IV Fase Analisis Yb

IV.
Fase de Anlisis
Curso de Yellow Belts
Dr. Primitivo Reyes Aguilar / agosto 2012/ www.icicm.com primitivo_reyes@yahoo.com 04455 52 17 49 12
IV. FASE DE ANLISIS DE LEAN SIGMA YELLOW BELTS
P. Reyes / agosto 2012
Contenido
IV. FASE DE ANLISIS........................................................................................................... 3 1. Introduccin .................................................................................................................... 3 2. Los 7 desperdicios ........................................................................................................... 9 Sobreproduccin ........................................................................................................... 10 Inventarios innecesarios ................................................................................................ 10 Reparaciones / Rechazos ............................................................................................... 10 Movimientos innecesarios............................................................................................. 11 Proceso adicional o Reproceso ...................................................................................... 11 Transportes innecesarios............................................................................................... 11 Esperas innecesarias ...................................................................................................... 11 Otros desperdicios ......................................................................................................... 12 3. Modelo lineal simple .................................................................................................... 12 4. Regresin lineal mltiple.............................................................................................. 16 Valor p (p value) ......................................................................................................... 17 5. Pruebas de hiptesis ..................................................................................................... 18 1. Conceptos bsicos ..................................................................................................... 18 Hiptesis nula ............................................................................................................. 18 Estadstico de prueba ................................................................................................. 18 Tipos de errores ......................................................................................................... 18 2. Pruebas de una y dos colas ........................................................................................ 19 Prueba de una cola ..................................................................................................... 19 Prueba de dos colas ................................................................................................... 20 Prueba de hiptesis para la media (sigma conocida) ................................................ 20 Prueba de hiptesis para la media (sigma desconocida, muestras pequeas) ......... 23 Pruebas de hiptesis de dos medias varianzas iguales ........................................... 24 6. Anlisis de varianza ....................................................................................................... 25 ANOVA una va............................................................................................................ 25 7. Otras herramientas ....................................................................................................... 28 Anlisis de causa raz ..................................................................................................... 28 Los cinco porqus .......................................................................................................... 29 5Ws 1H (o 2H) ............................................................................................................. 29 Anlisis del modo y efecto de falla (AMEF) ................................................................... 30
Pgina 2 de 31
IV. FASE DE ANLISIS
Definir Definir
Medir
Analizar Analizar
Mejorar Mejorar
Controlar Controlar
1. Introduccin
En esta fase se efectuar el anlisis de los datos obtenidos en la etapa de Medicin, con el propsito de conocer las relaciones causales tanto causas potenciales como comprobacin de causas raz. La informacin de este anlisis proporcionar evidencias de las fuentes de variacin y desempeo insatisfactorio, el cual es de gran utilidad para la mejora del proceso. Los objetivos de esta fase son: Aprender el uso de las herramientas de la fase de anlisis. Establecer causas potenciales, identificar las ms probables y comprobar las causas reales o raz. Identificar cules son las fuentes de variacin que se presentan en los procesos. Aplicar herramientas estadsticas para comprobar la significancia de los efectos de las causas reales y la correlacin entre variables.
Las herramientas que se incluyen en esta fase son (Tabla 4.1):
No.
1
Herramienta
Los 7 desperdicios (Muda)
Para qu es utilizada?
Identificar las diferentes formas de desperdicio para minimizarlos Diagrama con seis ramas correspondientes a causas potenciales por: mtodos, materiales, personal, mediciones, mquinas y ambiente. Se forma a travs de una lluvia de ideas de causas potenciales. El equipo identifica las causas potenciales ms probables para su comprobacin real.
Diagrama de Ishikawa / Diagrama de causa efecto / Diagrama de espina de pescado
Pgina 3 de 31
Diagrama de Interrelaciones
Diagrama 5W-1H
5-6
Anlisis de Regresin y Correlacin simple y mltiple
Diagrama de causas, efectos y sus interrelaciones de formato libre formado con lluvia de ideas de causas potenciales que tienen efectos que a su vez son causas de otros efectos y as sucesivamente. En cada causa o efecto se anotan las flechas que salen y las que llegan. Las causas ms probables son de las que salen ms flechas y los problemas potenciales son a los que llegan ms flechas. Programa de trabajo para la comprobacin de las causas ms probables, resultado de los diagramas de causa efecto y de interrelaciones. Especifica Qu comprobar, por qu, dnde, cmo, quin y cundo. Sirve para predecir el valor de una variable a partir de una o ms variables. Es usada para conocer las relaciones que existen entre las variables dependientes e independientes. Sirve para interpretar la significancia de variables y factores en diversos mtodos estadsticos Pruebas estadsticas para probar afirmaciones y teoras sobre causas potenciales y para verificar las mejoras: Conceptos bsicos - Estimacin puntual y por intervalo Media Proporcin Varianza - Pruebas de hiptesis Una media Dos medias Medias pareadas Una proporcin Una varianza Tabla de contingencia Igualdad de varianzas
Valor p
Pruebas de hiptesis
Pgina 4 de 31
ANOVA de una va
10
ANOVA de dos vas
11 12
Anlisis de causas raz 5 Porqus
13
3 x 5W 1H
14
AMEF (FMEA)
Para probar la significancia del efecto de diversos niveles o tratamientos de un factor. Sirve para analizar la variacin entre muestras y al interior de las mismas con sus varianzas Para probar la significancia del efecto de los tratamientos de un factor con una variable de bloqueo para reducir el error experimental. Permite identificar la causa raz para tomar la accin correctiva necesaria Permite identificar la causa raz a travs de una serie de preguntas sucesivas porqu Permite identificar la causa raz a travs de una serie de preguntas combinadas para colectar la mayor parte de la informacin sobre el problema Identificar las maneras en las cuales un proceso puede fallar para alcanzar los requerimientos crticos del cliente. Estimar el riesgo de causas especficas en relacin con estas fallas, para tomar acciones preventivas.
Medio ambiente
Clima hmedo Distancia de la agencia al changarro Frecuencia de visitas
Mtodos
Personal
Falta de supervi Falta de cin motivacin
Rotacin de personal Ausentismo
Posicin de exhibidores
Elaboracin de pedidos
Clientes con ventas bajas

