CMPC - GB - Día 3 - Parte B

Formación Lean Six Sigma
Nivel Green Belt
Evandro Lutero Alves

REGLAS BÁSICAS FORMACIÓN
 El curso cubre muchas técnicas y requiere atención
 Evitar mirar y contestar el móvil
 Buscar estar en una sala de reunión/despacho a solas
 Mantener la camera encendida
 Mantener el micrófono en mute
 Puntualidad
 Preguntar en cualquier momento
 Continuar la conversación sobre el mismo tema
 PARTICIPAR, PARTICIPAR, PARTICIPAR, …
 ¿ALGO MAS QUE AÑADIR?
2
Los 12 pasos del proceso
Paso Descripción Enfoque Herramientas Resultados esperados
Definir
A Identificar las necesidades/problema
del cliente CTQ del proyecto(1)
B Desarrollar el contrato de proyecto Contrato aprobado(2)
C Definir el proceso y sus límites Mapa de proceso de alto nivel (3)
Medir
1 Determinar la característica a mejorar Y Clientes, QFD, Y del proyecto (4)
2 Definir la métrica de la característica Y Clientes, planos desempeño estándar

de la Y del proyecto (5)
3 Validar el sistema Y Gage R&R continuo, Plan de recogida de datos y
de medición (ASM) Linealidad y sesgo ASM (6), datos del proyecto Y (7)
Analizar
4 Establecer la capacidad del proceso Y Índices de capacidad Capacidad del proceso
de la Y del proyecto (8)
5 Definir el objetivo de mejora Y Equipo, benchmarking Meta de mejora para la
Y del proyecto (9)
6 Identificar las causas X Análisis del proceso, Prioridad de la lista de las X
potenciales de variación Análisis gráfico, (10)
Prueba de hipótesis
Mejorar
7 Identificar las causas raíz X DOE-filtrado Lista de las X vitales (11)
8 Descubrir relaciones entre variables X Diseño factorial Solución propuesta (13)

y generar soluciones
9 Establecer tolerancias operacionales Y, X Simulación Solución piloto (14)
Controlar
10 Validar el Sistema de medición de Y, X Gage R&R continuo, ASM Sistema de medición en las
las variables de control. pruebas/nueva prueba, X de la aplicación actual
GR&R de atributo
11 Determinar la nueva capacidad del Y, X Índices de capacidad Capacidad del proceso
proceso (Y, X) (15)
12 Implantar control del proceso X Gráficas de control, Solución mantenida (15),
A prueba de errores, Documentación (16),
FMEA
3
Fase Medir
4
Metodología DMAIC
A- Identificar las necesidades/ problema del cliente

Necesidades
Definir B- Desarrollar el contrato de proyecto
del cliente C- Definir el proceso y sus límites
1- Determinar la característica a mejorar

Problema
Medir 2- Definir la métrica de la característica
Practico 3- Validar el sistema de medición
4- Establecer la capacidad del proceso

Problema
Analizar 5- Definir el objetivo de mejora
Estadístico 6- Identificar las causas potenciales de variación
7- Identificar las causas raíz

Solución
Mejorar (I) 8- Descubrir relaciones entre variables y generar soluciones
Estadística 9- Establecer tolerancias operacionales
10-Validar el sistema de medición de las variables de

Solución control
Controlar
Práctica 11- Determinar la nueva capacidad del proceso
12-Implantar control del proceso
5
Fase Medir
Definir Medir Analizar Mejorar Controlar
1.Determinar la
2.Definir la métrica 3. Validar el sistema
característica a
de la característica de medición
mejorar
Resultado esperado: Resultado esperado: Resultado esperado:

1. Identificar Y del 1. Tipo de datos, 1. Un sistema de
proceso o límites de medición
subproceso especificación y adecuado para la
granularidad de la medición de Y.
Y.
Herramientas: Herramientas:
 QFD
Herramientas:  Linealidad y Sesgo
 Datos continuos o  Gage R&R
 Mapa del proceso
discretos continuo
 FMEA
 Análisis estadístico
 Análisis gráfico
6
Análisis del sistema de medición
Linealidad y Sesgo
7
Ejercicio
Utilizar dados del archivo “Ejercicio día 3 – Correlación OL x Lab.xlsx” (hoja:

