Professional Documents
Culture Documents
ESTUDIO DE CASO
Mxico D. F.
2007
DEDICATORIAS
A mis Hijos Rodrigo Israel, Jsica Ariadna, Laura Elizabeth y Jorge Luis,
por que gracias a su paciencia, ayuda y amor filial, me han demostrado
que desde nuestro hogar se puede dar todo el apoyo moral que un
padre necesita para poder salir avante ante los retos de la vida. Solo
quiero decirles Gracias, por su comprensin durante esos fines de
semana sin paseos ni mucha diversin, lo logramos juntos!!
INDICE
Introduccin
Antecedentes
Justificacin
Objetivos
Alcance y trascendencia
Planteamiento del problema
Capitulo 1. Introduccin a la Metodologa Seis Sigma
1.1
1.2
1.3
1.4
1.5
Introduccin
Etapas de la fase de Medicin
Estadstica bsica para la fase de Medicin
Herramientas para la solucin de problemas
Anlisis de los Sistemas de Medicin (R & R)
La Distribucin Normal
Capacidad de procesos normales
Capacidad de procesos no normales
Introduccin
Etapas de la fase de Anlisis
Regresin lineal
Cartas Multi Vari
Pruebas de Hiptesis de una poblacin
3
Introduccin
Etapas de la fase de Mejora
Diseo de experimentos factoriales
El diseo factorial 2K
Introduccin
Etapas de la fase de Control
Cartas de control
Dispositivos a Prueba de Error
Conclusiones y recomendaciones
Bibliografa
INTRODUCCIN
PROLOGO
Este estudio de caso se desarrollo usando como fuente de informacin
las obras de varios autores de reconocido prestigio, as mismo, se uso
como base la tesis del Maestro Lus Rosete, a quien le agradezco su
inapreciable ayuda en el desarrollo de este trabajo.
Para la elaboracin de este trabajo, se procedi a ir describiendo las
diferentes tcnicas estadsticas que pueden ser incluidas en las
diferentes fases de la Metodologa Seis Sigma, se propusieron ejemplos
para la completa comprensin de las herramientas y al final se propuso
la solucin de un caso real mediante el uso de esta metodologa.
ANTECEDENTES
En la actualidad, uno de los mayores retos que enfrentan las empresas
es el de la fuerte competencia dentro de los mercados tanto a nivel local
como a nivel global, como dice Jack Welch: Est abierto al cambio.
Olvide el pasado....Estemos listos para ir ms all. 1
Segn Sergio Novelo, Hace diez aos, en Mxico, todava se vean los
Sistemas de Calidad como algo que solo se meda con ndices
estadsticos. Desde entonces, la Calidad ha ido posesionndose donde
debe. En todos los niveles sociales, ideolgicos y econmicos, siendo al
da de hoy, ya no solamente un anexo en los procesos y productos, sino
tambin, un complemento de la vida misma. 2
Las
organizaciones
de
manufactura
las
instituciones
de
Slater, Robert, Mejorar o Ser Vencido!, p 13, Mxico, Editorial Diana, 2003
Novelo Rosado, Sergio A., La Calidad y La Mejora Continua, p 13, Mxico, Editorial Panorama, 2001
De tal
manera que deben forjar una cadena de valor que logre satisfacer
totalmente las necesidades de sus clientes, con Calidad, en el menor
tiempo posible, y a un costo competitivo.
Las oficinas de diseo del producto, tienen el reto de innovar,
modificar y optimizar en el menor tiempo posible sus diseos, para
lanzar nuevos productos rpidamente, an y cuando los productos sean
altamente
complejos.
La
manufactura
experimenta
retos
que
de
operaciones
transaccionales,
las
herramientas
que
la
Ishikawa, Kaoru, Qu es el Control Total de la Calidad?, pp 106-110, Mxico, Editorial Norma, 1985
Six Sigma: es un nombre registrado por Motorola Inc., en E. U. A.
9
DMAIC: Define Measure Analyze Improve Control = Definir, Medir, Analizar, Mejorar y Controlar
10
Harry, Mikel, Six Sigma Breakthpugh Management Strategy, pp 1-2, E. U. A, Editorial Currency. 2000
8
de sigma
Juran
en
su
triloga
de
la
calidad,
los
proyectos
son
"Cambiar la cultura de la
solucin de problemas,
11
Black Belt y Green Belt son nombres registrados por Motorola Inc., en E. U. A.
10
Lockheed Martn,
JUSTIFICACION
La Metodologa Seis Sigma es una herramienta disciplinada que sirve
para mejorar la calidad de los procesos, productos y servicios, dando
mayor rentabilidad y crecimiento al negocio. Esta metodologa puede ser
usada en todas las reas que componen la organizacin y no solamente
a un departamento especfico como el de calidad. La bibliografa es
demasiado compleja y el lenguaje en algunos casos resulta difcil de
entender, por los trminos y conceptos de estadstica que se usan. Por
lo anteriormente expuesto, este trabajo
mostrar la aplicacin de la
OBJETIVOS
Objetivo general:
El objetivo general de este Caso de Estudio es el de mostrar un caso
prctico de aplicacin de la METODOLOGA SEIS SIGMA que evidencie
en forma clara y concisa los pasos a seguir para la solucin de un
problema real planteado; servir como una gua que facilite la
comprensin de aplicacin de los diferentes mtodos y herramientas
estadsticas para la mejora de la calidad al lector de este trabajo.
11
Objetivos especficos:
Se pretende que este trabajo sea una gua, tanto para la capacitacin
como para la consulta, de aquellos que implementen proyectos de
mejora bajo la Metodologa Seis Sigma.
ALCANCE Y TRASCENDENCIA
Este Caso de Estudio servir como base de consulta a aquellas personas
que tienen la responsabilidad de resolver problemas de calidad y realizar
proyectos de mejora, basndose en la Metodologa Seis Sigma,
logrando con esto la mejora de los procesos de produccin de bienes y
servicios, sin embargo, en estricta teora no es un proyecto de Seis
Sigma, ya que, aunque est enfocado a garantizar la satisfaccin del
cliente (reduccin del gasto de combustible y por ende ahorro de
recursos econmicos del mismo), adems de que est alineado a la
estrategia de negocio (posicionamiento de la empresa automotriz como
una de las empresas preocupadas por la reduccin de las emisiones
contaminantes al aire), no est dirigido a un proceso clave del negocio
12
12
14
14
13
la
15
14
HIPTESIS
Con el propsito de dar respuesta al problema y a los objetivos de
investigacin planteados en el presente estudio, se formula la siguiente
hiptesis:
La optimizacin de los parmetros de manejo (velocidad), el
grado de mantenimiento del vehculo (presin de aire en las
ruedas) as como el tipo de combustible usado (nivel de
octanaje) dar como resultado la optimizacin en el consumo de
combustible en el vehculo a gasolina seleccionado.
Por ende habr una reduccin en los gastos de combustible al
usar el vehculo, esto redundar en un ahorro de para el cliente
final (enfoque al cliente)
15
16
Cambio
30x
40x
10x
17
en
donde
las
partes
deben
de
ser
manufacturadas
Figura 1.1. Se indica el nmero de partes por milln (ppm) que estarn fuera de los lmites de especificacin
usando como lmite el valor de cada desviacin estndar. 16
LSL
U SL
6 5 4 3
Lmite de especificacin
1
2
3
4
5
6
+ 1 + 2 + 3 + 4 + 5 + 6
Porcentaje
68.27
95.45
99.73
99.9937
99.999943
99.9999998
Defectos ppm
317,300
45,500
2,700
63
0.57
0.002
16
Forrest W. Breyfogle III, Implementing Six Sigma, p 9 USA John Wiley & Sons Inc., 2001
18
1.5 para
Motorola, (esto no aplica para todas las empresas), ver la Figura 1.3.
Esto proporciona una idea real de la capacidad del proceso a travs de
varios ciclos de manufactura en el tiempo, el desplazamiento puede ser
en direccin positiva o negativa, pero nunca en ambas direcciones 17
-1.5 +1.5
LSL
6 5 4
2 1
+ 1
USL
+ 2
+ 3
+ 4 + 5 + 6
17
Juran, J. M. Anlisis y planeacin de la calidad. Mc. Graw Hill, 1995 pp. 397
19
L m i te de e s pe c i fi c a c i n
1
2
3
4
5
6
P o r c e n ta je
3 0 .2 3
D e fe c to s ppm
6 9 7 ,7 0 0
6 9 .1 3
3 0 8 ,7 0 0
9 3 .3 2
6 6 ,8 1 0
9 9 .3 7 9
6 ,2 1 0
9 9 .9 7 6 7
233
9 9 .9 9 9 6 6
3 .4
Tabla 1.2 Porcentajes y cantidad de defectos a los que corresponden los diferentes
niveles Sigma
18
Forrest W. Breyfogle III. Implementing Six Sigma, p11, U S A, Ed. John Wiley & Sons, Inc., p11, 1999
20
DPU =
D
U
(1.1)
DPO =
D
U O
(1.2)
DPMO' s =
D
x1000000
U O
(1.3)
21
Defectos
Oportunidades/ Unidad
Patas
212
17
Bastidor
545
Cubierta
71
Pintura
54
Totales:
882
32
882
D
882
=
= 0 . 0182
N O 1510 32
N articulos con
cero defectos
Trabajo
Hay D1 defectos
Revisar el trabajo
YFP
Subsisten D2 defectos
YLP
22
Ejemplo 1.2
Una planta de productos empaca en una de sus lneas un cierto artculo.
La
produccin
en
un
turno
es
de
5,000
unidades.
Existen
Producto maltratado
Empaque roto
64
= 0.0042
5000 3
DPMOs = 0.0042 X 1, 000, 000 = 4,266.66
DPO =
DPO =
50
= 0.0033
5000 3
DPMO = 3,333.33
23
Ejemplo 1.3
Un proceso con cinco subprocesos tienen los siguientes rendimientos de
salida (throughput por su denominacin en ingls): 0.98, 0.93, 0.95,
0.98 y 0.94. El Rendimiento Estndar YRT= 0.98 x 0.93 x 0.95 x 0.98 x
0.94 = 0.7976, es la probabilidad de que el producto pase sin error.
