Professional Documents
Culture Documents
DEL PROCESO
CONTENIDO
1. Importancia de la mejora continua
2. Mtodos y filosofa del CEP
3. Cartas de control por variables
4. Cartas de control por atributos
5. Cartas de control especiales
6. Anlisis de la capacidad del proceso
7. Mtodos para el proceso de mejora
continua
8. Mtodos de muestreo por atributos
9. Mtodos de muestreo por variables
1. Importancia de
la mejora continua
1. Importancia de la mejora
continua
PRODUCTO DEFECTIVO: No cumple una o
varias especificaciones
DEFECTO: Carcterstica especfica de un
producto que no cumple especificaciones
CARACTERISTICAS DEL PRODUCTO
Fsicas: Longitud, peso
Sensoriales: apariencia
Relacionadas con el uso: confiabilidad,
duracin, servicio, disponibilidad
10
11
12
Separa buenos
de malos
Ni asegura
Ni mejora
Auditora Proc.
Investigacin
de Causas
Control Estadstico
del Proceso CEP
Ayuda a estabilizar
el proceso
Mejora pero
no evita los def.
En la Fuente
EVITA EL ERROR
IMPIDE DEFECTOS
13
15
10
5
Carta X
LCS
LSC
Promedio
MEDIA
LIC
LCI
Perfil
0
14
Variables de
Entrada/Factores
Caracterstica
de calidad
Proceso
15
MUESTRA
OK?
LOTE
16
17
Documentos
controlados
ISO 9000:2000
1. Manual
de Calidad
Poltica
Implantacin de
2. Procedimientos la poltica
3. Instructivos
Registros
de calidad
Formatos Vacios
Formatos Llenos
El Cmo de los
procedimientos
4. Formatos
y Registros
Planes de Calidad
18
19
20
21
2. Mtodos y filosofa
del control estadstico de
proceso (CEP)
22
No existen en la naturaleza
dos cosas exactamente iguales,
ni siquiera los gemelos, por tanto la
variacin es inevitable y es analizada por
la Estadstica
23
2...La Estadstica
La estadstica nos proporciona mtodos para organizar
y resumir informacin, usndola para obtener diversas
conclusiones
Por ejemplo, s deseamos saber el promedio de peso de
las personas en una poblacin tenemos dos opciones:
Pesar a todas y cada una de las personas, anotar y
organizar los datos, y calcular la media.
Pesar solo una porcin o subconjunto de la poblacin
(muestra). Registrar y organizar los datos y calcular la
media de la muestra, tomndola para pronosticar o
Inferir la media de toda la poblacin.
24
2..Definiciones
Poblacin: Es la coleccin de todos los elementos (piezas,
personas, etc.). En nuestro caso sera un nmero infinito de
mediciones de las caractersticas bajo estudio.
Muestra: Es una parte o subconjunto representativo de la
poblacin, o sea un grupo de mediciones de las caractersticas.
Variable aleatoria: es una funcin o regla que asigna uno y
slo un valor de una variable " y" a cada evento en el espacio
muestral. En este caso representa una medicin particular.
Distribucin: Es la forma del patrn de variacin
observado. .
25
2..Definiciones
Estadstico: Es una medicin tomada en una muestra que sirve para
hacer inferencias en relacin con una poblacin (media de la muestra,
desviacin estndar de la muestra).
Normalmente es una variable aleatoria y tiene asociada una distribucin.
26
2..Histograma
El Histograma es una grfica de las frecuencias que presenta
los diferentes valores de medicin y su frecuencia.
Una tabla de frecuencias lista los valores y su frecuencia:
VALOR
35
36
37
38
39
40
FREC.
1
2
3
6
8
10
VALOR
41
42
43
44
45
FREC.
7
6
4
2
1
27
2...Histograma de Frecuencia
Media
TAMAO
TAMAO
TAMAO
M
E
D
I
C
I
O
N
E
S
TAMAO
TAMAO
28
2...Histograma de Frecuencia
Permite ver la distribucin de la frecuencia con la que ocurren las cosas en
los procesos de manufactura y administrativos.
La variabilidad del proceso se representa por el ancho del histograma, se
mide en desviaciones estndar o , 3 cubre el 99.73%.
LIE
LSE
DEFINICION
Un Histograma es la organizacin de un nmero de
datos muestra que nos permite
visualizar al
proceso de manera objetiva.
29
POSICIN
AMPLITUD
FORMA
30
Fi*Xi
X
Fi
i 1
Donde,
Fi = Frecuencia de cada medicin
xi = Valor de cada medicin
individual
31
2...Grficas de caja
Permite identificar la distribucin de los datos,
muestra la mediana, bases y extremos.
Mediana = dato intermedio entre un grupo de datos
ordenados en forma ascendente
Mediana inferior
Mediana superior
Mediana
Valor
mnimo
Valor
mximo
DEFINICION:
Es una ayuda grfica para ver la variabilidad
de los datos.
32
2...Medidas de variabilidad o
Dispersin Desviacin Estndar
S es usada cuando los datos corresponden a una muestra de la poblacin.
Como es el caso de una muestra de mediciones.
tpicamente es usada si se est considerando a toda la poblacin
n
(Fi*Xi2 )- [(Fi*Xi)]2/n
s =
(xi - x)2
=
i=1
n-1
i=1
33
2..Medidas de
Dispersin- Rango, CV
Rango: Valor Mayor Valor menor
Coeficiente de variacin: (Desv. Estndar / Media )*100%,
Se usa para comparar datos en diferentes niveles de media o tipo.
Por ejemplo:
Material No. de
Media
Observaciones Aritmtica
n
A
160
1100
B
150
800
Desviacin
Estndar
s
225
200
Coeficiente
de Variacin
Srel
0,204
0,250
34
35
2...Mtodo Manual
Fi
1
3
6
3
2
1
SFi
X2i
35
1225
1369
1444
1521
1600
SX2i
Fi*Xi
35
108
222
114
78
40
SFiXi
Fi*X2i
35
3675
8214
4332
3042
1600
SFiX2i
36
2...Clculos en Excel
37
2...Ejercicio de Histogramas
Datos:
6.40
6.39
6.39
6.40
6.41
6.37
6.39
6.40
6.40
6.38
6.42
6.40
6.38
6.41
6.40
6.41
6.38
6.43
6.41
6.39
6.41
6.38
6.35
6.40
6.39
6.42
6.41
6.37
6.43
6.40
6.37
6.40
6.43
6.42
6.43
6.39
6.39
6.42
6.42
6.38
6.42
6.39
6.40
6.44
6.38
6.36
6.45
6.44
6.41
6.36
38
FRECUENCIA
7
12
19
16
8
4
39
Marcas de clase
Son los puntos medios de las clases (del ejemplo 3, 8, 13, 18, 23 y 28)
Fronteras de clase
Se obtienen al incrementar los lmites superiores de clase y al decrementar los
inferiores en una cantidad igual a la media de la diferencia entre un lmite
superior de clase y el siguiente lmite inferior de clase (en el ejemplo, las fronteras
de clase son 0.5, 5.5, 10.5, 15.5, 20.5, 25.5 y 30.5)
Ancho de clase
Es la diferencia entre dos lmites de clase inferiores consecutivas(en el ejemplo,
es 5).
40
21
25
33
30
27
31
25
35
37
44
43
42
39
43
40
38
37
36
42
41
44
32
45
46
47
45
54
52
50
48
49
47
48
49
47
52
51
50
49
58
59
61
62
63
59
61
66
76
70
42
Frec.
6
4
2
0
44
Fi*Xi
x
Fi
i 1
Donde,
Fi = Frecuencia de cada observacin
xi = Valor de cada marca de clase
45
s =
i=1 (xi - x)
n
46
2...Histograma en Excel
Frequency
0
4
6
15
15
7
2
1
47
2...Histograma en Excel
48
2...Histograma en Excel
Frequency
Histogram
20
10
0
Frequency
Bin
49
Ejercicio
Datos:
19.5
19.6
21.3
21.3
21.3
21.4
21.3
21.3
21.3
21.3
21.2
20.9
21.4
19.5
21.4
21.3
21.4
21.5
19.6
21.3
21.4
21.3
21.5
19.7
19.8
19.8
21.0
21.4
20.6
21.4
21.5
19.9
19.7
21.3
21.3
19.8
21.6
21.4
20.4
21.5
21.4
21.4
21.4
21.5
21.4
21.4
21.4
19.8
19.6
19.8
21.5
21.2
21.2
21.3
19.4
19.5
21.4
21.3
21.4
21.2
21.3
21.4
21.3
21.6
19.7
21.4
20.1
19.8
19.9
21.3
21.3
19.4
19.8
21.3
21.3
21.2
21.2
21.3
21.4
21.6
21.6
21.4
21.4
21.5
19.8
20.2
21.3
19.4
19..4
21.1
21.3
19.5
20.2
21.4
19.7
21.4
20.1
21.3
21.4
21.5
50
2...La Distribucin
Normal
51
52
x-3s
x-2s
x-s
x+s
x+2s
x+3s
53
X
x-3
x-2
x-
x+
x+2
x+3
z
-3
-2
-1
54
68%
34% 34%
+1s
95%
+2s
99.73%
+3s
55
2...El valor de z
Determina el nmero de desviaciones estndar
entre algn valor
Donde es
poblacin.
x y la media de la poblacin, .
la
desviacin
estndar
de
la
z= x-
56
70
80
90
100
110
120 130
68%
34% 34%
90
13.5%
80
2.356%
13.5%
70
110
68%
13.5%
34% 34%
95%
68%
13.5%
34% 34%
99.73%
120
2.356%
130
57
LSE
Especificacin
superior
LIE
Especificacin
inferior
s
xi
_
X
58
2...reas bajo la
curva normal
59
60
61
62
-1.42
85.36
63
64
87
2...Ejercicios
Considere
Considere una
una media
media de
de peso
peso de
de estudiantes
estudiantes de
de 75
75
Kgs.