“Correlación”);
Hacer 3 gráficas de dispersión para cada conjunto de datos;
A B C
Muestra Instrumento OL Promedio Lab Muestra Instrumento OL Promedio Lab Muestra Instrumento OL Promedio Lab
1 12,19 12,68 1 13,69 12,68 5 7,06 7,02
2 8,35 8,18 2 9,85 8,18 2 9,35 8,18
3 11,19 10,92 3 12,69 10,92 4 10,76 9,78
4 9,26 9,78 4 10,76 9,78 3 13,19 10,92
5 6,56 7,02 5 8,06 7,02 1 14,69 12,68
Hacer en Excel
Agregar línea de tendencia lineal con R2;
¿Cuál instrumento mide mejor?

*R2 = ((sigma de los datos reales)2 -(sigma del error)2)/(sigma de los datos reales)2
8
Ejercicio
Ejemplo de análisis gráfico en Excel
9
Ejercicio
y = 0,979x + 0,4043
Promedio Lab R² = 0,9693
13,00
12,00
Promedio Lab 11,00
10,00
9,00
8,00
7,00
6,00
6,00 7,00 8,00 9,00 10,00 11,00 12,00 13,00
Instrumento OL
10
Ejercicio

A Promedio Lab y = 0,979x + 0,4043
R² = 0,9693
B Promedio Lab y = 0,979x - 1,0641
13,00 14,00 R² = 0,9693
12,00 13,00
12,00
11,00
Promedio Lab
Promedio Lab
11,00
10,00
10,00
9,00
9,00
8,00
8,00
7,00 7,00
6,00 6,00
6,00 7,00 8,00 9,00 10,00 11,00 12,00 13,00 6,00 7,00 8,00 9,00 10,00 11,00 12,00 13,00 14,00
Instrumento OL Instrumento OL
C Promedio Lab y = 0,7281x + 1,6983

14,00 R² = 0,9782
13,00
12,00
Promedio Lab
11,00
10,00
9,00
8,00
7,00
6,00
6,00 7,00 8,00 9,00 10,00 11,00 12,00 13,00 14,00
Instrumento OL
11
Linealidad y Sesgo en Minitab
Copiar los datos de Excel del mismo ejercicio y pegar en Minitab;
Hacer Gráfica de Línea Ajustada para los 3 grupos de datos
12
Ajustar escala y trazar línea diagonal
13
14
15
Con los mismos datos, hacer Estudio de linealidad y sesgo
16
• Elegir datos conforme imagen
17
Resultado:
No hay problema
de linealidad
(p>0,05)
No es posible concluir
si hay sesgo o no
Línea casi horizontal

indica que no hay
problema de linealidad.
Línea cerca del cero y
la línea del cero está
dentro del rango de
incertidumbre indica
que no hay sesgo 18
Resultado:
No hay problema
de linealidad
(p>0,05)
si hay sesgo o no
Línea casi horizontal indica

que no hay problema de
linealidad.
Línea no está cerca del cero
y la línea de cero está fuera
del rango de incertidumbre
puede indicar problema de
Sesgo 19
Resultado:
Hay problema de linealidad

significativo (p cerca de 0,05)
si hay sesgo o no
Línea inclinada puede

indicar que hay
problema de
linealidad.
20
Ejercicio
Utilizar dados del archivo “Ejercicio día 3 – Correlación OL x Lab.xlsx” (hoja:

“Sesgo”);
Hacer análisis para los dos bloques de datos;
Patrón Obtenido Parte Patrón_1 Obtenido_1 Parte_1

0,00 -0,30 1 0,00 -0,30 1
0,00 -0,30 1 0,00 -0,30 1
0,00 1,57 1 0,00 -1,57 1
0,00 1,56 1 0,00 -1,56 1
0,00 1,56 1 0,00 -1,56 1
110,00 110,01 2 110,00 114,00 2
110,00 110,00 2 110,00 113,50 2
91,81 92,20 3 91,81 92,20 3
91,81 92,01 3 91,81 92,01 3
91,73 91,86 4 91,73 91,86 4
21
Resultado:
No hay problema de linealidad

significativo (p mayor que 0,05)
No hay sesgo
significativo (p>0,05)