Rendimiento Normal (YN)
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 1.4
En un proceso con 3 pasos tenemos los siguientes YFT:
Paso 1: 80%
Paso 2: 70%
Paso 3: 90%
Calcular YN
Primero calculamos YRT = 0.504
YN = n YRT = 3 0.504 = 79.6%
24
Donde:
YN = Rendimiento Normal
Ejemplo 1.5
Si tenemos un YRT = 0.38057 con 10 operaciones. Determine YN y Zbench
YN = 10 0.38057 = 0.9079
Zbench = 0.9079 + 1.5= 2.4079
o Yrt = 1 D / DPO
25
26
especificar los
describir
los
procesos
productos
27
verificar
los
procesos
crticos:
Reducir
la
lista
y control
estable
predecible,
por
lo
cual
se
deber
tener
28
2.
3.
4.
5.
6.
7.
proceso
es capaz
8.
Rediseo de Equipo/proceso
Rediseo de producto
Accin de la Gerencia
proceso
no capaz
9.
y
y
y
objetivos/tolerancias
controles de proceso
Procedimientos para accin preventiiva
Procedimientos para accin correctiva
10.
C p 2. 0 y C pk 1..6
si
MEJORA
CONTINUA
no
29
Definir
Medir
Analizar
Modificar
Volver a
Disear
Mejorar
Control
Figura 1.6 Proceso DMAIC
Resumen
En este capitulo se presentaron a grandes rasgos los pasos a seguir para
la aplicacin de la Metodologa Seis Sigma, se ejemplific el clculo de la
habilidad de los procesos en funcin de las sigmas del proceso y por
ltimo se determino la capacidad del proceso a la primera pasada.
30
ltimo
se
termina
este
trabajo
con
algunas
conclusiones,
31
CAPTULO 2
Definir
Definir
FASE DE DEFINICIN
Medir
Medir
Analizar
Analizar
Mejorar
Mejorar
Controlar
Controlar
2.1 Propsito
Identificar el problema a resolver, estratificndolo 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 (ver diagrama Pareto fase de medicin), 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 Seis Sigma, se trata de
detectar cual es el problema, definir las CTQS (Criticas para la calidad)
con base en la voz del cliente (VOC), el impacto que tiene para el
negocio la realizacin del el proyecto, las metas que se pretenden
lograr, el alcance y los ahorros financieros.
2.2 Etapas de la fase de definicin
Las etapas de la fase de definicin son las siguientes:
2.2.1
32
2.2.2
que es importante
Tanto en los CTQ, CTD y CTC el objetivo para la empresa es reducir los
costos, aumentar la satisfaccin del cliente y mejorar el margen.
Para determinar los CTQ, se tiene que conocer la voz del cliente interno
o externo (VOC), o sea qu 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 ste tiene.
Ejemplo de CTQ:
Entregas a tiempo
Mantenimiento
Durabilidad
Confiabilidad
Seguridad
Entrevistas
Quejas
Datos de Benchmarking
QFD
33
2.2.2
Seguridad
Calidad
Entrega
Costo
Nivel de servicio
2.2.4
Expresa
Razn de la Seleccin
los
antecedentes,
la
importancia
la
prioridad
de
los
problemas.
En este punto explicamos porqu se seleccion el problema:
Impacto
para
los
procesos
posteriores,
monto
de
prdida,
Impacto en el negocio:
Everett Adam, Administracin de la Produccin y las Operaciones, p126. Mxico, Editorial Pearson, 1991
34
como se alinea el proyecto con las iniciativas y metas del negocio. Estas
ltimas son definidas por la direccin. En la
tabla 2.1
encontramos
3 p u n to s
2 p u n to s
1 p u n to
E v a lu a c i n
P r o b le m a
Im p o rta n c ia
P r io r .
P o lt ic a
D e p to.
P e r io d o
d e E je c .
F a c t ib ilid a d
O rd e n
D E V O L U C IO N E S
1 2 P u n to s
1 e r. lu g a r
E N T R E G A S T A R D IA S
1 0 P u n to s
2 o . lu g a r
1 0 P u n to s
D O C S . IN A D E C .
2 o . lu g a r
9 P u n to s
3 e r . lu g a r
N IV E L S E R V IC IO
2.2.6
Se preguntar por qu? Por qu? Por qu?, hasta definir el problema del
proceso, del producto o del servicio de forma especfica, indicndolo de
forma cuantitativa, para evidenciar la necesidad de modificar su estado
actual. Es mejor no usar la solucin para nombrar un problema, sin
antes realizar la bsqueda de la causa verdadera, se crear duda de si
esa solucin es la definitiva.
2.2.7
2.2.8
AC T IV ID AD E S
va lo r d e l o b je tivo .
* N o p la sm a r sim p le m e nte lo s d e se o s y
e xp e c ta tiva s e n e l o b je tivo , si no e sta b le c e r un o b je tivo fa c tib le d e m a ne ra e sc a lo na d a .
* E l o b je tivo d e b e d e se r c o nc re to .
E je m p lo :
Q U ? ****** R e d uc ir e l d e fe c tuo so e n p ro d uc to s A
H AS T A C U N D O ? ****
O c tub re d e l 2 0 0 2
H AS T A C U AN T O ? ****
m e no s d e l 1 % p ro m e d io
(P u n to c la v e p a ra e s ta b le c e r e l v a lo r
o b je tiv o ) .
* D e finirlo to m a nd o e n c ue nta la s p o ltic a s
d e la e m p re sa .
* E n c a so d e no te ne r un c o nc e p to c la ro d e
la s p o ltic a s, a na liz a r la im p o rta nc ia d e
lo s p ro b le m a s y / o m e jo ra s, c ua nd o no s
o c a sio ne n un d e fe c to a l p ro c e so p o ste rio r , fa c tib ilid a d d e c um p lim ie nto , p ro g ra m a , d istrib uc i n d e c a rg o , e tc . y d e finirlo .
D e M a yo d e l 2 0 0 2
97
B a ja r ha sta 1 %
d e d e fe c tuo so .
* H a y un m to d o p a ra e sta b le c e r e l o b je tivo
fina l d e una ve z ; o tro e sta b le c ie nd o lo e n fo rm a
g ra d ua l e ntre o b je tivo p rim a rio y se c und a rio ,
e sta b le c e r p e rio d o s d e tie m p o c o rto s.
E sta b le c e r o b je tivo s g ra d ua le s e n lo s c a so s
S ig uie nte s :
(1 ).- Q ue e l te m a se a d e m a sia d o g ra nd e y se
re q uie ra d ivid irlo .
(2 ).- Q ue e l te m a se a c o m p lic a d o y q ue se re la c io ne
c o n o tra s re a s.
(3 ).- Q ue se re q uie ra la se le c c i n d e la s a c tivid a d e s
c o nfo rm e a la ha b ilid a d re a l d e l g rup o d e tra b a jo
E sta b le c e r un o b je tivo q ue te ng a re la c i n c o n la se le c c i n d e l te m a y ra z n d e la se le c c i n.
Ejemplo:
CONDICION ACTUAL
(%)
V
E
N
T
A
6
5
4
3
2
1
0
OBJ. PRIMARIO
OBJ. SECUNDARIO
0%
OBJETIVO FINAL
PERIODO DE TIEMPO
Figura 2.1 Ejemplo objetivos del proyecto.
36
sea
demasiado
grande
conviene
dividirlo
Ahorros:
Metas cualitativas
Realizar un mapeo del proceso de alto nivel, identificando cuales son los
proveedores, entradas, proceso, salidas, clientes.
37
PROVEEDOR
ENTRADAS
PROCESO
SALIDAS
CLIENTE
2.2.12
-
38
proponer
soluciones
un
problema
despus
de
39
Definir
Definir
3.1
Medir
Medir
Analizar
Analizar
Mejorar
Mejorar
Controlar
Controlar
Introduccin
de
las
condiciones
necesidades
que
tengamos
cuidadosamente
aquellas
que
nos
lo importante
es
proporcionen
la
40
3.2
X1, X2,..Xn
Variable
dependiente
Zs
Variable
independiente
Variables
de
ruido
Salida
Entrada-Proceso
(respuesta)
Causa
Efecto
Problema
Sntoma
Controlable.
Monitoreable
Incontrolables
centrar
nuestra
atencin
en
el(los)
efecto(s)
ms
determinar los
CTQs
41
A continuacin se enuncian y
Herramienta
Para qu es utilizada?
Estadstica
Descriptiva
Probabilidad
Distribucin
Normal
Lluvia de ideas
Cada
miembro
soluciones
un
del
equipo
problema,
propone
se
posibles
determinan
las
grupos
de la importancia de problemas
o soluciones
nominales.
Anlisis
Campo
Fuerzas.
Diagrama
Causa-Efecto
pueden
(Ishikawa
originar
un
problema
(efecto)
es
una
Fishbone)
ms importantes de un problema.
Why-Why-Why
5W/1H
42
Diagrama
Pareto
Diagramas
Matriz
existen entre
Diagrama
Relaciones
Diagrama
Afinidad
un
problema,
permitiendo
obtener
Carta
tendencias
de Conocer
el
grficamente
comportamiento
para
poder
de
un
proceso
tomar
las
acciones
43
Benchmarking
Anlisis sistema Sirve para determinar que tan grandes son las
de medicin
(Anlisis R & R)
3.2.2
dispuesto
aceptar
en
un
producto
proceso.
La
44
Qu?
Why?
Por qu?
Who?
Quin?
Where?
Dnde?
When?
Cuando?
How?
Cmo?
RECOLECCIN DE DATOS
45
el
3.2.5
Definicin operacional.
- En el mostrador se tiene la idea de que el tiempo de respuesta al
cliente es desde el momento en que se atiende al cliente hasta que
se le entrega la refaccin.
46
20
47
Muestra
(n)
Es
una
parte
de
la
poblacin,
debe
ser
representativa de la misma.