Kgs. con
con una
una desviacin
desviacin estndar
estndar de
de 10Kgs.
10Kgs.
Contestar
Contestar lo
lo siguiente:
siguiente:
1.
1. Cul
Cul es
es la
la probabilidad
probabilidad de
de que
que un
un estudiante
estudiante pese
pese
ms
ms de
de 85Kgs.?
85Kgs.?
2.
2. Cul
Cul es
es la
la probabilidad
probabilidad de
de que
que un
un estudiante
estudiante pese
pese
menos
menos de
de 50Kgs.?
50Kgs.?
3.
3. Cul
Cul es
es la
la probabilidad
probabilidad de
de que
que pese
pese entre
entre 60
60 yy 80
80
Kgs.?.
Kgs.?.
4.
4. Cul
Cul es
es la
la probabilidad
probabilidad de
de que
que pese
pese entre
entre 55
55 yy 70
70
Kgs.?
Kgs.?
66
67
Causas de variacin
Causas comunes o aleatorias, reducidas slo por la
direccin
Causas especiales (causadas por 6Ms), eliminadas
por personal involucrado en la operacin.
70
71
72
73
74
75
76
77
78
79
80
81
3. Cartas de control
por variables
82
3. CONTENIDO
1. El teorema del lmite central
2. Teora de las Cartas de Control
3. Cartas de control para variables
4. Ejercicios de aplicacin
83
84
85
86
X-media 2
X-media 3
87
CONCLUSIONES
La distribucin de todas las medias o promedios de las muestras
X-media, tienden a distribuirse normalmente
La media de las medias de las muestras ser .
La desviacin estndar de las medias de las muestras ser / n.
88
89
90
PROPSITO
Introducir los tipos bsicos de Cartas de Control
Estadstico del Proceso (CEP)
91
92
93
94
CAUSAS COMUNES
Siempre estn presentes
Slo se reduce con acciones de mejora mayores
Su reduccin es responsabilidad de la direccin
Fuentes de variacin: Mrgenes inadecuados de
diseo, materiales de baja calidad, capacidad del
proceso insuficiente
SEGN DEMING
El 85% de las causas de la variacin son causas
comunes, responsabilidad de la direccin
14 95
Lmite
inf. de
especs.
Lmite
sup. de
especs.
Objetivo
15 96
CAUSAS ESPECIALES
Ocurren espordicamente
Son ocasionadas por variaciones anormales
(6Ms)
Medicin, Medio ambiente, Mano de obra,
Mtodo, Maquinaria, Materiales
Slo se reduce con acciones en el piso o lnea
Su reduccin es responsabilidad del operador
por medio del Control Estadstico del Proceso
SEGN DEMING
El 15% de las causas de la variacin son causas
especiales y es responsabilidad del operador
16 97
Lmite
sup. de
especs.
Objetivo
17 98
LSC
3.0SL=12.76
Estadstico
Sample Count
Respuesta
15
10
Promedio
C=5.640
(o lnea central)
0
-3.0SL=0.000
10
15
Sample Number
Nmero de Muestra
20
25
LIC
99
Adhesin a la media
15 puntos consecutivos dentro de la banda de 1 sigma
del centro.
Otros
2 de 3 puntos fuera de los lmites a dos sigma
100
101
102
103
104
105
3.3.Carta X, R (Continuacin)
Procedimiento:
Identificar la caracterstica crtica a controlar y
tamao de subgrupo (n = 3 a 6)
Iniciar la recoleccin de aprox. 25 subgrupos (k),
tomando partes consecutivas en cada uno.
Decidir cmo y cundo colectar la informacin de
los subgrupos, de tal forma de detectar cambios.
Elaborar la grfica con los datos.
Analizar las cartas de control
106
3.3.Carta X, R (Continuacin)
Terminologa
k = nmero de subgrupos; n = nmero de muestras en cada subgrupo
X = promedio para un subgrupo
X = promedio de todos los promedios de los subgrupos
R = rango de un subgrupo
R = promedio de todos los rangos de los subgrupos
x =
x =
x1 + x2 + x3 + ...+ xN
n
x1 + x2 + x3 + ...+ xN
LSCX = x + A2 R
LICX = x - A2 R
LSCR = D4 R
LICR = D3 R
k
NOTA: Para el clculo de los lmites de control
usar los factores mostrados en las tablas
correspondientes a cada valor de n
estos factores para calcular Lmites de Control)
107
3.3.Carta X, R (Continuacin)
Anlisis:
La grfica R debe estar en control antes de
interpretar la grfica X-media.
Interpretar la grfica X-media para puntos que no
estn aleatoriamente distribuidos
La clave consiste en eliminar la variacin excesiva
antes de tratar de identificar tendencias en los
promedios de los subgrupos del proceso
108
3.3.Carta X, R (Continuacin)
Ejemplo 1: Psi en un componente. Se toman muestras de
Cinco componentes cada da.
Da
1
2
3
4
5
6
7
8
9
10
n = # muestras en un subgrupo/da = 5
k = # de subgrupos (das) = 10
X = 74.6
R = 36.0
109
Rangos
Subgroup
3.0SL=95.36
X=74.60
-3.0SL=53.84
0
80
70
60
50
40
30
20
10
0
10
3.0SL=76.12
R=36.00
-3.0SL=0.000
110
3.3.Carta X, R (Continuacin)
Ejemplo 2: Peso de partes medido diariamente, 5 muestras por da.
Da
1
2
3
4
5
6
7
8
9
10
R = 18
111
Rangos
Subgroup
3.0SL=87.56
X=77.18
-3.0SL=66.80
1
4
50
40
30
20
10
0
10
3.0SL=38.06
R=18.00
-3.0SL=0.000
VALORES
12
13
17
16
18
14
12
11
16
15
12
13
16
15
17
15
17
16
15
17
18
16
16
17
15
16
15
18
19
17
17
15
19
16
15
17
13
17
18
17
15
17
14
10
16
15
16
17
17
15
16
17
15
18
15
15
15
16
15
15
12
18
15
11
15
11
15
14
14
18
16
14
16
16
17
17
14
18
14
16
113
3.3.Carta X, S
Este es un par de Cartas muy similar a las grficas X - R.
La diferencia consiste en que el tamao de la muestra
puede variar y es mucho ms sensible para detectar
cambios en la media o en la variabilidad del proceso.
El tamao de muestra n es mayor a 9.
La Carta X monitorea el promedio del proceso para vigilar
tendencias.
La Carta S monitorea la variacin en forma de desviacin
estndar.
Como se dijo anteriormente, las cartas se dividen en zonas.
Aqu estn divididas en intervalos de 1 sigma.
114
3.3.Carta X, S (Continuacin)
Terminologa
k = nmero de subgrupos
x =
x =
x1 + x2 + x3 + ...+ xN
x1 + x2 + xn3 + ...+ xN
k
LSCX = x + A3 S
LICX = x - A3 S
LSCS = B4 S
LICs = B3 S
10
115
116
3.3.Carta X, R (Continuacin)
Terminologa
k = nmero de piezas
n = 2 para calcular los rangos
x = promedio de los datos
R = rango de un subgrupo de dos piezas consecutivas
R = promedio de los (n - 1) rangos
x =
x1 + x2 + x3 + ...+ xN
n
LSCX = x + E2 R
LICX = x - E2 R
LSCR = D4 R
LICR = D3 R
D4
3.27
D3
E2
2.66
117
Valor Individual
12.15
3.0SL=12.30
6
12.05
X=12.03
11.95
8
11.85
11.75
-3.0SL=11.75
11.65
0
10
15
Nmero de Observacin
MUESTRA 1
MUESTRA 2
MUESTRA 1 MUESTRA 2
1
2
3
4
5
6
7
8
9
10
12
15
13
10
13
15
15
15
22
16
2.832
2.802
2.952
2.80
2.95
2.92
2.95
2.92
2.93
2.93
11
2.97
12
2.95
13
2.95
14
2.86
15
2.89
16
2.86
16
15
17
16
17
19
119
4. Cartas de Control
para atributos
120
Medicin
Fraccin de partes defectuosas,
Tamao de Muestra ?