Malos itinerarios Descompostura del camin repartidor
Seguimiento semanal Conocimiento de los mnimos por ruta
Qu produce bajas ventas Calidad del de Tortillinas producto Ta Rosa?

Tipo de exhibidor
Maquinara
Medicin
Materiales
Figura 4.1 Diagrama de Ishikawa

Pgina 5 de 31
Pgina 6 de 31
Que nos puede provocar Variacin d Durante el ciclo de cambio en la seccin del
13/0 2/4 0/4 1/2
Dance r Taco generador del motor Poleas guas
2/1 Bandas de
transmisin
Empaques de arrastre 1/1 Presin de aire de trabajo 0/3
Presin del dancer
5/2Drive principal
Voltaje del motor
5/1 1/4 1/4
Mal guiado Sensor de velocidad de lnea Sensor circunferencial
4/1
1/5 1/5
Ejes principales
Poleas de transmisin
Entrad Salida
Figura 4.2 Diagramas de interrelaciones
Identificar las fuentes de variacin.Cuando un proceso se encuentra fuera de las especificaciones permitidas, se tiene evidencia de que existe variacin. Una vez determinadas las causas de variacin, nos enfocaremos en los pocos vitales X que estn afectando la variable de respuesta y.
Pgina 7 de 31
P osibles Fuentes de la Variacin del P roceso

Variacin del proceso, observado (Zlp/Zlt y/ DPMO) Variacin del proceso, real Variacin dentro de la muestra Variacin de la medicin
Variacin originada por el calibrador
Reproducibilidad
Repetibilidad
Estabilidad
Linealidad Calibracin
Sesgo
La Repetibilidad y reproducibilidad (R&R), son los errores ms relevantes en la medicin.
Figura 4.3 Posibles fuentes de variacin del proceso.
QFD
FASE DE ANLISIS
Diagrama Causa Efecto
Diagrama de relaciones Diagrama de Ishikawa Diagrama de rbol
Definicin Y=X1 + X2+. .Xn CTQs = Ys Operatividad Medicin Y, X1, X2, Xn X's Causas potenciales
Anlisis del Modo y Efecto de Falla (AMEF)
Pruebas de hiptesis Diagrama de Flujo del Salidas de la Fase de Anlisis proceso X's vitales No Causa Raz? Si Causas raz validadas
o Causas raz validadas
Figura 4.4 El proceso de anlisis recomendado
Pgina 8 de 31

qu?
1 Tacogenerador de motor embobinador

cundo?
Abril 04
por qu?
1.1 Por variacin de voltaje durante el ciclo de cambio
cmo?
1.1.1 Tomar dimensiones de ensamble entre coples. 1.1.2 Verificar estado actual y especificaciones de escobillas. 1.1.3 tomar valores de voltaje de salida durante el ciclo de cambio.
dnde?
1804 Embob.
quin?
J. R.
2 Sensor circular y de velocidad de linea.
2.1 Por que nos genera una varin en la seal de referencia hacia el control de velocidad del motor embobinador 3.1 Por vibracin excesiva durante el ciclo de cambio
2.1.1 Tomar dimensiones de la distancia entre poleas y sensores. 2.1.2 Tomar valores de voltaje de salida de los sensores. 2.1.3 Verificar estado de rodamientos de poleas. 3.1.1 Tomar lecturas de vibracin en alojamientos de rodamientos 3.1.2 Comparar valores de vibraciones con lecturas anteriores. 3.1.3 Analizar valor lecturas de vibracin tomadas. 4.1.1 Verificar alineacin, entre poleas de ejes principales y polea de transmisin del motor. 4.1.2 Tomar dimensiones de poleas(dientes de transmisin). 4.1.3 Tomar dimensiones de bandas (dientes de transmisin) 4.1.4 Verificar valor de tensin de bandas.
Abril 04
1804 Embob.
U. P.
3 Ejes principales de transmisin.
Abril04
1804 Embob.
F. F.
4 Poleas de transmisin de ejes embobinadores .
4.1 Puede generar vibracin excesiva durante el ciclo de cambio.
Abril04
1804 Embob.
J. R. U. P.
Tabla 4.2 Programa 5W 1H para comprobacin de causas raz o reales
Resumen de la validacin de las causas

