INGENIERA ESTADSTICA DE SHAININ

Problema enfocado
Todos los proyectos deben basarse en el hecho de que se debe definir
claramente los CTQs y variables de enfoque.
Tener cuidado de no definir el CTQ en trminos del beneficio o costo que
representa.
SIN ENFOQUE: Material disponible
PARCIALMENTE ENFOCADO: No hay falta de material en la baha A
BIEN ENFOCADO: explicar el CTQ y su especificacin - 2 das < fecha de
recibo fecha requerida < 0 das para todo el material de la baha A.
|------------------ CTQ -----------------|

Coleccin de Datos
1. Usar registros histricos (solo despus de validar el sistema de medicin a
travs del cual se obtienen los datos.
2. Hacer un registro propio sobre algo que requiera investigarse y nunca se
haya hecho.
3. No hay una respuesta ideal.

Los 5 problemas principales

La administracin debe:

Dar prioridad a los problemas

Convertirlos en proyectos y darles prioridad
Asignar recursos
Asignar un proyecto por persona

Los 5 problemas principales tienen relacin con el desperdicio crnico, son

problemas alrededor de los cuales funciona la organizacin en forma normal.
Requieren un rbol de definicin de problemas, recursos enfocados y gerencia
activa para promover y desarrollar la estrategia, ejecutada por un equipo de
trabajo.
La estrategia efectiva para atacar problemas urgentes es la siguiente:
definicin del proyecto; asignacin de un lder de equipo; desarrollo de la
estrategia; ejecucin de la estrategia; terminacin del proyecto y lecciones
aprendidas.
Para los problemas crnicos, la estrategia efectiva para los 5 problemas
principales es la siguiente: anlisis de brecha del negocio; problemas del
negocio; los 5 problemas principales; asignacin de un promotor a cada uno; 5
proyectos principales; equipo de tiempo completo; desarrollo de la estrategia
tcnica; ejecucin de la estrategia; terminacin del proyecto; lecciones
aprendidas (proyecto por proyecto).

rbol de definicin de problema

Convierte los 5 problemas principales a los 5 proyectos principales, impulsados
por las utilidades con impacto en los accionistas, utiliza sistemas de
informacin y Pareto efectivos para identificar cuales proyectos tienen la mayor
habilidad de influir en las utilidades.

rbol de definicin del proyecto

Convierte un proyecto a una Y verde, la cual es un modo de falla o una
distribucin de desempeo con liga clara a las utilidades. Se enfoca a una
caracterstica o evento tcnico relevante para el cliente. El Diagrama de
estrategia representa el menor plan para obtener contrastes entre la MM y PP.

rbol de solucin
Representa cada paso de la estrategia conforme se desarroll y ejecut. Es una
herramienta importante para desarrollar y monitorear la ejecucin efectiva de
la estrategia adecuada.

rbol de soluciones
Proporciona un resumen en una pgina, del proceso de solucin de problemas
y la bsqueda de la X roja.
Se utiliza desde el inicio hasta el fin de cualquier proyecto DMAIC, como base
para el seguimiento de su desarrollo. Cada cuadro se sombrea y se cruza con
una lnea cuando se comprueba que un cierto factor no tiene efecto en la
variabilidad del producto. La rama que queda al final sin tachar es donde radica
la X roja que puede mostrar significancia estadstica y/o prctica.

Ejemplos de rbol de problemas

Proyecto tcnico
Definir el rango de entusiasmo del cliente para el ruido del alternador en
vehculos de plataforma B con duracin entre 90 180 das, descubrir la razn
por la que lo exceden, eliminarla y capitalizar las lecciones aprendidas.