Constante o variable > 30
defectivas o no conformes
np
Constante > 30
Nmero de defectos
Constante = 1 Unidad de
inspeccin
Constante o variable en
unidades de inspeccin
121
3.0SL=12.76
Sample Count
Conteo de Muestras
10
Lnea Central
C=5.640
-3.0SL=0.000
10
15
20
25
Sampl e Number
Nmero de Muestras
Ahora, veamos algunos ejemplos...
122
4. Carta p (Atributos)
Tambin se llaman Cartas de Porcentaje Defectivo o
Fraccin Defectiva
Monitorea el % de defectos o fraccin defectiva en una
muestra
El tamao de muestra (n) puede variar
Recalcula los lmites de control cada vez que (n) cambia
Terminologa
n = tamao de cada muestra (por ejemplo,
produccin semanal)
np = nmero de unidades defectuosas en cada
muestra
p = proporcin (porcentaje) de defectos en cada
muestra (fraccin defectiva)
123
4. Carta p (Atributos)
pi =
np
ni
n1 p1 + n2p2 + n3 p3 + ...+ nk pk
promedio
n1 + n2 + n3 + ... + nk
LSC = p + 3
p (1- p)
n
Fraccin defectiva
LIC = p - 3
p (1- p)
n
124
4. Carta p (Cont...)
Ejemplo: Algunos componentes no pasaron la inspeccin final. Los datos de falla se
registraron semanalmente tal como se muestra a continuacin.
K = 13 semanas
de
componentes
n
inspeccionados
Componentes
np
defectuososp
Fraccin de
componentes
defectuosos
7
7
15
14
48
22
18
7
14
9
14
12
8
0
0
2
2
6
0
6
0
1
0
2
2
1
0.000
0.000
0.133
0.143
0.125
0.000
0.333
0.000
0.071
0.000
0.143
0.167
0.125
125
4...Carta p (Cont..)
Ejemplo:
Proporci
n
3.0SL= 0.4484
0.4
LSC
0.3
0.2
0.1
P= 0.1128
0.0
-3.0SL= 0.000
0
LIC
10
Nmero de muestra
126
127
4...Carta np (Atributos)
np = # de productos defectuosos en una muestra
n = tamao de la muestra
k = Nmero de muestras o subgrupos
p = Suma de productos defectuosos / Total
inspeccionado [n * k]
k
np (1-p)
LIC =
np - 3
np (1-p)
128
4...Carta np (Cont..)
Ejemplo 1: en un proceso se inspeccionan K = 15 lotes tomando n = 4000
partes de cada lote, se rechazan algunas partes por tener defectos, como sigue:
# de partes inspeccionadas
4000
4000
4000
4000
4000
4000
4000
4000
4000
4000
4000
4000
4000
4000
4000
K=15 lotes
np
# de partes
defectuosas
2
3
3
2
4
2
3
3
6
8
3
4
4
7
6
129
10
LSC=10.03
Np =4.018 np
- 3.0S
0
10
Nmero de muestras
LIC=0.0
LIC
15
130
131
c=
c1 + c2 + c3 + ...+ ck
k
LSC = c + 3
LIC = c - 3
132
1 6
2 4
3 4
4 2
5 4
6 3
7 4
8 4
9 5
10 5
11 5
133
Nmero de defectos
Carta C
15
1
3.0L SC=12.76
LSC
C = 5.640
-3.0L IC=0.000
10
10
15
20
Nmero de Muestras
25
134
4...Carta u (Atributos)
Monitorea el nmero de defectos en una muestra de n unidades
de inspeccin. El tamao de la muestra (n) puede variar
Los defectos por unidad se determinan dividiendo el nmero de
defectos encontrados en la muestra entre el nmero de unidades
de inspeccin incluidas en la muestra (DPU o nmero de
defectos por unidad) .
Ejemplos:
Se toma una muestra de tamao constante de tableros PCB por
semana, identificando defectos visuales por tablero.
Se inspeccionan aparatos de TV por turno, se determinan los
defectos por TV promedio.
135
136
LSC = u + 3
c1 + c2 + c3 + ...+ ck
n1 + n2 + n3 + ...+ nk
Unidad promedio
u
ni
LIC = u - 3
u
ni
137
Defectos
Visuales
Observados
50
50
50
50
50
50
50
50
50
50
50
50
305
200
210
102
198
167
187
210
225
247
252
215
k=12 semanas
DPU
6.1
4.0
4.2
2.0
4.0
3.3
3.7
4.2
4.5
4.9
5.0
4.3
138
Conteo de muestras
Ejemplo 1:
LSC
3.0L SC=5.066
U = 4.197
-3.0L IC=3.328
LIC
1
0
Nmero de Muestras
10
139
Lote
Unidade s
De fe ctos
DPU
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
10
12
7
14
12
12
13
10
9
14
13
13
12
10
11
13
11
15
15
14
60
75
42
77
69
72
76
55
51
78
72
77
74
57
62
41
30
45
42
40
6
6.3
6
5.5
5.8
6
5.8
5.5
5.7
5.6
5.5
5.9
6.2
5.7
5.6
3.2
2.7
3
2.8
2.9
k=20 semanas
140
Ejemplo 2:
Grfica U para Defectos
8
7
3.0L SC
=6.768
6
5
U=4.979
LSC
u
4
-3.0L IC=3.190
LIC
2
0
10
20
Nmero de Muestras
141
142
143
144
145
146
5 Cartas de Control
especiales por variables
CARTA DE CONTROL CUSUM
(Detecta pequeas corridas de media < 1.5
sigma con n = 1)
- Mtodo tabular
- Mascarilla en V
CARTA DE CONTROL EWMA
(Detecta pequeas corridas de media <1.5 sigma
con n = 1)
CARTA DE CONTROL DE MEDIA MOVIL
(Detecta pequeas corridas de X, con n = 1,
sensibilidad entre la de Shewhart y EWMA)
147
148
149
150
Grfica de Sumas
acumuladas
( CuSum )
- Se usa para registrar al centro del proceso.
- Se corre en tndem (una tras otra)
- Es ms sensible que la grfica X al movimiento de los
pequeos cambios sostenidos en el centro del proceso.
- Es ms sensible que la grfica X al movimiento de
separacin gradual del centro del proceso.
- Es menos sensible que la grfica X al desplazamiento
grande e nico del centro del proceso.
- Se puede aplicar a las Xs o a las Xs individuales
- Sus parmetros clsicos son h = 4; k = 0.5
151
Sm
'
(X
i 1
152
153
154
2- 4.675
3- 4.725
4- 4.350
5- 5.350
7- 4.770
8- 4.525
9- 5.225
10- 4.600
Cumulative Sum
6- 5.225
1
0
-1
-2
-3
-4
11- 4.625
-5
12- 5.150
-6
13- 5.325
14- 4.945
15- 5.025
16- 5.223
10
15
Subgroup Number
Continuacin de ejemplo
con mscara en V
5.463
5.875
6.237
6.841
Agregando 4
Puntos adicionales
Se observa que se
Salen los puntos
16, 17 y 18
Requiriendo accin
Cumulative Sum
17.
18.
19.
20.
-5
10
20
Subgroup Number
CL0 CU 0 f
n
CSi
=
alto
la Cusum de iun lado superior en
valor del nivel
de
CIi
min
0,
CI
k
i 1
i
C i Si
x j ( 0 K )
tiempo i
n
Datos graficados
=
LIC h
Lnea central =
n0
LSC h
j 1
0 media.objetivo
1 media.no.aceptable 0
1 0
CIi,CSi
K
2
2
n
Ci 0.cuando.cambia.el.signo
157
3- 4.725
18. 5.875
4- 4.350
19. 6.237
5- 5.350
20. 6.841
6- 5.225
7- 4.770
8- 4.525
9- 5.225
104.600
114.625
125.150
135.325
Upper CUSUM
Cumulative Sum
2- 4.675
1
0
-1
-2
-2
Lower CUSUM
10
20
Subgroup Number
S H (i ) max 0, xi ( 0 K ) S H (i 1)
S L (i ) max 0, xi ( 0 K ) S H (i 1)
S H (0) S L (0) 0
N H . y.N L No. periodos.en.que.Sh.o.Sl.son. 0
159
Xi
Xi10.5
Sh(i)
Nh
1
9.45
-1.05
0
0
2 S (i ) 7.99
-2.51
0
0
max 0, xi ( 0 K ) S H (i 1)
H
3 S (i) 9.29
-1.21
0
0
max 0, xi ( 0 K ) S H (i 1)
L
4
11.66 1.16
1.16
1
5
12.16 1.66
2.82
2
6
10.18 -0.32
2.50
3
7
8.04
-2.46 0.004
4
8
11.46 0.96
1.00
5
9
9.20
-1.30
0
0
En este caso el
Valor de H es 5
Mscara en V
160
161
162
163
n 2
164
165
S EWMA
S 1 (1 )
n 2
166
52
47
53
49.3
50.1
47
51
167
3- 53.0
4- 49.3
53
5- 50.1
52
UCL=52.59
6- 47.0
8- 50.1
9- 51.2
51
EW MA
7- 51.0
50
Mean=50
49
10- 50.5
11- 49.6
12- 47.6
13- 49.9
14- 51.3
15- 47.8
48
LCL=47.41
47
0
10
20
Sample Number
168
Carta EWMA
Los puntos a graficar son los siguientes :
Z0 = X
_
Z1 = X1 + (1- Z0)
_
Z2 = _ X2 +(1- Z1 )
Z3 = X3 +(1- Z2)
Observa que Z es un promedio ponderado de X i y de todas las
Z4 = X4 + (1- Z3)
Xs anteriores.