# de Causa 1 2 3 4
Causas
Ensamble de ojillos, bloques y contrapesos no adecuados en aspas. Amortiguadores daados. Desgaste de bujes en los carretes. Fabricacin y reemplazo de ejes y poleas no adecuados en ensamble de aspas. Desalineamiento de poleas y bandas de transmisin de aspas. Mtodo de Balanceo no adecuado. Desalineacin de pinolas en cuna.
Resultados
SI ES CAUSA RAIZ
Causa Raz
SI ES CAUSA RAIZ NO ES CAUSA RAIZ NO ES CAUSA RAIZ
5 6 7
SI ES CAUSA RAIZ
X X
SI ES CAUSA RAIZ NO ES CAUSA RAIZ
Tabla 4.3 Resumen de las causas raz encontradas
2. Los 7 desperdicios
Pgina 9 de 31
Las actividades que no agregan valor se clasifican como Muda: Las actividades por las que paga el cliente se considera que agregan valor. Imai proporciona 7 categoras comunes en la industria: Sobreproduccin Inventarios innecesarios Reparaciones / Rechazos Movimientos innecesarios Proceso adicional o reproceso Transportes innecesarios Esperas innecesarias
Sobreproduccin
Se refiere a producir de ms en un momento dado, se caracteriza por: Producir ms de lo que necesita el siguiente proceso o cliente Producir antes de lo que necesita el siguiente proceso o cliente Producir ms rpido de lo que necesita el siguiente proceso o cliente
Inventarios innecesarios
Son formas de inventario que no agrega valor o Muda: las partes, WIP, inventarios de materia prima, materiales indirectos y productos terminados, estos: Requieren espacio en la planta Requieren transporte Requieren montacargas Requieren transportadores Requieren personal adicional para su manejo Requieren el pago de un inters financiero por el costo de los materiales Adems el inventario almacenado en varias etapas puede ser afectado de estas formas: Se empolva, se deteriora, se hace obsoleto Se humedece, se daa en el manejo
Reparaciones / Rechazos
La reparacin o retrabajo de partes defectivas son una segunda oportunidad de producir partes buenas, las partes que ya no se pueden recuperar se convierten en desperdicio de recursos. Si hay defectos en una lnea continua elimina el flujo continuo. Se utilizan
Pgina 10 de 31
operadores y personal de apoyo para corregir problemas, excediendo el takt time. Tambin intervienen los proveedores en los retrabajos generando muda.
Movimientos innecesarios
El uso eficiente del cuerpo humano es crtico para el bienestar del operador, los movimientos extra innecesarios causan desperdicio de energas. Los operadores no deben caminar demasiado, cargar pesado, doblarse peridicamente, tener cosas lejos, repetir movimientos, etc. Se deben desarrollar nuevas herramientas para hacer el trabajo ms fcil, incluyendo el rediseo del layout con un enfoque ergonmico. Cada estacin debe ser analizada de acuerdo a los requisitos de ergonoma y movimientos.
Proceso adicional o Reproceso

Consiste de pasos adicionales o actividades en el proceso de manufactura, puede describirse como: Remover rebabas del proceso de manufactura Retrabajar piezas causadas por dados daados Agregar un proceso extra de manejo por falta de espacios Realizar un paso de inspeccin (no agregan valor) Repetir cambios al producto que sean innecesarios Mantener copias adicionales de informacin
Transportes innecesarios
Todas las formas de transporte son Muda (excepto el llevarle el producto al cliente), ya que implica el uso de montacargas, transportadores, movedores de pallets y camiones. La causa puede ser una distribucin de planta inadecuada, celdas mal diseadas, uso de proceso en lotes, tiempos de proceso largos, reas grandes de almacenamiento, o problemas de programacin. El transporte en general se debe minimizar.
Esperas innecesarias
El muda de espera ocurre cuando un operador est listo para la siguiente operacin, pero debe permanecer ocioso en espera, ya sea por falla en mquinas, falta de partes, actividades de seguimiento descuidadas o paros de lnea. Un tcnico de mantenimiento es espera de una refaccin es parte de muda. El muda de espera se caracteriza por: Operadores ociosos
Pgina 11 de 31
Fallas de maquinaria Tiempos de preparacin y ajuste muy largos Programacin de tareas no balanceado Flujo de materiales en lotes Reuniones largas e innecesarias
Otros desperdicios
Adems de los siete desperdicios clsicos listados previamente, otras fuentes son; Recursos mal utilizados Recursos subutilizados Conteos Bsqueda de herramientas o partes Sistemas mltiples Manejo excesivo de los productos Aprobaciones innecesarias Fallas mayores de mquinas Muda causado por enviar productos malos a los clientes Muda causado por proporcionar un mal servicio a los clientes
3. Modelo lineal simple

Considere el problema de predecir los resultados de una prueba (Y) para los estudiantes con base las horas de estudio (X) mostrada en la Tabla 4.4 siguiente:
Estudiante 1 2 3 4 5 6 7 8 9 10 Tiempo de estudio (horas) 60 40 50 65 35 40 50 30 45 55 Resultados de prueba (%) 67 61 73 80 60 55 62 50 61 70
Coeficiente de correlacin r: Establece si existe una relacin entre las variables y responde a la pregunta Qu tan evidente es esta relacin?"
Pgina 12 de 31
Correlacin Positiva Evidente 25