Ejemplo de Diagrama de la estrategia

Platicar con las partes:

Ejemplo de rbol de soluciones

Por ejemplo:

Tipo de
variacin

Tiempo a
tiempo
Dentro de la
pieza
Dentro de la
pieza

Pieza a pieza

% de
variacin

50%
30%
10-15%

5-10%

Variacin y
causa

Bajo nivel de
refrigerante
Ajuste no
paralelo
Enfriamiento
de
maquinado
inadecuado
Desconocido

Correccin
de la
variacin

% de
reduccin
de la
variacin

Maquinado
automtico
Re-ajuste de
maquinado
Agregar ms
boquillas de
refrigerante

Cerca del
50%
Cerca del
30%
10%

Ninguno

Ninguna

Paralelogramo de tolerancias
Se utiliza para determinar la tolerancia apropiada para una variable de entrada
en particular (X roja) para asegurar que se cumple con los requerimientos del
cliente.
Se colectan 30 pares de datos para cada variable de entrada y de salida
conocidas, se calcula una recta de regresin con intervalos de prediccin al
95% y se le hacen coincidir los lmites inferior y superior de entusiasmo del
cliente como sigue:
Ejemplo:
Los siguientes datos corresponden a la resistencia a la tensin de un producto
de papel relacionado a la cantidad de fibra en la pulpa. Se toman 10 muestras
en una planta piloto y los datos obtenidos se muestran a continuacin:

Y_Resistenci
a
160
171
175
182
184
181
188
193
195
200

X_%Fibra
10
15
15
20
20
20
25
25
28
30

Determinar el anlisis de regresin siguiente:

Con Minitab:
Stat > Regresin > Fitted line plot Indicar Response (Y) y Predictor (X) Linear
Options seleccionar Display Prediction Interval
OK
De preferencia debe quedar un punto y medio fuera del intervalo de prediccin.
En la grfica se trazan lneas horizontales a partir de los lmites de entusiasmo
del cliente hasta que se intersectan con los lmites de prediccin de la recta de
regresin (el LIE con el lmite inferior de prediccin y el LSE con el lmite
superior de especificacin). Los lmites de entusiasmo del cliente se definen
como el rango donde el cliente no puede detectar o no le da importancia a una
diferencia, que pueden tomarse de un dibujo o de estudios de mercado.

Fitted Line Plot

Y_Resistencia = 143.8 + 1.879 X_%Fibra
210

Regression
95% PI

Y_ Resistencia

200

S
R-Sq
R-Sq(adj)

190
180
170
160
150
10

15

20
X_ %Fibra

25

30

Tolerancia de la X roja

2.20320
97.0%
96.6%

ISOPLOT
Se utiliza en lugar de un estudio R&R cuando la complejidad del estudio es alta,
por ejemplo se tienen tres calibradores diferentes que son utilizados por ocho
operadores diferentes y en tres turnos. Con Isoplot se miden 30 partes dos
veces, a pesar de que las mediciones no sean realizadas por la misma
persona, el mtodo es sensible an a pocos puntos en los que haya poca
repetibilidad.
Isoplot se usa para determinar si un equipo de medicin tiene suficiente
discriminacin (habilidad de determinar la diferencia entre dos partes u
operaciones similares), de tal forma de poder: encontrar la X roja del proceso o
determinar si una parte u operacin cumple con las especificaciones.
Se siguen los siguientes pasos:
1. Se toman 30 piezas de produccin normal e identificarlas (de preferencia
que representen el rango de variacin total)
2. Realizar una primera medicin de las piezas al azar
3. Realizar una segunda medicin de las piezas al azar
4. Trazar los pares de puntos en una grfica con los mismos ejes; trazar
una lnea que pase por en medio de los puntos (la mitad debe quedar
por arriba de la lnea y la otra mitad por debajo); trazar una lnea
paralela a la media que deje fuera a un punto y medio de los datos (de
manera que quede el 95% de puntos dentro del intervalo de confianza);
trazar otra lnea paralela a la anterior a la misma distancia de la media;
cerrar los extremos de la salchicha con semicrculos.
5. Medir el intervalo Delta-M e I con una regla; calcular Delta-P/Delta-M. si
se est validando el sistema para controlar la X roja o verificar DeltaTolerancia/Delta-M si se est validando que el sistema es capaz de
verificar cuando las parten cumplen las especificaciones.
6. Trazar a 45 la lnea de referencia

L2= M 2 +2 P2

Discriminacin=

P
6
M

7. En caso de verificar que las partes se encuentran dentro de una

tolerancia T determinada (ambas cantidades deben tener las mismas
unidades):

Discriminacin=

T
6
M

Fitted Line Plot

Y_Resistencia = 143.8 + 1.879 X_%Fibra
210

Regression
95% PI

Y_ Resistencia

200

S
R-Sq
R-Sq(adj)