Con
Z = EWMA
La tpica forma de una grfica EWMA se muestra
a continuacin.
XII
UCL
LCL
subgrupo
169
LSC X A2 R
(2 )
LIC X A2 R
(2 )
170
171
172
Carta de control de
promedios mviles
173
174
xt xt 1 ...... xt w 1
w
Var ( Mt )
nw
3
3
LSC x
para.n.0 t w LSC x
nw
nt
3
3
LIC x
para.n.0 t w LIC x
nw
nt
175
Ejemplo de carta de
promedios mviles
Xmm
1- 10.5
2- 6.0
3- 10.0
4- 11.0
6- 9.5
7- 6.0
8- 10.0
9- 10.5
10- 14.5
Moving Average
5- 12.5
15
UCL=12.12
10
Mean=10
LCL=7.879
11- 9.5
12- 12.0
10
15
Sample Number
13- 12.5
14- 10.5
15- 8.0
176
6. Anlisis de capacidad
de proceso
177
6. CONTENIDO
Introduccin
1. Capacidad a partir de
histogramas
2. Capacidad a partir de papel
normal
3. Capacidad a partir de cartas de
control
4. Capacidad de los sistemas de
medicin
178
6.1 Introduccin
179
180
LSE
LIE
s
Xi
_
X
183
6.1 Procedimiento
1. Seleccionar una mquina donde realizar el
estudio
2. Seleccionar las condiciones de operacin del
proceso
3. Seleccionar un operador entrenado
4. El sistema de medicin debe tener habilidad
(error R&R < 10%)
5. Cuidadosamente colectar la informacin
6. Construir un histograma de frecuencia con los
184
Ancho 9
Nigels Trucking Co.
185
Zi
Zs
186
Cp =
Tolerancia
Variacin del proceso
LSE - LIE
6 Desviaciones STD.
187
Cp = (LSE - LIE ) / 6
Debe ser 1
para tener el potencial de
cumplir con especificaciones (LIE, LSE)
Cpk = Menor | ZI - ZS | / 3
188
6.1.. Ejemplo
Se tomaron los datos siguientes:
265
197
346
280
265
200
221
265
261
278
215
251
205
286
317
242
254
235
176
262
248
250
318
263
274
242
260
281
246
248
271
260
265
271
307
243
258
321
294
328
263
245
274
270
293
220
231
276
228
223
296
231
301
337
298
277
268
267
300
250
260
276
334
280
250
257
290
260
281
208
299
308
264
280
274
278
210
283
234
265
187
258
235
269
265
253
254
280
258
299
214
264
267
283
235
272
287
274
269
275
189
Frecuencia
2
4
7
13
32
24
11
4
3
Frecuencia
Relativa
0.02
0.04
0.07
0.13
0.32
0.24
0.11
0.04
0.03
Frecuencia
Absoluta
0.02
0.06
0.13
0.26
0.58
0.82
0.93
0.97
1.00
190
191
s = 32.02
Zs = (200 - 264.06) /
192
6.1.. Ejercicio
Calcular la capacidad del proceso con la distribucin
de frecuencias siguiente considerando LIE = 530 y
LSE = 580:
Intervalo
de clase Marca de clase Frecuencia
531 - 535
536 - 540
541 - 545
546 - 550
551 - 555
556 - 560
561 - 565
566 - 570
571 - 575
533
538
543
548
553
558
563
568
573
6
8
12
13
20
19
13
11
8
Frecuencia
Relativa
Frecuencia
Absoluta .
193
194
6.2 Ventajas
1. Se puede observar el comportamiento del
proceso sin tomar tantos datos como en el
histograma, 10 son suficientes
2. El proceso es ms sencillo ya que no hay que
dividir el rango de la variable en intervalos de
clase
3. Visualmente se puede observar la normalidad
de los datos, si se apegan a la lnea de ajuste
4. Permite identificar la media y la desviacin
estndar aproximada del proceso. As como la
fraccin defectiva, el porcentaje de datos entre
cierto rango, el Cp y el Cpk.
195
6.2..Procedimiento
1. Se toman al menos n = 10 datos y se ordenan en forma
ascendente, asignndoles una posicin (j) entre 1 y n.
2. Se calcula la probabilidad de cada posicin con la frmula
siguiente:
Pj = (j - 0.5) / n
3. En el papel especial normal se grafica cada punto (Xj, Pj)
4. Se ajusta una lnea recta que mejor aproxime los puntos
5. Si no hay desviaciones mayores de la lnea recta, se considera
normal el proceso y se procede a hacer las identificaciones:
La media ser el punto en X correspondiente a Pj = 0.5
La desv. Estndar es la dif. En Xj correspondiente a Pj = 0.5 y
Pj = 0.84
196
6.2... Ejemplo
Se tomaron los datos siguientes (Xj), ordenndolos y calculando la
probabilidad de su posicin (Pj)
Pos.J
1
2
3
4
5
6
7
8
9
10
Valor Xj
197
200
215
221
231
242
245
258
265
265
Pj
0.025
0.075
0.125
0.175
0.225
0.325
0.325
0.375
0.425
0.475
Pos. J
11
12
13
14
15
16
17
18
19
20
Xj
271
275
277
278
280
283
290
301
318
346
Pj
0.525
0.575
0.625
0.675
0.725
0.775
0.825
0.875
0.925
0.975
197
0.5
Desv. Estndar
Fraccin
Defectiva
LIE
X Media
Xj
198
Pi
( I - 0.5 ) /
Pi
0.999
0.998
0.995
0.99
0.98
0.97
0.96
0.94
0.90
0.84
0.80
0.75
0.70
0.60
0.50
0.40
0.30
0.25
0.20
0.16
0.10
0.08
0.04
0.02
0.01
0.005
0.002
0.001
Normal distribution probability paper
Xi
199
Probability
N o rm a l P ro b a b i li ty P lo t
.999
.99
.95
.80
.50
.20
.05
.01
.001
200
300
400
A v erage: 504.232
S tDev : 139.682
N: 100
500
600
C1
700
800
900
201
6.2 Ejercicio
Tomando los datos siguientes (Xj), calcular la
probabilidad (Pj), graficar en papel norma, ajustar
valores con una recta, determinar la media, desv.
Estndar, si las especificaciones son LIE = 1200 y
LSE = 1800 determinar la fraccin defectiva, el Cp y el
Cpk.
1210
2105
1275
2230
1400
2250
1695
2500
202
203
?
?
?
?
?
?
?
204
Prediccin
Tiempo
205
Capacidad de Proceso:
Medicin estadstica de las variaciones de causa comn que son
demostradas por un proceso. Un proceso es capaz cuando
la causa comn de variacin cae dentro de las especificaciones
del cliente.
Area entre 0 y 1s
-Probabilidad de Ocurrencia
Distribucin
del Proceso
_
x = media
34%
-3s
2%
-2s
14 %
-1s
s= sigma; es la
desviacin
estndar; medida
de la variacin
del proceso.
34%
14 %
x
+1s
99.73%
2%
+2s
3s
207
= R = S
d2
c4
Donde,
Donde,
=
= Desviacin
Desviacinestndar
estndarde
dela
lapoblacin
poblacin
dd2 ==Factor
Factorque
quedepende
dependedel
deltamao
tamaodel
delsubgrupo
subgrupoen
enla
lacarta
cartade
de
2
control
controlXX--RR
CC4 ==Idem
Idemal
alanterior
anteriorpara
parauna
unacarta
cartaXX--SS
4
NOTA:
NOTA: En
Enuna
unacarta
cartapor
porindividuales,
individuales,d2
d2se
setoma
tomapara
parann==22yy
208
RangoMedio=Suma rangos / (n -1)
Rmedio = 77.3
210
Smedio = 1.05
211
6.3 Ejercicios
1) De una carta de control X - R (con subgrupo n = 8) se obtuvo lo
siguiente, despus de que el proceso se estabiliz quedando slo con
causas comunes (LIE = 36, LSE = 46):
Xmedia de medias = 40
Rmedio = 5
Smedio = 1.5
212
213
6.4 Definiciones
Exactitud
Desviacin respecto del valor verdadero del promedio de
las mediciones
Valor verdadero:
Valor correcto terico / estndares NIST
Sesgo
Distancia entre el valor promedio de todas las mediciones
y el valor verdadero. Error sistemtico o desviacin
Estabilidad
La variacin total en las mediciones obtenidas durante un
perodo de tiempo prolongado
Linealidad
Diferencia en los valores de la escala, a travs del rango
de operacin esperado del instrumento de medicin.