indicar que hay
problema de
linealidad. En este
caso la diferencia es
muy pequeña en
comparación al rango
total. 22
Resultado:
Hay problema de linealidad

significativo (p < 0,05)
No hay sesgo
significativo (p>0,05)

indicar que hay
problema de
linealidad. En este
caso la diferencia es
significativa en
comparación al rango
total. 23
Análisis del sistema de medición
GAGE R&R para datos continuos
24
¿Qué es?
 El Estudio R&R es una herramienta que nos permite calcular el error
de Repetibilidad y Reproducibilidad de un sistema de medición para
datos continuos.
 Consiste en medir varias veces el mismo objeto por el mismo operador
y diferentes operadores para calcular los errores
¿Por qué es importante?

 Permite dar valores de error en repetibilidad y error en reproducibilidad
para validar el sistema de medición
 El análisis de los resultados muestras además información sobre los
aspectos que mas contribuye al error para poder mejorarlo
adecuadamente
Datos erróneos producen decisiones equivocadas
25
Datos Análisis Decisión

errados + equivocadas = equivocada
errados + Correcta = equivocada
Correctos + equivocadas = equivocada
Correctos + Correcta = Correcta
26
Para realizar un GAGE R&R con datos contínuos (Estudios de Repetibilidad y

Reproducibilidad) se deben realizar los siguientes pasos
1. Examinar el sistema de medición completo para identificar
fuentes de variación
2. Planificar un ensayo Gage R&R
3. Recogida de los datos
4. Realización de los cálculos
5. Análisis de los resultados
27
Gage R&R con datos continuos
Identificar las fuentes de variación del sistema de medición
PERSONAL MATERIAL MEDICIÓN

Formación Inestable Incrementos
inadecuada muy grandes
Prioridades mixtas Diferentes tipos
Exceso de trabajo No Redondo
Punto de vista del operario frente a

punto de vista del inspector No liso
Variación del
sistema de
Equipo de medición mal diseñado, medición
El equipo de pruebas no se Cambio de instrucciones
ha calentado cuando cambia el turno Temperatura de refrigerante
Operario del equipo de medición frente aInstrucciones no

inspector del equipo de medición secuenciales o lógicas Área abrasiva
Equipo de medición Instrucciones

poco claras Temperatura no
controlada
Sin planificación
Humedad no controlada
MÁQUINA MÉTODO
(equipo de medición) AMBIENTE
28
Tipos de estudio
Existen básicamente tres tipos de estudio GAGE R&R para datos continuos dependiendo de
las limitaciones en la ejecución de los ensayos:
 Estudio R&R Cruzado

 El sistema mas completo y es el utilizado por defecto
 Requiere que todos los operadores puedan realizar repeticiones de la misma muestra
 Estudio R&R Anidado

 Limitaciones en las repeticiones, porque son ensayos destructivos* o porque no pueden utilizar
las mismas muestras todos los operadores
 Estudio R&R Expandido

 Cuando faltan muestras
 Es imposible realizar alguna repetición
* Dependendo del caso se puede utilizar el método cruzado para ensayos destructivos.
29
Tipos de estudio
Ejemplos de casos en que se puede utilizar el método cruzado para ensayos destructivos:
 Medición de concentración en la salida de un tanque de almacenaje, pero hay que analizar caso a caso, el
tanque garantiza una homogenización y el tiempo de diferencia de la tomada de la muestras es pequeño
en comparación el tiempo de almacenaje.
 Medición de sequedad de la hoja en la salida de secadero, se puede decir que la sequedad de la hoja 1a
es igual de la 1b y de la 1c. Lo mismo para 2a , 2b y 2c, etc. Pero no se puede decir que la sequedad de la
hoja 1a, 2a y 3a son iguales.
1c 1b 1a
2c 2b 2a
3c 3b 3a
4c 4b 4a
5c 5b 5a
30
Planificación
Planifique el ensayo:
1. Número de evaluadores a utilizar. Es aconsejable 3 evaluadores