48
es un diagrama de barras
Columna
Intervalo
Registro de frecuencias
0 -8
IIIII
9-17
IIIII
IIII
18-26
IIIII
27-35
IIIII
IIIII
11
36-44
IIIII
IIIII
II
17
45-53
IIIII
IIIII
IIIII
IIIII
54-62
IIIII
IIIII
IIIII
III
63-71
IIIII
IIIII
III
72-80
IIIII
IIIII
10
10
81-89
IIIII
III
11
90-98
IIIII
IIIII
III
28
18
13
5
H is to g r a m a
30
Frecuencia
25
20
15
F r e c u e n c ia
10
5
0
9
18
27
36
45
54
63
72
81
90
99
C la s e
Uso de Excel
1. En el men 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.
49
Ejemplo 3.1
13
9
17
Figura 3.2 Diagrama de caja
22
50
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
Descripcin de smbolos
En la construccin de diagramas de flujo de procesos se utilizan los
smbolos descritos a continuacin:
Operacin de transformacin: de la cual resulta
un cambio fsico o qumico del producto.
Inspeccin: Verificacin de alguna caracterstica
mediante un estandar de calidad
prestablecido.
51
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.
52
EVENTO
0.4
10
21
53
0.4
0.2
Firmar el desprendible
0.1
Esperar
el
desprendible
y
el
medicamento
Colocar la tarjeta y el desprendible
dentro de la billetera
Recoger el medicamento y caminar de
regreso hasta la puerta
0.3
0.2
0.8
50
54
Diagrama de Pareto
Es una herramienta utilizada para el mejoramiento de la calidad para
identificar y separar en forma crtica los pocos proyectos que provocan
la mayor parte de los problemas de calidad.
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.
En la figura 3.3 se muestra un Pareto
PARETO CHART
70
100
60
80
40
60
30
40
Percent
Count
50
20
20
10
Defect
Count
Percent
Cum %
25
35.7
35.7
23
32.9
68.6
7
10.0
78.6
6
8.6
87.1
3
4.3
91.4
2
2.9
94.3
1
1.4
95.7
rs
the
3
4.3
100.0
Lluvia de ideas
En las sesiones de lluvia de ideas se generan nuevas ideas mediante la
participacin de todo el equipo.
Para comenzar con el proceso de tormenta de ideas, en el cual se
genera informacin la gente se rene en una sala en la cual se
recomienda la disposicin de las mesas en forma de U para facilitar el
debate. La gente que participa en la sesin deber de pertenecer a
diferentes reas o tener puntos de vista diferentes, esto con el objeto de
enriquecer la sesin.
El facilitador debe contar con experiencia en la conduccin de sesiones
de tormentas de ideas, o al menos haber participado en alguna previa.
Para conducir un grupo se lleva a cabo la siguiente metodologa:
1. Seleccionar el problema a tratar.
2. Pedir a todos los miembros del equipo generen ideas para la solucin
del problema, las cuales se anotan en el pizarrn sin importar que
tan buenas o malas sean estas.
3. Ninguna idea es evaluada o criticada antes de considerar todos los
pensamientos concernientes al problema.
4. Aliente todo tipo de ideas, con esto, pueden surgir cosas muy
interesantes, que motivan a los participantes a generar ms ideas.
5. Apruebe la naturalidad y el buen humor con informalidad, en este
punto el objetivo es tener mayor cantidad de ideas as existirn
mayores posibilidades de conseguir mejores ideas.
6. Se les otorga a los participantes la facultad de modificar o mejorar
las sugerencias de otros.
7. Una vez que se tengan un gran nmero de ideas el facilitador
procede a agrupar y seleccionar las mejores ideas por medio del
consenso del grupo de trabajo.
56
8. Las mejores ideas son discutidas y analizadas con el fin del proponer
una solucin.
La tcnica tormenta de ideas se aplica con gran frecuencia al llevar a
cabo otras herramientas, como por ejemplo, diagramas causa-efecto
(Ishikawa), Diseo de experimentos, pruebas de confiabilidad, etc.
Diagrama de causa - efecto
El diagrama causa-efecto, tambin llamado espina de pescado por la
semejanza de su forma, tambin es conocido por diagrama de Ishikawa.
Es utilizado para explorar,
57
Causas principales.
Causas secundarias.
Causas terciarias.
22
Tomado de: Alberto Galgano, Los siete instrumentos de la Calidad Total, ediciones Daz de Santos,1995
58
Mquinas
Mente de obra
Mtodos
Materiales
Mediciones
Medio ambiente
MEDICIONES
MANODE
DEOBRA
OBRA
MENTE
MAQUINAS
DIMENSIONES
INADECUADAS
FUERA DE
DIMENSIONES
ESPECIFICADS
VELOCIDAD DE
AVANCE
TEMPERATURA
ANGULO
INCORRECTO DE
LA FLAMA
FORMACION
HABILIDAD
PUNTA OXIDADA
LIMITES
ERGONOMICOS
FORMA
PUNTA
SOLDADURA DEFECTUOSA
UNION
SOLDADURA
SUPERFICIE
S CON
POLVO E
IMPUREZAS
LACA DE
PROTECCION
SECUENCIA
SOLDADURA
TIEMPOS DE
ESPERA
TERMINALES
DESOXIDANTE
CORTOS OXIDADOS
MTODOS
MATERIALES
s
r ia
c ia
cu
te r
se
ca
us
as
as
us
s
usa
Ca
Ca
ale
cip
prin
nd
a ri
as
MEDIO AMBIENTE
59
(Ms):
cometen errores.
Variacin
del
proceso,
real
Variacin
del
proceso,
real
Variacin dentro de la
muestra
Repetibilidad
Variacin de la medicin
Variacin
originada
Equipo
de
medicin
por el calibrador
Estabilidad
Reproducibilidad
Linealidad
Sesgo
Calibracin
60
Definiciones
Reproducibilidad: Variacin, en los promedios de mediciones hechas
por varios operadores usando un mismo instrumento de medicin,
midiendo las mismas caractersticas y la misma parte, ver figura 3.6.
Operador-B
Operador-C
Operador-A
Reproducibilidad
Repetibilidad:
variacin
de
las
mediciones
obtenidas
con
un
REPETIBILIDAD
23
61
Exacto y preciso
(resolucin)
Tiempo 2
Tiempo 1
Figura 3.9 Estabilidad en el tiempo
Valor
verdadero
Sesgo
Menor
Valor
verdadero
Sesgo
mayor
(rango inferior)
(rango superior)
Sesgo
63
64
a la
Reproducibilidad y a la Repetibilidad.
A.-
B.-
columna 1
Columna 2
Muestra
1er Intento
2do Intento
0.0045
0.0045
columna 3
columna 4
C.columna 5
columna 6
columna 7
Columna 8
columna 9
3er Intento
3er Intento
1er Intento
2do Intento
3er Intento
1er Intento
2do Intento
0.0045
0.0045
0.0045
0.0045
0.0050
0.0045
0.0055
0.0050
0.0045
0.0055
0.0045
0.0045
0.0055
0.0045
0.0045
0.0045
0.0045
0.0050
0.0050
0.0045
0.0045
0.0045
0.0050
0.0055
0.0050
0.0045
0.0050
0.0050
.0050
.0050
.0050
0.0050
0.0045
0.0050
0.0045
0.0045
0.0050
10
0.0040
0.0040
0.0040
0.0040
0.0040
0.0040
Totales
0.0470
0.0475
0.0455
0.0485
0.0045
0.0045
0.0045
0.0045
0.0045
0.0045
0.0045
0.0045
0.0050
0.0050
0.0050
0.0050
0.0050
0.0040
0.0045
0.0040
0.0045
0.0045
0.0060
0.0050
0.0050
0.0050
0.0050
0.0055
0.0045
0.0050
0.0045
0.0050
0.0465
.0050
0.0465
0.0060
0.0055
0.0045
0.0500
0.0050
0.0045
0.0045
0.0040
0.0050
0.0040
0.0050
0.0050
0.0050
0.0045
0.0045
0.0045
0.0045
0.0470
65
0.0460
Operadores
Medicin
Partes
Operadores
Medicin
Partes
Operadores
Medicin
0.0045
0.0045
0.005
0.0045
0.0055
0.0055
0.0045
0.0045
0.0045
0.005
0.005
0.005
0.0045
0.004
0.0045
0.005
0.006
0.005
0.005
0.0055
0.0045
0.005
0.005
0.006
0.005
0.0045
0.0055
10
0.004
10
0.004
10
0.0045
0.0045
0.0045
0.0045
0.0055
0.005
0.0045
0.0045
0.0045
0.0045
0.005
0.005
0.005
0.0045
0.0045
0.0045
0.0055
0.005
0.005
0.0045
0.0045
0.005
0.005
0.005
0.005
0.0045
0.0045
0.0045
10
0.004
10
0.004
10
0.0045
0.0045
0.0045
0.0045
0.0045
0.0045
0.0045
0.0045
0.0045
0.004
0.0045
0.005
0.005
0.0045
0.004
0.004
0.0045
0.005
0.005
0.0045
0.005
0.005
0.005
0.005
0.005
0.005
0.005
0.0045
10
0.004
10
0.004
10
0.0045
66
Procesa tolerante
0.006.
Los resultados se muestran a continuacin:
Gage R&R Study - XBar/R Method
%Contribution
Source
Var Comp
0.0000001
Repeatability
0.0000001
40.52
Reproducibility
0.0000000
0.48
Part-To-Part
0.0000001
59.00
Total Variation
0.0000001
100.00
41.00
Study Var
%Study Var
%Tolerance
Source
(%SV)
(SV/Toler)
0.000247
0.0012750
64.03
21.25
Repeatability
0.0002461
0.0012675
63.65
21.12
Reproducibility
0.0000269
0.0001384
6.95
2.31
Part-To-Part
0.0002970
0.0015295
76.81
25.49
Total Variation
0.0003867
0.0019913
100.00
33.19
67
G age name:
D ate of study :
Components of Variation
Datos by Partes
80
% Contribution
0.006
Percent
% Study Va r
% Tolera nce
40
0.005
0.004
Gage R&R
Repeat
Reprod
Part-to-Part
R Chart by Operadores
Sample Range
0.006
0.0005
_
R=0.000417
0.005
0.0000
LCL=0
10
2
Operadores
O pe radore s
UCL=0.005143
_
_
X=0.004717
0.0045
LCL=0.004290
Average
Sample Mean
0.0050
0.004
5
6
Partes
Datos by Operadores
UCL=0.001073
0.0010
0.0050
2
3
0.0045
0.0040
0.0040
5
6
Partes
10
68
Ejemplo 3.4:
Se seleccionan 5 partes que tienen el rango esperado de las mediciones.