Precisin
Medicin de la variacin natural en mediciones repetidas
214
Repetibilidad
Variacin de la medicin
Variacin originada
por el calibrador
Estabilidad
Reproducibilidad
Linealidad
Sesgo
Calibracin
215
REPETIBILIDAD
6.4 Definicin de la
Reproducibilidad
Operador-B
Operador-C
Operador-A
Reproducibilidad
Tiempo 2
Tiempo 1
Valor
verdadero
Sesgo
mayor
Sesgo
Menor
Rango inferior
Rango superior
223
total
%R&R = R&R
Var. Total
*100
TV= R&R + PV
PV= variacin de parte = Rp x K3
<10% Aceptable
10-30%. Puede ser aceptable, dependiendo qu tan
crtico es el grado de la medicin.
>30%. Inaceptable!
224
VARIACIN DE PARTE
A PARTE
Lo que fue
medido
LIE
OBJETIVO
LSE
225
226
227
229
230
6.4 Ejemplo:
Planteamiento del problema:
Las partes producidas en el rea de produccin, se rechazaron
en 3% por problemas dimensionales.
CTQ:
Operador A
Operador B
Rango A-B
#1
#2
#3
#4
#5
1er. Intento
2o. Intento
1
2
3
4
5
6
7
8
9
10
Totales
9.376
9.372
9.378
9.405
9.345
9.390
9.350
9.405
9.371
9.380
9.358
9.320
9.375
9.388
9.342
9.360
9.340
9.380
9.375
9.368
Operador B
Rango
1er. Intento
2o. Intento
9.354
9.372
9.278
9.362
9.338
9.386
9.349
9.394
9.384
9.371
9.361
9.372
9.277
9.370
9.339
9.370
9.349
9.381
9.385
9.376
Rango
Prom. lecturas
233
1er. Intento
2o. Intento
1
2
3
4
5
6
7
8
9
10
Totales
9.376
9.372
9.378
9.405
9.345
9.390
9.350
9.405
9.371
9.380
93.772
9.358
9.320
9.375
9.388
9.342
9.360
9.340
9.380
9.375
9.368
93.606
9.3689
Xmedia -A
Operador B
Rango
1er. Intento
2o. Intento
9.354
9.372
9.278
9.362
9.338
9.386
9.349
9.394
9.384
9.371
93.588
9.361
9.372
9.277
9.370
9.339
9.370
9.349
9.381
9.385
9.376
93.580
9.3584
Xmedia-B
Rango
Prom. Lecturas
9.362
9.359
9.327
9.381
9.341
9.377
9.347
9.390
9.379
9.374
234
Operador B
Pieza # 1er. Intento 2o. Intento Rango 1er. Intento 2o. Intento
XmediaP
Rango Prom.
Lecturas
1
2
3
4
5
6
7
8
9
10
Totales
0.007
0.000
0.001
0.008
0.001
0.016
0.000
0.013
0.001
0.005
0.052
9.376
9.372
9.378
9.405
9.345
9.390
9.350
9.405
9.371
9.380
93.772
Xmedia - A
9.358
9.320
9.375
9.388
9.342
9.360
9.340
9.380
9.375
9.368
93.606
9.3689
0.018
0.052
0.003
0.017
0.003
0.030
0.010
0.025
0.004
0.012
0.174
Rmedio-A
Rmedio A 0.0174
9.354
9.372
9.278
9.362
9.338
9.386
9.349
9.394
9.384
9.371
93.588
Xmedia - B
9.361
9.372
9.277
9.370
9.339
9.370
9.349
9.381
9.385
9.376
93.580
9.3584
9.362
9.359
9.327
9.381
9.341
9.377
9.347
9.390
9.379
9.374
Rmedio-B
Rmedio B 0.0052
Rango de
0.0630
Xpartes
LSCR = D4 x Rmedia
235
93.772 93.606
0.174
93.588 93.580
0.052
RmediaA 9.3689
XmediaB 9.3584
RmedioA 0.0174
RmedioB 0.0052
Rpartes
r
n
Ancho de tolerancia====>
Nmero de intentos =>
Nmero de partes ==>
Nmero de operadores
K1
4.56
0.25
2
10
2
X-media mx.=>
X-media min =>
Diferencia
de X-medias
R-media de =>
Todos los
operadores
9.3689
9.3584
0.0105
Rpartes
0.0630
Rango
de
Medias
de
partes
0.0113
3.65
K3 (para 10 1.62
Partes)
(K2 = 3.65 para 2 operadores y 2.7 para 3 operadores)
236
EV = R x K1 =
0.0515
0.0259
238
R&R =
EV2 + AV2
0.0577
PV =
Rparte x K3
0.1021
239
TV
R&R2 + PV2 =
0.1172
20.61
10.36
23.07
240
43.95
22.10
49.20
%PV
87.06
241
6.4 Ejercicios
Para un estudio de R&R 2 operadores midieron con el mismo equipo
de medicin 10 partes en 3 intentos cada uno,obteniendo:
Nmero
de parte
1
2
3
4
5
6
7
8
9
10
Mediciones
de operador A
1
2
3
50
49
50
52
52
51
53
50
50
49
51
50
48
49
48
52
50
50
51
51
51
52
50
49
50
51
50
47
46
49
Mediciones
de operador B
1
2
3
50
48
51
51
51
51
54
52
51
48
50
51
48
49
48
52
50
50
51
50
50
53
48
50
51
48
49
46
47
48
242
7. Mtodos de
mejora continua
243
7. CONTENIDO
1. Proceso de cambio organizacional
2. Trabajo en equipo
3. Manejo efectivo de juntas
4. Solucin de problemas por medio de
la Ruta de la Calidad
5. Ejemplos
244
245
246
247
Patrocinadores
Facilitador de
Procesos /
Proyectos
Facilitador de
Mantenimiento /
Proyectos
Facilitador de
Procesos de
Recursos Humanos
248
7.1 Reestructuracin
organizacional
Equipos de trabajo: solucin de problemas,
propsito especial, autodirigidos
Organizacin horizontal: elementos clave
Planes de reconocimiento: individual, grupal,
capacitacin
Diseo de puestos de trabajo: especializacin,
ampliacin, rotacin de puestos,
enriquecimiento
Normas de trabajo
Mtodos para la medicin del trabajo: estudios
de tiempo, muestreos, estndares
Curvas de aprendizaje
249
250
251
252
253
254
255
256
7.2 Introduccin
HAY TRES PUNTOS IMPORTANTES EN RELACION A:
EQUIPOS DE TRABAJO
O
CIRCULOS DE CALIDAD
1.- EL DESARROLLO DEL PERSONAL
OBJETIVOS
DEL
EQUIPO
257
7.2 Qu es un...?
CIRCULO DE CALIDAD?
EQUIPO DE TRABAJO?
EQUIPO PARA EL MEJORAMIENTO
DE LA CALIDAD?
GRUPOS PARTICIPATIVOS PARA LA SOLUCION DE
PROBLEMAS?.
O EQUIPOS DE MEJORA CONTINUA?
258
259
FUERZAS POSITIVAS.
EQUIPO
DE
TRABAJO
DESINTEGRACION
DEL EQUIPO
LOGRO DE METAS Y DE
OBJETIVOS COMUNES
260
FALTA DE ESPIRITU
DE EQUIPO
PRIORIDADES DE
DEPARTAMENTO
INCAPAZ DE
PARTICIPAR EN LOS
INTERESES DEL
EQUIPO
CONFLICTO DE
EQUIPO
OBJETIVO
DEL
EQUIPO
OBJETIVOS
PERSONALES
261
1.-Este objetivo debe ser definido por todos los integrantes del
Equipo y este debe ser medible y con fecha de cumplimiento.
________________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
262
263
SEGURIDAD
LA
SEGURIDAD
OTROS
EL MANTENIMIENTO
MANTENIMIENTO
DEL
EQUIPO
ASISTENCIA O
EL MEDIO AMBIENTE
PUNTUALIDAD
LOS CLIENTES
LA CALIDAD
LA PRODUCCION
LOS COSTOS
264
COOPERACION
ASISTENCIA COMUN
DIVISION DEL TRABAJO
266
269
ELIMINAR
ELIMINAREL
ELFRACASO
FRACASO
HACIENDO
HACIENDOPOSIBLE
POSIBLELO
LOIMPOSIBLE
IMPOSIBLE
271
EQUIPOS DE
MEJORA CONTINUA
LIDER DE EQUIPO
EQUIPO DE TRABAJO
DE APOYO
EQUIPO GERENCIAL
DIRECCION
EQUIPO DIRECTIVO
272
273
274
275
276
277
278
279
participantes
281
7.3 Recomendaciones
1.- Tengan los temas y objetivos por escrito y visibles enfrente del lugar
de reunin.
