4n

SSB =

1 (b + ab a (1)) 2 4n 1 (ab + (1) + a b) 2 4n

SSAB =

Pgina 118

Ejemplo34:

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:
F a c t o r A + + B + + 1 28 36 18 31 2 25 32 19 30 R p l i c a 3 27 32 23 29 Total 80 100 60 90

De forma grfica tenemos:

Catalizador B b=60 ab = 90

(1) = 80

a = 100

15%

25%

Concentracin del reactivo A

1 [ab + a b (1)] = y A+ y A = ab + a b + (1) 2n 2n 2n 1 [ab + b a (1)] = y B + y B = ab + b a + (1) B= 2n 2n 2n 1 [ab + (1) a b] = y AB + y AB = ab + (1) a + b AB = 2n 2n 2n

A=

Los efectos principales de los factores e interaccin son los siguientes: A = 8.334 B = -5.0 AB = 1.67
34

Montgomery Douglas Diseo de Experimentos

Pgina 119

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:

SST = yijk
2

2 y... 4n

1 [ab + a b (1)]2 4n 1 [ab + b a (1)]2 SS B = 4n 1 [ab + (1) a b] SS AB = 4n SS E = SST SS A SS B SS AB SS A =

Para este caso la Tabla ANOVA es:
Fuente de Variacin A B AB Error Total Suma de Cuadrados 208.33 75.00 8.33 31.34 323.00 Grados de libertad 1 1 1 8 11 Cuadrado medio 208.33 75.00 8.33 3.92 Fo 53.15 19.13 2.13 P 0.0001 0.0024 0.1826

De la tabla anterior se puede concluir a un nivel Alfa de 0.05 vs P Los factores A y B que son significativos, La interaccin no es significativa
Anlisis Residual

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:

y = 0 + 1 x1 + 2 x 2 + 3 x1 x 2 +
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).
y = 0 + 1 x1 + 2 x 2 + 12 x1 x 2 + 0 estimado = b 0 = promedio de las respuestas = (80 + 100 + 60 + 90 ) / 4 = 27 .4 Efecto principal del factor A = (190 140 ) / 2 * 3 = 8 .33 Efecto principal del factor B = (150 180 ) / 2 * 3 = 5 Efecto principal de la interaccin AB = (170 160 ) / 2 * 3 = 1 .67 b1 = A / 2 = 4 .165 b 2 = B / 2 = 2 .5 b 3 = AB / 2 = .835 El modelo de regresin ajustado es :
est Pgina 120

y = 27.4 + 4.165 x1 2.5 x2

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:
Concentracin promedio.de.concentracin Concentracin 20 = Rango.de.concentracin / 2 5 Catalizador promedio.de.catalizador Catalizador 1.5 = x2 = Rango.de.catalizador / 2 0 .5 x1 =

Entonces para obtener una respuesta con valores reales, se sustituye X1 y X2 en la ecuacin para valores codificados.
8.33 concentracin 20 5 Catalizador 1.5 y est = 27.5 + + 5 0.5 2 2 y est = 18.33 + 0.8333 * Concentracin 5.00 * Catalizador

Residuales Adecuacin del Modelo:

Con este modelo se pueden encontrar los valores estimados en los cuatro puntos del diseo: 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

Pgina 121

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.
2lbs. Cantidad de catalizador 23 Direccin de ascenso ms rpido para optimizacin

1lb. 15% Concentracin

33 25%

Nueva zona alrededor de la cual se experimentar

Ejemplo en Minitab:

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:
Cata A -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 Cata B -1 -1 1 1 -1 -1 1 1 -1 -1 1 1 Respuesta 28 36 18 31 25 32 19 30 27 32 23 29

Analizar el diseo con:

Stat > DOE > Factorial > Analyze factorial design

Pgina 122

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.
Normal Probability Plot of the Residuals
99 90 Percent 50 10 1 -5.0 -2.5 0.0 Residual 2.5 5.0

b) De la Tabla de efectos (ANOVA), se observan efectos o interacciones que puedan tener un efecto significativo en la resistencia
Factorial Fit: Respuesta versus Cata A, Cata B
Estimated Effects and Coefficients for Respuesta (coded units) Term Constant Cata A Cata B Cata A*Cata B Effect 8.333 -5.000 1.667 Coef 27.500 4.167 -2.500 0.833 SE Coef 0.5713 0.5713 0.5713 0.5713 T 48.14 7.29 -4.38 1.46 P 0.000 0.000 0.002 0.183

S = 1.97906

R-Sq = 90.30%

R-Sq(adj) = 86.66%

En este caso se observa que tienen una influencia significativa el catalizador A y el B temperatura y su interaccin no. c) Sobre la base del 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:
Pareto Chart of the Standardized Effects
(response is Respuesta, Alpha = .05) 2.306
F actor N ame A C ata A B C ata B

Normal Probability Plot of the Standardized Effects

(response is Respuesta, Alpha = .05)
99 Effect Ty pe Not Significant Significant
F actor A B N ame C ata A C ata B

95 90 80 A

Percent

70 60 50 40 30 20 B

Term

AB

10 5

3 4 5 Standardized Effect

-5.0

-2.5

0.0 2.5 Standardized Effect

5.0

7.5

Pgina 123

d) De la tabla de coeficiente se obtiene la ecuacin del modelo que representa este proceso. Term Constant Catalizador A Catalizador B Temp*Mtodo Coef 27.5 4.16 -2.50 -12.5333

Yest = 27.5 + 4.16*Catalizador A 2.50*Catalizador B

e) Obtener grficas factoriales con: Stat > DOE > Factorial > Factorial Plots En Main effects Setup indicar en Responses columna de Respuesta y seleccionar factores con >> 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
Interaction Plot (data means) for Respuesta
34 32 30 Mean of Respuesta 28 26 24 22 20 -1 Cata B 1
Cata A -1 1

Main Effects Plot (data means) for Respuesta

32 31 30 29 28 27 26 25 24 23 -1 1 -1 1 Cata A Cata B

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 la temperatura hasta llegar al punto ptimo en una trayectoria de ascenso rpido. 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 diseo 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

Pgina 124

Mean

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 ) Dado que en muchos casos las interacciones no son significativas, no importa que su efecto se confunda con los de los factores principales Resulta ms econmico Desventajas En muchos casos slo se pueden estimar los efectos principales de los factores (diferencia de promedios)
El diseo Taguchi

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 las 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: 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.

Pgina 125

Ejemplo: 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 (+).
F A C T O R E S (c) B C 1 1 2 2 1 1 2 1

No. (a) 1 2 3 4 1 , 2 =

A 1 1 2 2

Resultado Y1 Y2 Y3 Y4

Niveles de los Factores (b) , Contrastes.

Taguchi ha desarrollado una serie de arreglos para experimentos con factores a dos niveles:
Nmero de condiciones Nmero de factores o efectos experimentales(renglones) maximo que se pueden analizar y nmero de columnas Diseo lineas o pruebas L4 4 3 L8 8 7 L12 12 11 L16 16 15 32 31 L32 L64 64 63

Ejemplo:

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:
Factor A B C D E Descripcin Tipo de resina Concentracin Tiempo de ciclo de prensado Humedad Presin Nivel I Tipo I 5% 10 seg 3% 800 psi. Nivel 2 Tipo II 10% 15 seg 5% 900 psi.

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.

Pgina 126

El arreglo L8 y su descripcin para este caso se muestra a continuacin:

No. 1 2 3 4 5 6 7 8 A 1 1 1 1 2 2 2 2 B 1 1 2 2 1 1 2 2 C 1 1 2 2 2 2 1 1 D 1 2 1 2 1 2 1 2 E 1 2 1 2 2 1 2 1 e 1 2 2 1 1 2 2 1 e 1 2 2 1 2 1 1 2 Resina Tipo I Tipo I Tipo I Tipo I Tipo II Tipo II Tipo II Tipo II Concen. 5% 5% 10% 10% 5% 5% 10% 10% Tiempo 10 seg. 10 seg. 15 seg. 15 seg. 15 seg. 15 seg. 10 seg. 10 seg. Humedad 3% 5% 3% 5% 3% 5% 3% 5% Presin 800 psi. 900 psi. 800 psi. 900 psi. 900 psi. 800 psi. 900 psi. 800 psi. Yi 0.49 0.42 0.38 0.30 0.21 0.24 0.32 0.28

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. La tabla ANOVA es:
Efecto A B C D E Error Total SS 0.03645 0.0008 0.01805 0.0032 0.00245 0.00125 0.0622 G.L. 1 1 1 1 1 2 7 V 0.03645 0.00080 0.01805 0.00320 0.00245 0.00063 Fexp. 58.32* 1.28 28.88** 5.12 3.92 % Contrib. 57.59 0.28 28.01 4.14 2.93 7.03 100

* 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.

Pgina 127

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. 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:
Efecto A B C D E Nivel 1 A1avg. = A1/4 =0.3975 B1avg =0.3400 C1avg =0.3775 D1avg =0.3500 E1avg =0.3475 Nivel 2 A2avg. = A2/4 =0.2625 B2avg =0.3200 C2avg =0.2825 D2avg =0.3100 E2avg =0.3125

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 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 s. Es decir lo que hace diferentes a las lecturas bajo diferentes condiciones de experimentacin.

Pgina 128

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.
El diseo de Mezclas35

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

Ejemplo:

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 son:
Rendimiento X1 0 0 0 0 0.333 0.333 0.333 0.667 0.667 1 X2 0 0.333 0.667 1 0 0.333 0.667 0 0.333 0 X3 1 0.667 0.333 0 0.667 0.333 0 0.333 0 0

35

Clase de Diseo de Experimentos Dr. Primitivo Reyes

Pgina 129

Las ecuaciones de la restriccin y del modelo lineal son:

P u n to s = X
1

+ X

( q + m 1) ! m !( q 1 ) ! + X3 = 1
q

E (Y ) =

i =1

iX

Ejemplo:

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:

X1 0 0 0 0.5 0.5 1

X2 0 0 1 0 0.5 0

X3 1 0.5 0 0.5 0 0

Rendimiento 16.8, 16 10.0, 9.7, 11.8 8.8, 10.0 17.7, 16.4, 16.6 15.0, 14.8, 16.1 11.0, 12.4

Utilizando el Minitab, tenemos:

Minitab: Regression for Mixtures: Resp versus A, B, C Est. Regression Coefficients for Resp (component proportions) Term Coef SE Coef T P VIF A 11.70 0.4941 * * 1.500 B 9.40 0.4941 * * 1.500 C 16.40 0.4941 * * 1.500 A*B 17.40 2.4207 7.19 0.000 1.500 A*C 12.00 2.4207 4.96 0.003 1.500 B*C -12.20 2.4207 -5.04 0.002 1.500 S = 0.69881 PRESS = 11.720 R-Sq = 97.44% R-Sq(pred) = 89.78% R-Sq(adj) = 95.31%

La ecuacin del modelo sera:

Y = 11.7X1+9.4X2+16.4X3 + 17.4X1X2 + 12X1X3 12.2 X2X3

Como b3 > b1 > b2 se concluye que el componente 3 produce la mayor elongacin Como b12 y b13 son positivos la mezcla de componentes 1 y 2 as como 2 y 3 aumenta la elongacin Como b23 es negativo la mezcla de los componentes 2 y 3 tiene efectos antagnicos en la mezcla

Pgina 130

5.5 Mtodos de Superficies de Respuesta

La tcnica de superficies de respuesta se ha utilizado principalmente en las industrias de proceso y qumicas, donde despus de realizar un diseo de experimentos para identificar las variables relevantes, se hace un estudio posterior en los rangos relevantes de las variables con objeto de optimizar el proceso. Para la optimizacin, si las variables de control son dos o tres cuantitativas, se puede optimizar el proceso. El mtodo de superficie de respuesta es un conjunto de tcnicas con el objeto de: Preparar una serie de experimentos que proporcionen una medicin adecuada y confiable de la respuesta de inters. Determinar un modelo matemtico que mejor ajuste los datos colectados del diseo seleccionado en (1), realizando pruebas de hiptesis apropiadas en relacin con los parmetros del modelo, y Determinar el ajuste ptimo de los factores experimentales que produzcan el valor mximo o mnimo de la respuesta. Para evaluar el efecto de ciertos factores en el comportamiento de una variable de respuesta medible, se utiliza la regresin, la cual ayuda a establecer una relacin emprica entre la variable de respuesta y los factores de influencia. La variable de respuesta es la variable dependiente y es llamada la respuesta, los niveles de los factores de influencia se denominan, regresores, explicatorios o variables de entrada.

(a)

(b)

0 x1

Figura 5.3 Modelos de polinomios, (a) lnea recta,

= 0 + 1 X 1

y (b) parbola

= 0 + 1 X 1

La funcin de la respuesta de prediccin Y-gorro est en funcin de los parmetros estimados b0, b1, b2, etc., establecindose como sigue:
Y = b0 + b1 X 1 + b2 X 2
^

Pgina 131

La superficie de respuesta est representada por la ecuacin de prediccin, por ejemplo para el caso de una ecuacin de segundo orden se tiene:
2 Y = 13.85 0.90 x1 + 0.56 x 2 0.57 x1 x 2 1.94 x12 0.78 x 2 ^

donde las xs son variables codificadas. Con k factores la superficie de respuesta es un subconjunto de un espacio euclidiano de (k + 1) dimensiones. La representacin del contorno de una superficie de respuesta son las lneas o curvas de respuesta constante en funcin de las variables de entrada Xs. La regin de operacin es el espacio factorial donde se realizan los experimentos y la regin experimental de inters R representa una parte limitada de la anterior.
5.6 Entregables:

En esta etapa los entregables seran:

Filtrar Causas Potenciales o Verificar las xs vitales Relacionar Variables y Proponer soluciones o Generar una funcin de transferencia para optimizar los cambios de las xs crticas o Proponer la solucin o Refinar la solucin Establecer y probar las Tolerancias o Establecer las tolerancias operativas para las xs vitales.