Cada parte fue medida por un inspector para determinar su valor de
referencia. Un operador mide aleatoriamente cada parte 10 veces.
Se obtiene la variacin del proceso (14.1941) del estudio Gage R&R
usando el mtodo ANOVA (rengln Total variation de la columna Study
Var (6*SD)).
Part
1
1
1
1
1
1
1
1
1
1
1
1
2
2
2
2
2
2
2
2
2
2
2
2
3
3
3
3
3
3
Master
2
2
2
2
2
2
2
2
2
2
2
2
4
4
4
4
4
4
4
4
4
4
4
4
6
6
6
6
6
6
Response
2.7
2.5
2.4
2.5
2.7
2.3
2.5
2.5
2.4
2.4
2.6
2.4
5.1
3.9
4.2
5
3.8
3.9
3.9
3.9
3.9
4
4.1
3.8
5.8
5.7
5.9
5.9
6
6.1
Part
3
3
3
3
3
3
4
4
4
4
4
4
4
4
4
4
4
4
5
5
5
5
5
5
5
5
5
5
5
5
Master
6
6
6
6
6
6
8
8
8
8
8
8
8
8
8
8
8
8
10
10
10
10
10
10
10
10
10
10
10
10
Response
6
6.1
6.4
6.3
6
6.1
7.6
7.7
7.8
7.7
7.8
7.8
7.8
7.7
7.8
7.5
7.6
7.7
9.1
9.3
9.5
9.3
9.4
9.5
9.5
9.5
9.6
9.2
9.3
9.4
Con Minitab
1
Seleccionar Stat > Quality Tools > Gage Study > Gage Linearity
and Bias Study.
1.
69
G age name:
D ate of study :
P redictor
C onstant
S lope
Regression
95% CI
1.0
Data
Avg B ias
S
Linearity
0.23954
1.86889
Bias
0.5
Reference
A v erage
2
4
6
8
10
0.0
-0.5
G age Linearity
C oef S E C oef
0.73667
0.07252
-0.13167
0.01093
R-S q
% Linearity
G age Bias
B ias % Bias
-0.053333
0.4
0.491667
3.5
0.125000
0.9
0.025000
0.2
-0.291667
2.1
-0.616667
4.3
P
0.000
0.000
71.4%
13.2
P
0.040
0.000
0.293
0.688
0.000
0.000
-1.0
2
6
Reference Value
10
Percent
Linearity
Bias
3.6
La Distribucin Normal
70
y .
-3 s -2 s -1 s
71
Muestra
+2
+3
x- 3s
x-2s
x- s
x+s
x+2s
x+3s
X
x-3
x-2
x-
x+
x+2
x+3
z
-3
-2
-1
siguiente frmula.
Z=
72
= 1
Z
0
30.85%
Z.05
73
Ejemplo 3.6:
Encuentre las probabilidades siguientes usando la tabla Z.
a) P(-1.23 < Z > 0)
-1.23
0
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= 1.3 , de clic en aceptar y aparecer la probabilidad buscada P(z)=
0.903199
El valor Z = 1.4999
74
Ejemplo 3.7:
Suponga que una distribucin normal tiene una media de 20 y una
desviacin estndar de 4. calcule la probabilidad P (X > 24).
En la barra de herramientas seleccione el icono de funciones
fx>Estadsticas>Distr.Norm.Estand(4). OK
El sistema muestra la siguiente ventana, en la cual llenamos los
siguientes datos:
El resultado de la frmula = 0.97724. , dado que esta es la probabilidad
P(X 24), la probabilidad buscada
P (X > 24) = 1-.8413= .1587
Para clculos utilizando el paquete Minitab, usar:
1. Calc >Probability Distributions >Normal
2. Indicar Cumulative Distribution o inverse Cumulative
Distribution (dando valores de Z se obtienen valores de rea) o
Inverse Cumulative Distribution (dando reas proporciona los
valores de Z).
3. En Input constant indicar el valor de Z (cumulative) para
obtener el rea bajo la curva o proporcionar el rea bajo la curva
(Inverse cumulative) para obtener el valor de Z. OK
4. Si se especifica una columna Cx para almacenamiento de los
resultados, estos no se muestran automticamente, para verlos
5. es necesario ejecutar la opcin
3.7
75
Proceso:
mquinas,
ste
se
refiere
herramientas,
alguna
mtodos,
combinacin
materiales
nica
de
personas
involucradas en la produccin.
es
decir,
en
ausencia
de
causas
especiales
atribuibles de variacin.
76
Objetivos 24
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.
LSE
LIE
s
p
xi
_
X
Douglas C. Montgomery, Introduction to Statistical Quality Control, Second Edition, p 307,Mxico, 2005
77
25
J. M. Juran, Anlisis y planeacin de la Calidad, Tercera Edicin Mc. Graw Hill, p.404, Mxico, 1998
78
exhiben su
79
Z st =
Z LT =
desv.std ST
lmite especif . media
desv.std LT
(3.1)
(3.2)
dnde:
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 habilidad o capacidad potencial utilizamos la siguiente
frmula:
Cp =
(LSE LIE )
(3.3)
6S
donde:
Cp
= capacidad potencial
C pk =
menor Z I , Z S
3
(3.4)
80
Para que el proceso cumpla con las especificaciones el Cpk debe de ser
1 .33
X = 264.06
S = 32.02
Zi =
6S
32.02
192.2
Zs =
(200 264.06) = 2
32.02
81
inesperadas
tenemos
un
proceso
inestable
impredecible.
?
?
?
?
?
?
?
Prediccin
Tiempo
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
82
= 64.06 ,
R = 77.3
= x (media de medias )
=
R
77.3
=
= 33.23
d 2 2.326
(200 264.06)
3 33.23
especificaciones.
Capacidad de procesos en Minitab
Nos aseguramos que los datos se distribuyan normalmente con la
prueba de Ryan como sigue:
1. Stat > Basic statistics > Normality Test
2. Variable C1
El P value debe ser mayor a 0.05 para que los datos se distribuyan
normalmente ver Figura 3.29.
83
84
USL
Within
Ov erall
P rocess D ata
LS L
200.00000
Target
*
USL
330.00000
S ample M ean
269.25354
S ample N
100
S tDev (Within)
30.83472
S tDev (O v erall)
30.80011
210
O bserv ed P erformance
P P M < LS L
10000.00
P P M > U S L 30000.00
P P M Total
40000.00
240
270
300
330
0.70
0.75
0.66
0.66
*
360
Interpretacin:
La desviacin estndar Within se determina en base al Rango medio y
d2 (1.128 para n = 2), 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.
85
C1
Subgroup size
86
Estimate R-bar OK
87
26
Los ndices Pp y Ppk son similares a los ndices Cp y Cpk , se refieren a la capacidad del proceso a largo
plazo.
88
Conclusiones
En este captulo se han descrito las diferentes etapas de la fase de
medicin, se habl adems, de la estadstica bsica aplicada a la fase de
medicin, se explic del Anlisis del Sistema de Medicin que abarca el
Gage R & R, as como la prueba de linealidad del instrumento de
medicin, se mostraron las caractersticas de la curva de distribucin
normal
por
ltimo,
la
forma
del
clculo
de
procesos
con
89
Definir
Definir
4.1
Medir
Analizar
Analizar
Mejorar
Mejorar
Controlar
Controlar
Introduccin
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.
90
Herramienta
Para qu es utilizada?
Determinar
cual es el desempeo
para
sigma
AMEF (FMEA)
proceso
puede
fallar
para
utilizada
para
ser
Tablas de contingencia
Anlisis Multivari
es,
componentes
de
descubrir
variacin
los
en
el
de
Varianza variacin
(ANOVA)
interior
para
entre
de
analizar
muestras
las
la
y
mismas
al
con
91
que
existen
entre
dependientes
las
e
independientes.
Tabla 4.1 Herramientas de anlisis
4.2
La capacidad del proceso mide la habilidad del proceso para cumplir con
los requerimientos. Compara la variacin del proceso contra la variacin
permitida por el cliente.
Utilizando la herramienta mediciones para Seis Sigma se calcula:
DPU: es la relacin de la cantidad de defectos, entre el
nmero de unidades producidas.
DPO: es similar al DPU excepto porque considera el numero
total de oportunidades que existen para que un defecto
ocurra.
DPMO (PPM) = es el producto de DPO X 1,000,000.
Sigma a corto plazo
el
92
existe
variacin.
Para
comprobarlo
usamos
alguna
de
las
fuentes
presentan
mayor
variacin,
travs
de
la
Variacin a Largo
Plazo
Variacin a Corto
Plazo
Exactitud
(Sesgo)
Variacin debida al
Equipo de Medicin
Variacin debida al
operador
Precisin
(Error de Medicin)
Discriminacin
(Resolucin)
Otras fuentes de
Variacin
Para
una
validacin
estadstica
de
causas
se
utilizan
diversas
93
4.3
Regresin lineal
E ( ) = = 0 .
3. Para cada valor de x, la varianza de es la constante 2 (llamada
varianza del error).
4. Los valores del trmino de error son independientes.
5. 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.
Ejemplo 1:
La revista Motor Trend 27 presenta a menudo, datos del rendimiento de
automviles, comparando el tamao del motor en pulgadas cbicas de
desplazamiento (pcd) y las millas por galn (mpg) estimadas para ocho
modelos de automviles subcompactos modelo 1984.
27
94
millas/galn (mpg), y
30
31
34
27
29
34
38
32
de
pares,
donde
las
medidas
pulgadas
cbicas
de
95
y = 0 + 1 x +
(4.1)
Donde:
y
= variable dependiente
0 = ordenada al origen
1 = pendiente
x
= variable independiente
= Error aleatorio
La expresin 0 + 1 x se denomina
Portus, Lincoyn. Curso Prctico de Estadstica. Mxico, p 25, Mxico, Editorial Mc Graw Hill. 1988
96
4.4
objetivo
general
de
las
cartas
Multi-Vari
es,
descubrir
los
29
Dorian Shainin (1914 2000). Precursor de herramientas como Lot-plot, Multi-Vari, Pre-control, B vs C,
(prueba no paramtrica de significancia estadstica basada en la tcnica de John Tukey), paired comparisons,
y otras.