7.3 Ejercicio
Seleccionar un tema a tratar de la vida real
Establecer reglas y objetivos
NOTAS
Como se comporto el equipo . . . ?
___________________________________________________
____________________________________________________
____________________________________________________
____________________________________________________
283
7.3 Ejercicio
Como se comportaron los integrantes . . . ?
____________________________________________________
____________________________________________________
____________________________________________________
____________________________________________________
NO____
Por que . . . ?
____________________________________________________
____________________________________________________
____________________________________________________
284
285
ESTABLECER LA
FORMA IDEAL
CHECAR
C
ACTUAR
A
BUSQUEDA DE
CAUSA REAL
EN CASO
DE NO
HABER
EFECTO
POR INICIATIVA
HACER
UN EJEMPLO
INMEDIATAMENTE
287
288
289
290
Calidad
Entrega
Costo
Moral
2
GUOQCSTORY.PPT
292
2. Razn de la Seleccin
Porque?
GUOQCSTORY.PPT
293
2. Razn de la Seleccin
*Expresar los antecedente, la importancia y la prioridad de los
problemas.
Explicar por qu se seleccion el problema
* Efecto econmico, reclamo de mercado,rechazos, % de ventas
perdidas , otros.
* Impacto para los procesos posteriores, monto de prdida,
incremento de tiempo de operacin, paro de lnea, etc.
Entre todos los integrantes del equipo pueden evaluar las razones
arriba descritas mediante las 7 herramientas bsicas, las 7 nuevas
herramientas, etc; y enfocarse en un solo tema.
4
GUOQCSTORY.PPT
294
2. Razn de la Seleccin
Ejemplo 1: Se enfoca el tema de manera multilateral con la matriz de evaluacin
Criterio de evaluacin
3 puntos
2 puntos
1 punto
Evaluacin
Problema
Impor- Prior.
tancia
Orden
DEVOLUCIONES
12 Puntos
1er. lugar
ENTREGAS TARDIAS
10 Puntos
2o. lugar
DOCS. INADEC.
10 Puntos
2o. lugar
NIVEL SERVICIO
9 Puntos
3er. lugar
295
% de incidencia
0.53
0.45
0.8
0.47
0.46
0.46
27 - 31
3/junio - 7
10 - 15
(CASOS)
(%)
100
140
80
120
30 %
31
20
CORTE
MULTIPLE
40
DOBLE
CORTE
60
60
27
25
20
0
Al verificar el grado de incumplimiento respecto al 0.3% del objetivo de grupo y adems de investigar
las causas de incumplimiento se encontr que DOBLE CORTE" es el ms problemtico,
por lo que se seleccion como tema.
5
16
40
BAJA
ADHESION
51
80
ALTURA MAYOR
Y MENOR
100
% ACUMULADO
n = 170
170
160
PORO
20 - 24
CONTAMINACION
NUMERO DE DEFECTOS
0.2
13 - 16
20
0
GUOQCSTORY.PPT
296
3. Establecimiento de objetivos
PUNTO CRITICO
* Aclarar la meta del valor del objetivo.
* No plasmar simplemente los deseos y
expectativas en el objetivo, si no establecer un objetivo factible de manera escalonada.
* Establecer un objetivo con fundamento,
no se debe tomar una decisin de impulso
(sin analizar).
(Punto clave para establecer el valor
objetivo).
* Definirlo tomando en cuenta las polticas
de la empresa.
* En caso de no tener un concepto claro de
las polticas, analizar la importancia de
los problemas y / o mejoras, cuando nos
ocasionen un defecto al proceso posterior, factibilidad de cumplimiento, programa, distribucin de cargo, etc. y definirlo.
ACTIVIDADES
* Indicar el objetivo con valores en forma numrica
en lo posible.
* El objetivo debe tener relacin con el
efecto esperado .
* El objetivo debe de ser concreto.
Ejemplo:
QU? ****** Reducir el defectuoso en productos A
HASTA CUNDO?****De Mayo del 97 a
Abril del 98
HASTA CUANTO?****Bajar hasta 1%
menos del 1% promedio de defectuoso.
* Hay un mtodo para establecer el objetivo
final de una vez; otro estableciendolo en forma
gradual entre objetivo primario y secundario,
establecer periodos de tiempo cortos.
Establecer objetivos graduales en los casos
Siguinetes:
(1).- Que el tema sea demasiado grande y se
requiera dividirlo.
(2).- Que el tema sea complicado y que se relacione
con otras reas.
(3).- Que se requiera la seleccin de las actividades
conforme a la habilidad real del grupo de trabajo
Establecer un objetivo que tenga relacin con la seleccin del tema y razn de la seleccin.
297
CONCEPTO
VALOR OBJETIVO
FECHA LIMITE
CONTENIDO ESTABLECIDO
IGUAL O MENOR DE 1%
FIN DE Abril de 1998
IGUALAR AL
NIVEL PAIS
IGUALAR AL
PASADO
IGUALAR A
OTRAS LINEAS
10
11
12
6 MESES
El objetivo debe ser establecido en consenso
ESTABLECER
EN BASE A LA
POLITICA
OBJETIVO
FINAL
298
(%)
VP
E E
NR
T D
A I
SD
A
S
6
5
4
3
2
1
0
CONDICION ACTUAL
OBJ. PRIMARIO
0%
OBJ. SECUNDARIO
OBJETIVO FINAL
PERIODO DE TIEMPO
GUOQCSTORY.PPT
299
4. Programa de actividades
ASIGNACION DE LAS TAREAS
POR QUE ?
QUE ?
QUIEN ?
CUANDO ?
PROPOSITO
CONCEPTO DE ACT.
RESP.
FECHA
CONOCER LA
SITUACION
ACTUAL
COMPRENDER LA
SITUACION ACTUAL
Juan Prez
may-97
COMO ?
DONDE ?
HOJA DE
CHEQUEO Y
GRAFICA
Mquina
DIAGRAMA DE
CAUSA Y
EFECTO
PLAN DE
ACCIONES
CORRECTIVAS
QUE ESTA
MAL ?
ANALISIS
TODOS
JUN. 97
COMO SE
PUEDE
MEJORAR ?
ACCIONES
CORRECTIVAS
TODOS
JUN. 97
SE PUEDE
MEJORAR ?
CONFIRMAR EFECTO
TODOS
JUL. 97
GRAFICA
Mquina
CAMBIO DE
PROCEDIMIENTOS Y
ESPECIFICACIONES
ING.
PRODUCT
O.
JUL. 97
EMISION DEL
CAMBIO
Mquina
REFLEXION DE LAS
ACTIVIDADES Y
TAREAS FUTURAS
TODOS
ene-98
LLUVIA DE
IDEAS
Reunin
PREVENCION
DE
REINCIDENCIA
GUOQCSTORY.PPT
Reunin
Reunin
300
ACTIVIDADES
EJEMPLO No. 1
PARETO
100
100%
80%
80
60%
60
40%
40
20%
O
TR
O
C
O
IV
U
EQ
O
AD
IO
C
SU
D
O
M
O
C
IN
PR
ZA
AN
D
TA
R
O
EV
D
LU
IO
EJ
AS
PL
ET
O
20
80% VITALES
20% TRIVIALES
301
6. Identificacin de causas
DIAGRAMA DE CAUSA EFECTO
ISHIKAWA O ESPINA DE PESCADO
302
6. Identificacin de causas
Determinar las causas raz.
1. Anlisis de posibles causas.
2. Relacin causa-efecto.
3. Uso de herramientas.
4. Cuantificacin de posibles
causas
5. Seleccin de causas reales.
6. Experimentacin y prueba de
hiptesis y causas probables.
7. Determinacin de causas
reales.
303
6. Identificacin de causas
PUNTO CRITICO
ACTIVIDADES
- Identificar las posibles causas verdaderas
- En base al conocimiento de la situacin actual,
(factores) del anlisis de la situacin actual
identificar las posibles causas verdaderas o factores
- Se utiliza el diagrama de causa-efecto (Ishikawa)
VERIFICAR CADA UNO DE LOS FACTORES
como una alternativa de anlisis
- Repetir la pregunta "porqu" 4-5 veces
- Buscar la causa(s) real(es) desde los factores.
- Ir a piso a verificar fsicamente cuantas veces
- Hay casos en que se pueden conseguir los efecsea necesario, sobre todo observar bien.
tos (resultados) de un anlisis al investigar a fon- - Analizar a fondo involucrando al jefe inmediato,
do la situacin actual.
staff y las reas relacionadas.
* Identificar las causas reales en forma resumida. No se debe tratar de solucionar un problema diciendo
excusas. Ejemplo: "Es la primera vez que aparece, "No tenemos experiencia", etc.