L
l

190
180

2.20320
97.0%
96.6%

170
160
150
10

15

20
X_ %Fibra

25

30

T
Recomendaciones:
8. Ajustar el calibrador
9. Asegurar que las mediciones se lleven a cabo en partes orientadas de la
misma manera
10.De preferencia contar con un calibrador con mejor resolucin (0.0001 en
lugar de 0.001, das en lugar de meses, etc.)
11.Asegurar la consistencia del mtodo de medicin
12.Realizar la medicin de una parte, cierto nmero de veces y sacar el
promedio de las lecturas (se reduce el error de medicin por un factor
similar a la raz cuadrada del tama de la muestra, una muestra de 4
lecturas promediadas tendran un error de medicin de del que
tendra una lectura)
13.De preferencia no usar calibradores sensibles al tacto (verniers)
14.Tratar de innovar en el mtodo de medicin

Bsqueda de componentes
Se utiliza cuando se trata de encontrar la parte o partes que causan problemas
en el ensamble, se puede utilizar en lugar de una carta Multivari.
Se inicia al encontrar dos ensambles, uno MM y otro el PP. Los componentes
deben poderse ensamblar y desensamblar (componentes soldados no se
pueden intercambiar). Se evala cada uno por separado para verificar que no
existe una peculiaridad de ensamble responsable del comportamiento extremo
de los dos ensambles. Despus de intercambian partes, una a la vez entre el
MM y el PP, hasta que se observen resultados significativos estadsticamente
(puntos fuera de los lmites de decisin). La prueba concluye cuando al
intercambiar las partes, la MM se vuelve PP y viceversa.
PROCEDIMIENTO:
1. Seleccionar 2 unidades cuyas caractersticas no sean las que les
interesan (MM la mejor y PP la peor).
ETAPA 1
2. Desarmar y armar la unidad tres veces y verificar que ambas reglas
pasan:
a. Regla 1. Completar la separacin entre los valores de MM y PP
Clasificar todas las pruebas MM y PP juntas

Pasa, los MM y
PP
No se traslapan

b. Regla 2.
VIxRavg.

MM
MM
MM
PP
PP
PP

MM
MM
PP
MM
PP
PP

No pasa, los MM
y PP
se traslapan

la diferencia entre las medianas debe ser mayor a

DM es la diferencia en las medianas de las pruebas MM y PP de la

etapa I; Vi se toma de la tabla, depende de la forma como se
hagan las pruebas en la etapa 1.
Ravg = (Rmm + Rpp)/2
donde Rmm es la diferencia entre la
mayor y menor prueba MM de la etapa 1.
3. Si pasa esta etapa, proceder con la etapa 2. De otra forma, el problema
radica en la forma del ensamble de las partes, utilizar el desensamble
progresivo para encontrar la X roja.

ETAPA 2
4. Establecer los lmites de decisin para cada unidad. Intercambiar partes
en el orden esperado de importancia, hacer una imagen de reflejo
DLmm = Mediana MM (Vii *Ravg)
DLpp = Mediana PP (Vii *Ravg)
No. Pruebas en
Etapa 1
3 MM, 3 PP
4 MM, 4 PP
5 MM, 5 PP

Vi

Vii

1.49
0.89
0.74

1.89
1.31
1.10

Los factores se basan en el uso de mediana (%) y los rangos promedio

(Ravg) se basan en pruebas t con un 95% de confianza.
El tamao de grupo que se recomienda es 4 MM y 4 PP, (vista inicial y 3
reensamblkes tanto de MM como de PP). Sin embargo tambin se
pueden usar 2 reensambles.
Vi se utiliza para verificar la regla 2 en la Etapa 1 y Vii se utiliza para
calcular los lmites de decisin en la Etapa 2.
5. Todo intercambio que tenga como resultado un punto fuera de los lmites
de decisin internos, significa que el componente est contribuyendo a
la diferencia que existe entre unidades
6. Siempre que se encuentre uno o ms componentes significativos llevar a
cabo una corrida de validacin, intercambiando todas las partes
significativas, probar con una imagen de reflejo. La corrida de validacin
pasa cuando se logra la inversin completa entre las unidades.
7. Preparar una matriz de diseo factorial completo, con todos los
componentes de la fase 2 como variables. Incluir todos los datos de la
seleccin inicial, Fase 1 y Fase 2. Analizar la matriz usando la mediana
de cada celda en lugar del promedio.