97
98
5. Graficar los rangos. Las cartas Multi-Vari estn formadas por cuatro
ejes dispuestos de manera rectangular.
a. Ejes. Los ejes verticales (izq. y der.) grafican la escala de la
medidas tomadas, use como gua los lmites de variacin
obtenidos en el paso 4. El eje horizontal inferior es usado para
identificar las unidades muestreadas, la posicin, etc. El eje
horizontal superior es usado para agrupar por lotes, para
agrupar por turno, por mquina, etc.
b. Cajas. La representacin es similar a una grfica de Box and
Whiskers, con la diferencia que el eje horizontal superior
define los lmites horizontales de las cajas. Los lmites
verticales de las cajas estn definidos por la medicin mxima
y el mnima de la familia de variabilidad seleccionada.
c. Mediciones. Las mediciones se ordenan clasificando por la
familia de variabilidad representada en el eje horizontal
superior. Posteriormente, son agrupadas por la familia de
variabilidad
del
eje
horizontal
inferior.
Finalmente
son
99
Lote A
Lote B
Lote C
Lote D
A B C
A B C
Medicin (pulg.)
1.4
1.3
1.2
1.1
1.0
A B
A B C
Troquel
Figura 4.3 Grfica Multi Vari
aleatorio
de
cinco
diferentes
lotes
de
material
ser
100
= 12;
2 = 12;
= 0.3
estadstico Zc
estadstico c2
estadstico Zc
En dos poblaciones:
Las medias poblacionales son iguales
1 = 2 o 1 - 2 = 0;
estadstico Zc o Tc
= 0;
30
Lind, Douglas, Mason, Robert. Estadstica para la Administracin y Economa. Mxico. Editorial Mac
Graw Hill. 2004
101
Regiones de rechazo
Figura 4.5 Representacin de la Prueba de Hiptesis
Estadstico de prueba
o Para probar la hiptesis nula se calcula un estadstico de
prueba con la informacin de la muestra el cual se compara
102
10 se tiene:
Ho: a = b
Ha: a b
P(Z<= - Zexcel ) = alfa/2
Regiones de rechazo
Figura 4.6 Prueba de Hiptesis de dos colas
103
Regin de
rechazo
Regin de
rechazo
P(Z<= - Zexcel ) =
lf
Zc =
X HIPOTESIS
(4.2)
104
y + Z/2
IC para = X Z / 2
S
n
Test Mean 12
OK
Resultados:
One-Sample Z
Test of mu = 12 vs not = 12
The assumed standard deviation = 1.1
N
Mean
49 11.5000
SE Mean
0.1571
90% CI
(11.2415, 11.7585)
-3.18
0.001
105
para
muestras
pequeas
X HIPOTESIS
tC =
(n<30)
la
es
(4.3)
IC para = X t / 2, gl
S
n
(4.4)
Mean 11277
OK
Resultados:
One-Sample T
Test of = 12000 vs not = 12000
N
10
Mean
11277.0
St Dev
3772.0
SE Mean
95% CI
T
1192.8 (8578.7, 13975.3) -0.61
P
0.559
106
p =
Zc =
HIPOTESIS (1 HIPOTESIS )
n
(4.5)
p HIPOTESIS
p (1 p )
n
IC para = p Z / 2 S p
Sp =
(4.6)
500
Resultados:
Test and CI for One Proportion
Test of p = 0.4 vs p < 0.4
Sample
1
X
225
N
500
Sample p
0.450000
Bound
0.495693
Z-Value
2.28
P-Value
0.989
desconocida:
tC =
X HIPOTESIS
s
(4.7)
Resultados:
One-Sample T
Test of mu = 12000 vs not = 12000
N
10
Mean
11277.0
StDev
3772.0
SE Mean
95% CI
1192.8 (8578.7, 13975.3)
T
-0.61
P
0.559
p =
Zc =
HIPOTESIS (1 HIPOTESIS )
n
p HIPOTESIS
(4.9)
p(1 p)
n
IC para = p Z / 2 S p
Sp =
(4.10)
Summarized data
Number of trial 500
Number of events
225
X
225
N
500
Sample p
0.450000
Bound
Z-Value
0.495693
2.28
P-Value
0.989
Z 2 / 2
n=
( X )2
(4.11)
Z 2 / 2 ( )(1 )
n=
( p )2
4.6
(4.12)
110
H 0 : 12 = 22
H 1 : 12 22
Utilizamos el hecho de que la estadstica
F0
S 12
= 2
S2
(4.13)
F0 > F 2 , n1 1, n 2 1
o si
F1 2,n1 1,n2 1 =
1
F 2,n1 1,n2 1
(4.14)
111
H 0 : 12 = 22
H 1 : 12 > 22
Si
Tipo 2
64
72
83
59
65
56
63
74
82
82
H 0 : 12 = 22
H 1 : 12 22
X 1 = 70.6
X 2 = 70
S12 = 88.71
S 22 = 100.44
88.71
S12
= 0.877
F0 = 2 =
S 2 100.44
H 0 : 12 = 22 .
112
H 0 : 1 = 2
H 1 : 1 2
Sean X1, X2, S12 , S 22 , las medias y las varianzas de las muestras,
respectivamente. Puesto que tanto S12 como S 22 estiman la varianza comn
(4.15)
n1 + n2 2
X1 X 2
1
1
+
Sp
n1 n2
(4.16)
, rechazamos H 0 : 1 = 2
H 0 : 1 = 2
H 1 : 1 > 2
Calclese la estadstica de prueba t0 y rechcese H 0 : 1 = 2 si:
t 0 > t ,n1 + n2 2
Para la otra alternativa de un lado,
H 0 : 1 = 2
H 1 : 1 < 2
113
t 0 < t a ,n1 + n2 2
Ejemplo: Se est investigando la resistencia de dos alambres, con la
siguiente informacin de muestra.
Alambre
Resistencia (ohms)
0.140
0.141
0.139
0.140
0.138
0.144
0.135
0.138
0.140
0.139
H 0 : 1 = 2
H 1 : 1 2
Calculando la media y la desviacin estndar de la muestra:
x1 = .140
x 2 = .138
S1 = .0021
S 2 = .0022
Sp =
t0 =
= 0.0021
X1 X 2
= 1.72
1 1
+
Sp
n1 n2
t 0 > t 2,n1 + n2 2
114
H 0 = 1 = 2 = 3 = .... = k
H 1 : Al menos dos medias poblaciona les son diferentes .
2. 12 = 22 = 32 = ..... = k2 = 2
El Procedimiento es el siguiente 31 :
1. Determinar si las muestras provienen de poblaciones normales.
2. Proponer las hiptesis.
3. Encontrar las medias poblacionales y las varianzas.
4. Encontrar la estimacin de la varianza al interior de las muestras s w2 y
sus grados de libertad asociados glw.
5. Calcular la gran media para la muestra de las medias mustrales.
31
115
58.2
56.3
50.1
52.9
57.2
54.5
54.2
49.9
58.4
57
55.4
50
55.8
55.3
51.7
54.9
Tabla 4.5 Catalizadores
116
DF
3
12
15
S = 1.697
Level
A
B
C
D
N
5
4
3
4
SS
85.68
34.56
120.24
MS
28.56
2.88
F
9.92
P
0.001
R-Sq = 71.26%
R-Sq(adj) = 64.07%
Individual 95% CIs For Mean Based on
Pooled StDev
Mean StDev ---+---------+---------+---------+-----56.900 1.520
(------*-----)
55.775 1.100
(------*------)
53.233 2.779
(--------*-------)
51.125 1.443 (-------*------)
---+---------+---------+---------+-----50.0
52.5
55.0
57.5
Lower
-4.506
-7.347
-9.156
Center
-1.125
-3.667
-5.775
Upper
2.256
0.014
-2.394
--------+---------+---------+---------+(------*------)
(-------*------)
(-----*------)
--------+---------+---------+---------+-5.0
0.0
5.0
10.0
117
C
D
Lower
-6.391
-8.214
Center
-2.542
-4.650
Upper
1.308
-1.086
--------+---------+---------+---------+(-------*-------)
(------*------)
--------+---------+---------+---------+-5.0
0.0
5.0
10.0
Lower
-5.958
Center
-2.108
Upper
1.741
--------+---------+---------+---------+(-------*------)
--------+---------+---------+---------+-5.0
0.0
5.0
10.0
118
Definir
Definir
5.1
Medir
Analizar
Mejorar
Mejorar
Controlar
Controlar
Introduccin
119
RSM
5.2
a las Xs
32
Montgomery, Douglas. Diseo y Anlisis de Experimentos, pp 170-276 Mxico, Editorial Limusa, 2005
120
5.2.2
solucin:
Una vez determinados los factores con mayor significancia, o sea
aquellos que afectan ms al proceso, estamos interesados en proponer
los niveles ptimos para cada factor.
Se generamos la funcin de transferencia, mediante anlisis de
regresin, simple o mltiple. Al realizarlo tendremos una solucin que
nos permitir alcanzar el objetivo que es la optimizacin del proceso.
Para conducir un diseo de experimentos debemos tomar en cuenta los
puntos siguientes:
Disponibilidad de personal.
Otros recursos
5.3
5.3.1
121
122
cambios
en
las
entradas
observando
los
cambios
123
124
125
El diseo factorial 2K
A = -, B = -
(a)
A = +, B = -
(b)
A = -, B = +
(ab) A = +, B = +
(1)
ab
126
A=
a + ab b + (1) 1
=
(a + ab b (1))
2n
2n
2n
B=
b + ab a + (1) 1
=
(b + ab a (1))
2n
2n
2n
AB =
(5.1)
ab + (1) a + b 1
=
(ab + (1) + a b)
2n
2n
2n
AB
(1)
ANOVA
Fo
gl SST = 4n - 1
ab
gl SSE = 4(n-1)
=SST/SSE
SS =
(contraste) 2
n (coeficientes.de.contrastes ) 2
(5.2)
127
SSA =
1
(a + ab b (1)) 2
4n
SSB =
1
(b + ab a (1)) 2
4n
SSAB =
(5.3)
1
(ab + (1) + a b) 2
4n
placas
de
circuito
impreso.