MAQUINARIA
BARRA SOPORTE DE
PAPEL DESALINEADO
FALTA AIRE
MANO DE OBRA
FALTA DE COMPROMISO
RETROALIMENTACION
BOLSA DAADA
PAPEL FUERA DE
ESPESOR
MATERIAL
FALTA CAPACITACION
ROLLOS PESADOS
APLICACIN DE
PAPEL MANUAL
MAT. FRESCO
POCO ESPESOR
FLUJO DE PAPEL EN
LA PARTE SUPERIOR
DEL MOLDE
LINEA DE
PAPEL
MAL CORTE PAPEL
NO SE MIDEN ESPESORES
NO SE SIGUE EL PROC:
METODO
APLICACIN DE
CINTA
INCORRECTO
304
7. Anlisis de soluciones
Cada causa tiene soluciones basadas
en:
1. Definicin de soluciones.
2. Evaluacin de stas.
3. Definicin cuantitativa de mejores.
4. Uso de mtodos de Control de
Calidad.
5. Desarrollo de plan de
implementacin.
305
7. Anlisis de soluciones
PUNTO CRITICO
ACTIVIDADES
A. CONTROL DE
ESPESORES
DE PLSTICO
LINEA
DE
PAPEL
B. MODIFICAR
APLICACIN
DE PAPEL.
5
2. VERIFICAR
ESPESORES
ANTES
DE DE
3. CAMBIAR
CONSTRUIR
MATERIAL
1. MODIFICACION AL
APLICADOR DEL PAPEL
2. CAMBIAR ANCHO DE
PAPEL
14
LIDER
Prioridad
1. CONTROLAR
ESPESORES EN MAQ.
Efecto
Evaluacin
3 PUNTOS
2 PUNTOS
1 PUNTO
J Prez.
FECHA
EJEMPLO No. 1:
Factibilidad
* Eliminar la causa real que se encontr como resul- * Planear las medidas correctivas para cada una
tado del anlisis. (no eliminar los fenmenos)
de las causas encontradas a travs del anlisis.
* Recabar todas las ideas de los miembros del gru* Dividir las medidas correctivas en dos tipos:
po, jefe inmediato y personas relacionadas.
1) Medida contingente provisional
* Pensar medidas fsicas, ms que personales, pa2) Medida correctiva. sobre las causas raz
ra que la accin correctiva sea estable y sin
para prevenir la reincidencia
variacin. (poka-yoke)
Evaluar las ideas de Kaizen. Hacer una evaluacin de efectos, factibilidad, economa, grado de tecnologa,
operatividad, seguridad, etc. Elaborar propuesta operativa y preparar los recursos requeridos.
Junio 97
Junio 97
4 OPERADORES
Junio 97
3 OPERADORES
J. Prez
Julio
97
J. Prez
Julio
97
GUOQCSTORY.PPT
306
8. Implantacin de soluciones
15
GUOQCSTORY.PPT
307
8. Implantacin de
soluciones
1. Explicacin de implementacin.
2. Descripcin de reas afectadas.
3. Descripcin de obstculos.
4. Anlisis cuantitativo de impacto.
5. Anlisis cuantitativo de situacin
mejorada vs. situacin actual.
6. Medicin de efectos secundarios.
7. Uso de herramientas .
308
8. Implantacin de soluciones
PUNTO CRITICO
ACTIVIDADES
* Realizar las medidas como se habian acordado * Antes de aplicar las medidas correctivas
* Verificar si no hay efectos secundarios
* Probar las ideas de mejora, investigar efectos
* Dar capacitacion y entrenamiento.
secundadarios que puedan afectar al producto o reas*
Los equipos implantan las acciones correctivas y despus poner en prctica las luciones.
* Obtener la aprobacin de las reas relacionadas, turno o puesto, Jefe inmediato etc. Es decir,
Comunicar a todos los involucrados de la mejora a realizar.
EJEMPLO 1
LISTADO DE LAS MEDIDAS CORRECTIVAS
NO CUANDO
A QUE? - COMO?
TOPE
DONDE RESU
PROC. DE
LTAD
LIMPIEZA
O
1 JULIO 97
BARRA DE
APLICACION
2 JULIO 97
PARA LOS
MOLDES
JUICIO
QUIEN
AUNQUE SE DA
J. PREZ
EFECTO
NO ES PERSISTENTE
EXISTE POCO
DEFECTO
L.TORRES
309
8. Implantacin de soluciones
PARA LA LINEA DE PAPEL:
APLICACIN
ANTERIOR
DEL PAPEL
310
9. Verificacin de soluciones
PUNTO CRITICO
ACTIVIDADES
* Verificar hasta obtener efectos estables ampliando
* Hacer anlisis comparativo antes y despus
los datos histricos en grficas de la etapa de
* En caso de aplicar varias medidas
correctivas
"razn de seleccin del tema"
, Verificar los efectos intangibles sin omisiones
* Comparar el efecto en grfica entre antes y despus
de KAIZEN respecto al objetivo.
confirmar el efecto sobre cada concepto de
(relacin humana, capacidad, trabajo en equipo,
contramedidas.
entusiasmo, rea de trabajo alegre).
* Determinar los beneficios monetarios, indirectos e intangibles.Investigar si existen reas y operaciones
similares tanto dentro como fuera de la planta, para aplicar las mismas contramedidas. Dar reconocimiento.
%
D
E
F
E
C
T
U
S
O
Ejemplo 1.
2.5
2
2.19
2.1
2.14
2
2.22
1.9
2.33
1.8
%D < 1 %
1.76
1.7
1.5
1.6
1.5
1.32
0.9
1.4
0.87
1.3
1.2
0.94
1.1
1
0.99 0.94
0.79
0.5
0
may-97
jun-97
jul -97
ago-97
sep-97
oct-97
nov-97
di c-97
ene-98
feb-98
Mzo-98
311
abr-98
Ejemplo 3.
UMI MICRO V - TIMING BELTS
BENCHMARKING DEFECTUOSO TIMING BELTS
10
9.5
6.85
3.3
3.27
2.66
0.9
2
0
MONCKS C.
DUMFRIES
COREA
BRASIL
JAPON
MEXICO
312
10. Estandarizacin
1. Controles para la mejora.
2. Formas para eliminar causas.
3. Datos de control de resultados.
4. Aplicacin de soluciones en otros
procesos.
5. Uso de mtodos de estandarizacin.
.
314
ACTIVIDADES
* Mantener y controlar los efectos
* Hacer estandarizacin.
Equipos
Poka-yoke, dibujos, hoja de especificaciones,
instructivo de manejo, muestreo de lmite.
Mano de obra
Capacitacin y adiestramiento de habilidad
tcnica en base a la operacin
Calidad: Carta de control de proceso.
EJEMPLO 1:
Medidas 5 W 1 H
1
2
3
correctivas
Integrar botador
de electrodo
en martillo
Adopcin de
electrodo roscado
Automatizacin
de paro de agua
Por qu
Why
Qu
What
Donde Cundo
Where When
Chequeo
En almacn
Botador
despostilladora de
de Htas.
de filos
electrodo
Chequeo
de dao en
rosca
Base de
electrodo
inferior
Proceso
usuario.
Prevencin de
sobrecalentamiento
Prevencin
de sobrecalentamiento
En el
proceso
Quin
Who
Cmo
How
Chequeo
Turnar
responsable visual
hoja de chequeo
cada da
315
Ejemplo No. 2
1 Medidas
correctiva
s
2
5W
1H
INTEGRAR
TOPE
Por
qu
Why
CORRECTA
APLICACIN
DE PAPEL.
Qu
What
TOPE
Donde
Where
APLICA
DOR
DE
PAPEL
TISSUE
Cun
Quin Cmo
do
Who
How
When
JULIO
97
J.
PEREZ
INST.PARA
PARA
ELABORAR
APLICAR PROCESO
AGOSTO ING. DE
ESTANDARIZAR
PROCEDIMIEN
DE PAPEL
DEL
97
LAS
PRODUC
TO
TISSUE
USUARIO
OPERACIONES
TO
CHE
QUE
O
VISU
AL
PRO
CEDIMIEN
TO
316
11. Reflexiones
Anlisis de resultados
1. Comparacin cuantitativa.
2.Evaluacin cuantitativa de
resultados intangibles.
3. Anlisis del impacto econmico
4. Presentacin de resultados
Conclusiones
1. Evaluacin objetiva.
2. Descripcin de problemas
pendientes.
3. Descripcin del plan de accin.
317
318
EJEMPLO:
A) Efecto fsico.
B) Participacin.
C) Aprovechamiento
del mtodo QC.
D) Trabajo en equipo.
E) % Participacin en
juntas.
F) Puntualidad
G) Asignacin de
funciones.
H) Mejora de
conocimiento.
I) % de cumplimiento
de programa.
J) No. de juntas.