EJEMPLO: Indicador de posicin

Anlisis Multivari
Se midieron los ngulos de los interruptores 4 y 5 encontrando los siguientes
resultados:

Angul
o

Opera
dor

Parte

Interr
up

0.3
5.5
2
0.3
2
4
10

R1
R2
R3
R4
P1
P2
R1

1
2
3
4
5
6
1

4
4
4
4
4
4
5

9
12
10
9
10
0.3
10
5.3
10
5.8
11
0.3
10.5
0
11
4
9
3
11
3
9

R2
R3
R4
P1
P2
J1
J1
R5
R5
R6
R6
J2
J2
J3
J3
P3
P3
P4
P4
J4
J4

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

5
5
5
5
5
4
5
4
5
4
5
4
5
4
5
4
5
4
5
4
5

Y con la carta Multi vari correspondiente:

Multi-Vari Chart for Angulo by Interrup - Operador
I nterrup
4
5

12
10

Angulo

8
6
4

Candidatos
a MM y a
PP

2
0
J1

J2

J3

J4

P1

P2

P3 P4 R1 R2 R3
Operador

R4 R5

R6

LIE = 5
min.

Se observa que el ngulo del interruptor 4 est fuera de especificaciones en su

mayor parte. Para determinar el componente que lleva a este ngulo
equivocado se tiene.
PASO 2. Seleccin de un PP, puede ser cualquiera con valor cercano a cero
6
5
4
MM

PP

2
1
0
1

MM
4.6
5.4
5.1

PP
0
0
0

Rmm = 0.8 grados

Rpp = 0.0 grados
Ravg = (Rmm + Rpp)/2 = 0.4 grados
Dm = Diferencia entre medianas de las pruebas de MM y PP de la Etapa 1
Dm = 5.1 grados
PASO 4. Estableciendo lmites de decisin para Etapa 2, Lmites de decisin =
Mediana (Vii*Ravg)
Ya se ha calculado en Etapa 1: Ravg = 0.4 grados

DLmm=Mmm
(Vii*Ravg)

5
4
MM

PP

2
1

DLpp=Mpp(Vii*Ravg)

0
1

PASO 4. Intercambio de partes en la Etapa II

El eje Y es el CTQ, el eje X est marcado como 1, 2 y 3 para la Etapa 1 o con el
componente que se intercambi.

6.0

5.0

4.0

3.0
MM
PP
2.0

1.0

0.0

PASO 5. Cuando el bloque de Leva fue intercambiado, tuvo como resultado

puntos fuera de la decisin para MM y PP, lo que convirti al Boque de Leva
en sospechoso para ser clasificado como X roja. (Cuando los puntos MM y PP
quedan fuera de los lmites de decisin, sera suficiente para que el Bloque de
Leva sea sospechoso). El mismo criterio se aplica al intercambio de Operador
de Manivela.

PASO 6. Cuando el Bloque de Leva y el Operador de Manivela han sido

identificados como sospechosos, ambos fueron intercambiados con la
esperanza de observar una reversin completa (los puntos de MM entran en los
lmites de decisin de PP y los puntos de PP entran en los lmites de decisin
deMM).
PASO 7. Usar los datos de las etapas I y II de la Bsqueda de Componentes
para llenar la matriz y llevar a cabo el anlisis.
Operador de Manivela
MM

Operador de Manivela
PP

Bloque de Leva MM
4.6 Etapa 1
5.4 Etapa 1
5.1 Etapa 1
5.2 Interruptor 4
5.0 Placa de
interruptor
4.5 Corrida de
validacin