2. Número de repeticiones que cada evaluador debe realizar a cada muestra (si no hay repeticiones no podemos
calcular error de Repetibildad)
 La dificultad de cómo realizar repeticiones condicionará el tipo de ensayo
 Aconsejamos tres repeticiones por muestra y evaluador
3. Número de muestras a ensayar. Recomendamos 10 ensayos
4. Debe planificar como se manipulan, protegen, transportan, custodian las muestras durante el ensayo
para evitar degradación de las mismas.
 Un ensayo de GRR completo consiste en:

(3 operadores)* (10 muestras) * (3 repeticiones por operador y muestra) = 90 mediciones
31
Recogida de datos
 Seleccione evaluadores que operan normalmente con el instrumento o equipo. Prepare a

los empleados con el plan de recogida de datos
 Definiciones operacionales
 Herramientas de medición
 Procedimientos y hojas de verificación
 Utilizar muestras del proceso que representen todo el rango de valores posibles
 Asegurarse que la discriminación del instrumento es por lo menos 1/10 de la variación
esperada del proceso
 Asegurarse que durante el estudio se siguen los procedimientos de medida habituales
 Comunique el plan de recogida de datos
32
Recogida de los datos
Para conseguir y estimar la variación “real” del sistema de medición - sigamos el proceso:
1. Reproducir el proceso actual
2. Utilizad al personal que toma las medidas habitualmente
3. Seguid el plan de trabajo
4. Realizad el estudio en el ambiente habitual
5. Utilizad el equipo de medición adecuado para la prueba
Haced que esto sea lo más normal –habitual- posible
33
Tipos de variación
Variación del equipo

(fuentes de variación del proceso
del equipo de medición - del operario – de la pieza, etc.)
La variación introducida en el proceso de medición desde uno o más

elementos de dicho proceso, como: variación del operario - del equipo
de medición – variación de la pieza – variación en el método.
Variación del Operador

(fuente de variación a lo largo del proceso a través de
equipos de medición – a través de operarios – a
través de piezas, etc.
La variación introducida en el proceso de medición por los efectos que

implica el proceso de medición, como varios inspectores, varias
configuraciones de la pieza, varios métodos de verificación...
34
Relación entre VE, VO y R&R
R&R es la reproducibilidad (VO – Variabilidad Operador) y la repetibilidad (VE –

Variabilidad del Equipo) del sistema de medición. Este representa la variación total del
sistema de medición.
R&R
VE VO
σ2Equipo + σ2Operador = σ2Total (R&R)
35
Relación entre el R&R y la ventana de especificación
¿Qué parte de la tolerancia ocupa la

variabilidad del sistema de medición?
R&R
Límite inferior de espec. Límite superior de espec.

Ventana de especificación (tolerancia)
Alrededor de un 50% de la tolerancia, para este ejemplo,

está ocupada por la variabilidad del sistema de medición.
Esto deja solo un 50% para la variabilidad del proceso
36
ANOVA
Estadísticos utilizados para evaluar el nivel de error en análisis

Gage R&R
Porcentaje de contribución
Varianza del método sMS
2
100 x 100 x 2
Varianza total s TOT
Porcentaje de variación del estudio

desviación del método sMS
100 x 100 x
desviación total
s TOT
Porcentaje de tolerancia
6* sMS
Desviación del método 100 x
100 x
Tolerancia LSE - LIE
37
Criterios de Aceptación
Reglas generales
A. % de tolerancia de R&R (VE/Toler)
1. R&R menor de 10% = “aceptable”
2. R&R entre 10% y 30% = puede ser aceptable (el sistema es malo pero
INDISPENSABLES
podemos trabajar con limitaciones)
3. R&R mayor de 30% - Inaceptable
B. % de contribución (CompVar)
C. % de Variación en Estudio (%VE) – equivalente a CompVar
D. Número de categorías diferentes
< 2 no sirve para el control de proceso, todas las piezas “se ven”
iguales
= 2 puede ver 2 grupos—alto/bajo, bueno/malo
= 3 puede ver 3 grupos—alto/medio/bajo
4 sistema de medición aceptable (cuanto más alto, mejor)
E. Resolución efectiva = más de 50% de la gráfica X-barra fuera de los límites de
control
38
Plan de análisis de sistema de medición
1 2 3 4 5
A B A B A B A B A B
Muestra (mínimo 2 y buscar muestras en el rango máximo de proceso)
Operador (mínimo 2 y que sean los mismos que hacen las mediciones en el día a día)
Repetición (mínimo 2 veces – hay que hacer todo el proceso desde la preparación de la
muestra)
Buscar hacer siempre más que 15 mediciones al total y a la ciegas
39
Preparación con Minitab
Copiar datos de Excel, de la hoja R&R
3 muestras
2 analistas
2 repeticiones por muestra y analista
40
Preparación con Minitab
Agregar desviación estándar de los datos históricos de Porosidad (Gurley)
41
RunChart
42
Interpretación
Criterios de
aceptación
43
Interpretación
44
Ejercicio
Utilizar dados del archivo “Demo_RR.xlsx”y hoja “Medición”;
Hacer análisis del sistema de medición de medición en laboratorio
Después ejecutar el mismo análisis considerando el