Se
hicieron
varios
experimentos
Vibracin
Total
64.4
96.1
59.7
161.7
128
Fuente de
de variacin
Suma de Grados
cuadrados libertad
Cuadrado
medio
Fo
1107.326
1107.226
185.25
227.256
227.256
38.03
AB
303.631
303.631
50.80
Error
71.723
12
Total
1709.836
15
5.977
.
16.64
7.54
8.71
y = 0 + 1 x1 + 2 x 2 + 3 x1 x 2 + = 23.83 +
x1 +
x1 +
x1 x 2 (5.4)
2
2
2
El valor de la interseccin 0 se calcula como el promedio de las 16
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).
Dado que la interaccin es significativa, para obtener la menor
respuesta de vibracin, se analizan las respuestas en todas las
combinaciones de A y B como se muestra en la figura 5.2:
129
Vibracin
B+
B-
A-
A+
en
cualquier
punto
de
la
regin
de
experimentacin,
Los residuos restantes para las otras tres corridas pueden calcularse en
forma
similar.
Posteriormente
se
grafican
para
su
anlisis
de
130
Mtodo
40
672
704
800
832
40
736
896
768
800
40
640
832
928
864
60
1184
1248
992
1088
60
1216
1216
928
1056
60
1120
1152
960
1120
High = 2
En Options quitar seleccin de Randomize runs
OK
Una vez generado el diseo de dos factores introducir la siguiente
columna de datos:
Temp
Mtodo
Resistencia
40
672
60
1184
40
800
60
992
40
736
60
1216
40
768
131
928
40
640
60
1120
40
928
60
960
40
704
60
1248
40
832
60
1088
40
896
60
1216
40
800
60
1056
40
832
60
1152
40
864
60
1120
132
interacciones
Effect
Coef
SE Coef
Constant
948.00
14.76
64.21
Temp
317.33
158.67
14.76
10.75
0.000
Mtodo
-40.00
-20.00
14.76
-1.35
0.191
-125.33
-62.67
14.76
-4.24
0.000
Temp*Mtodo
S = 72.3252
R-Sq = 87.13%
0.000
R-Sq(adj) = 85.20%
133
Coef
Constant
-725.333
Temp
34.6667
Mtodo
586.667
Temp*Mtodo -12.5333
Yest = -725.33 + 34.6667 Temp 12.5333 Temp * Mtodo
e) Obtener grficas factoriales con:
Stat > DOE > Factorial > Factorial Plots
En Main effects Setup
134
135
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.
Superficies de Respuesta
La tcnica de superficies de respuesta se utiliza 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.
Suponiendo que se tiene un sistema con una variable de respuesta y
que depende del nivel de varias variables de entrada: 1 , 2, 3,.... k . Se
asume que los niveles de las s pueden ser controladas con un error
despreciable. El experimento se realiza con las variables de diseo
i
xi = ik
;
ik ik 1
(5.1)
y = f (1 , 2, 3,.... n )
(5.2)
136
E ( y ) = 0 + i xi
(5.3)
i =1
y = b0 + bi xi
(5.4)
i =1
33
137
y = b0 + x b
(5.5)
x1
x
x = 2
....
xk
De
forma,
otra
b1
b
b = 2
....
bk
el
experimentador
podra
usar
la
funcin
de
i =1
i =1
E ( y ) = 0 + i xi + ii xii +
2
i< j
ij
xi x j
(5.6)
ij
....b22 ,...............b2 k / 2
B=
.........................b( k 1),k / 2
sym,........................bkk
(5.7)
138
Ejemplo 5.4
Un qumico realiza un experimento para observar el efecto de la
temperatura Tp y el tiempo de reaccin Tm, sobre el rendimiento de un
proceso usado para producir antibiticos. El experimento es como sigue:
Tratamiento
1
2
3
4
5
6
7
8
9
Tp
Tm
20
20
20
50
50
50
80
80
80
20
50
80
20
50
80
20
50
80
Transformando los datos para las variables de diseo x1i , x2i con:
xij = ( ij 50) / 30
Tratamiento
1
2
3
4
5
6
7
8
9
x1
-1
-1
-1
0
-1
1
0
-1
0
0
0
1
1
-1
1
0
1
1
Totales
x2
13.66
12.23
7.97
16.98
13.8
12.86
10.00
10.88
13.28
111.96
II
13.16
13.84
10.19
13.42
15.55
18.27
10.01
12.18
10.06
115.78
III
15.05
11.85
8.38
14.29
13.92
15.00
11.10
11.13
11.96
112.68
Totales
41.87
36.92
26.54
44.69
43.27
46.13
31.11
34.19
35.30
340.02
139
SST =
yij2
i =1
j =1
y..2
9 x3
SS trat =
i =1
y i2.
y..2
3 9 x3
SS bloque =
j =1
y.2j
y..2
9 9 x3
140
Suma de
grados de Cuadrados
de variacin
cuadrados
libertad
Total
154.1606
26
0.9704
0.4852
Tratamiento
118.3145
14.7893
Error
34.8757
16
2.1797
Bloque
medios
estadstico
F
6.78**
.
141
Definir
Definir
6.1
Medir
Analizar
Mejorar
Controlar
Controlar
Introduccin
35
142
POLITICA
MANUAL
Analizar
PROCEDIMIENTOS
Mejorar
(Improve)
INSTRUCTIVOS
Controlar
REGISTROS
Figura 6.2 Interrelacin con el Sistema de Calidad
Objetivos:
Cartas
Control
Poka-Yoke
6.2
RIESGO DE LA
ADMINISTRACION
A PRUEBA DE
ERRORES
Figura 6.3
Brassard, Michael, Six Sigma Memory Jogger II, USA. Editorial Goal/QPC. 2002
144
A prueba de errores
Tcnica que evita errores en el proceso, y hace que sea imposible que
se cometan.
Control estadstico del proceso: Monitoreo de caractersticas
crticas mediante el uso de grficas de control.
Un plan de control: Plan para el control de caractersticas crticas.
PLAN DE CONTROL
Variable
Especificaciones
Controles
Muestreo
(Tamao/ Fecuencia)
Cartas de Control
145
Ventajas:
146
Cartas de control por variables y por atributos.Control de Calidad mediante el trmino variable designa a cualquier
caracterstica de calidad como medible tal como el tiempo, el peso, la
temperatura,
etc.
Mientras
que
se
denomina
atributo
las
control
por
Ventajas
significativas
informes a la Gerencia.
Desventajas
significativas
No se entienden a menos
que se de capacitacin;
puede causar confusin
entre
los
limites
de
especificacin y los lmites
de tolerancia.
No proporciona informacin
detallada del control de
caractersticas individuales.
No reconoce distintos
grados de defectos en las
caractersticas de producto.
147
Descripcin
Campo de aplicacin
X R
Medias y Rangos
X S
Medias y desviacin
estndar.
I-MR
Individuales
Atributos
Carta
P
NP
Descripcin
Proporciones o
fraccin defectiva
Nmero de
defectuosos
Promedio de
defectos por unidad
Campo de aplicacin
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.
X R
(variables)
Paso 2:
148
X 1 + X 2 .... X N
N
(6.1)
R = X mayor X menor
(6.2)
X =
Paso 3:
Calcule el rango promedio
proceso ( X ) .
R=
R1 + R2 + ......RK
K
X=
(6.3)
(R ) y el promedio del
X 1 + X 2 + .......X K
K
(6.4)
LSC R = D4 R
(6.5)
LIC R = D3 R
(6.7)
LSC X = X + A2 R
(6.6)
LIC X = X A2 R
(6.8)
10
D4
3.27
2.57
2.28
2.11
2.00
1.92
1.86
1.82
1.78
D3
0.08
0.14
0.18
0.22
A2
1.88
1.02
0.73
0.58
0.48
0.42
0.37
0.34
0.31
Paso 5:
149
Para la grfica
Ejemplo 6.1
Se toman las medidas de los dimetros de una pieza cilndrica, el
tamao de muestra de cada subgrupo es de cinco, y se toman 25
subgrupos a intervalos de 1 hr.