La ltima fase, control, consiste en disear y documentar los controles necesarios para asegurar que lo conseguido mediante el proyecto Seis Sigma se mantenga una vez que se hayan implantado los cambios. Cuando se han logrado los objetivos y la misin se d por finalizada, el equipo informa a la direccin y se disuelve.

Pgina 132

CAPITULO 6 FASE DE CONTROL

Definir

6.1 Introduccin

Controlar

Medir

Una vez implementadas las mejoras en nuestro proceso, el ltimo paso es asegurar que las implementaciones se mantengan y estn siendo actualizadas a travs del tiempo, nuestras salidas sern: Plan de control y mtodos de control implementados Capacitacin en los nuevos mtodos Documentacin completa y comunicacin de resultados, lecciones aprendidas y recomendaciones

Mejorar Mejorar

Analizar

Las Herramientas a utilizar pueden ser:

DMAIC
Definir Definir
1. Mapa de Proceso 1. Mapa de Proceso 2. Despliegue de la 2. Despliegue de la Funcin de Calidad Funcin de Calidad (QFD) (QFD) 3. Modelo Kano 3. Modelo Kano 4. Diagrama Matricial 4. Diagrama Matricial 5. Benchmarkin 5. Benchmarkin 6. Costos de Calidad 6. Costos de Calidad

Medir Medir
1. Mapa de detallado 1. Mapa de detallado de Procesos de Procesos 2. Diagrama de Pareto 2. Diagrama de Pareto 3. Diagrama de Causa3. Diagrama de CausaEfecto Efecto 4. Diagrama de rbol 4. Diagrama de rbol 5. Diagrama de 5. Diagrama de Afinidad Afinidad 6. Mtodos de 6. Mtodos de Muestreo Muestreo Estadstico Estadstico 7. Capacidad del 7. Capacidad del Capacidad Sistema de Medicin Sistema de Medicin 8. Distribucin Normal 8. Distribucin Normal 9. Capacidad del 9. Capacidad del Proceso Proceso 1. 1. 2. 2. 3. 3. 4. 4.

Analizar Analizar
AMEF AMEF Cartas Multi Vari Cartas Multi Vari Correlacin Correlacin Regresin lineal Regresin lineal Simple y lineal Simple y lineal Mltiple Mltiple 5. Pruebas de 5. Pruebas de Hiptesis Hiptesis 6. Anlisis de Varianza 6. Anlisis de Varianza (ANOVA) (ANOVA)

Mejorar Mejorar
1. Anlisis de 1. Anlisis de Experimentos (DOE) Experimentos (DOE) 2. Diseo Factorial 2K 2. Diseo Factorial 2K 3. Diseo Fraccin 3. Diseo Fraccin Factorial Factorial 4. Diseo Taguchi 4. Diseo Taguchi 5. Diseo de Mezclas 5. Diseo de Mezclas 6. Mtodos de 6. Mtodos de Superficie de Superficie de Respuesta Respuesta

Controlar
1. Plan de Control 1. Plan de Control 2. Cartas de Control 2. Cartas de Control 3. Poka Yoke 3. Poka Yoke 4. Mejora continua 4. Mejora continua (Kaizen) (Kaizen) 5. Las 5 Ss 5. Las 5 Ss 6. Kanban 6. Kanban

Figura 6.1 Herramientas en la Fase de Control

Los objetivos de esta fase son:

Mantener las mejoras por medio de control estadstico de procesos, Poka Yokes y trabajo estandarizado Anticipar mejoras futuras y preservar las lecciones aprendidas de este esfuerzo Uso de las herramientas de control. Verificar que las implementaciones se sigan y estn bajo control. Identificar las actividades o procesos que estn fuera de control para corregirlos inmediatamente. Que las mejoras sean implementadas consistentemente para tener un adecuado control.

Pgina 133

Definir

Controlar

Medir

Los proyectos Six-Sigma se van actualizando constantemente. En la siguiente grfica observamos que la metodologa es cclica, tambin se puede regresar de una fase a otra, en caso de no haber obtenido la informacin necesaria, pero lo que no est permitido es saltar fases.
Figura 6.2 Metodologa cclica

Mejorar

Analizar

6.2 Etapas de la fase de control

Las etapas de esta fase son las siguientes:

Validar el sistema de medicin.

En la Fase de Medicin validamos el sistema de medicin para las Ys, en este punto se utiliza la misma metodologa, con la diferencia de que ahora mediremos las Xs del proceso, el plan ser validado para las Xs
6.3 Determinar la capacidad del proceso.

La capacidad del proceso solo tiene sentido cuando el proceso est bajo control.
Control de Proceso y Capacidad del Proceso

Pgina 134

Identificacin de los casos:

Figura 6.3 Diferentes casos de control de proceso 6.4 Implementar el sistema de control36.

Los procesos tienden a degradarse con el tiempo, por lo que es de gran importancia la implementacin de un plan de control para cada Xs, para establecer el pan es necesario tener procesos y procedimientos documentados y entrenar al personal que llevar a cabo esta actividad. Una vez implementadas las mejoras se vuelven a calcular los niveles sigma del proceso, para saber en que nivel nos encontramos actualmente. (ver Fase de Medicin)
Un plan de control es:

Un resumen de todas las actividades de control para el proceso. Un mtodo para identificar deficiencias en el sistema de control. Una lista de las actividades de control para implantar. Una entrada al AMEF (Procesos maduros). Una salida para el AMEF (procesos nuevos).
Planes de control del proceso. Cul es el punto?

La intencin del proceso de control es: Correr el proceso en el objetivo Minimizar la variacin sobre el objetivo Minimizar los ajustes requeridos y el sobre-control SIEMPRE conocer los requerimientos del cliente El propsito del plan de control es: Institucionalizar las mejoras del proceso Destacar reas que requieren educacin extra Proveer procedimientos de un slo paso para el control de la informacin
36

ITESM Diplomado Black Belt

Pgina 135

Desarrollo de un plan de control del proceso

Entradas para el plan de control: Mapa de proceso final AMEF Documentacin del proceso Requerimientos del cliente Capacidades de IT ASMs Estudios de capacidad Mantenimiento de procedimientos Materiales de entrenamiento Guas de solucin de problemas Calendarios de Calibracin Ventanas de operacin Planes de accin fuera de control
Identificacin del proceso

Paso del proceso: Del mapa de proceso. Mantener coherencia en nombres con el mapa de proceso, AMEF, etc. Slo Alto riego, pasos crticos del proceso. Qu est controlado? Nombre de la entrada o la salida. Entrada o Salida? Especificar Inicialmente, el plan debe tener ms controles en las salidas que en las entradas. Las metas son para el control de la entrada, no el monitoreo de la salida
Especificaciones y Medicin

Lmites de Especificacin / requerimientos Listar el objetivo y las tolerancias para cada entrada y salida crtica Mtodo de Medicin Qu proceso o mquina hace la medicin? Mtodo de Control Qu mtodo se utiliza para el control? SPC? SPM? Automatizacin? Pre-control? Aislar el error? (Ms en el mdulo siguiente)
Tamao, Frecuencia y Responsabilidad

Tamao de muestra Seleccionar el tamao de muestra sobre la base del sistema de medicin y capacidad del proceso

Pgina 136

Frecuencia de la muestra Seleccionar la frecuencia basada en el sistema de medicin, capacidad del proceso y requerimientos de la operacin Quin / qu hace la medicin? Quin es responsable de asegurar que los datos se tomen y que sean correctos?
Accin y Documentacin

Dnde se registra? Dnde residen los datos? Bases de datos, grficas, ambas? Regla de decisin / Accin correctiva Qu pasa cuando el proceso est fuera de control?

Figura 6.4 Ejemplo de un plan de Control

6.5 Cartas de Control37

Las cartas de control son la herramienta ms poderosa para monitorear y analizar la variacin en la mayora de los procesos. Las cartas de control enfocan la atencin hacia las causas especiales de variacin cuando estas aparecen y reflejan la magnitud de la variacin debida a las causas comunes, manteniendo las soluciones. Las causas comunes o aleatorias se deben a la variacin natural del proceso. Las causas especiales o asignables son por ejemplo: un mal ajuste de mquina, errores del operador, defectos en materias primas. Un proceso est bajo Control Estadstico cuando presenta causas comunes nicamente, con un proceso estable y predecible.

37

Reyes Primitivo Diplomado en Black Belt

Pgina 137

Cuando existen causas especiales el proceso est fuera de Control Estadstico; las cartas de control detectan la existencia de estas causas en el momento en que se dan, lo cual permite que podamos tomar acciones al momento.
En resumen podemos decir que una Carta de Control es:

Simplemente un registro de datos en el tiempo con lmites de control superior e inferior. Una carta de control identifica los datos secuenciales en patrones normales y anormales. El patrn normal de un proceso se llama causas de variacin comunes. El patrn anormal debido a eventos especiales se llama causa especial de variacin. Tener presente que los lmites de control NO son lmites de especificacin.

Ventajas:

Es una herramienta simple y efectiva para lograr un control estadstico. El operario puede manejar las cartas en su propia rea de trabajo, por lo cual puede dar informacin confiable a la gente cercana a la operacin en el momento en que se deben de tomar ciertas acciones. Cuando un proceso est en control estadstico puede predecirse su desempeo respecto a las especificaciones. En consecuencia, tanto el proveedor como el cliente pueden contar con niveles consistentes de calidad y ambos pueden contar con costos estables para lograr ese nivel de calidad. Una vez que un proceso se encuentra en control estadstico, su comportamiento puede ser mejorado posteriormente reduciendo la variacin. Al distinguir ente las causas especiales y las causas comunes de variacin, dan una buena indicacin de cundo un problema debe ser corregido localmente y cuando se requiere de una accin en la que deben de participar varios departamentos o niveles de la organizacin.
Cartas de control por variables y por atributos.-

En Control de Calidad mediante el trmino variable se designa a cualquier caracterstica de calidad medible tal como una longitud, peso, temperatura, etc. Mientras que se denomina atributo a las caractersticas de calidad que no son medibles y que presentan diferentes estados tales como conforme y disconforme o defectuoso y no defectuoso. Segn sea el tipo de la caracterstica de calidad a controlar as ser la carta de control correspondiente, por tanto, se clasifican en Cartas de Control por Variables y Cartas de Control por Atributos.

Pgina 138

Comparacin de las cartas de control por variables vs. atributos Cartas de Control por VARIABLES
Conducen a un mejor procedimiento de control. Ventajas significativas Proporcionan una utilizacin mxima de la informacin disponible de datos.

Cartas de control por ATRIBUTOS

Son potencialmente aplicables a cualquier proceso Los datos estn a menudo disponibles. Son rpidos y simples de obtener. Son fciles de interpretar. Son frecuentemente usados en los informes a la Gerencia. Ms econmicas No proporciona informacin detallada del control de caractersticas individuales. No reconoce distintos grados de defectos en las unidades de producto.

Desventajas significativas

No se entienden a menos que se de capacitacin; Puede causar confusin entre los limites de especificacin y los lmites de tolerancia.

Campos de aplicacin de las cartas

Tipo
Variables

Carta
X R X S I-MR

Descripcin
Medias y Rangos Medias y desviacin estndar. Individuales Proporciones o fraccin defectiva Nmero de defectuosos Defectos por unidad Promedio de defectos por unidad

Campo de aplicacin.
Control de caractersticas individuales. Control de caractersticas individuales. Control de un proceso con datos variables que no pueden ser muestreados en lotes o grupos. Control de la fraccin global de defectuosos de un proceso. Control del nmero de piezas defectuosas Control de nmero global de defectos por unidad Control del promedio de defectos por unidad.

P Atributos NP C U

Elaboracin de Cartas de control

X R (variables)

Paso 1: Colectar los datos.

Los datos son el resultado de la medicin de las caractersticas del producto, los cuales deben de ser registrados y agrupados de la siguiente manera: Se toma una muestra(subgrupo) de 2 a 10 piezas consecutivas y se anotan los resultados de la medicin (se recomienda tomar 5). Tambin pueden ser tomadas en intervalos de tiempo de - 2 hrs., para detectar si el proceso puede mostrar inconsistencia en breves periodos de tiempo. Se realizan las muestras de 20 a 25 subgrupos.
Paso 2: Calcular el promedio X y R para cada subgrupo
X = X 1 + X 2 .... X N N

R = X mayor X menor

Pgina 139

Paso 3: Calcule el rango promedio (R ) y el promedio del proceso ( X ) .

R=

R1 + R2 + ......R K K

X=

X 1 + X 2 + .......X K K

Donde K es el nmero de subgrupos, R1,R2..es el rango de cada subgrupo; X 1 , X 2.... son el promedio de cada subgrupo.

Paso 4: Calcule los limites de control

Los lmites de control son calculados para determinar la variacin de cada subgrupo, estn basados en el tamao de los subgrupos y se calculan de la siguiente forma:

LSC R = D4 R

LSC X = X + A2 R

LIC R = D3 R

LIC X = X A2 R

Donde D4, D3, A2 son constantes que varan segn el tamao de muestra. A continuacin se presentan los valores de dichas constantes para tamaos de muestra de 2 a 10.
n D4 D3 A2 2
3.27 0 1.88

3
2.57 0 1.02

4
2.28 0 0.73

5
2.11 0 0.58

6
2.00 0 0.48

7
1.92 0.08 0.42

8
1.86 0.14 0.37

9
1.82 0.18 0.34

10
1.78 0.22 0.31

Paso 5: Seleccione la escala para las grficas de control

Para la grfica X la amplitud de valores en la escala debe de ser al menos del tamao de los lmites de tolerancia especificados o dos veces el rango promedio (R ) . Para la grfica R la amplitud debe extenderse desde un valor cero hasta un valor superior equivalente a 1 - 2 veces el rango.
Paso 6: Trace la carta de control

Dibuje las lneas de promedios y lmites de control en las grficas. Los lmites de Control se dibujan con una lnea discontinua y los promedios con una lnea continua para ambas cartas. Marcar los puntos en ambas grficas y unirlos para visualizar de mejor manera el comportamiento del proceso.