20
Correlacin Negativa Evidente

25
20
15 10 5 0 0 5 10 X 15 20 25
15
Y
10
5 0 0 5 10 X 15 20 25
Sin Correlacin
25
20
R=1
Y
R=-1
15
25 20 15
Correlacin Positiva
10
5
0
0 5 10 15 20 25
25
Correlacin Negativa
R=0
Y
20
15
10 5 0 0 5 10 X 15 20 25
10
5
0
0 5 10 15 20 25
R=>1
R=>-1
Fig. 4.5 Correlacin entre las variables X y Y En relacin al coeficiente de correlacin r se tiene: r se encuentra entre -1 y 1 Con r positiva la recta va hacia arriba a la derecha. Con r negativo va hacia abajo Con r = 0 no hay correlacin lineal, los puntos estn muy dispersos de la recta, puede haber un patrn curvilneo Cuando r = 1 o -1, todos los puntos est, sobre la recta.
Pgina 13 de 31
Tabla 4.5 Reglas empricas de correlacin
Pgina 14 de 31
La lnea de mejor ajuste o lnea de regresin lineal se obtiene con Minitab: La ecuacin matemtica de la lnea recta es:
Resultados de prueba (%) = 31.21 + 0.6955 Tiempo de estudio (horas) 85 80

Regression 95% CI S R-Sq R-Sq(adj) 4.47182 77.0% 74.2%
Fitted Line Plot
Resultados de prueba (%)
75 70 65 60 55 50 45 30 40 50 60 Tiempo de estudio (horas) 70
Figura 4.6 Recta de regresin lineal El error aleatorio es la diferencia entre el valor observado de Y y el valor promedio de Y para una Xo dada, este error se distribuye normalmente. En la ecuacin, 0 es la interseccin con el eje Y, 1 es la pendiente de la lnea. Se asume que para cualquier valor dado de X, los valores observados de Y varan de manera aleatoria con una distribucin normal. Tips en el anlisis de regresin: Tener cuidado en redondear errores, usar un mnimo de seis cifras significativas. Siempre graficar la lnea de regresin, para observar que si no ajusta haya errores de clculo Extrapolar la recta de regresin puede ser riesgoso, por ejemplo para Xo = 100 se puede estimar una Y de 100% de calificacin, lo cual no es creble. De la tabla de ANOVA obtenida con Minitab:
Regression Analysis: Resultados de prueba versus Tiempo de estudio
Pgina 15 de 31
The regression equation is Resultados de prueba (%) = 31.2 + 0.695 Tiempo de estudio (horas) Predictor Coef SE Coef T P Constant 31.212 6.465 4.83 0.001 Tiempo de estudio (horas) 0.6955 0.1342 5.18 0.001 S = 4.47182 R-Sq = 77.0% Analysis of Variance Source DF SS Regression 1 536.92 Residual Error 8 159.98 Total 9 696.90 R-Sq(adj) = 74.2% MS 536.92 20.00 F 26.85 P 0.001
Conclusin: como P value para Tiempo de estudio es menor a 0.05, esta variable independiente tiene un efecto o influencia significativa en la respuesta.
4. Regresin lineal mltiple

Es una extensin de la regresin lineal simple a ms variables independientes, por tanto se podra explicar una mayor proporcin de la variacin de y. El modelo de primer orden es:
Por ejemplo: Considere el problema de predecir las ventas mensuales en funcin del costo de publicidad. Calcular la ecuacin de regresin e identificar las variables significativas: MES Publicidad Ventas 1 1.2 101 2 0.8 92 3 1.0 110 4 1.3 120 5 0.7 90 6 0.8 82 7 1.0 93 8 0.6 75 9 0.9 91 10 1.1 105
Pgina 16 de 31
Con Minitab se obtiene:

Regression Analysis: Ventas versus MES, Publicidad
The regression equation is Ventas = 50.8 - 0.499 MES + 50.9 Publicidad Predictor Constant MES Publicidad S = 7.11821 Coef 50.82 -0.4991 50.88 SE Coef 12.46 0.8089 11.03 T 4.08 -0.62 4.61 P 0.005 0.557 0.002
R-Sq = 77.8%
R-Sq(adj) = 71.5%
Conclusin: La variable Publicidad es la que tiene una influencia significativa en las ventas
Valor p (p value)
El mtodo tradicional de prueba de hiptesis compara un estadstico de prueba a un valor crtico de probabilidad pre determinado conocido como alfa (). El valor ms comn es 5%, aunque tambin se utiliza 1% para situaciones ms crticas. Un valor p es la probabilidad de obtener un valor del estadstico muestral de la prueba que es al menos tan extremo como el encontrado con los datos de la muestra (asumiendo que el valor hipotetizado es correcto) O sea que un valor pequeo de p es indicador de que la hiptesis nula es falsa, los paquetes estadsticos proporcionan el valor exacto de p. Alfa o valor p Comentarios P > 5% No hay evidencia de diferencia significativa 1 < p < 5% Hay diferencia estadsticamente significativa P <= 1% Hay una alta diferencia estadstica significativa Tabla 4.6 Criterios de significancia del valor P Ejemplo: tomando los resultados de Minitab del ejemplo anterior se tiene:
Regression Analysis: Resultados de prueba versus Tiempo de estudio
Se proporciona la ecuacin de regresin, el coeficiente de determinacin y los valor P en regresin y ANOVA.