A
B
D
G
F
Grfica de Radar
319
7.5 Ejemplos
320
8. Mtodos de muestreo
321
Muestra n
Lote N
322
Muestreo de aceptacin
Calificacin de lotes: sin inspeccin, insp. 100% y
muestreo
Ventajas de la aceptacin por muestreo:
Aplicable a pruebas destructivas
Menor costo de inspeccin
Menor tiempo de inspeccin
Menor manejo de producto
Presin al proveedor para mejorar su calidad
Desventajas de la aceptacin por muestreo
Riesgo de aceptar lotes malos o rechazar buenos
Poca informacin sobre el producto o proceso
Requiere planeacin
323
Tipos de muestreo de
aceptacin
Muestreo por atributos
Muestreo simple
Muestreo doble
Muestreo mltiple
Muestreo por variables
Calificacin por variables (un plan por cada
caracterstica)
Plan en base a la posicin de la media
324
Formacin de lotes y
muestreo
Los lotes deben ser homogneos es decir
haberse producido bajo las mismas condiciones
de manufactura
Es mejor inspeccionar lotes grandes que
pequeos
Los lotes deben ser fciles de manejar tanto con
el cliente como con el proveedor
Las muestras se deben seleccionar en forma
aleatoria y deben ser representativas de todo el
lote
325
326
Tamao de muestra n
0.1
y un criterio de aceptacin c
0.2 0.25 0.3 p Prov.
327
n!
d
n d
Pa P (d c)
p (1 p )
d 0 d !( n d )!
Diseo de un plan de
muestreo
con una curva OC especfica
Si se quiere un plan en el cual p1 = 0.01 y alfa =
0.05, p2=0.06 y beta = 0.1 se procede como
sigue:
Se localiza en el nomograma la interseccin de
las lneas que conectan (p1=0.02, 1-alfa=0.99) y
(p2=0.06, beta=0.1)
Se localiza la interseccin y se determinan n y c
del mismo nomograma
331
Inspeccin rectificadora
Entrada de 100
lotes de cierto
proveedor con
N=10,000 y
p = 0.02
n =200
Pa
c=1
9 lotes son
aceptados a pesar
de tener un 2%
defectivo:
Es decir ingresan
P=0.02
88,820 piezas OK
Y 1800 piezas KO
91 lotes son
rechazados y
seleccionados
por el
proveedor, deja
910,000 piezas
OK
Total de piezas OK
AOQ
Alm.
998,820
Piezas defectivas
1,800
0.18% AOQ
332
defectiva
que ingresa
al almacn o
planta
despus de
aplicar el
plan de
muestreo
Almacn
0.3
0.25
0.20
0.15
Fraccin
defectiva
que enva
el
proveedor
AOQL
0.1
0.05 0.1 0.15
0.2 0.25
0.3
Prov.
333
Inspeccin rectificadora
Variar la p de 0.005, 0.01 0.09 y
Obtener la curva AOQ para N grande
Se usa la distr. Binomial o de Poisson
a) Determinar la AOQ= p*Pa con
n=89 y c = 0, 1 y 2
b) Observar que pasa si se varia n
para n=50, 100, 200 para c=2
334
Inspeccin rectificadora
Variar la p de 0.005, 0.01 0.09 y
Obtener la curva ATI para N grande
Se usa la distr. Binomial o de Poisson
a) ATI=n + (1-Pa)(N-n) con
n=89 y c = 2
b) Observar que pasa si se varia n
para N=1000, 5000 y 10000 con
n = 89, c=2
335
Inspeccin rectificadora
ATI
10,000
N=10,000
N=5,000
N=1,000
p
336
d1 = # de defectivos
1< d1 <= 3
Inspeccionar 2a.
Si
d1 > c2 = 3
Rechazar lote
Si d1+d2 > c2
<= c2 =3
Con c2 = 3
Aceptar lote
Rechazar lote
337
Probabilidad de rechazo
con Primera muestra
Probabilidad de
Probabilidad de
Aceptacin con
Aceptacin con
Muestras combinadas
Primera muestra
p
338
50!
P
(0.05) d 1 (1 0.05)50d 1 0.279
d 1 0 d1!(50 d1)!
I
a
339
Pr Pr P
I
II
r
50!
Pr 1
(0.05) d 1 (1 0.05)50d 1
d 1 0 d1!(50 d1)!
I
Pr P (1) Pr (2)
II
II
r
II
PrII (1) P d1 2, d 2 1 P d1 2 * 1 P d 2 1
PrII (2) P d1 3, d 2 1 P d1 3 * P 1 P d 2 0
340
341
ASN n1
c2
j c11
P (n1, j ) n 2 PL (n 2, c 2 j
c2 j 1
PM (n2 1, c 2 j 2)
p
P(n1, j ) probabilidad .de. j.defectivos.en.muestra.n1
PL (n2, c 2 j ) prob.de.obser var.c 2 j.o.menos.defectivos.en.muestra.n2
342
ASN
Inspeccin doble
completa
Inspeccin
90
simple
Inspeccin
60
recortada
0.02
0.04
0.06
0.08
0.10
0.12
p
343
344
AOQ
N
ATI n1* PaI (n1 n 2) * PaII N (1 Pa )
345
Muestreo mltiple
Es una extensin del muestreo doble, por ejemplo:
Muestra Aceptar
20 0
3
40 1
4
60 3
5
80 5
7
100 8
9
Rechazar
346
Muestreo secuencial
347
Muestreo secuencial
Se toma una secuencia de muestras de un lote
n dependiendo de los resultados de la
inspeccin
No.de
Defectivos 6
Rechazar
5
4
3
2
Continuar
h2
Aceptar
1
0
10
-1
-2
-h1
Xa
20
30
40
348
Muestreo secuencial
Curva OC
X ACEPTACION h1 sn
X RECHAZO h2 sn
k log
p 2 (1 p1 )
p1 (1 p 2 )
1 p1
1 p2
s log
1-Alfa
h2/(h1+h2)
Beta
p1
p2
1
h2 log
k
Calcular ecuaciones
para:
1
k
h1 log
349
Xa
Xr
Xa
Xr
Xa
Xr
Xa
Xr
-1.192
1.598
-1
24
-0.548
2.242
-1
-1.164
1.626
-1
25
-0.52
2.27
-1
-1.136
1.654
-1
26
-0.492
2.298
-1
-1.108
1.682
-1
27
-0.464
2.326
-1
-1.08
1.71
-1
28
-0.436
2.354
-1
-1.052
1.738
-1
29
-0.408
2.382
-1
-1.024
1.766
-1
30
-0.38
2.41
-1
-0.996
1.794
-1
31
-0.352
2.438
-1
-0.968
1.822
-1
32
-0.324
2.466
-1
10
-0.94
1.85
-1
33
-0.296
2.494
-1
11
-0.912
1.878
-1
34
-0.268
2.522
-1
12
-0.884
1.906
-1
35
-0.24
2.55
-1
13
-0.856
1.934
-1
36
-0.212
2.578
-1
14
-0.828
1.962
-1
37
-0.184
2.606
-1
15
-0.8
1.99
-1
38
-0.156
2.634
-1
16
-0.772
2.018
-1
39
-0.128
2.662
-1
17
-0.744
2.046
-1
40
-0.1
2.69
-1
18
-0.716
2.074
-1
41
-0.072
2.718
-1
19
-0.688
2.102
-1
42
-0.044
2.746
-1
20
-0.66
2.13
-1
43
-0.016
2.774
-1
21
-0.632
2.158
-1
44
0.012
2.802
22
-0.604
2.186
-1
45
0.04
2.83
23
-0.576
2.214
-1
46
0.068
2.858
350
Frmulas muestreo
secuencial
Nmero promedio de muestras inspeccionadas
B
A
(1 Pa )
C
C
ASN Pa
A log
1
1
B log
p
1 p2
C p log 2 (1 p) log
p1
1 p1
A
ATI Pa
(1 Pa ) N
C
351
352
354
355
356
n = 770 y c = 4
358
359
360
361
Recorre a la derecha
la fraccin defectiva
disminuye
Z = (LIE-Xm)/s
Posicin de la media en
1.2 1.25
1.3
Dimensin X
362
Curva caracterstica de
0.8
Tamao de muestra n
0.5
y un criterio de aceptacin k
0.3
0.1
0.05 0.1 0.15
0.2 0.25
0.3
p Prov.
363
Determinacin de la fraccin
defectiva en la muestra por el
Mtodo II
Pasos:
1.Se toma una muestra de tamao n
2. Se mide la caracterstica de inters
3. Se calcula la Media y la desv. Estandar de la muestra
4. Se determina el valor de Qi y Qs en funcin de especs. LIE, LSE
4. Se determina el valor de P(Qt) = P(Qi) + P(Qs) bajo la normal
LIE
LSE
Aceptar el lote
Si P(Qtot) <= M
Qs
Qi
s
P(Qi)
P(Qs)
364
Frmulas
QZ n
(n 1)
QLIE
X LIE
n /(n 1)
QLSE
LSE X
n /(n 1)
0.8
Tamao de muestra n
0.5
y un criterio de aceptacin M
0.3
0.1
0.05 0.1 0.15
0.2 0.25
0.3
p Prov.
366
367
368
369
370
371
1.645 (95%)
0.10
n
n
X A 0.40
1.282 (10%)
0.10
n
n9
X A 0.356
372