Realice la carta de control X R
muestra subgrupo
1
2
3
4
5
1
0.65
0.70
0.65
0.65
0.85
2
0.75
0.85
0.75
0.85
0.65
3
0.75
0.80
0.80
0.70
0.75
4
0.60
0.70
0.70
0.75
0.65
5
0.70
0.75
0.65
0.85
0.80
6
0.60
0.75
0.75
0.85
0.70
7
0.15
0.80
0.65
0.75
0.70
8
0.60
0.70
0.80
0.75
0.75
9
0.65
0.80
0.85
0.85
0.75
10
0.60
0.70
0.60
0.80
0.65
11
0.80
0.75
0.90
0.50
0.80
12
0.85
0.75
0.85
0.65
0.70
muestra subgrupo
1
2
3
4
5
14
0.65
0.70
0.85
0.75
0.60
15
0.90
0.80
0.80
0.75
0.85
16
0.75
0.80
0.75
0.80
0.65
17
0.75
0.70
0.85
0.70
0.80
18
0.75
0.70
0.60
0.70
0.60
19
0.65
0.65
0.85
0.65
0.70
20
0.60
0.60
0.65
0.60
0.65
21
0.50
0.55
0.65
0.80
0.80
22
0.60
0.80
0.65
0.65
0.75
23
0.80
0.65
0.75
0.65
0.65
24
0.65
0.60
0.65
0.60
0.70
25
0.65
0.70
0.70
0.60
0.65
13
0.70
0.70
0.75
0.75
0.70
150
muestra subgrupo
1
2
3
4
5
Promedio
Rango
1
0.65
0.70
0.65
0.65
0.85
0.70
0.20
2
0.75
0.85
0.75
0.85
0.65
0.77
0.20
3
0.75
0.80
0.80
0.70
0.75
0.76
0.10
4
0.60
0.70
0.70
0.75
0.65
0.68
0.15
5
0.70
0.75
0.65
0.85
0.80
0.75
0.20
6
0.60
0.75
0.75
0.85
0.70
0.73
0.25
7
0.15
0.80
0.65
0.75
0.70
0.61
0.65
8
0.60
0.70
0.80
0.75
0.75
0.72
0.20
9
0.65
0.80
0.85
0.85
0.75
0.78
0.20
10
0.60
0.70
0.60
0.80
0.65
0.67
0.20
11
0.80
0.75
0.90
0.50
0.80
0.75
0.40
12
0.85
0.75
0.85
0.65
0.70
0.76
0.20
muestra subgrupo
1
2
3
4
5
Promedio
Rango
14
0.65
0.70
0.85
0.75
0.60
0.71
0.25
15
0.90
0.80
0.80
0.75
0.85
0.82
0.15
16
0.75
0.80
0.75
0.80
0.65
0.75
0.15
17
0.75
0.70
0.85
0.70
0.80
0.76
0.15
18
0.75
0.70
0.60
0.70
0.60
0.67
0.15
19
0.65
0.65
0.85
0.65
0.70
0.70
0.20
20
0.60
0.60
0.65
0.60
0.65
0.62
0.05
21
0.50
0.55
0.65
0.80
0.80
0.66
0.30
22
0.60
0.80
0.65
0.65
0.75
0.69
0.20
23
0.80
0.65
0.75
0.65
0.65
0.70
0.15
24
0.65
0.60
0.65
0.60
0.70
0.64
0.10
25
0.65
0.70
0.70
0.60
0.65
0.66
0.10
13
0.70
0.70
0.75
0.75
0.70
0.72
0.05
R = 0.198
X = 0.71
X LSC R = D4 R = 2.11* 0.198 = 0.41
LIC R = D3 R = 0
LSC X = X + A2 R = 0.71 + (0.58)(0.198) = 0.82
Mean=0.7112
0.7
0.6
S
a
m
p
leR
a
n
ge
Subgroup
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
LCL=0.5970
0
10
15
20
25
UCL=0.4187
R=0.198
LCL=0
151
Esta grfica es usada cuando las mediciones son muy costosas (Por
ejemplo Pruebas destructivas), o cuando la caracterstica a medir en
cualquier punto en el tiempo es relativamente.
16
Juran J. M., Gryna, F. M., Anlisis y planeacin de la calidad, Tercera Edicin, Mc Graw Hill.
152
Terminologa
k = nmero de piezas
n = 2 para calcular los rangos
X = promedio de los datos
LSC X = X + E 2 R
(6.9)
LSC R = D4 R
(6.10)
LIC X = X E 2 R
(6.11)
LSC R = D4 R
(6.12)
10
D4
3.27
2.57
2.28
2.11
2.00
1.92
1.86
1.82
1.78
D3
0.08
0.14
0.18
0.22
E2
2.66
1.77
1.46
1.29
1.18
1.11
1.05
1.01
0.98
Parte
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Longitud
12.02
11.85
11.98
11.72
11.88
12.07
12.03
12.13
12.16
12.16
12.16
12.21
12.19
11.93
11.89
153
X = 12.03
R = 0.10
Longitud
12.02
11.85
11.98
11.72
11.88
12.07
12.03
12.13
12.16
12.16
12.16
12.21
12.19
11.93
11.89
12.03
Rangos
0.17
0.13
0.26
0.16
0.19
0.04
0.10
0.03
0.00
0.00
0.05
0.02
0.26
0.04
0.10
LIC R = D3 R = 0
I Chart for C1
12.35
0.4
UCL=12.30
12.25
0.3
12.05
Mean=12.03
11.95
11.85
11.75
Moving Range
Individual Value
UCL=0.3384
12.15
0.2
0.1
R=0.1036
0.0
LCL=0
LCL=11.75
1
11.65
0
10
15
Observation Number
10
15
Observation Number
154
para
grficas
X podrn
dar
seales
de
causas
del
tiempo.
Este
procedimiento
consiste
en
definir
155
np
n
(6.13)
np1 + np 2 + .... + np k
n1 + n 2 + ..... + nk
LSC p = p + 3
Donde
p (1 p )
n
(6.14)
(6.15)
LIC p = p 3
p (1 p )
n
(6.16)
156
Latas defectuosas
np
12
15
8
10
4
7
16
9
14
10
5
6
17
12
22
Muestra
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
Latas defectuosas
np
8
10
5
13
11
20
18
24
15
9
12
7
13
9
6
Latas defectuosas
np
12
15
8
10
4
7
16
9
14
10
5
6
17
12
22
Fraccin defectuosa
p
0.24
0.30
0.16
0.20
0.08
0.14
0.32
0.18
0.28
0.20
0.10
0.12
0.34
0.24
0.44
Muestra
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
p = 0.2313
157
LSC p = p + 3
p (1 p )
.23 * .77
= 0 .2313 + 3
= 0.4102
n
50
LIC p = p 3
p (1 p )
.23 * .77
= 0 .2313 3
= 0.05243
n
50
Trazando la Carta p:
P Chart for C1
1
0.5
1
UCL=0.4102
Proportion
0.4
0.3
P=0.2313
0.2
0.1
LCL=0.05243
0.0
0
10
20
30
Sample Number
6.4
38
Shigeo Shingo, Zero Quality Control: Source Inspection and the Poka-Yoke System, Productivity Press
1986
158
159
se aplica un recubrimiento
160
161
39
162
INFLUYEN
EN
EL
CONSUMO
DE
GASOLINA
EN
UN
El lector debe estar familiarizado con las pelculas de los aos sesenta y
setenta, donde el actor corra en un automvil con enormes alerones
posteriores que daban la idea de la belleza en los autos. Pues no!, a
slo veinte aos ya no encajan en nuestra idea de superhroes, ni sus
mastodontes automotrices.
Ahora, el diseo de los autos obedece a las necesidades de la
tecnologa. La tecnologa ha creado materiales que mejoran el
automvil: plsticos, aleaciones ligeras, motores y gasolinas ms
eficientes, etc. Pero es el sentido comn es el que impone las nuevas
reglas de diseo que nos lleva a considerar el medio ambiente. Por lo
cual la carrocera se ha vuelto "redondeada" o en trminos tcnicos,
que se haya vuelto ms aerodinmica para oponer menor resistencia
al aire, ahorrar combustible y contaminar menos. Note en la figura 1
la evolucin de la carrocera desde los veintes a la fecha. La crisis
petrolera de 1980 elev el precio del crudo y marc el inicio de
iniciativas enfocadas a hacer ms eficiente la gasolina y a generar la
busca de fuentes de energa alterna. El medio ambiente y la atmsfera
imponen ahora las reglas del juego en el diseo de coches. Los
caprichos artsticos y las tecnologas per se son menos importantes
que la relacin automotor-medio ambiente. La tecnologa automotriz
progresa vigilada por una creciente conciencia ecolgica en forma de
leyes y reglamentaciones cada vez ms estrictas.
40
163
econmica:
refineras,
gasolineras,
industria
164
165
travs
de
los
cilindros
puede
aumentar
166
167
condicionaba
el
escaso
rendimiento
energtico.
El
42
168
43
Mazarr, Michael. Qu ser de MXICO en el 2005, p42, Mxico. Publicaciones Cruz O., S.A. 2000
169
Limitacin de azufre.
170
motores
trabajan
tiempos
siendo:
la
admisin,
la
171
44
172
173
Cualquier
"detonacin"
causada
por
el
carburante
174
ISOOCTANO
Figura 7.4
varan
mucho.
En
general
el
RON,
grosso
modo,
Algunos
factores
diseo/operacin
de Factores externos
Relacin decompresin
Tiempo de ignicin
Temperatura
Humedad
Temperatura de combustin
Factores de Diseo
175
hidrocarburos
con
las
sensibilidades
obtenidas
de
ellos,
RON + MON/2
gasolina atmosfrica
70
gasolina cataltica
86.2
89.9
producto de alquilacin
92.5
Tabla 7.2
176
que
se
reduzcan
los
costos,
los
tiempos
ciclo,
177
negocio
178
Project charter 46
Quin es el Cliente?
Cuando se decide llevar a cabo una investigacin, para poder
comenzar algn estudio sobre un tpico de inters, se deber por
46
179
toda la
180
181
Mantener
limpios
inyectores,
carburador,
cmara
de
48
CTQ: Critical to Quality (Crtico para la Calidad) por su traduccin al idioma espaol
182
1.- Altitud
* Manejar en ciudades al nivel del mar
* Manejar en ciudades sobre el nivel del mar
2.- Manejo del automvil
* Calentar el motor del automvil por ms de un minuto (funcionando
en vaco).
* Acelerar rpidamente estando la marcha en alto
* Velocidad de desplazamiento
* Transito denso
* Tipo de conductor agresivo o defensivo
* Usar aire acondicionado
3.- Mantenimiento del automvil
* Filtro de aire sucio
* Mantenimiento deficiente: frenos, aceite de motor, lubricacin,
afinacin, encendido, inyectores, bujas, etc.
* Presin de las llantas
4.- Caractersticas del Combustible
* Tipo de Gasolina usada en base a su Octanaje (Magna o Premium).
5.- Aerodinmica
* Carga extra sobre el automvil
- Eliminacin de factores de menor importancia.
183
Aunque
se
consume
hasta
un
50%
ms
de
combustible
en
Mantenimiento.
185
Muestra
Dato
Dato
Auditor
Muestra
Juan Torres
9.99
10.00
Juan Torres
15.00
15.00
Juan Torres
20.03
Juan Torres
Juan Torres
Dato
Dato
Isidro Glez
10.00
9.99
Isidro Glez
15.02
15.02
20.04
Isidro Glez
20.04
20.05
25.05
25.07
Isidro Glez
25.07
25.07
30.07
30.08
Isidro Glez
30.07
30.08
Juan Torres
35.08
35.10
Isidro Glez
35.09
35.09
Juan Torres
40.09
40.10
Isidro Glez
40.08
40.08
Juan Torres
45.07
45.09
Isidro Glez
45.07
45.08
Juan Torres
50.06
50.06
Isidro Glez
50.06
50.06
Box plot 49 .