Pgina 17 de 31
El valor de p value del coeficiente Beta 1 de 0.001 indica una ecuacin vlida y el estudiante debe dedicar varias horas al estudio. El coeficiente de determinacin fue de 0.77 por lo que el coeficiente de correlacin es de 0.8775. El valor p value de la regresin es de 0.001 indicando que el coeficiente de correlacin es significativo.
5. Pruebas de hiptesis
1. Conceptos bsicos
Se revisan algunos conceptos bsicos:
Hiptesis nula
Es la hiptesis que se desea probar, se establece a partir del problema y se indica como Ho. Por ejemplo: Al investigar si una semilla mejora el rendimiento. Ho: R1 = R2 Se trata de probar si el promedio del proceso A es mayor que el promedio del proceso B. Ho: A <= B La hiptesis nula solo puede rechazarse o no rechazarse (no se puede aceptar), cuando se rechaza la Ho, se acepta la hiptesis alterna (su complemento) Ha.
Estadstico de prueba
Para probar la hiptesis nula, se calcula un estadstico de prueba a partir de los datos de la muestra, para que despus se compare con un valor crtico apropiado, para tomar una decisin sobre la hiptesis nula.
Tipos de errores
Cuando se formulan conclusiones en relacin a una poblacin con base en datos de una muestra, se pueden cometer dos tipos de errores: Error tipo I: se comete cuando la Ho es rechazada, siendo en realidad verdadera. Se denomina error Alfa. Por ejemplo, se rechaza un producto comprado cuando en realidad es bueno (riesgo del productor). Error tipo II: se comete cuando no se rechaza la Ho, cuando en realidad debe ser rechazada. Por ejemplo se acepta un producto comprado cuando en realidad es malo (riesgo del consumidor).
Pgina 18 de 31
El grado de riesgo alfa, normalmente se acuerda entre las partes (siendo el ms comn 5%). Es deseable un bajo sin embargo se incrementa el error . Para un mismo tamao de muestra y estn relacionados inversamente. Al incrementar el tamao de muestra se reducen ambos y .
Tabla 4.7 Errores tipo I y tipo II en las pruebas de hiptesis
2. Pruebas de una y dos colas

Cualquier prueba de hiptesis tiene asociado un riesgo (error tipo I rechazar Ho verdadera). Este factor se utiliza para determinar el valor crtico del estadstico de prueba que se compara con el valor del estadstico muestral calculado.
Prueba de una cola

Si se establece la hiptesis alterna si un valor es ms grande o ms pequeo que un valor poblacional, el riesgo alfa se coloca en un lado de la curva de la distribucin. Esto se llama prueba de una cola. Por ejemplo para Ha: Media >35 horas:
Pgina 19 de 31
En caso de ser Ha: Media < 20%
Figura 4.7 Pruebas de cola derecha (Ha >) y cola izquierda (Ha <) Determinar si la media verdadera se encuentra dentro de la regin crtica o de rechazo Alfa.
Prueba de dos colas

Si la hiptesis alterna se establece para probar si ha ocurrido un corrimiento de la poblacin en cualquier direccin, el error se distribuye en los dos extremos de la curva normal. Por ejemplo: Ha: Los niveles de salario de la empresa A difieren de los de la B o Ha: los niveles son y Ho: los niveles son iguales:
Figura 4.8 Pruebas de dos colas (Ha <>)
Prueba de hiptesis para la media (sigma conocida)

La hiptesis nula es Ho y la hiptesis nula es H1, el valor fijo de comparacin es 0.
Pgina 20 de 31
Dependiendo del signo de la hiptesis alterna H1, si es > se trata de una prueba de cola derecha, si es < es una prueba de cola derecha y si es una prueba de dos colas. Ejemplo: el tiempo promedio que una persona ahorra en un banco es de 5 aos con una desviacin estndar de 0.12 aos. Se verificaron 5 cuentas nuevas resultando en 5.10, 4.90, 4.92. 4.87, 5.09, 4.89, 4.95 y 4.88 Se puede afirmar con un 95% de confianza que las nuevas cuentas se guardan por un periodo ms corto que el original?
es una prueba de cola izquierda Instrucciones de Minitab: Stat > Basic statistics > 1 Sample Z Samples in columns Datos Standard deviation 0.12 Sel. Perform hypothesis test Hypothesized mean 5 Options Confidence level 95% Alternative Less Than OK Se obtienen los resultados siguientes:
One-Sample Z: Tiempo prom Test of mu = 5 vs < 5 The assumed standard deviation = 0.12 Variable Tiempo prom N 8 Mean 4.9500 StDev 0.0929 SE Mean 0.0424 95% Upper Bound 5.0198 Z -1.18 P 0.119
Como el P value 0.119 es mayor a 0.05 y no se encuentra en la regin de rechazo, no puede rechazarse Ho.
-1.645
-1.18
Coef icien te deRel Figura 4.9 Prueba de hiptesis para Ho: Media >= 5, no se rechaza Ho. corr elaci Pgina 21 de 31 n
Pgina 22 de 31
Prueba de hiptesis para la media (sigma desconocida, muestras pequeas)