Pgina 140

Paso 7: Analice la grfica de control

Figura 6.5 Patrones fuera de control

Pgina 141

Carta de Individuales y rango mvil (Datos variables I-MR).

A menudo esta carta se llama I o Xi. Esta Carta monitorea la tendencia de un proceso con datos variables que no pueden ser muestreados en lotes o grupos. Este es el caso cuando la capacidad de corto plazo se basa en subgrupos racionales de una unidad o pieza. Este tipo de grfica es utilizada cuando las mediciones son muy costosas (Por ejemplo Pruebas destructivas), o cuando la caracterstica a medir en cualquier punto en el tiempo es relativamente homognea (por ejemplo el PH de una solucin qumica) La lnea central se basa en el promedio de los datos, y los lmites de control se basan en la desviacin estndar (+/- 3 sigmas)

Terminologa k = nmero de piezas n = 2 para calcular los rangos X = promedio de los datos R = rango de un subgrupo de dos piezas consecutivas R = promedio de los (n - 1) rangos
LSC X = X + E 2 R LSC R = D4 R LIC X = X E 2 R

LIC R = D3 R

Donde D4, D3, E2 son constantes que varan segn el tamao de muestra usado para agrupar los rangos mviles como se muestra en la tabla siguiente:
n D4 D3 E2 2
3.27 0 2.66

3
2.57 0 1.77

4
2.28 0 1.46

5
2.11 0 1.29

6
2.00 0 1.18

7
1.92 0.08 1.11

8
1.86 0.14 1.05

9
1.82 0.18 1.01

10
1.78 0.22 0.98

* Generalmente se utiliza n = 2
Cartas de control por atributos

Cualquier caracterstica de calidad que pueda ser clasificada de forma binaria: cumple o no cumple, funciona o no funciona, pasa o no pasa, etc., a los efectos de control del proceso, ser considerado como un atributo y para su control se utilizar una Carta de Control por Atributos. Los criterios de aceptacin al utilizar grficas de control por atributos deben estar claramente definidos y el procedimiento para decidir si esos criterios se estn alcanzando es producir resultados consistentes a travs del tiempo. Este procedimiento consiste en definir operacionalmente lo que se desea medir. Una definicin operacional consiste en: 1 . Un criterio que se aplica a un objeto o a un grupo 2. Una prueba del objeto o del grupo y 3. Una decisin, s o no: El objeto o el grupo alcanza o no el criterio.
Pgina 142

Grfica P para Fraccin de Unidades Defectuosas (atributos)

La grfica p mide la fraccin defectuosa o sea las piezas defectuosas en el proceso. Se puede referir a muestras de 75 piezas, tomada dos veces por da; 100% de la produccin durante una hora, etc. Se basa en la evaluacin de una caracterstica (se instalo la pieza requerida?) o de muchas caractersticas (se encontr algo mal al verificar la instalacin elctrica?). Es importante que cada componente o producto verificado se registre como aceptable o defectuoso (aunque una pieza tenga varios defectos especficos se registrar slo una vez como defectuosa). Pasos para la elaboracin de la grfica:
Paso 1- Frecuencia y tamao de la muestra:

Establezca la frecuencia con la cual los datos sern tomados (horaria, diaria, semanal). Los intervalos cortos entre tomas de muestras permitirn una rpida retroalimentacin al proceso ante la presencia de problemas. Los tamaos de muestra grandes permiten evaluaciones ms estables del desarrollo del proceso y son ms sensibles a pequeos cambios en el promedio del mismo. Se aconseja tomar tamaos de muestra iguales aunque no necesariamente se tiene que dar esta situacin, el tamao de muestra debera de ser mayor a 30. El tamao de los subgrupos ser de 25 o ms.
Paso 2- Calculo de la fraccin defectuosa (p) del subgrupo:

Registre la siguiente informacin para cada subgrupo: El nmero de partes inspeccionadas n El nmero de partes defectuosas np Calcule la fraccin defectuosa (p) mediante: p =

np n

Paso 3 Calculo de fraccin defectuosa promedio y lmites de control

La fraccin defectuosa promedio para los k subgrupos se calcula con la siguiente frmula:
p= np1 + np 2 + .... + np k n1 + n 2 + ..... + n k

LSC p = p + 3

p (1 p ) n

LIC p = p 3

p (1 p ) n

donde n es el tamao de muestra promedio. NOTA: Cuando p y/o n es pequeo, el lmite de control inferior puede resultar negativo, en estos casos el valor del lmite ser = 0

Paso 4- Trace la Carta y analice los resultados.

Pgina 143

6.6 Dispositivos a Prueba de Error o Poka Yokes38

Poka-yoke es una tcnica de calidad desarrollada por el ingeniero japons Shigeo Shingo en los aos 1960s, que significa "a prueba de errores". La idea principal es la de crear un proceso donde los errores sean imposibles de realizar. La finalidad del Poka-yoke es la eliminar los defectos en un producto ya sea previniendo o corrigiendo los errores que se presenten lo antes posible. Un dispositivo Poka-yoke es cualquier mecanismo que ayuda a prevenir los errores antes de que sucedan, o los hace que sean muy obvios para que el trabajador se de cuenta y lo corrija a tiempo. El concepto es simple: si los errores no se permite que se presenten en la lnea de produccin, entonces la calidad ser alta y el retrabajo poco. Esto aumenta la satisfaccin del cliente y disminuye los costos al mismo tiempo. El resultado, es de alto valor para el cliente. No solamente es el simple concepto, pero normalmente las herramientas y/o dispositivos son tambin simples. Los sistemas Poka-yoke implican el llevar a cabo el 100% de inspeccin, as como, retroalimentacin y accin inmediata cuando los defectos o errores ocurren. Este enfoque resuelve los problemas de la vieja creencia que el 100% de la inspeccin toma mucho tiempo y trabajo, por lo que tiene un costo muy alto. La prctica del sistema Poka-yoke se realiza ms frecuentemente en la comunidad manufacturera para enriquecer la calidad de sus productos previniendo errores en la lnea de produccin. Un sistema Poka-Yoke posee dos funciones: una es la de hacer la inspeccin del 100% de las partes producidas, y la segunda es si ocurren anormalidades puede dar retroalimentacin y accin correctiva. Los efectos del mtodo Poka-Yoke en reducir defectos va a depender en el tipo de inspeccin que se este llevando a cabo, ya sea: en el inicio de la lnea, auto-chequeo, o chequeo continuo. Los efectos de un sistema poka-yoke en la reduccin de defectos varan dependiendo del tipo de inspeccin.
Funciones reguladoras Poka-yoke

Existen dos funciones reguladoras para desarrollar sistemas Poka-Yoke:

1.
Mtodos de Control

Existen mtodos que cuando ocurren anormalidades apagan las mquinas o bloquean los sistemas de operacin previniendo que siga ocurriendo el mismo defecto. Estos tipos de mtodos tienen una funcin reguladora mucho ms fuerte, que los de tipo preventivo, y por lo tanto este tipo de sistemas de control ayudan a maximizar la eficiencia para alcanzar cero defectos. No en todos los casos que se utilizan mtodos de control es necesario apagar la mquina completamente, por ejemplo cuando son defectos aislados (no en serie) que se pueden corregir
38

ITESM Herramientas de Manufactura

Pgina 144

despus, no es necesario apagar la maquinaria completamente, se puede disear un mecanismo que permita "marcar" la pieza defectuosa, para su fcil localizacin; y despus corregirla, evitando as tener que detener por completo la mquina y continuar con el proceso.
Mtodos de Advertencia

Este tipo de mtodo advierte al trabajador de las anormalidades ocurridas, llamando su atencin, mediante la activacin de una luz o sonido. Si el trabajador no se da cuenta de la seal de advertencia, los defectos seguirn ocurriendo, por lo que este tipo de mtodo tiene una funcin reguladora menos poderosa que la de mtodos de control. En cualquier situacin los mtodos de control son por mucho ms efectivos que los mtodos de advertencia, por lo que los de tipo control deben usarse tanto como sean posibles. El uso de mtodos de advertencia se debe considerar cuando el impacto de las anormalidades sea mnimo, o cuando factores tcnicos y/o econmicos hagan la implantacin de un mtodo de control una tarea extremadamente difcil.
Clasificacin de los mtodos Poka-yoke

1. Mtodos de contacto. Son mtodos donde un dispositivo sensitivo detecta las anormalidades en el acabado o las dimensiones de la pieza, donde puede o no haber contacto entre el dispositivo y el producto. 2. Mtodo de valor fijo. Con este mtodo, las anormalidades son detectadas por medio de la inspeccin de un nmero especfico de movimientos, en casos donde las operaciones deben de repetirse un nmero predeterminado de veces. 3. Mtodo del paso-movimiento. Estos son mtodos en el cual las anormalidades son detectadas inspeccionando los errores en movimientos estndares donde las operaciones son realizadas con movimientos predeterminados. Este extremadamente efectivo mtodo tiene un amplio rango de aplicacin, y la posibilidad de su uso debe de considerarse siempre que se este planeando la implementacin de un dispositivo Poka-Yoke.

Medidores utilizados en sistemas Poka-Yoke:

Los tipos de medidores pueden dividirse en tres grupos: Medidores de contacto Medidores sin-contacto Medidores de presin, temperatura, corriente elctrica, vibracin, nmero de ciclos, conteo, y transmisin de informacin.

Las caractersticas principales de un buen sistema Poka-Yoke: Son simples y baratos. Son parte del proceso. Son puestos cerca o en el lugar donde ocurre el error.

Pgina 145

6.7 Mejora Continua-Kaizen39

Qu significado tiene la palabra Kaizen? Es una palabra japonesa compuesta por otras dos palabras, una KAI que significa cambio y la otra ZEN que significa bueno, lo que implica que KAIZEN signifique cambio para mejorar y, como dicho cambio para mejorar es algo que continuamente debe buscarse y realizarse el significado termina siendo mejora continua. Caractersticas del Kaizen:

Por otra parte, KAIZEN significa un esfuerzo constante no slo para mantener los estndares sino para mejorarlos. Otra caracterstica de KAIZEN es que requiere virtualmente los esfuerzos de todos. Para que el espritu de KAIZEN sobreviva, la administracin debe hacer un esfuerzo consciente y continuo para apoyarlo. KAIZEN se interesa ms en el proceso que en el resultado. KAIZEN requiere una dedicacin sustancial de tiempo y esfuerzo por parte de la administracin. KAIZEN est orientado a las personas, en tanto que la Innovacin est orientada a la tecnologa y al dinero. La filosofa de KAIZEN est mejor adaptada a una economa de crecimiento lento, en tanto que la Innovacin est mejor adaptada a una economa de crecimiento rpido. En una economa de crecimiento lento, caracterizada por costos elevados de energa y materiales, sobrecapacidad y mercados estancados, con frecuencia KAIZEN rinde mejores resultados que la Innovacin. Otro factor que ha propiciado el enfoque de la Innovacin ha sido el creciente nfasis en los controles financieros y en la contabilidad, que obligan a los gerentes a dar cuenta de toda accin que emprendan y detallar los resultados precisos. Tal sistema no se presta a formar un entorno favorable par el mejoramiento. El mejoramiento es por definicin, lento, gradual, a menudo invisible, con efectos que se sienten a largo plazo. Occidente ha sido ms fuerte en el lado de la Innovacin y Japn ms fuerte en el lado de KAIZEN. Estas diferencias en el nfasis tambin estn reflejadas en las diferentes herencias sociales y culturales, tales como el nfasis que se da al sistema educativo occidental sobre la iniciativa y creatividad individuales contra el nfasis que pone el sistema educativo japons en la armona y colectivismo.

Ventajas y beneficios del Kaizen40

El Kaizen es un sistema de mejora continua e integral que comprende todos los elementos, componentes, procesos, actividades, productos e individuos de una organizacin. No importa a que actividad se dedique la organizacin, si es privada o pblica, y si persigue o no beneficios econmicos, siempre debe mejorar su performance a los efectos de hacer un mejor y ms eficiente uso de los escasos recursos, logrando de tal forma satisfacer la mayor cantidad de objetivos posibles. Mucho ms es necesario la mejora continua cuando se trata de actividades plenamente competitivas, se trate de lo econmico, en lo deportivo, o en cualquier otro orden.