Bloque de Leva PP
1.4 Bloque de Leva
1.5 Operador de
Manivela

1.5 Bloque de Leva

0.5 Operador de
Manivela

0.0 Etapa 1
0.0 Etapa 1
0.0 Etapa 1
0.0 Interruptor 4
0.0 Placa de
interruptor
0.0 Corrida de
validacin

Calculando la mediana para cada cuadro de la Matriz

Operador de Manivela
MM
Operador de Manivela
PP
Promedios

Bloque de Leva
MM

Bloque de Leva
PP

5.05

1.45

1.00
3.03

0.00

Promedios

3.25
Diagonal
1.23
0.5
Diagonal
2.53

0.73

Efecto de la media del bloque de Leva = 3.25 0.5 = 2.75 grados

Efecto de la media del Operador de Manivela = 3.03 0.073 = 2.30

Efecto de la interaccin entre Leva y Manivela = 2.53 - 1.23 = 1.30

Diagrama de concentracin
Se usa para identificar patrones de defectos significativos que son especficos
para un lugar fsico particular de la parte, o donde tiene relacin con otras
partes.
Es necesario que el lugar de los defectos pueda identificarse, pueden utilizarse
datos por atributos o variables registrando solo el lugar donde ocurre el

defecto.

PASOS:
1. Obtener un dibujo del producto
2. Colocar una marca en el dibujo por cada defecto encontrado
3. Buscar agrupamientos anormales o no esperados de puntos, puede ser
indicio de X roja
4. Trazar el diagrama en una cierta posicin respecto a alguna operacin
dentro del proceso

Diseo de experimentos factoriales y

fraccionales
Proporcionan medios para recopilar informacin acerca de la forma en que
varios factores (Xs), ya sean juntos o combinados, afectan los resultados del
proceso (Y). El DOE cuantifica los efectos e interacciones de la media de cada X
que afecta el proceso, adems de proporcionar la medicin de la significancia
estadstica y prctica de un factor o interaccin.
Se utiliza despus de identificar la familia ms significativa de variacin en e
rbol de Soluciones, o cuando se desea hacer un anlisis adicional sobre el
proceso especfico relacionado con esta familia para identificar la X roja. El
DOE:

Permite identificar y cuantificar el impacto de pocas X`s vitales que

afectan al proceso
Describe la relacin entre una Xs Y la Y a travs de un modelo
matemtico
Mejora un proceso determinando la configuracin ptima de un juego de
Xs conocido

Es necesario utilizar de preferencia datos por variables para minimizar el

nmero de corridas experimentales. Si se usa ANOVA para el anlisis, es
necesario verificar la normalidad de los residuales para asegurar la validez del
experimento. En caso de mediciones cuantitativas, se debe asegurar que los
sistemas de medicin son vlidos.
Tipos de DOEs

DOE factorial completo: proporciona la mayor informacin posible

acerca del proceso, pero requiere ms recursos, ya que prueba todas las
combinaciones de factores y niveles de los mismos. Son ms adecuados
cuando se trata de dos a cuatro factores, en caso de un factor es mejor
el mtodo B vs C y en caso de ms de cuatro factores utilizar el mtodo
de Bsqueda de Variables.
DOE factorial fraccional: Prueba una fraccin de las combinaciones
del anterior, con menos recursos, sin embargo reduce la resolucin del
experimento y dificulata la habilidad de evaluar algunas interacciones.
DOE de filtracin: algunos diseos de experimentos fraccionales sirven
para reducir el gran nmero de factores a un nmero menor ms
manejable. Despus de esto se puede realizar un factorial completo para
investigar ms a fondo.

Ejemplo de DOE
Suponer que se trata de elevar el rendimiento y reducir la variacin de un
proceso qumico, con el rbol de Soluciones siguiente:

Un diseo factorial completo con 3 rplicas de 5 factores en 2 niveles nos lleva

a 96 experimentos (2^5 x 3). Por lo tanto conviene primero realizar un
experimento fraccional (1/2) para reducir el nmero de factores sospechosos.
Tal vez de 5 a 3.

FACTORES
PRINCIPALES
Rango de alimentacin
(lts/min)
Catalizador (%)
Rango de agitacin
(rpm)
Temperatura (C)
Concentracin (%)
FACTORES DE RUIDO
Tiempo de cura
Presin interna

NIVEL -1

NIVEL
+1

10

15

1.0
100

2.0
120

140
3

180
6

Los niveles corresponden a extremos opuestos del rango de operacin normal.