Para este caso se utiliza la distribucin t de Student (usada cuando n < 30). Se sigue el mismo procedimiento que en el caso anterior. El valor P se compara con 0.05. Ejemplo: La media de ingresos de un hospital es de 880. Se est evaluando un nuevo programa de mercadotecnia durante 25 das (n = 25) con un rendimiento de 900 y desviacin estndar de 20. Se puede decir a un 95% de confianza que el ingreso ha cambiado?
Se trata de una prueba de dos colas Instrucciones de Minitab: Stat > Basic statistics > 1 Sample t Summarized data sample size 25 Mean 900 Standard deviation 20 Sel. Perform hypothesis test Hypothesized mean 880 Options Confidence level 95% Alternative Not equal OK Se obtienen los resultados siguientes:
One-Sample T Test of mu = 880 vs not = 880 N Mean StDev SE Mean 95% CI 25 900.00 20.00 4.00 (891.74, 908.26) T 5.00 P 0.000
Como el valor P value de 0.000 es menor a 0.05, se rechaza la Ho y se concluye al 95% de nivel de confianza que el ingreso ha cambiado. Figura 4.10 Prueba de hiptesis para Ho: Media = 880, se rechaza Ho. La media cambi
0.025
2.064
0.025
P value = 0.000
Pgina 23 de 31
Ejercicio 1: Una nueva buja se prueba para desgaste. Una muestra de seis bujas dieron los resultados siguientes: 58, 49, 44, 50 y 47 milsimas de pulgada de desgaste. El diseo clsico tiene un desgaste promedio de 55, a un 95% de nivel de confianza es mejor el nuevo diseo? Ejercicio 2: Un experimento muy caro se evala para producir diamantes sintticos por una nueva tcnica, se han generado cinco de ellos con pesos: 0.46, 0.61, 0.52, 0.57 y 0.54 quilates. Si el peso promedio se encuentra por encima de los 0.50 quilates el proyecto es rentable, probar esto a un 95% de nivel de confianza cul es la recomendacin? Pasos de la prueba de hiptesis: En los ejemplos anteriores, los pasos seguidos fueron: Paso 1. Establecer las hiptesis Ho y H1 (la Ho siempre lleva el signo =, <=, >=) Paso 2. Calcular P value con Minitab Paso 3. Comparar P value con 0.05 Paso 4. Si P value es menor a 0.05, rechazar Ho de otra forma no habr evidencia suficiente para rechazarla
Pruebas de hiptesis de dos medias varianzas iguales

Prueba la diferencia entre 2 medias muestrales cuando se conocen las varianzas de las poblaciones y se consideran iguales. Las hiptesis son las siguientes:
Con Sp = desviacin estndar conjunta
Pgina 24 de 31
Ejemplo: Comparar el peso de productos en dos mquinas