Haciendo uso del programa Minitab, obtenemos en la siguiente
la grfica de caja para la cual sirve para revisar si no se tienen
observaciones inusuales. Ver la figura 7.5
49
186
B o x pl o t pa r a M i / G l
35
Mi / Gl
30
25
20
15
Prueba de Normalidad
El siguiente paso es el de revisar el tipo de distribucin que siguen los
datos obtenidos, esto es relevante debido a que se hace necesario el
llevar a cabo una serie de inferencias estadsticas a cerca del
comportamiento que tendrn los datos en el futuro, as como la
prediccin de comportamientos futuros de los procesos en estudio.
Por lo anterior se hace necesario el desarrollar un procedimiento de
prueba de Normalidad por medio del software llamado Minitab 50 , con
la prueba Anderson Darling 51
50
51
187
Prueba de Normalidad de Mi / Gl
Normal
99
Mean
StDev
N
AD
P-Value
95
90
24.67
5.498
24
0.386
0.364
Percent
80
70
60
50
40
30
20
10
5
10
15
20
25
Mi / Gl
30
35
40
Figura 7.6 El p-value es > 0.10, por tanto podemos seguir adelante con nuestro
estudio ya que la distribucin de datos sigue una distribucin de tipo Normal.
Descriptive Statistics 52
Con esta herramienta se revisarn los parmetros estadsticos
muestrales de nuestra Variable de Respuesta que para nuestro estudio
es la distancia en millas recorridas por galn de combustible.
La figura 7.7 se muestra a continuacin.
52
188
Summary for Mi / Gl
A nderson-Darling Normality Test
20
25
30
A -Squared
P-V alue
0.39
0.364
Mean
StDev
V ariance
Skewness
Kurtosis
N
24.667
5.498
30.232
0.350461
-0.991539
24
Minimum
1st Quartile
Median
3rd Quartile
Maximum
35
17.000
20.000
24.000
29.500
35.000
26.988
27.173
4.273
7.713
Mean
Median
20
22
24
26
28
Figura 7.7, se ratifica que el p-value es > 0.10, por tanto podemos asumir que nuestros
datos siguen una distribucin de tipo Normal, con una media de 24.667, y una varianza
de 30.232
Anlisis del Sistema de Medicin ASM.
El Sistema de Medicin que se probar en primera instancia ser el de
la presin de aire en las ruedas, este sistema consta de un
manmetro digital que medir la presin de aire, las unidades de
medicin sern psi, y la precisin ser de 0.01 psi 53 , dos operarios
tomando nueve lecturas con dos repeticiones. Los resultados del
estudio se muestran a continuacin:
53
PSI: pound square inche: Libra por pulgada cuadrada, por su traduccin al espaol
189
54
190
Components of Variation
Percent
By Sample a)
50
%Contribution
%Study Var
%Tolerance
1000
40
30
500
20
10
0
Gage R&R
Repeat
Reprod
Sample a)
Part-to-Part
R Chart by Auditor
Sample Range
0.03
By Auditor
J uan Torres
50
UCL=0.02717
40
0.02
30
0.01
R=0.01056
0.00
LCL=0
20
10
Auditor
Isidro Gonzlez
LCL=30.04
UCL=30.07
Mean=30.05
20
10
Auditor
50
40
30
Juan Torres
Auditor*Sample a) Interaction
Average
50
Sample Mean
Gage name:
Date of study:
Reported by:
T olerance:
Misc:
Isidro Gon
Juan Torre
40
30
20
10
Sample a)
191
55
192
GageR&RparaClusters
Reported by: E. Barajas, J. Morales, J. Ramirez
Tolerance: 0.1 mph
Misc:
DatabyCluster
400
%Contribution
Percent
%Study Var
64
%Tolerance
200
56
48
Gage R&R
Repeat
Reprod
Part-to-Part
Sample Range
R. Perez
_
R=0.1917
56
0.00
LCL=0
48
J. Luna
R. Perez
Auditor
XbarChartbyAuditor
UC
_
_ L=58.51
X=58.15
LCL=57.79
Average
Sample Mean
Auditor*ClusterInteraction
R. Perez
64
48
64
0.25
56
DatabyAuditor
UCL=0.6262
0.50
J. Luna
4
Cluster
RChartbyAuditor
J. Luna
Auditor
64
J. Luna
R. Perez
56
48
3
4
Cluster
193
7.4
20
25
30
A -S qua re d
P -V a lue
0 .3 9
0 .3 6 4
M ean
S tD e v
V a ria nce
S k e w ne ss
K urto sis
N
24 .6 6 7
5 .4 9 8
30 .2 3 2
0 .35 0 4 6 1
-0 .99 1 5 3 9
24
M inim um
1 st Q ua rtile
M e dia n
3 rd Q ua rtile
M a xim um
35
17 .0 0 0
20 .0 0 0
24 .0 0 0
29 .5 0 0
35 .0 0 0
26 .9 8 8
27 .1 7 3
9 5 % C o n f id e n c e I n t e r v a ls
4 .2 7 3
7 .7 1 3
M ean
Median
20
22
24
26
28
Objetivo Preliminar
Como primer paso se propone lo siguiente:
Consumo inicial de
Objetivo de
Objetivo
combustible al arranque
reduccin inicial
Preliminar
0.195 gallon/start
25%
0.26 gallon/start
Normal,
podemos
hacer
ciertas
suposiciones
194
195
30
35
Octanaje
87
92
Velocidad (MPH)
55
65
Tabla 7.5
Los valores de las variables o factores a los cuales con los cuales se
llevar a cabo el diseo experimental, se listan a continuacin:
Presin de Inflado en libras por pulgada cuadrada (psi) sern:
Nivel Bajo
Nivel alto
30 psi
35 psi
87 Octanos
92 octanos
196
lo
explica
la
especificacin
del
rango
de
65
Tabla 7. 6
198
una
vez
terminado
cada
experimento,
los
datos
Columna de
resultados
Tabla 7. 7
199
de
Experimentos,
el
cual
nos
proporcionar
suficiente
200
N am e
P resion
O ctanaje
V elocidad
Term
A
BC
ABC
AB
AC
0
10
20
Standardized Effect
30
40
Effect
3.000
3.833
Coef
24.667
1.500
1.917
SE Coef
T
0.1318 187.21
0.1318
11.38
0.1318
14.55
P
0.000
0.000
0.000
201
Velocidad
Presin*Octanaje
Presin*Velocidad
Octanaje*Velocidad
Presin*Octanaje*Velocidad
S = 0.645497
-9.333
0.500
0.333
-1.833
-0.500
R-Sq = 99.04%
-4.667
0.250
0.167
-0.917
-0.250
0.1318
0.1318
0.1318
0.1318
0.1318
-35.42
1.90
1.26
-6.96
-1.90
0.000
0.076
0.224
0.000
0.076
R-Sq(adj) = 98.62%
Tabla 7. 8
Anlisis de Varianza
N ame
P resion
O ctanaje
V elocidad
Term
B
A
BC
ABC
AB
0
10
20
Standardized Effect
30
40
Effect
3.000
Coef
24.667
1.500
SE Coef
0.1341
0.1341
T
183.99
11.19
P
0.000
0.000
202
Octanaje
Velocidad
Presin*Octanaje
Octanaje*Velocidad
Presin*Octanaje*Velocidad
S = 0.656790
3.833
-9.333
0.500
-1.833
-0.500
R-Sq = 98.95%
Tabla 7. 9
1.917
-4.667
0.250
-0.917
-0.250
0.1341
0.1341
0.1341
0.1341
0.1341
14.30
-34.81
1.86
-6.84
-1.86
0.000
0.000
0.080
0.000
0.080
R-Sq(adj) = 98.57%
Anlisis de Varianza mejorada
siguiente
paso
eliminaremos
la
triple
interaccin
N am e
P resion
O cta naje
V elocidad
Term
B
A
BC
AB
0
10
15
20
25
Standardized Effect
30
35
Effect
3.000
Coef
24.667
1.500
SE Coef
0.1430
0.1430
T
172.50
10.49
P
0.000
0.000
203
Octanaje
Velocidad
Presin*Octanaje
Octanaje*Velocidad
S = 0.700529
3.833
-9.333
0.500
-1.833
1.917
-4.667
0.250
-0.917
R-Sq = 98.73%
Tabla 7. 10
0.1430
0.1430
0.1430
0.1430
13.40
-32.64
1.75
-6.41
0.000
0.000
0.097
0.000
R-Sq(adj) = 98.38%
N ame
P resion
O ctanaje
V elocidad
Term
BC
10
15
20
25
Standardized Effect
30
35
Effect
3.000
3.833
Coef
24.667
1.500
1.917
SE Coef
0.1505
0.1505
0.1505
T
163.86
9.96
12.73
P
0.000
0.000
0.000
204
Velocidad
Octanaje*Velocidad
S = 0.737468
-9.333
-1.833
R-Sq = 98.51%
Tabla 7. 11
-4.667
-0.917
0.1505
0.1505
-31.00
-6.09
0.000
0.000
R-Sq(adj) = 98.20%
Tabla 7. 12
OPTIMIZACIN
205
99
Percent
90
50
10
1
-2
-1
0
1
D eleted Residual
2
1
0
-1
-2
15
30
35
2
Deleted Residual
Frequency
25
Fitted Value
8
6
4
2
0
20
-2
-1
0
1
D eleted Residual
1
0
-1
-2
2
8 10 12 14 16 18
O bser vation O r der
20
22 24
Objetivo de
Objetivo
Resultado
combustible al arranque
reduccin inicial
Preliminar
final
0.26 gallon/start
0.195
gallon/start
25%
0.13
gallon/start
Mejora
50%
206
59
Lo anterior es una nota que aparece en la pgina electrnica de la CONAE, dependencia pblica del
Gobierno de la Repblica Mexicana.
207
Conclusiones y recomendaciones
Por medio del Anlisis del Diseo
automotrices,
por
ende
la
determinacin
de
la
208
continua,
que
en
nuestro
caso
es
la
completa
209
Bibliografa
210
GASOLINA,
http://tq.educ.ar/tq03028/html/naftas.htm
211