Las variables de ruido deben ser registradas por si se requieren en niveles
subsecuentes.
Despus de correr los experimentos y obtener una grfica de probabilidad
normal, se observan como relevantes los factores B, D y E y las interacciones
DE y BD.
A travs de Minitab se realiza un ANOVA por medio del Modelo lineal general:
1. Indicar la respuesta con Rendimiento
2. Seleccionar en Model, Catalizador, Temperatura , Concentracin,
Catalizador*Temperatura y Temperatura*Concentracin
El resultado del ANOVA es el siguiente:
FUENTE

P
VALUE
0.0
0.0
0.0
0.0

Catalizador
Temperatura
Concentracin
Catalizador*Con
c
Temp*Concentr
acin

0.0

Por tanto todos los elementos del modelo fueron significativos.

Obteniendo las grficas factoriales se tiene:
EFECTOS PRINCIPALES PARA RESPUESTAS

-1
-1

-1

1
Catalizador

Temperatura

EFECTOS DE LAS INTERACCIONES SIGNIFICATIVAS

Concentracin

-1
1
Temperatura*Catalizador

-1
1
Concentracin*Temperatura

Verificar en la misma corrida del Modelo Lineal General que los residuos se
comporten de manera normal sin autocorrelacin y con varianza constante.
Del ANOVA resultado del Modelo lineal general, con la suma de cuadrados
secuenciales, se puede determinar la significancia prctica o contribucin
prctica de cada factor e interaccin que se mostrado como significativo
estadsticamente. psilon^2 es el smbolo de la significancia prctica:

Fuente

Seq SS

Catalizador
Temperatura
Concentracin
Catalizador*Conc
Temp*Concentracin
Error
Total

1681
600.25
156.25
462.25
361
70.25
3331.00

^2 catalizador = 1681 / 3331 = 51%

E^2 temperatura = 600.25 / 3331 = 18%
E^2 error = 70.25 / 3331 = 2%
De lo anterior se observa que la contribucin del Catalizador y la Temperatura es del 69%
con un error muy pequeo de 2%, dado que los residuales se distribuyen normalmente.
Una vez identificados los mejores niveles de operacin de los factores significativos, se
deben implementar las mejoras y realizar una corrida de comprobacin. Si los resultados
obtenidos durante esta corrida son satisfactorios, se puede continuar con la Fase de
Controlar o Validad. El equipo de medicin debe ser revalidado en relacin a su
discriminacin en la respuesta.
Por otra parte si no se concluye el experimento, o si el trmino de error es mayor al 20%
se deben reevaluar los factores y volver a correr el experimento. Los factores de ruido
originales pueden proporcionar una pista sobre los factores a considerar.

Pruebas B vs C
Se utiliza para confirmar una diferencia estadstica entre el mtodo actual
(Pruebas C) y un mtodo que es mejor (Pruebas B), lo interesante del mtodo
es que requiere un nmero pequeo de pruebas y no requieren cumplir con el
requisito de normalidad o igualdad de varianzas.
Se realiza un nmero de pruebas C y un nmero de pruebas B, corridas al azar
midiendo el CTQ (o Y verde) en cada prueba. Los resultados se alinean y
dependiendo que tan separados estn los resultados de las prueba B vs las
pruebas C, se puede confirmar la significancia de la mejora. Se tienen 3 tipos
diferentes de pruebas B vs C:

B vs C en paquete de seis, utilizado para confirmar cambios en la media.

Prueba de Conteo Final de Traslape B vs C, se usa para confirmar
cambios en la media, utilizada cuando la influencia de una X rosa
potente puede causar que falle una prueba tpica de paquete de seis.
Prueba de Barrera B vs C, utilizada para confirmar cambio de media para
variables sin lmites, tambin se utiliza para confirmar una reduccin en
la desviacin estndar.

Lista de verificacin del DOE

1. Definir el problema
2. Establecer el objetivo
3. Seleccionar la variable de respuesta
4. Seleccionar variables independientes (Factores o Xs)
5. Elegir niveles del factor
6. Identificar factores de ruido
7. Seleccionar el Diseo (Filtracin, caracterizacin, Optimizacin, etc.)
8. Planear la logstica (Personas, Equipos, Tiempo necesario, Costo, Programa,
)
9. Establecer procedimientos de SET UP de DOE
10. Implementar el DOE ! Dar seguimiento cuidadoso!!
11. Recopilar datos
12. Analizar datos
13. Trazar conclusiones estadsticas
14. Trazar conclusiones prcticas
15. Implementar soluciones prcticas
16. Comunicar resultados
17. Corrida de comprobacin de resultados

Estrategia de solucin de problemas (X roja)

Definicin del
problema

Definicin del
proyecto
(project
definition tree)

Eliminacin

Confirmacin

Accin,
implementar,
Control,
monitorear
Lecciones
aprendidas,
reconocimiento,
etc.