M1 3.125 3.12 3.135 3.13 3.125 M2 3.11 3.095 3.115 3.12 3.125
Instrucciones de Minitab: Stat > Basic statistics > 2 Sample t Samples in different columns First M1 Second M2 Sel. Assume equal variances Options Confidence level 95% Test difference 0.0 Alternative Not equal OK Los resultados son los siguientes:
Two-Sample T-Test and CI: M1, M2
Two-sample T for M1 vs M2 N Mean StDev SE Mean M1 5 3.12700 0.00570 0.0025 M2 5 3.1130 0.0115 0.0051 Difference = mu (M1) - mu (M2) Estimate for difference: 0.01400 95% CI for difference: (0.00075, 0.02725) T-Test of difference = 0 (vs not =): T-Value = 2.44 DF = 8 Both use Pooled StDev = 0.0091
P-Value = 0.041
Conclusin: Como el valor P value de 0.041 es menor a 0.05, se rechaza la Ho y se concluye al 95% de nivel de confianza que las medias de las mquinas son diferentes.
6. Anlisis de varianza
ANOVA una va
En muchas investigaciones es necesario comparar tres o ms medias poblacionales simultneamente, los supuestos antes de realizar la prueba son: La varianza es la misma para todos los tratamientos o niveles del factor Las mediciones individuales dentro de cada tratamiento estn normalmente distribuidas El trmino de error o residuales se considera que tienen un efecto aleatorio normal e independientemente distribuido.
Pgina 25 de 31
http://www.uncp.edu/home/frederick/DSC510/m510ANOVA.htm
Figura 4.11 Prueba de hiptesis ANOVA, prueba la igualdad de varias medias a la vez Con el ANOVA, las variaciones en las mediciones de la respuesta se particionan en componentes que reflejan el efecto de una o ms variables independientes. Ho: Media 1 = Media 2 = . Media n Ha: Alguna media es diferente de las dems Ejemplo de datos: se mide la resistencia de la tela de algodn cuando se cambia el porcentaje de algodn contenido en la misma, se trata de probar si el porcentaje de algodn en la tela no tiene efecto en su resistencia. Los datos se muestran a continuacin.
Peso porc. de algodn 15 20 25 30 35 Respuesta Resistencia de la tela 7 15 17 12 18 18 25 22 10 11
7 12 14 19 7
11 18 19 19 15
9 18 19 23 11
Pgina 26 de 31
Ejemplo: Se comparan las salidas de tres mquinas, determinar si hay una diferencia significativa en alguna de ellas. M1 5, 7, 6, 7, 6 M2 2, 0, 1, -2, 2 M3 1, 0, -2, -3, 0
Instrucciones de Minitab: Stat > ANOVA > One Way (unstacked) Responses (in separate columns) M1 M2 M3 Confidence level 95% OK Se obtienen los resultados siguientes:
One-way ANOVA: M1, M2, M3 Source Factor Error Total DF 2 12 14 SS 137.20 24.80 162.00 MS 68.60 2.07 F 33.19 P 0.000
S = 1.438
R-Sq = 84.69%
R-Sq(adj) = 82.14%
Level M1 M2 M3
N 5 5 5
Mean 6.200 0.600 -0.800
StDev 0.837 1.673 1.643
Individual 95% CIs For Mean Based on Pooled StDev ---------+---------+---------+---------+ (-----*----) (----*-----) (-----*----) ---------+---------+---------+---------+ 0.0 2.5 5.0 7.5
Pooled StDev = 1.438
Conclusin: Como el valor P value de 0.000 es menor a 0.05, se rechaza la Ho y se concluye al 95% de nivel de confianza que la media de la mquina M1 es diferente de las dems, como se muestra en las grficas.
Pgina 27 de 31
7. Otras herramientas
Anlisis de causa raz
L a solucin a un problema puede tomar varios pasos: Situacin La presa tiene fuga Accin inmediata Taparle Accin intermedia Poner un parche Accin de causa raz Buscar la causa de la fuga y reconstruir la presa Analizar el proceso y tomar accin para eliminar la produccin de partes defectuosas
Partes fuera de especificaciones
Inspeccin 100%
Poner un dispositivo de prueba en la lnea
Para ayudar a localizar el problema verdadero del sistema, se pueden utilizar diversas herramientas como son: Herramientas subjetivas Preguntar por qu, por qu, por qu,. Tormenta de ideas Anlisis de flujo de proceso Planear hacer verificar actuar Solucin sistemtica de problemas Tcnica de grupo nominal Observacin de operador Diagramas de causa efecto Ejercicios de consenso Seis sombreros de pensamiento Uso de equipos FMEA / rbol de fallas Herramientas analticas Coleccin y anlisis de datos Anlisis de Pareto Anlisis de regresin Hojas de verificacin Matriz de anlisis de datos Anlisis de capacidad de procesos Particin de variacin Subgrupos de datos Experimentos simples Diseo estadstico de experimentos Pruebas analticas (Chi cuadrada, F, Z, t) Cartas de control
Cuando se proponen acciones correctivas permanentes, la administracin debe determinar si: El anlisis de causa raz ha identificado la extensin completa del problema La accin correctiva es satisfactoria para eliminar o prevenir la recurrencia La accin correctiva es realista y sustentable
Pgina 28 de 31
Los cinco porqus

El mtodo de los 5 porqus para el anlisis de causa raz se describe como hacer cinco veces la pregunta Por qu?, por ejemplo: Sntoma: Los embarques al cliente no llegan a tiempo: 1. Por qu? Nos atrasamos porque fall la troqueladora 2. Por qu? No se le ha dado mantenimiento durante tres meses 3. Por qu? Se redujo el personal de mantenimiento de ocho a seis personas 4. Por qu? El departamento de mantenimiento excedi su presupuesto por los costos de tiempo extra, el director elimin el tiempo extra y pidi una reduccin del 25% 5. La empresa no logr los resultados planeados de modo que el director orden evitar todos los gastos innecesarios Las cinco preguntas no son mandatorias, si no hay necesidad de preguntar ms pararle y si hay necesidad hacer ms preguntas.
5Ws 1H (o 2H)
Es una tcnica ya comn, se origin con periodistas que preguntaban para conseguir la historia completa, se trata de preguntar Quin?, Qu?, Cundo?, Dnde?, Por qu? Y Cmo?. En el rea de calidad se aplica en cada rama del diagrama de Ishikawa para llegar a la causa raz. El orden de las Ws cambia dependiendo la fuente de referencia. La tcnica busca en un problema o sntoma desde varios puntos de vista de modo de incluir tanta informacin como sea requerida para ayudar a determinar la causa raz.
Pgina 29 de 31
Anlisis del modo y efecto de falla (AMEF)

Herramienta para anticipar acciones preventivas a problemas potenciales. El Anlisis de del Modo y Efectos de Falla es un grupo sistematizado de actividades para: Reconocer y evaluar fallas potenciales y sus efectos. Identificar acciones que reduzcan o eliminen las probabilidades de falla. Documentar los hallazgos del anlisis. Modo de falla es la forma en que un producto o proceso puede fallar para cumplir con las especificaciones. Efecto: es el impacto en el cliente, siguiente proceso o mismo proceso cuando el modo de falla no se previene ni se corrige. Se deben buscar efectos locales, en procesos subsecuentes y con el cliente final. Se llenan los campos del siguiente formato: Proceso o funcin Modo potencial de falla Efecto potencial de falla Severidad (1 a 10) Causas potenciales o mecanismos de falla Ocurrencia (1 a 10) Controles de diseo o de proceso preventivos y de deteccin Deteccin (10 a 1) Determinar el nivel de riesgo RPN = Severidad * Ocurrencia * Deteccin Atender las severidades 9 y 10 y los niveles de riesgo RPN ms altos. Al final despus del anlisis: Para todos los CTQs Listar todas las acciones sugeridas, qu persona es la responsable y fecha de terminacin. Describir la accin adoptada y sus resultados. Recalcularla ocurrencia, deteccin y nmero de prioridad de riesgo.
Pgina 30 de 31
ANALISIS DEL MODO Y EFECTO DE FALLA AMEF de Diseo