39 40

Imai Masaaki Kaizen la clave de la ventaja competitiva japonesa Lefcovich Mauricio Kaizen-Vantajas y Benenficios

Pgina 146

La mejora continua es no slo necesaria, sino adems una obligacin permanente del ser humano para consigo mismo y la sociedad. La mejora continua hace a la cultura, tica y disciplina de toda sociedad que piense avanzar y participar en los avances y adelantos de la humanidad. El kaizen ideado por consultores y empresas japonesas se ha diseminado en empresas de otras naciones va crculos de calidad, sistemas de produccin just-in-time, mantenimiento productivo total, tablas de costes, sistema de sugerencias, y mtodos rpidos de preparacin de mquinasherramientas; logrando sorprendentes e importantes resultados. De lo que se trata es de adecuar las diferentes herramientas, instrumentos y mtodos que hacen al kaizen, a las caractersticas de cada empresa y cultura. Es en ste particular aspecto donde el Desarrollo Organizacin cobra como tcnica y disciplina un incuestionable y gran valor, permitiendo evaluar las caractersticas socio-culturales propias de cada empresa, ajustando los diversos sistemas productivos a las caractersticas de las mismas, como as tambin facilitando el reacomodamiento y cambio psico-social por parte de los integrantes de la organizacin. A la hora de inventariar las ventajas y beneficios en la implementacin y puesta en prctica del sistema kaizen cabe apuntar las siguientes: Reduccin de inventarios, productos en proceso y terminados. Disminucin en la cantidad de accidentes. Reduccin en fallas de los equipos y herramientas. Reduccin en los tiempos de preparacin de maquinarias. Aumento en los niveles de satisfaccin de los clientes y consumidores. Incremento en los niveles de rotacin de inventarios. Importante cada en los niveles de fallas y errores. Mejoramiento en la autoestima y motivacin del personal. Altos incrementos en materia de productividad. Importante reduccin en los costes. Mejoramiento en los diseos y funcionamiento de los productos y servicios. Aumento en los beneficios y rentabilidad. Menores niveles de desperdicios y despilfarros. Con su efecto tanto en los costes, como as tambin en los niveles de polucin ambiental, entre otros. Notables reducciones en los ciclos de diseo y operativos. Importantes cadas en los tiempos de respuestas. Mejoramiento en los flujos de efectivo. Menor rotacin de clientes y empleados. Mayor y mejor equilibrio econmico-financiero. Lo cual trae como consecuencia una mayor solidez econmica. Ventaja estratgica con relacin a los competidores, al sumar de forma continua mejoras en los procesos, productos y servicios. Mediante la mejora de costos, calidad, diseo, tiempos de respuesta y servicios a los consumidores. Acumulacin de conocimientos y experiencias aplicables a los procesos organizacionales. Derribar las barreras o muros interiores, permitiendo con ello un potente y autntico trabajo en equipo. Estas son razones suficientes para pensar seriamente en aplicar el kaizen en las organizaciones. No hacerlo privar a sus propietarios, directivos, personal, clientes y a la sociedad en su conjunto, de
Pgina 147

las ventajas de generar autnticos y slidos puestos de trabajo que permitan generar productos con valor agregado, calidad de vida laboral, altos rendimientos sobre la inversin, ms y mejores productos y servicios, y menores niveles de desperdicios. La mejora continua es lo que permite al mundo gozar cada da de mejores productos, mejores comunicaciones, mejores medicamentos, entre muchsimas otras cosas. Hay empresas, sociedades, gobiernos y pases que aceptan el reto, y otras que slo se limitan a ver como otros mejoran. La mejora continua es compromiso con el conocimiento, la calidad y la productividad. Requiere de tica y disciplina, como de planes estratgicos que permitan lograr mejoras graduales, continuas e integrales. En una era del conocimiento como lo es sta Tercer Ola pasarn a ocupar los primeros lugares aquellos individuos, organizaciones, y sociedades que hagan del conocimiento y perfeccionamiento sistemtico su objetivo prioritario.
6.8 Las 5 Ss41

Qu significan las 5Ss ?

Seiri: clasificar, organizar, arreglar apropiadamente Seiton: orden Seiso: limpieza Seiketsu: limpieza estandarizada Shitsuke: disciplina Seiri: eliminar:

Consiste en retirar del rea de trabajo todos aquellos elementos que no son necesarios para realizar la labor. No hay que pensar en que este o aquel elemento podra ser til en otro trabajo o si se presenta una situacin muy especial, los expertos recomiendan que ante estas dudas hay que desechar dichos elementos.
Seiton: Ordenar:

Es la organizacin de los elementos necesarios de modo que resulten de fcil uso y acceso, los cuales debern estar, cada uno, etiquetados para que se encuentren, retiren y devuelvan a su posicin, fcilmente por los empleados. Se deben usar reglas sencillas como: lo que ms se usa debe estar ms cerca, lo ms pesado abajo lo liviano arriba, etc.
Seiso: Limpiar:

Incluye, adems de la actividad de limpiar las reas de trabajo y los equipos, el diseo de aplicaciones que permitan evitar o disminuir la suciedad y hacer ms seguros los ambientes de trabajo. A travs de la limpieza se pueden identificar fallas, por ejemplo, si todo est limpio y sin olores extraos es ms probable que se detecte un principio de incendio o un mal funcionamiento de un equipo por una fuga de fluidos, etc.

41

TBM Consulting Group Instructores Kaizen

Pgina 148

Seiketsu: Estandarizar:

Esta prctica pretende mantener el estado de limpieza y organizacin alcanzado con la aplicacin de las primeras tres S, el seiketsu solo se obtiene cuando se trabajan continuamente los tres principios anteriores. En esta etapa (que debe ser permanente), son los trabajadores quienes adelantan programas y disean mecanismos que les permitan beneficiarse a s mismos.
Shitsuke: Disciplina:

En esta etapa se busca evitar que se rompan los procedimientos ya establecidos. Solo si se implanta la disciplina y el cumplimiento de las normas y procedimientos ya adoptados se podr disfrutar de los beneficios que ellos brindan. Como un aspecto preliminar al esfuerzo de las 5 S, debe asignarse un tiempo para analizar la filosofa implcita en las 5 S y sus beneficios: Creando ambientes de trabajo limpios, higinicos, agradables y seguros. Revitalizando el gemba (campo/piso de trabajo) y mejorando sustancialmente el estado de nimo, la moral y la motivacin de los empleados. Eliminando las diversas clases de mudas (desperdicios), minimizando la necesidad de buscar herramientas, haciendo ms fcil el trabajo de los operadores, reduciendo el trabajo fsicamente agotador y liberando espacio. Beneficios de la aplicacin de manera constante de las 5 Ss: Ayuda a los empleados a adquirir autodisciplina Destaca los muchos y diversos tipos de mudas Ayuda a detectar productos defectuosos y excedentes de inventario Reduce el movimiento innecesario y el trabajo agotador Facilita identificar visualmente los problemas relacionados con escasez de materiales, lneas desbalanceadas, averas en las mquinas y demoras de entrega. Resuelve de manera simple problemas de logstica en el gemba. Hace visible los problemas de calidad. Mejora la eficiencia en el trabajo y reduce los costos de operacin Reduce los accidentes y enfermedades de trabajo Mejora la relacin de la empresa con los consumidores y la comunidad.
6.9 El Kanban42

Es muy comn la asociacin de Kanban = JIT o Kanban = control de inventarios, esto no es cierto, pero si esta relacionado con estos trminos, Kanban funcionara efectivamente en combinacin con otros elementos de JIT, tales como calendarizacin de produccin mediante etiquetas, buena organizacin del rea de trabajo y flujo de la produccin. Kanban es una herramienta basada en la manera de funcionar de los supermercados. Kanban significa en japons "etiqueta de instruccin".
42

ITESM Herramientas de Manufactura

Pgina 149

La etiqueta Kanban contiene informacin que sirve como orden de trabajo, esta es su funcin principal, en otras palabras es un dispositivo de direccin automtico que nos da informacin acerca de que se va a producir, en que cantidad, mediante que medios, y como transportarlo.
Funciones de Kanban

Son dos las funciones principales de Kanban: Control de la produccin y mejora de los procesos. 1.- Por control de la produccin se entiende la integracin de los diferentes procesos y el desarrollo de un sistema JIT en la cual los materiales llegaran en el tiempo y cantidad requerida en las diferentes etapas de la fabrica y si es posible incluyendo a los proveedores. 2.- Por la funcin de mejora de los procesos se entiende la facilitacin de mejora en las diferentes actividades de la empresa mediante el uso de Kanban, esto se hace mediante tcnicas ingenieriles (eliminacin de desperdicio, organizacin del rea de trabajo, reduccin de set-up, utilizacin de maquinaria vs. utilizacin sobre la base de demanda, manejo de multiprocesos, poka-yoke, mecanismos a prueba de error, mantenimiento preventivo, mantenimiento productivo total, etc.), reduccin de los niveles de inventario.
Bsicamente Kanban nos servir para lo siguiente:

Poder empezar cualquier operacin estndar en cualquier momento. Dar instrucciones basados en las condiciones actuales del rea de trabajo. Prevenir que se agregue trabajo innecesario a aquellas ordenes ya empezadas y prevenir el exceso de papeleo innecesario.

Otra funcin de Kanban es la de movimiento de material, la etiqueta Kanban se debe mover junto con el material, si esto se lleva a cabo correctamente se lograrn los siguientes puntos:

Eliminacin de la sobreproduccin. Prioridad en la produccin, el Kanban con ms importancia se pone primero que los dems. Se facilita el control del material.

Implementando Kanban:

Es importante que el personal encargado de produccin, control de produccin y compras comprenda como un sistema Kanban (JIT), va a facilitar su trabajo y mejorar su eficiencia mediante la reduccin de la supervisin directa. Bsicamente los sistemas Kanban pueden aplicarse solamente en fabricas que impliquen produccin repetitiva. Antes de implementar Kanban es necesario desarrollar una produccin "labeled/mixed produccin schedule" para suavizar el flujo actual de material, esta deber ser practicada en la lnea de ensamble final, si existe una fluctuacin muy grande en la integracin de los procesos Kanban no funcionara y de los contrario se creara un desorden, tambin tendrn que ser implementados

Pgina 150

sistemas de reduccin de setups, de produccin de lotes pequeos, jidoka, control visual, pokayoke, mantenimiento preventivo, etc. todo esto es prerrequisito para la introduccin Kanban. Tambin se debern tomar en cuenta las siguientes consideraciones antes de implementar kanban:

Determinar unos sistemas de calendarizacin de produccin para ensambles finales para desarrollar unos sistemas de produccin mixto y etiquetado. Se debe establecer una ruta de kanban que refleje el flujo de materiales, esto implica designar lugares para que no haya confusin en el manejo de materiales, se debe hacer obvio cuando el material esta fuera de su lugar. El uso de kanban esta ligado a sistemas de produccin de lotes pequeos. Se debe tomar en cuenta que aquellos artculos de valor especial debern ser tratados diferentes. Se debe tener buena comunicacin desde el departamento de ventas a produccin para aquellos artculos cclicos a temporada que requieren mucha produccin, de manera que se avise con bastante anticipo. El sistema kanban deber ser actualizado constantemente y mejorado continuamente.

Implementacin de kanban en cuatro fases: Fase 1. Entrenar a todo el personal en los principios de KANBAN, y los beneficios de usar kanban Fase 2. Implementar kanban en aquellos componentes con mas problemas para facilitar su manufactura y para resaltar los problemas escondidos. El entrenamiento con el personal continua en la lnea de produccin. Fase 3. Implementar kanban en el resto de los componentes, esto no debe ser problema ya que para esto los operadores ya han visto las ventajas de kanban, se deben tomar en cuanta todas las opiniones de los operadores ya que ellos son los que mejor conocen el sistema. Es importante informarles cuando se va estar trabajando en su rea. Fase 4. Esta fase consiste de la revisin del sistema kanban, los puntos de reorden y los niveles de reorden, es importante tomar en cuenta las siguientes recomendaciones para el funcionamiento correcto de kanban:
o o

Ningn trabajo debe ser hecho fuera de secuencia Si se encuentra algn problema notificar al supervisor inmediatamente

Reglas de Kanban

Regla 1: no se debe mandar producto defectuoso a los procesos subsecuentes Regla 2: los procesos subsecuentes requerirn solo lo que es necesario. Regla 3. Producir solamente la cantidad exacta requerida por el proceso subsiguiente. Regla 4. Balancear la produccin Regla 5. Kanban es un medio para evitar especulaciones Regla 6. Estabilizar y racionalizar el proceso.

Pgina 151

6.10

Entregables:

En esta etapa los entregables seran:

Validar Sistema de Medicin (x)

o

Validar el Sistema de Medicin (mejorado) Evaluar la capacidad del Proceso mejorado

o Determinar si el Sistema de Medicin es apropiado para obtener variables Xs Vitales Determinar Capacidad del Proceso
o

o Confirmar estadsticamente que la meta de mejora fue alcanzada Sistema Control del Proceso y Cerrar Proy.
Implementar la estrategia de control de cada variable Xs Vital Preparar el Plan de Control del Proceso Implantar la solucin o Cerrar el Proyecto
o o o

Pgina 152

CAPITULO 7 PROYECTO DE SEIS SIGMA KAIZEN _______________________________________________________________________

Definir Definir

7.1 Introduccin

El seis sigma debe ser un proceso practico y activo con el que

Contro ol Contrlar

Medir Medir

se logren resultados concretos. Cuando Motorola empez a aplicarlo en la dcada de los los ochentas, buscaba corregir los defectos de los productos antes de que llegaran al cliente, hoy da los proyectos Seis Sigma estn enfocados a mejorar la productividad y la rentabilidad de las empresas, siendo este aspecto algo que lo hace tan atractiva a muchos directores.

Mejorar Mejorar

Analizar Analizar

Con el Seis Sigma Kaizen, se busca determinar la capacidad real de los procesos para cumplir con los requisitos del cliente, y reducir la probabilidad de que stos fallen, reducindola a 3.4 defectos por milln de oportunidades. Los proyectos seis sigma Kaizen pueden ser integrados con otros conceptos como lo son los equipos de alto desempeo, ya que ambas metodologas se complementan totalmente
Origen y sus significados43
Seis Sigma

Motorola acu el termino Seis Sigma en los aos ochentas, pero el termino fue un objetivo de desempeo y no el enfoque para alcanzar ese nivel de desempeo, as Seis Sigma significa alcanzar 3.4 defectos por cada milln de unidades procesadas. Fue al inicio de los noventa que el termino Seis Sigma comenz a ser empleado como un mtodo para implementar un modelo de Mejora. Cuando esto ocurri el termino ya no se refera al objetivo (3.4 partes por milln) y si a la serie de actividades para alcanzar la excelencia.