Identificacin de un problema real que impacta a

los objetivos de la organizacin
rea de problema
Punto de deteccin del problema
Manifestacin del problema
Efecto con el cliente
Asignar al equipo de trabajo
Desarrollar una estrategia
Monitorear el modo de falla (Y verde)
Monitorear la distribucin requerida contra la
existente
Se pude identificar la X roja, confirmarla y
monitorear la distribucin de la Y verde
Distribucin de Y
Establecer el sistema efectivo de medicin de la
variables
Implementar una estrategia y dividir el problema
Converge una X roja como candidata?
Confirmar candidatos a X rojas
Entregar MM y PP (mejor de la mejor y peor de la
peor) con lmites a las Xs
Probar que la X roja influye en la Y verde
Confirmar X roja: SI asignar tolerancias a X roja / NO
regresar a paso de Eliminacin
Accin irreversible
Cambio de diseo, etc.

Verde

Es la distribucin del desempeo de un modo de falla o una no

conformidad
Tiene influencia de lo establecido en la definicin del proyecto y rbol de
definicin del problema
Al enfocarse a la Y verde genera entusiasmo del cliente

Roja

Es la variable o contraste con ms impacto sobre la Y verde del MM al PP

Siempre existe una X roja
La ruta ms rpida para encontrarla es buscarla iniciando con una Y verde bien
definida
Se aplica la regla KISS (Keep It Simple Sir)

Ejemplo de aplicacin
Descripcin del problema
El cristal de la puerta izquierda de un coche se sale al cerrarlo.

Anlisis de las causas del problema

No se tena un dispositivo para medir la fuerza requerida para que se saliera el
cristal. Se diseo uno y se determin su R&R, el cul fue de 10% siendo el
mximo del 25%.

Estratificacin o pltica con las partes

Se hace un intercambio de partes que intervienen en un coche sin el problema
y que cumple con las especificaciones (MM) y una unidad defectiva (PP),
midiendo la fuerza para botar cristal.

Las mediciones se muestran a continuacin:

MM
1.1
1.1
1.1
0.7
1.2
0.9
1.3

PP
0.3
0.3
0.3
0.8
0.2
0.7
0.5

Xmedi
a
22
22
22
22
22
22
22

LICx
0.55
0.55
0.55
0.55
0.55
0.55
0.55

LSCx
1.65
1.65
1.65
1.65
1.65
1.65
1.65

0.0
1.2

0.9
0.3

22
22

0.55
0.55

1.65
1.65

La grfica es la siguiente:
1.8
1.6
1.4
MM

1.2

PP

1.0

Xmedia

0.8

LICx
LSCx

0.6
0.4
0.2
0.0
1

Parte 3

Parte 4

Parte 5 Posible causa raz

Las partes 1 y 2 no influyen en el problema

Las partes 3 y 4 tienen una influencia ligera en el problema
La parte 5 si tiene una influencia significativa en el problema, ya que hace a la
parte PP-> MM y a la MM-> PP.
La parte 5 es surtida por tres proveedores A, B y C en proporciones 45%, 35%,
20% y niveles de conformancia del 94%, 96% y 98% o rechazos del 6%, 4% y
2% respectivamente.

Por tanto la probabilidad de que la parte 5 sea defectuosa es de la suma =

0.045
Por Regla de Bayes se tiene:
P(X|D)
P(A|D)
P(B|D)
P(C|D)

= P(X)*P(D|X) / [ P(A)P(D|A) + P(B)P(D|B) + P(C)P(D|C) ]

= 0.027 / 0.045 = 0.60
= 0.014 / 0.045 = 0.31
= 0.004 / 0.045 = 0.09

Por tanto se determina que el proveedor A es el ms problemtico, haciendo un

anlisis detallado de las partes 5 de este proveedor se encontraron
discrepancias dimensionales que causaban el problema.

Solucin
Se solicit al proveedor cambiar la especificacin para reducir el riesgo de
generacin del defecto.