AMEF Nmero _________________ Pagina _______de _______ FECHA (orig.) de FMEA ______(rev.) ______ Prepar _______________
Componente ______________________ Responsable del Diseo ____________
Ensamble ________________
Equipo de Trabajo ___________
Resultados de Accin C S Causa(s) l e Potencial(es) / a v Mecanismos s . de la falla e O Controles Controles de c de Diseo Diseo c Actuales Actuales u Prevencin Deteccin r D e R Accin (es) Responsable t P Recomenda y fecha objetivo da (s) de Terminacin e N c Acciones Tomadas S O D R e c e P v c t N
Modo Efecto (s) Artculo / Potencial Potencial Funcin de Falla (es) de falla
Pgina 31 de 31

IV Fase Analisis Yb

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

IV Fase Analisis Yb

Hochgeladen von

Copyright:

Verfügbare Formate

IV.

IV. FASE DE ANLISIS DE LEAN SIGMA YELLOW BELTS

P. Reyes / agosto 2012

IV. FASE DE ANLISIS DE LEAN SIGMA YELLOW BELTS

P. Reyes / agosto 2012

IV. FASE DE ANLISIS

Las herramientas que se incluyen en esta fase son (Tabla 4.1):

Diagrama de Ishikawa / Diagrama de causa efecto / Diagrama de espina de pescado

IV. FASE DE ANLISIS DE LEAN SIGMA YELLOW BELTS

P. Reyes / agosto 2012

Anlisis de Regresin y Correlacin simple y mltiple

IV. FASE DE ANLISIS DE LEAN SIGMA YELLOW BELTS

P. Reyes / agosto 2012

ANOVA de dos vas

Anlisis de causas raz 5 Porqus

Rotacin de personal Ausentismo

Clientes con ventas bajas

Seguimiento semanal Conocimiento de los mnimos por ruta

Qu produce bajas ventas Calidad del de Tortillinas producto Ta Rosa?

Figura 4.1 Diagrama de Ishikawa

IV. FASE DE ANLISIS DE LEAN SIGMA YELLOW BELTS

P. Reyes / agosto 2012

IV. FASE DE ANLISIS DE LEAN SIGMA YELLOW BELTS

P. Reyes / agosto 2012

13/0 2/4 0/4 1/2

Dance r Taco generador del motor Poleas guas

Empaques de arrastre 1/1 Presin de aire de trabajo 0/3

Presin del dancer

5/1 1/4 1/4

Mal guiado Sensor de velocidad de lnea Sensor circunferencial

Figura 4.2 Diagramas de interrelaciones

IV. FASE DE ANLISIS DE LEAN SIGMA YELLOW BELTS

P. Reyes / agosto 2012

P osibles Fuentes de la Variacin del P roceso

La Repetibilidad y reproducibilidad (R&R), son los errores ms relevantes en la medicin.

Figura 4.3 Posibles fuentes de variacin del proceso.

Diagrama Causa Efecto

Diagrama de relaciones Diagrama de Ishikawa Diagrama de rbol

Anlisis del Modo y Efecto de Falla (AMEF)

o Causas raz validadas

Figura 4.4 El proceso de anlisis recomendado

IV. FASE DE ANLISIS DE LEAN SIGMA YELLOW BELTS

P. Reyes / agosto 2012

2 Sensor circular y de velocidad de linea.

3 Ejes principales de transmisin.

4 Poleas de transmisin de ejes embobinadores .

4.1 Puede generar vibracin excesiva durante el ciclo de cambio.

Tabla 4.2 Programa 5W 1H para comprobacin de causas raz o reales

Resumen de la validacin de las causas

SI ES CAUSA RAIZ NO ES CAUSA RAIZ NO ES CAUSA RAIZ

SI ES CAUSA RAIZ NO ES CAUSA RAIZ

Tabla 4.3 Resumen de las causas raz encontradas

IV. FASE DE ANLISIS DE LEAN SIGMA YELLOW BELTS

P. Reyes / agosto 2012

IV. FASE DE ANLISIS DE LEAN SIGMA YELLOW BELTS

P. Reyes / agosto 2012

Proceso adicional o Reproceso

IV. FASE DE ANLISIS DE LEAN SIGMA YELLOW BELTS

P. Reyes / agosto 2012

3. Modelo lineal simple

IV. FASE DE ANLISIS DE LEAN SIGMA YELLOW BELTS

P. Reyes / agosto 2012

Correlacin Positiva Evidente 25

Correlacin Negativa Evidente

Componente __________ Responsable del Diseo