43

Prez Antonio Seis Sigma Kaizen........Rompiendo paradigmas

Pgina 153

Kaizen

Como parte de un mtodo para lograr mejoras es usualmente entendido como parte de Lean, de cualquier forma el trmino Kaizen es usado en dos formas: la primera se refiere a la bsqueda de la perfeccin de todo lo que hacemos. En este sentido Kaizen representa el elemento de la mejora continua que es parte fundamental del modelo de Calidad. En un contexto de negocios esto incluye todas las actividades individuales y de grupo que permiten hacer un proceso mejor y satisfacer los requerimientos del cliente. El segundo trmino se refiere a caminos especficos para lograr mejoras. Estos mtodos que se han etiquetado como Kaizen son variados, generalmente son sistemas de planeacin de eventos para identificar que procesos sistemticamente ocultan desperdicios y eliminarlos. En este segundo sentido Kaizen puede ser ms antiguo que Lean mismo, sus orgenes parecen estar en la segunda guerra mundial (Huntzinger 2002).
Porque funciona Seis Sigma - Kaizen?

Muchos de los procesos realmente nunca fueron diseados considerando el tiempo, un evento acelerado de cambio para identificar partes del proceso que no agreguen valor, utilizar el sentido de simplicidad y de mejora continua de Kaizen combinado con las herramientas Seis Sigma de enfoque estadstico y reduccin de variacin permitir la identificacin de las causas raz que originan los problemas en un menor tiempo.

Proyecto de Nivel de Llenado

El proyecto de nivel y variabilidad de llenado se inici en la planta para identificar las causas raz que generaban dicha variacin en el nivel de llenado de la lnea de produccin B. Est lnea est enfocada principalmente a la produccin de la presentacin premier, con este proyecto se estima reducir el desperdicio anual (debido a la variacin en el llenado) de $380,000. El propsito de este proyecto fue utilizar las herramientas de Seis Sigma Kaizen para maximizar las ventajas de un ambiente de manufactura de alto desempeo, y reducir el desperdicio y posibles reclamaciones de mercado por un nivel alto o bajo en el volumen de las botellas todo esto sin afectar parmetros de calidad estipulados para el producto premier.

Pgina 154

Iniciacin de Proyecto

Definicin del proyecto

Identificar y minimizar las causas raz que generan los diferentes niveles de llenado de la lnea de produccin B en la presentacin premier, sin afectar los estndares de calidad establecidos para ese tipo de producto. El proyecto utilizar y tomar ventaja del la filosofa Seis Sigma Kaizen de la cual se utilizaran herramientas para identificar y reducir la variabilidad del proceso, permitiendo una reduccin de $380,000 en el desperdicio anual.
Alcance

Reducir de la lnea de produccin B, el nivel de llenado en la presentacin premier que nos asegure mantenernos en el volumen estndar de 327 ml y mantenga el oxgeno de botella menor a 150ppb.
Mtricas

Las mtricas utilizadas para medir el xito de este proyecto incluye;

Reduccin en la variabilidad (desv. std) del proceso de llenado en un 20% Ahorros de $380,000 anuales Mantener el nivel de contenido de oxigeno menor a 150 ppb.

Sponsor
a. Gerente de Envasado Planta Toluca

Process Owner
b. Jefe de departamento de Envasado Planta Toluca

Team Leader

Jefe de Sistemas de Calidad Planta Toluca Miembros del equipo Gerente de Mantenimiento Planta Orizaba Gerente de Planeacin Planta Monterrey Jefe de Laboratorio Calidad Envasado Planta Toluca

Pgina 155

Asesor de Produccin Envasado Planta Toluca Asesor de Calidad Envasado Planta Toluca Operador de Mquina Envasado Planta Toluca Mecnico Envasado Planta Toluca Programador de Mantenimiento Planta Toluca

7.2 Metodologa DMAIC Paso 1- Fase de Definicin

Introduccin

En el mes de septiembre del ao 2003 iniciamos con la filosofa de Kaizen, como paso 1 a lo que es manufactura esbelta, a la fecha llevamos el 100% de personal participando en eventos de este tipo, fue en Diciembre 2004 cuando se vio la necesidad de trabajar en paralelo con proyectos de seis sigma, por tal motivo se empez el plan estratgico para la capacitacin del personal clave en proyectos de este tipo, cuyo objetivo es dar un gran soporte a la corporacin en ahorros y desempeo.
Voz del cliente

Definir Definir

Controlar Controlar

Medir Medir

Mejorar Mejora Mejorar

Analizar Analizar

En este proyecto el cliente interno se considera el departamento de Envasado ya que el problema del nivel de llenado le afectaba en los costos de produccin, por ende al corregir dicha variacin el cliente externo (consumidor) se va a ver beneficiado por la mejora en el proceso.
Mapeo del proceso

El equipo decidi aplicar la metodologa Seis Sigma Kaizen en el proyecto alineado a los 3 objetivos principales.

Pgina 156

Decidimos utilizar el Mapeo de proceso para que la gente que no era experta en el rea se involucrara y conociera dicho proceso el cual estaba enfocado nicamente a la llenadora localizada en la Lnea de produccin B.

El proyecto se enfoc

Figura 7.1 Mapa del Proceso

Una vez delimitado el proyecto, se estableci un plan para verificar con que informacin se contaba para poder as realizar un mapa de Calidad, el cual qued de la siguiente manera:
Especificacin Variable Altura de tazn (ajuste) Ajuste altura de coronador Estrella coronador Tubos de llenado Extracto aparente 2-4 Proveedor Estndares Operacin Dato Real Datos Histricos NO NO NO NO SI

Pgina 157

CO2 tanque Sabor cerveza No especifica Temperatura Contrapresin CO2 O2 pie Nivel de cerveza en el tazn Velocidad llenadora Nivel de cerveza en el tazn Contrapresin de CO2 Flujo de CO2 Conductividad Presin bomba de vaco 750 bpm para cerveza

0.49-0.52 % OK OK

SI SI

2C 2 a 3 Bar Menor a 70 ppb

-2.8C 2.15 Bars

SI SI SI

1/2 y 3/4 partes de tazn Mximo 700 bpm

80 mm 749 bpm

NO SI

1/2 y 3/4 partes 1 a 3 Bar 250 - 300 g/Hl Mayor a 2.5 mS De 90 a 95% de vaco

90 mm 2.15 Bars 99 kg/hr. 1.82 mS -0.67 Bars

NO SI SI NO NO

Tabla 7.1 Identificacin de Variables

Nuestro Mapa de Calidad fue el siguiente:

Paso in de Preparacin formato premier
De acuerdo a procedimiento: Altura del tazn, del coronador.

Transformac

Arranque del llenado

Ea = Cumple con std CO2 = Cumple con std Sabor de la cerveza = OK

Llegada cerveza

de

Control nivel tazn

de del

Llegada botella

de

Llenado
Inyeccin de CO2 en vlvula 1. Presin bomba de vaco = 90 a 95% Barrido de CO2 en vlvula 2

Salida botella

de

Temperatura 2 C. Contrapresin de CO2 = Cumple con std O2 = Cumple con std

Nivel de cerveza en el tazn = 1/2 a 3/4 partes del tazn.

Formato de botella premier. Botella limpia. y no cada. Vel de llenadora = Mximo 700 bpm. Nivel del tazn = 1/2 a 3/4 partes del tazn. Contrapresin = 2 a 3 Bars. Visual continuo a travs de un display.

Especificaci ones

Nivel de cmara vaca = 55 mm (estndar) Volumen = 327 ml (estndar) O2 disuelto < a 250 ppb.

Tubos llenado.

de

Visual.

Mtodo de Control / Calibracin

Visual arranque.

al

Visual continuamente. Continuo en el display. Medicin con

Visual manera continua.

de

Anlisis sensorial al arranque y cambio de tanque.

Visual de manera continua en el display y en la mquina. Los sensores del display se verifica

Nivel de llenado se mide c/2 hrs con escantilln O2 disuelto c/2 hrs con digox

El sensor para el nivel se calibra cada 6

Pgina 158

No aplica.

No aplica.

Herramienta s y Dispositivos en proceso

Rotura botella. de de Dilucin. Oxgeno alto. Desgaste manejo.

digox al pie cada 2 horas. Se cuenta con 2 RTD Equipo Digox. Display para temperatura y presin. Espuma.

meses. Sensor nivel. de Display. Cronmetro manual.

cada 6 o 12 meses. Sensores. Manmetros. Digox. Medidores altura y grosor de Manmetro Zahm. de Atorn hermetapa. de Escantilln nivel. de

Baja de presin de CO2.

Problema Conocido o Potenciales

Baja presin de CO2. Tanque barrido en SS FF.

Explosin botella.

Atorones de botella en bajada a carrillera. Variacin de la alimentacin de agua en el Deflector daado. Dimetro de los sellos de las tulipas a diferentes dimensiones. No se tienen histricos de todas las variables. Algunas de las variables se tienen registradas en el CEP

Espuma la botella antes de llegar al espumador.

Causas posibles

Falta de mantenimiento. No aplicacin de procedimientos.

Mezcla con agua.

Alta temperatura de la cerveza

Falla en suministro de CO2 en Fuerza Motriz.

Falla en suministro de CO2 en Fuerza Motriz. Falla en envo desde SS FF. Revisar la calibracin de los medidores. No se tienen datos histricos de todas las variables

Placas transferencia daadas.

de

Pruebas y resultados

Se tienen reas de oportunidad en algunos medidores. No se tienen datos histricos de todas las variables.

Se analizaron los datos del CEP, se presentan algunas cuestiones por falta de criterios uniformes en la medicin de los niveles de llenado.

Conclusiones: Se encontraron algunas diferencias en las especificaciones definidas por los fabricantes de la mquina contra las definidas en los estndares de operacin de la planta.

Paso 2 - Fase de Medicin

Introduccin

Definir

Durante los meses de Junio, Julio se inicia la recoleccin de datos histricos relacionados con el alcance del proyecto. Se Controlar Controlar realizaron los Mapas de Spaghetti y Calidad. Se inici la deteccin de reas de oportunidad (xs). Se valid que los sistemas de medicin fueran confiables y se calcul la capacidad del proceso. Mejorar Mejora Mejorar Analizar Analizar Medir Medir

Pgina 159

Diagrama de Espaguetti

El equipo utiliz esta herramienta para indicarnos el flujo de material y los posibles problemas que se encontraran en la llenadora, a continuacin se muestra el dicho diagrama y la tabla con los pasos de proceso.

Figura 7.2 Diagrama de Espagueti Lnea B

Resultado del anlisis del Diagrama del Espagueti fue:

Pasos
Introduccin de deareada Introduccin de Cerveza Agua

reas de Oportunidad
Baja presin de agua Nivel de agua bajo tanque Cierre hermtico incorrecto en by-pass La medicin del nivel de tanque de cerveza es visual Riesgo al tomar lecturas de tanque de gobierno Purga a pie de tanque segn criterios de cada operador Baja presin en bomba Desgaste de empaques Descalibacin del sensor de conductividad Mala posicin del sensor de conductividad

Vaco

Alto contenido de O2

Pgina 160

Contrapresin

Llenado no uniforme Diferencia de presin de CO2 Tazn vs. Botella

Sistema llenado

de

Baja presin de aire en pistones elevadores de botella Apertura en vlvulas de llenado Deflectores en mal estado Sellos daados y dimetros diferentes

Despresurizado Fin de llenado Salida botellas de

Levas mal ajustadas Mal funcionamiento del trinquete del cierre de vlvulas Desgaste en placas de transferencia Desgaste en guas laterales de la estrella Espumador trabajando a alta presin Variacin en la presin de agua Posicin incorrecta del brazo Demasiados paros y arranques

Tabla 7.2 reas de Oportunidad

Conclusiones: Se visualizaron a manera de detalle los pasos de la operacin de la llenadora y se identificaron algunas reas de oportunidad en cuanto a calibracin de equipos.
Capacidad del Proceso

Siguiendo con los pasos de la metodologa de Seis Sigma Kaizen lo que hicimos fue la recoleccin de datos de fuentes tales como: el laboratorio de Calidad Envasado, lnea de produccin, mantenimiento entre otras; dichos datos fueron revisados por el equipo, lo que ayud a hacer algunas pruebas para generar ms datos y hacer un anlisis descrito en la fase de anlisis Comenzamos a crear una tabla con los datos recolectados, lo cual nos ayudara a tener informacin con relacin al proceso de llenado de la presentacin premier.
DATOS
FECHA 29-Jun-05 29-Jun-05 30-Jun-05 01-Jul-05 20-Jul-05 26-Jul-05 27-Jul-05 TURNO 1 1 2 1 3 3 1

6 SIGMA KAIZEN
PESO BOTELLA LLENA 553.2 558.5 559.65 549.6 556.65 565.68 560.55 PESO BOTELLA VACIA 226.2 228.8 233.78 219.04 222.14 232.92 228.92 VOLUMEN POR CMARA VACA 327.4 325.8 325 325.8 330.9 330.9 329.5 VOLUMEN POR DIFERENCIA DE PESOS 327 329.7 325.87 330.56 334.51 332.76 331.63 AO 99 97 93 3 3 93 0

ALTURA CMARA VACA 54 56 57 56 49 49 51

Tabla 7.3 Recoleccin de datos

Pgina 161

La recoleccin de informacin comenz en el piso de produccin y laboratorio de calidad envasado para ayudarnos a analizar la situacin actual:
Summary for Volumen Jun-Jul
A nderson-D arling N orm ality T est A -S quared P -V alue < M ean S tD ev V ariance S k ew n ess K urtosis N M inim um 1st Q uartile M edian 3rd Q uartile M a xim um 3 27.18 327.40 2.94 0.005 327.39 2.12 4.49 -0.109210 -0.418366 417 321.50 325.80 327.40 328.80 333.30 327.59 327.41 2.27

322

324

326

328

330

332

95% C onfidence I nte rv al for M ean

95% C onfidence I nterv al for M edian 95% C onfidence I nterv al for S tD ev

9 5 % C onfide nce I nte r v a ls

Mean Median

1. 98

327.2

327.3

327.4

327.5

327.6

Figura 7.3 Estadstica de la situacin actual (antes del proyecto)

Pr ocess Capability of Volumen Jun-Jul

LSL
P rocess Data LS L 321 Ta rget 327 USL 336 S ample M ean 327.388 S ample N 417 S tDev (Within) 1.24412 S tDev (O v erall) 2.11992

Target

USL Within Ov erall

P otential (Within) C apability Cp 2.01 C P L 1.71 C P U 2.31 C pk 1.71 O v erall C apability Pp PPL PPU P pk C pm 1.18 1.00 1.35 1.00 0.93

322
O bserv ed P erformance P P M < LS L 0.00 P P M > U S L 0.00 P P M T otal 0.00

324

326

328

330

332

334

336

E xp. Within P erformance P P M < LS L 0.14 P P M > U S L 0.00 P P M Total 0.14

E xp. O v erall P erformance P P M < LS L 1291.56 PPM > USL 24.30 P P M Total 1315.85

Figura 7.4 Capacidad del Proceso situacin actual (Jun-Jul 2005)

Pgina 162

Conclusiones: El proceso se encuentra cargado hacia la parte superior de especificaciones, lo que significa mayor volumen de llenado; adems se aprecia la variabilidad en el llenado de botellas. Una vez que se analiz los datos recolectados, se hizo el anlisis del sistema de medicin, debido a la gran variabilidad que se encontr en el llenado de las botellas; dicha variabilidad, pudiera ser por un sistema de medicin inadecuado. Una forma de medir tambin el nivel de llenado es por cmara vaca, es decir, se mide el nivel de vaci que hay en el cuello de la botella entre la hermetapa y el menisco que hace el lquido, por tal motivo a partir de este momento me referir a la variacin del volumen de llenado como la variacin que hay en la cmara vaca de la botella.
Sistema de Medicin

Una de las herramientas utilizadas en esta etapa fue la del MSA, la cual consisti en analizar a 3 operadores con un mismo aparato de medicin y obtener los valores de repetitividad y reproducibilidad, para ver si las variaciones de nivel reportadas en nuestro anlisis son realmente por variaciones de proceso o por variaciones en la tcnica de medicin y/o el aparato de medicin, el estudio dio como resultado lo siguiente:
Anlisis R&R medicin de nivel de cmara vaca
Gage R&R
Source Total Gage R&R Repeatability Reproducibility An alista Analista*Prueba Part-T o-Part Total Variation VarComp 0.46447 0.20659 0.25788 0.21837 0.03951 2.09386 2.55832 %Contribution (of VarComp) 18.16 8.08 10.08 8.54 1.54 81.84 100.00
Valor total de estudio R&R, el cual debe de ser menor al 15%

Process tolerance = 15 Source Total Gage R&R Repeatability Reproducibility Analista Analista*Prueba Part-To-Part Total Variation StdDev (SD) 0.68152 0.45452 0.50782 0.46730 0.19877 1.44702 1.59948 Study Var (6 * SD) 4.08912 2.72715 3.04689 2.80378 1.19262 8.68210 9.59686 %Study Var (%SV) 42.61 28.42 31.75 29.22 12.43 90.47 100.00 %Tolerance (SV/Toler) 27.26 18.18 20.31 18.69 7.95 57.88 63.98

Valor de estudio R&R, que indica el % de variacin referente al equipo de medicin. Valor de estudio R&R, que indica el % de variacin referente a los analistas que participaron en el estudio

Pgina 163

Gage R& R (A NOV A ) for Re sult ado

C o m p o n e n ts o f V a r ia tio n
100
% C ontribution % Study V ar % T olerance

R e s u lta d o b y P r u e b a
332 328

Percent

50

324

Gage R&R

Repeat

Reprod

Part-to-Part

7 8 9 Prue ba

10 11

12 13

14 15

R C h a r t b y A n a lis ta
HEC T O R RA FA EL RENE
332 328

R e s u lta d o b y A n a lis ta

Sample Range

3.0

1.5

0.0

UC L= 1.299 _ R= 0.504 LC L= 0

324

HEC T O R

X b a r C h a r t b y A n a lis ta
333 HEC T O R RA FA EL RENE
333

RA FA EL Ana lista

RENE

A n a lis ta * P r u e b a I n te r a c tio n
_ L= 330.566 _ UC X = 330.050 LC L= 329.534
A nalis ta HEC T OR R A FA EL R ENE

Sample Mean

330

Average

330 327
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

327

Prue ba

Figura 7.5 MSA Actual (antes del proyecto)

La grfica R nos indica la diferencia que cada operador obtiene entre la lectura mayor y menor de cada muestra, en la grfica se presenta que el operador Rafael es el que tiene ms variabilidad en sus mediciones que los otros 2. La grfica X representa el promedio de las mediciones de cada operador, en la cual hay 28 puntos fuera de control lo representa ms del 50%, esto se puede interpretar como que el sistema de medicin es capaz de identificar las diferencias entre piezas.

La grfica de resultado por pieza se observa que nicamente en la pieza 2 hay una fuerte variacin con respecto a las
dems.

Conclusiones: El resultado total del estudio nos dice que se necesita mejorar el sistema de Medicin, sobre todo la parte de metodologa en el proceso de medicin. me

Pgina 164

Paso 3 - Fase de Anlisis

Introduccin

Una vez que identificadas de lo que necesitamos medir y analizadas de manera general, con el propsito de conocer las relaciones causales o causas raz del problema de llenado. La informacin de ste anlisis nos proporcionar evidencias de las Controlar Controlar fuentes de variacin y desempeo insatisfactorio. Se analizaron los datos vivos a travs del Minitab, se realiz el anlisis comparativo, se hizo convergencia de las reas de oportunidad y se gener el diagrama de pescado. Mejorar Mejora Mejorar

Definir

Medir Medir

Analizar Analizar Analizar

Diagrama de Ishikawa

Una de las herramientas que utilizamos en esta fase fue el Diagrama de Ishikawa para el anlisis de posibles causa raz del problema en la variacin de nivel, para ello el equipo se reuni en la primera semana del evento Seis Sigma Kaizen y con la ayuda del personal operario y mecnicos del rea adems del mismo equipo se realiz una lluvia de ideas, las ideas generadas despus de converger las trasladamos al Ishikawa para clasificarlas en alguna de las Ms .
Mtodo
-No se cuentan con herramientas adecuadas para hacer mediciones de nivel precisa. -El procedimiento actual no menciona como hacer una lectura confiable de cmara vaca. -No se tiene una posicin definida para el espumador a fin de que no afecte al llenado y oxgeno. -Falta complementar los HITS con todas las operaciones que se hacen actualmente. V i i l l id d d ll d

Material
-Se tienen diferencias en las capacidades de volumen en las botellas de premier. -Presencia de mezcla de envase de otras marcas (como la de exportacin o Noche Buena).

Medio Ambiente
-Deficiente iluminacin en minilabs donde se toma la lectura del nivel de llenado. -Temperatura de la cerveza en el tazn fuera del estndar de operacin.

Variabilidad en el nivel de llenado

-No hay correlacin entre el nivel de la cmara vaca y el volumen. -Para la medicin de cmara vaca a salida de llenadora no se considera el volumen debido a la espuma. -No existe procedimiento para preparar botella patrn para verificar los filtec que estn a la salida de la llenadora. -Asegurar la calibracin de los instrumentos de medicin de la llenadora (manmetros, termmetros, etc.). -Las escalas de instrumentos no son adecuadas en algunos casos. -Escala del escantilln de cmara vaca dificulta la lectura.

-Plataformas de los pistones elevadores con desgaste. -Variacin en la longitud de los tubos de llenado. -Deflectores y sellos de campanas centradoras de botella en mal estado.

-Uniformidad entre operarios al aplicar los procedimientos. -Uniformidad en los criterios para la lectura del nivel de llenado.

Maquinaria
Pgina 165

Medicin

Mente de Obra

Figura 7.6 Diagrama de Ishikawa situacin actual (antes del proyecto)

Conclusiones: Al analizar dicho diagrama la posible(s) causa raz del problema de variabilidad en el nivel de llenado se encuentran en la Materia (en este caso las botellas de vidrio), la Maquinaria (tubos de venteo) y Mtodo (Mtodo de medicin de la altura de llenado). Una de las posibles causa que arroj el diagrama de Ishikawa fue la relacionada con el material, especficamente el grosor del vidrio con el cual estn elaboradas las botellas, ya que a mayor peso de la botella menor ser el contenido del lquido, para tal efecto se procedi a analizar lotes de botellas de diferente ao de produccin arrojndonos lo siguiente:
Boxplot of PESO VACIO vs AO
240

235

PESO VACIO

230

225

220

93

99

2000
AO

2001

2002

2003

Histogram of ALTURA (a 327 ml)

Normal

6 5 4

A O 93 99 2000 2001 2002 2003

Frequency

3 2 1 0

Mean StDev N 53.53 1.619 2 52.30 1.715 20 54.32 1.464 18 54.60 2.997 20 55.78 2.056 19 56.17 1.451 20

48

50

52

54 56 ALTURA (a 327 ml)

58

60

Figura 7.7 Estudios con diferentes tipos de botella (diferentes aos de produccin)

Pgina 166

Conclusin: El promedio del peso de la botella ha variado desde el ao 1993, por ende la variabilidad en el nivel de llenado de las mismas. Se realiz una prueba con botella seleccionada para el anlisis del nivel de llenado resultando lo siguiente:
Volumen proceso normal desde junio
I-MR Chart of vol com by gd_1
350 I ndividual Individual Value
1

Volumen Proceso con botella seleccionada

pn

1 1 1 1

bc

340 330 320 310 pn pn pn pn

1 1 1 1 1 1 1 1

U C L=332.17 _ X=328.74 LC L=325.31

pn

pn gd_1

pn

pn

pn

bc

bc

pn 20 M oving Range
1

1 1

bc

15 10 5 0 pn
1

1 1 1

1 1 1

1 1 1

1 1 1 1 1

U C L=4.21 __ M R=1.29 LC L=0 pn pn pn pn pn gd_1 pn pn pn bc bc

Perodo (produccin normal)

Process Capability of Vol. A
LSL
P rocess D ata LS L 321.00000 Target * USL 335.00000 S ample M ean 330.99072 S ample N 375 S tD ev (Within) 2.64824 S tD ev (O v erall) 3.28582

Perodo (estudio con botella controlada)

Process Capability of VOL_BC
LSL
Within Overall
P otential (Within) C apability Cp 0.88 C PL 1.26 C PU 0.50 C pk 0.50 C C pk 0.88 O v erall C apability Pp PPL PPU P pk C pm 0.71 1.01 0.41 0.41 *

USL
Process Data LSL 321.00000 Target * USL 335.00000 Sample Mean 328.74242 Sample N 99 StDev (Within) 1.14253 StDev (O v erall) 1.26467

USL
Within Overall
Potential (Within) C apability Cp 2.04 C PL 2.26 C PU 1.83 C pk 1.83 C C pk 2.04 O v erall C apability Pp PPL PPU Ppk C pm 1.85 2.04 1.65 1.65 *

312
O bserv ed P erformance P PM < LS L 10666.67 P PM > U S L 74666.67 P PM Total 85333.33

318

324

330

336

342

348
O bserv ed Performance PPM < LSL 0.00 PPM > USL 0.00 PPM Total 0.00

322

324

326

328

330

332

334

E xp. Within P erformance P P M < LS L 80.78 P P M > U S L 65020.65 P P M Total 65101.43

E xp. O v erall P erformance P P M < LS L 1180.70 P P M > U S L 111198.88 P P M Total 112379.58

Exp. Within Performance PPM < LSL 0.00 PPM > USL 0.02 PPM Total 0.02

Exp. O v erall Performance PPM < LSL 0.00 PPM > USL 0.37 PPM Total 0.38

Figura 7.8 Comparativo del proceso normal vs proceso con botella controlada (del mimo ao)

Pgina 167

La Prueba de hiptesis de igualdad de medias para determinar estadsticamente si la media del nivel de llenado del proceso normal (
nor)

era igual que la media de nivel de llenado con botella

controlada ( ctl), se estableci lo siguiente: Ho: nor = ctl Utilizando el minitab dio como resultado lo siguiente:
Individual Value Plot of Vol tubos vs grupo
336
335

Ha: nor ctl

One-way ANOVA: Vol tubos versus grupo Source DF SS MS F P grupo 1 185.25 185.25 85.13 0.000 Error 135 293.76 2.18 Total 136 479.00 S = 1.475 R-Sq = 38.67% R-Sq(adj) = 38.22%

334 332
Vol tubos

330 328
327

326 324 322

321

320

Bot con

Norm

grupo

Boxplot of Vol tubos by grupo

336

335
334 332
Vol tubos

Individual 95% CIs For Mean Based on Pooled StDev Level N Mean StDev ------+---------+---------+---------+--Bot con 99 328.74 1.26 (--*--) Norm 38 331.34 1.93 (---*--Pooled StDev = 1.48

330 328

327
326 324 322

321
320
Bot con
grupo

Norm

Por lo tanto, se rechaza la Hiptesis nula y se concluye que las medias son diferentes; De acuerdo a esto, la diferencia encontrada se debe a la variabilidad de la botella, la cual representa alrededor de 3 ml, por lo que 1% de la merma es provocada por la botella. Conclusin: Se observa una clara diferencia entre el volumen medido con botella seleccionada vs. el volumen normal con nuestro universo de botellas; si utilizramos las botellas de un mismo ao de produccin (mismo peso) nuestra variabilidad disminuye de manera drstica La Capacidad de proceso con botella seleccionada nos permite asegurar el llenado cerca de la especificacin definida (Cpk= 2.04), sin embargo, esto no es posible por la variedad de botellas del sistema.

Pgina 168

Debido a que la variacin en las botellas no la podemos eliminar (hay una cantidad muy grande en el mercado y saldra ms caro el retiro y la destruccin que el ahorro en el proyecto) se elimina esta causa dentro del proyecto y se trabaja nicamente con las otras variables que son los tubos de venteo que proporcionan el nivel de lquido en las botellas y el mtodo de medicin.

Anlisis de Regresin

Debido a que la variacin en el peso de las botellas es un problema que no se puede solucionar a corto plazo se realiz un anlisis de regresin sobre el volumen vs la altura de nivel de llenado para establecer los lmites ptimos de cmara vaca en funcin de la variabilidad propia de la botella para no tener sobrellenado ni bajo nivel.

Figura 7.9 Correlacin del volumen de llenado vs. altura de botella

Conclusiones: Se tiene una variacin significativa en la cmara vaca a un mismo volumen de llenado, por lo tanto se establecen lmites ptimos de cmara vaca en funcin de la variabilidad propia de la botella.

Pgina 169

Paso 4 - Fase de Mejorar

Introduccin

Definir

Controlar Controlar Una vez que analizadas las variables que afectan al proceso de llenado, el equipo ser reuni nuevamente para disear y establecer los planes de mejora, los cuales fueron:

Medir Medir

Mejora Mejorar Mejorar

Analizar Analizar Analizar

Sistema de Medicin

Durante la etapa de medicin se realiz un estudio de R&R, el cual dio como resultado que tanto el mtodo y el equipo de medicin tienen reas de oportunidad, para lo cual se realiz lo siguiente:

Mejoras en el Equipo de medicin:

Compra de un escantilln con una mejor resolucin, adems se estableci un mini laboratorio con una lupa y luz especial para que los operadores puedan ver mejora la escala al momento de estar tomando las lecturas de nivel de llenado. Antes de la mejora Despus de la mejora

Pgina 170

Mejoras en el Sistema de medicin:

Uno de los problemas que nos encontramos cuando se realiz el anlisis fue que el personal operario tomaba las lecturas de nivel en diferentes puntos, para lo cual se tuvo que recapacitar sobre un procedimiento la forma correcta de como debe de tomarse la lectura de nivel.

En dicho procedimiento se agregaron ayudas visuales para la correcta toma de lecturas, correspondientes al nivel de llenado. Una vez recapacitado al personal operario en la toma de lecturas de nivel, puesto un mini laboratorio y la compra de la lupa con luz y el nuevo escantilln, se volvieron a realizarlos estudios

Pgina 171

R&R para verificar que las mejoras realizadas al sistema de medicin fueron las correctas, dando como resultado lo siguiente:

Resultados del Gage R&R

GageR&R

Number of Distinct Categories = 5

Source TotalGageR&R Repeatability Reproducibility Part-To-Part TotalVariation VarComp 0.122222 0.122222 0.000000 0.800823 0.923045 VarComp 13.24 13.24 0.00 86.76 100.00 Valor total de estudio R&R, el cual d b menor al 15% de ser

StudyVar %Study Var %Tolerance Source StdD TotalGageR&R Repeatability Reproducibility Part-To-Part TotalVariation (SD) (6* SD) 0.349603 0.349603 0.000000 0.894887 0.960752 2.09762 2.09762 0.00000 5.36932 5.76451 ( SV (SV/ oler % ) T ) 36.39 8.74 36.39 8.74 0.00 0.00 93.14 100.00 Valor de estudio R&R, que indica el % dariacin referente al v equipo de medicin. Valor de estudio R&R, que indica el % dariacin referente a los analistas que v participaron en el t di

El error de R&R vs tolerancia es 36.39% y vs variacin total del proceso es 8.74% lo que hace que el equipo de medicin sea adecuado para la medicin. (segn parmetros de AIAG) Por otro lado el nmero de categoras es de 5, indicando que el instrumento no discrimina las diversas partes diferentes.

Pgina 172

Grficamente tenemos:
Gage R&R (ANOVA) for Resultado
C omponents of V ar iation
100 Percent
% Contribution % Study Var % Tolerance

Resultado by P ar te
333 330 327

50

Gage R&R

Repeat

Reprod

Part-to-Part

5 6 Parte

10

R C har t by A nalista
1.0 Sample Range MIGUEL RAFAEL RENE 333 UCL=0.652 0.5 _ R=0.253 LCL=0 330 327

Resultado by A nalista

0.0

MIGUEL

Xbar C har t by A nalista

MIGUEL Sample Mean 333 _ _ UCL=330.914 X=330.654 LCL=330.395 Average RAFAEL RENE 333 330 327

RAFAEL Analista

RENE

A nalista * P ar te Inter action

Analista MIGUEL RAFAEL RENE

330

327

5 6 Parte

10

Figura 7.10 MSA despus de las mejoras

La grfica R se mantiene en control indicando que las mediciones se realizaron en forma adecuada. La grfica X barra slo presenta 23 de 30 puntos fuera de control, lo cual es ms del 50%, indicando que el equipo discrimina las diferentes partes. La grfica de Operador*Pruebas de interaccin nos indica que el promedio de las mediciones tomadas por cada operador de cada parte, las lneas siguen el mismo patrn, lo que nos indica que el promedio de las partes de los operador miden de una manera consistente cada una de las partes. Conclusiones: Una vez que se realizaron los cambios en el sistema de medicin, el resultado mejor de manera muy significativa en la repetitividad y la reproducibilidad de los anlisis, y dio como resultado que mtodo y el aparato de medicin usando son confiables.

Pgina 173

Diseo de Experimentos

Durante la etapa de medicin se diseo un experimento para profundizar en la identificacin de impactos de las variables del proceso en el llenado, donde se seleccionaron 4 factores (de acuerdo al anlisis de la informacin del proceso). De acuerdo a la metodologa, se seleccion aplicar DOE fraccional, donde se tienen que realizar 11 experimentos, con los niveles mximos y mnimos en las variables de proceso, y de una forma aleatoria quedaron los siguientes experimentos (se presentan sus resultados):
Nivel Tazn 97.5 120 83 84 120 84 97.5 120 84 120 97.5 de Presin de Presin CO2 Jetter 2.3 100 1.8 50 2.58 50 1.8 80 2.58 80 1.8 50 2.3 80 2.58 50 2.58 80 1.8 80 2.3 80 de Velocidad llenadora 733 749 749 749 749 719 734 726 726 726 734 Promedio Cmara Vaca 54.1474 56.3053 53.4526 54.3167 54.1833 54.9833 53.4667 54.4167 53.2833 57.1833 54.4167 Desviacin Estndar 1.50862 2.21122 1.44228 1.42009 3.5961 1.37152 2.16651 2.42369 1.76685 1.71229 1.1831

Experimento 1 2 3 4 5 6 7 8 9 10 11

Figura 7.11 Tabla del DOE y

Anlisis de valores ptimos

Los valores ptimos para dar los mejores resultados seran: Presin de CO2 = 2.13 bars Nivel de tazn = 83 mm. Velocidad de llenado y presin del jetter no tienen influencia significativa.

Pgina 174

Conclusiones: Del anlisis de interacciones de acuerdo al resultado del DOE se concluye que el nivel de tazn influye en el lograr el estndar de llenado y en la desviacin estndar del llenado, mientras que la presin de CO2 influye solamente en la desviacin estndar.

ANOVA

La realizacin del anlisis de varianza consisti primeramente en establecer nuestra prueba de hiptesis para verificar si las modificaciones realizadas tuvieron un impacto significativo estadsticamente hablando. Ho: 12 = 2 2 Ha: 12 2 2 Utilizando el Minitab tenemos el siguiente resultado:
Test for Equal Variances for Volumen
F-Test Tubo de Venteo 116 Test Statistic P-Value Test Statistic P-Value 1.60 0.000 26.10 0.000

Lev ene's Test

120

1.50

1.65 1.80 1.95 2.10 2.25 95% Bonferroni Confidence Intervals for StDevs

2.40

Tubo de Venteo

116

120

320

322

324

326 328 Volumen

330

332

334

Figura 7.12 Anlisis de Varianza (datos de volumen de llenado)

Pgina 175

Test for Equal Variances: Volumen versus Tubo de Venteo

95% Bonferroni confidence intervals for standard deviations

Tubo de Venteo 116 120

N 308 341

Lower 1.93982 1.54090

StDev 2.11572 1.67366

Upper 2.32527 1.83044

F-Test (normal distribution)

Test statistic = 1.60, p-value = 0.000

Levene's Test (any continuous distribution) Test statistic = 26.10, p-value = 0.000

Conclusiones: Se rechaza la Ho, y se acepta al Ha, donde se establece que hay una diferencia estadsticamente significativa a un nivel de confianza del 95% debida al cambio en la longitud de los tubos de venteo. Del Diagrama de Ishikawa se establece como causa raz del problema era la maquinaria, en este caso nos referimos al tamao de los tubos de venteo, ya que al tener diferentes alturas llenaban las botellas a diferentes niveles, para tal efecto se realiz un peridico kaizen en el cual como una de las actividades fue la de la instalacin del total de tubos de venteo de la llenadora a una misma longitud para as lograr un mismo nivel en el llenado.

Process Capability of Volumen Jun-Jul

LSL
P rocess Data LS L 321 Target 327 USL 336 S ample M ean 327.388 S ample N 417 S tDev (Within) 1.24412 S tDev (O v erall) 2.11992

Target

USL
Within Overall
P otential (Within) C apability Cp 2.01 C P L 1.71 C P U 2.31 C pk 1.71

O v erall C apability Pp PPL PPU P pk C pm 1.18 1.00 1.35 1.00 0.93

322
O bserv ed P erformance P P M < LS L 0.00 P P M > U S L 0.00 P P M Total 0.00

324

326

328

330

332

334

336

E xp. Within P erformance P P M < LS L 0.14 P P M > U S L 0.00 P P M Total 0.14

E xp. O v erall P erformance P P M < LS L 1291.56 PPM > USL 24.30 P P M Total 1315.85

Pgina 176

Process Capability of Volumen despues de la mejora

LSL
P rocess Data LS L 321 Target 327 USL 336 S ample M ean 327.477 S ample N 341 S tD ev (Within) 1.13527 S tD ev (O v erall) 1.6749

Target

USL Within Ov erall

P otential (Within) C apability Cp 2.20 C P L 1.90 C P U 2.50 C pk 1.90 O v erall C apability Pp PPL PPU P pk C pm 1.49 1.29 1.70 1.29 1.15

322
O bserv ed P erformance P P M < LS L 0.00 P P M > U S L 0.00 P P M Total 0.00

324

326

328

330

332

334

336

E xp. Within P erformance P P M < LS L 0.01 P P M > U S L 0.00 P P M Total 0.01

E xp. O v erall P erformance P P M < LS L 55.13 PPM > USL 0.18 P P M Total 55.31

Figura 7.13 Capacidades de Proceso antes y despus de las mejoras

Conclusiones: Una vez realizada la mejora (cambio de tubos de venteo), el proceso paso de 4.50 lusiones: a 5.36 aproximadamente. Otra de las variables que tuvimos que monitorear fue el Oxigeno, dicha concentracin no deber de estar arriba de 150 ppb, los resultados con el cambio de tubos de venteo fueron los siguientes:
O 2 e n b o te lla
1 2 2 .5
1 2 0 .0 1 1 7 .5

1 1 5 .0
1 1 2 .5 1 1 0 .0

C a m b io d e tu b o s d e v e n te o

O2

14

28

42

56

70 In d e x

84

98

112

126

Figura 7.14 Variacin de contenido de O2 en botellas antes y despus de las mejoras

Pgina 177

La realizacin del anlisis de varianza consisti primeramente en establecer nuestra prueba de hiptesis para verificar si las modificaciones realizadas tuvieron un impacto significativo estadsticamente hablando en el nivel de Oxigeno. 2 Se plantea la siguiente Hiptesis: Ho: =
Ha: 2
2 2

Utilizando el Minitab tenemos el siguiente resultado:

T e s t fo r E q u a l V a r ia n c e s fo r O 2
F - T e st T e s t S t a t is t ic P - V a lu e T e s t S t a t is t ic P - V a lu e 2 .1 1 0 .0 1 1 7 .7 9 0 .0 0 6

116
Tubo

L e v e n e 's T e s t

120

0 .6

0 .7 9 5 %

0 .8 0 .9 1 .0 1 .1 B o n f e r r o n i C o n f id e n c e I n te r v a ls f o r S tD e v s

1 .2

1 .3

116
Tubo

120

1 1 0 .0

1 1 2 .5

1 1 5 .0 O 2

1 1 7 .5

1 2 0 .0

1 2 2 .5

Figura 7.15 Anlisis de Varianza (datos de contenido de Oxigeno)

95% Bonferroni confidence intervals for standard deviations Tubo 116 120 N 98 39 Lower 94.0427 0.5881 StDev 109.231 0.740 Upper 129.989 0.991

F-Test (normal distribution) Test statistic = 21793.99, p-value = 0.000 Levene's Test (any continuous distribution) Test statistic = 0.42, p-value = 0.517

Conclusiones: Se rechaza la Ho, y se acepta al Ha, donde se establece que hay una diferencia estadsticamente significativa de las varianzas del O2 a un nivel de confianza del 95% debida al cambio en la longitud de los tubos de venteo. La concentracin de Oxigeno se mantuvo por debajo de los 150 ppm, de hecho se apreci una mejora en la concentracin del mismo ya que tenemos un nivel de llenado ms estndar con una mejor varianza.

Pgina 178

Paso 5 - Fase de Controlar

Definir
Introduccin

Es esta ltima fase nos detenemos a preguntar: Qu hicimos?

Controlar Controlar

Medir Medir

Medimos
o o o

Claramente definimos el problema Encontramos las salidas y las entradas crticas Determinamos la capacidad de los sistemas y procesos de medicin

Mejorar Mejorar Mejorar

Analizar Analizar Analizar

Analizamos
o o

Examinamos los datos Identificamos la causa raz del problema y = f(x) Optimizamos el proceso

Mejoramos
o o

En sta fase nos preguntamos: Qu podemos hacer para asegurarnos que los defectos se mantengan reducidos? Qu acciones se pueden tomar por el equipo para asegurarse que el incremento sea permanente? Con quin dejar el proyecto? A continuacin se presentan los planes que desarrollamos para asegurarnos el control de nuestro proceso y poder lograr la meta seleccionada.

Evento Kaizen

Se realiz un segundo evento Kaizen para generar dar seguimiento a los resultados de las fases anteriores y generar planes de control de las mejoras realizadas, a continuacin se presentan el resumen de las actividades en el peridico kaizen y el estatus del mismo.

Pgina 179

PERIODICO SIGMA KAIZEN " NIVEL DE LLENADO L-070"

No. Area de oportunidad Accin correctiva HACER MUESTREO DE LLENADO CON LOS PARMETROS DE, NIVEL DE TAZN DE 83 MM Y PRESIN DE 2.13 BARS Quin Cundo Estatus Comentarios-Resultados

1 FALTAN MUESTREOS DE LLENADO CON NUEVOS PARMETROS

JDT

15/09/2005

Se realiz estudio de nivel de llenaod con estos parametros, obteniendo mayor variabilidad de volumen.

FIJAR PARMETROS SI SE CONSIDERA NECESARIO FALTA INCLUIR EN GUA DE CAMBIOS DE PRESENTACIN DOCUMENTAR Y EL CAMBIO DE TUBOS DE DIFUNDIR INSTRUCCIN VENTEO FALTA CAPACITACIN PARA CAPACITAR AL LECTURAS DE CMARA VACIA PERSONAL FALTANTE DE AL RESTO DE PERSONAL DE OTRAS LNEAS LAS LINEAS DE ENVASADO

JDT

15/09/2005

se continua operando con paramtros actuales.

JATC

15/09/2005

alta en SAP

JDT

29/09/2005

Capacitacin a todos los operadores (llenadores) de L070

FALTAN LUPAS PARA MEDICIN DE CAMARA VACIA A LINEAS 010, 020, 040 Y 080

ADQUIRIR LUPAS

JATC

10/10/2005

Ya se dieron de alta en SAP

FALTA INCLUIR EN EN EVALUACIN GADS MEDICIN DE CMARA VACA

INCLUIR Y EVALUAR ESTA ACTIVIDAD

ASA

29/09/2005

Modificar las evalauciones GADs de los llenadores

Figura 7.16 reas de oportunidad plasmadas en peridico Kaizen

Conclusiones: Una de las ventajas al utilizar la metodologa Seis Sigma Kaizen es que las mejoras y/o planes de trabajo de realizan ala brevedad posible, ya que el Kaizen, se establece como prioridad #1 en planta para que todos los departamentos a los que se les solicita el apoyo lo pueden brindar sin ningn contratiempo y poder cumplir con los compromisos establecidos en las fechas indicadas por los integrantes del equipo Kaizen.

Pgina 180

TPM

Una de las actividades importantes que surgieron del evento y que dio resultados muy significativos que nos ayudaron a lograr la meta propuesta fue la estandarizacin de la longitud de los tubos de venteo, para asegurarnos que siempre tengamos la misma lectura, se modifico la hoja de ruta en SAP, donde se especifica que la compra de los tubos de venteo siempre sern de un mismo tamao.

Longitud estandarizada

Figura 7.17 Representacin del tubo de venteo

Pgina 181

Hoja de SAP

Figura 7.18 Entrada de Hoja en SAP

Pgina 182

Plan de Control

Una vez analizados y probados nuestros nuevos estndares se procedieron a modificar el Plan de Calidad, para asegurarnos que con los nuevos parmetros establecidos vamos a asegurarnos que nuestro proceso este en 5.39 y lograr el ahorro planeado de $380,000
Paso de Transforma cin Control de nivel del tazn
Nivel de cerveza en el tazn = 1/2 a 3/4 partes del tazn.

Arranque del llenado

Ea = 2 a 4 CO2 = 0.49-0.52 Sabor de la cerveza = OK

Llegada de cerveza
Temperatura 2 C. Contrapresin de CO2 = 2 a 3 Bars. O2 = Menor a 70 ppb

Llegada de botella
Formato de botella premier. Botella limpia. y no cada. Vel de llenadora = Mximo 700 bpm. Nivel del tazn = 1/2 a 3/4 partes del tazn. Contrapresin = 2 a 3 Bars. Visual continuo a travs de un display.

Llenado
Inyeccin de CO2 en vlvula 1. Presin bomba de vaco = 90 a 95% Barrido de CO2 en vlvula 2

Salida de botella
Nivel de vaca = (estndar) Volumen = (estndar) O2 disuelto ppb. cmara 55 mm 327 ml < a 250

Especificaci ones

Visual arranque.

al

Visual continuamente. Continuo display. en el

Visual de manera continua. El sensor para el nivel se calibra cada 6 meses. Sensor de nivel.

Mtodo de Control / Calibracin

Visual de manera continua en el display y en la mquina. Los sensores del display se verifica cada 6 o 12 meses.

Nivel de llenado se mide c/2 hrs con escantilln O2 disuelto c/2 hrs con digox Escantilln de nivel. Digox. Manmetro Zahm.

Anlisis sensorial al arranque y cambio de tanque. No aplica.

Herramienta s y Dispositivos en proceso

Dilucin.

Medicin con digox al pie cada 2 horas. Se cuenta con 2 RTD Equipo Digox. Display temperatura presin. Espuma. para y

Display. Cronmetro manual.

Sensores. Manmetros. Medidores de altura y grosor

Problema Conocido o Potenciales

Baja de presin de CO2.

Oxgeno alto.

Baja presin de CO2. Tanque barrido en SS FF.

Explosin de botella. Atorones de botella en bajada a carrillera. Variacin de la alimentacin de agua en el Deflector daado. Dimetro de los sellos de las tulipas a diferentes dimensiones. No se tienen histricos de todas las variables. Algunas de las variables se tienen registradas en el CEP

Atorn de hermetapa. Espuma la botella antes de llegar al espumador.

Mezcla con agua.

Causas posibles

Alta temperatura de la cerveza

Falla en suministro de CO2 en Fuerza Motriz.

Falla en suministro de CO2 en Fuerza Motriz. Falla en envo desde SS FF. Revisar la calibracin de los medidores. No se tienen datos histricos de todas las variables

Placas transferencia daadas.

de

Pruebas y resultados

Se tienen reas de oportunidad en algunos medidores. No se tienen datos histricos de todas las variables.

Se analizaron los datos del CEP, se presentan algunas cuestiones por falta de criterios uniformes en la medicin de los niveles de llenado.

Tabla 7.3 Plan de control actualizado con base a las mejoras

Pgina 183

Los puntos relevantes derivados del proyecto y que se solucionaron durante el mismos, se pueden resumir en:
Causa del impacto Solucin Cmo se controla? Cambio de Tubos de A travs de estudios venteo en linea B por vlvula con una frecuencia mensual travs de Definicin del punto A de ptimo de control de procedimientos y parmetros para la operacin operacin: Nivel de tazn verificacin continua en arranques y durante y Presin de CO2 el turno Modificar la frecuencia En rutinas de de calibracin de mantenimiento sensores que miden los predictivo a travs de parmetros del Nivel de SAP tazn y Presin de CO2 Ajustar el variador de A travs de frecuencia de la bomba inspecciones peridicas de cerveza y mantenimiento predictivo travs de la Modificacin del mtodo A de medicin, agregando aplicacin peridica del lupa con luz y anlisis gage R&R, resultado se remarcando el escantilln cuyo incluir en el proceso de certificacin GADs y a travs de auditorias peridicas Responsable Operacin y Aseg. De Calidad

Operacin envasado

Nivel de llenado con tendencia al limite superior de especificaciones

Mantenimiento envasado

Desajuste de la bomba de llenado Variabilidad en el sistema de medicin

Mantenimiento envasado Aseg. De Calidad y envasado

Tabla 7.4 Principales problemas que causaban la variacin en el llenado

Pgina 184

7.4 Entregables /Resultados finales

Recapitulando:

De acuerdo al alcance del proyecto, se logr lo siguiente:

Promedio del Nivel de llenado = 327.4 Desviacin estndar del proceso mejorado = 1.67 Ahorros $420,000 anuales considerando mano de obra Contenido de Oxigeno promedio en botellas 110.37 ppb

En la parte no cuantificable se logro:

Un mejor entendimiento del proceso Mejor capacitacin de los operadores en los anlisis que ellos efectan Estandarizacin en la longitud de tubos de venteo

Pgina 185

CONCLUSIONES Y RECOMENDACIONES

Definir Definir

Controlar Control

Medir Medir

Mejorar Mejorar

Analizar Analizar

De acuerdo a lo establecido al inicio del proyecto:

Alcance

Reducir de la lnea de produccin B, el nivel de llenado en la presentacin premier que nos asegure mantenernos en el volumen estndar de 327 ml y mantenga el oxgeno de botella menor a 150ppb.
Mtricas

Las mtricas utilizadas para medir el xito de este proyecto incluye;

Reduccin en la variabilidad (desv. std) del proceso de llenado en un 20% Ahorros de $380,000 anuales Mantener el nivel de contenido de oxigeno menor a 150 ppb.

Pgina 186

Se enuncian las siguientes conclusiones generales:

De acuerdo a los anlisis presentados en este estudio se llego a la meta satisfactoriamente obtenindose valores promedio de 327 ml; tambin se logr la reduccin de la variabilidad del proceso de llenado, ya que la desviacin estndar disminuy en un 26%

Con respecto a los ahorros establecidos al inicio del proyecto, estos se incrementaron ya que se consider el ahorro por costo de mano de obra, logrando as una meta de $420,000 ($40,000) ms de los presupuestado.

El contenido de oxigeno tambin se mejor, logrando una media de 110 ppb por debajo del limite establecido (150 ppb).

Pgina 187

Bibliografa

Acheson J. Duncan Control de Calidad y Estadstica Industrial: Alfaomega, 1996 Alberto Galgano Los siete instrumentos de la Calidad Total: Daz de Santos, 1995. Asociacin Espaola para la Calidad Herramientas para la Calidad AEC 2002 A.V. Feigenbaum Total quality control 3a.ed.: McGraw-Hill Book, 1986 Brassard M Finn Lynda The Six Sigma Memory Jogger II Goal/Qpc 2002 Douglas C. Montgomery Introduction to statiscal quality control . 3rd ed. J. Wiley, 1996. Douglas C. Montgomery Diseo y anlisis de experimentos. Grupo Editorial Iberoamrica, 1991 Franklin A. Graybill, Hariharan K. Regression Analysis : concepts and applications Duxbury, 1994 Galloway D. Mejora continua de Procesos Gestion 2000 2002 Kaplan Robet P Norton Cuadro de Mando Integral HBS Press 2002 Hitoshi Kume Herramientas estadsticas bsicas para el mejoramiento de la Calidad Norma 1994 Imai, Masaaki, Kaizen: La clave de la ventaja competitiva, CECSA, Mxico, (1989) 1990 Ishikawa, Kaoru, What is Quality Control? The Japanese Way, Prentice Hall Inc. 1985, USA Ishikawa, Kaouru, Qu es el Control Total de Calidad?, Norma, Bogot, (1985) 1996 ITESM Las 9 S 1992 Jeffrey N. Lowenthal Six Sigma Project Management ASQ Press 2001 J.M. Juran, Gryna, Frank M., Manual de Control de Calidad, McGraw Hill 1993 J.F. Vilar Barrio Las 7 nuevas herramientas para la mejora de la Calidad Confemetal 1998 Larios Gutierrz Juan Jos Hacia un modelo de Calidad Iberoamericana 1989 Maclnnes Richard The Lean Enterprise Memory Jogger Goal/Qpc 2002 Minitab Training Manual Release 14 Minitab Inc 2003 Taguchi, Genichi, System of Experimental Design, American Supplier Institute, 1987 Forrest W.Breyfogle Implementing Six Sigma: Smarter Solutions Using Statistical Methods Ed.: John Willey & Sons 2004. Pere Grima, Luis Almagro Estadstica practica con Minitab Prentice Hall 2004 Peter S. Pande, Robert P. Neuman, Roland Las claves de Seis Sigma Mc. Graw Hill, 2003 Rath&strongs Workout for Six Sigma pocket guide MacGraw Hill 2005 Sarv Sing Control de Calidad Total Mc. Graw Hill, 1997 William Cochram Diseo de Experimentos Trillas 1991 William W. Hines, D. Montgomery Probabilidad y Estadstica para Ingeniera y Administracin CECSA, 3ra ed1993

Pgina 188

Diplomado en Black Belt UIA Santa F Diplomado en Black Belt Dr. Primitivo Reyes Diplomado en Black Belt ITESM Apuntes de la Maestra de Ingeniera de Calidad Universidad Iberoamericana
o o o o o o o

Dr. Eduardo Espinosa M.C. David Jaramillo Dr. Gustavo Ramrez MC Isaac Miranda Dr. Maria Eugenia de la Chausse Dr. Primitivo Reyes Dr. Tito Vsquez

Pgina 189