limite de especificación superior = 40 y limite de
especificación inferior = 20
45
Ejemplo
46
Ejemplo
47
Fase Analizar
Definir Medir Analizar Mejorar Controlar
4. Establecer la capacidad 5. Definir el objetivo 6. Identificar las causas

del proceso de mejora potenciales de variación
Resultados Resultados Resultados esperados:

esperados: esperados: • Lista de X de
• Línea de referencia • Definir importancia
actual del proceso estadísticamente la estadística,
meta del proyecto seleccionadas a partir
Herramientas: del análisis de datos
históricos
 Estadísticas Herramientas:
básicas  Benchmarking
 Análisis gráfico Herramientas:
 Stable Ops
 Muestreo  Análisis del proceso
 Zst, Zlt continuas  Análisis gráfico
 Normalidad  Prueba de hipótesis
 Zst, Zlt discretas  Análisis de regresión

 GLM
48
Paso 4
Probabilidad y Estadística Inferencial
Funciones de Distribución
49
 La estadística se emplea para hacer inferencias sobre las

poblaciones generales y sus características.
 Estudiamos el resultado de experimentos aleatorios.
 Si no se conoce de antemano un resultado en particular, no

podemos saber el valor exacto asignado a la variable de ese
resultado.
 El número de facturas recibidas semanalmente
 El coste en dólares de la reelaboración de cada pieza
 El número de superficies mal acabadas de una pieza forjada
 El número de llamadas recibidas cada lunes entre las 8 y las 9
a.m.
 A este valor se le conoce como variable aleatoria.
50
Probabilidad con 1 dado.

Ejemplo
• ¿Cuál es la probabilidad de obtener un 3 … P (X=3)?

• ¿Cuál es la probabilidad de obtener un número par … P (X
sea par)?
• ¿Cuál es la probabilidad de obtener un número > 4 … P
(X>4)?
• ¿Cuál es la probabilidad de obtener un número >=4 … P
(X>=4)?
51
Probabilidad con 2 dados (suma)

Ejemplo
¿Cuál es la probabilidad de obtener un 3 … P(x=3)?

¿Cuál es la probabilidad de obtener un número par … P (X
sea par)?
¿Cuál es la probabilidad de obtener un número > 4 … P
(X>4)?
¿Cuál es la probabilidad de obtener un número >=4 … P
(X>=4)?
52
Probablity Graph for 2 Dice
Gráfica de probabilidad para 2 dados

0,18
0,167
0,16
0,139 0,139
0,14
0,12 0,111 0,111
Probabilidad
0,1 Serie
Série1
0,083 0,083
0,08 1
0,06 0,056 0,056 Histograma de
probabilidad de la
0,04
0,028 0,028 variable aleatoria
0,02 (suma del valor de
0,000 dos dados)
0
1 2 3 4 5 6 7 8 9 10 11 12
SUMA de probabilidades = 1
53
Probablity Graph for 2 Dice
Gráfica de probabilidad para 2 dados

0,18
0,167
0,16
0,139 0,139 La SUMA

0,14
de TODAS las
0,12
probabilidades
0,111 0,111
=1
Probabilidad
0,1
0,083 0,083 Série1
0,08
0,06 0,056 0,056
0,04
0,028 0,028
0,02
0,000
0
1 2 3 4 5 6 7 8 9 10 11 12
P(x<= 4) es la suma de probabilidades x <= 4 … = 0.166
¡La probabilidad es mas real que la

‘realidad’!
54
Formación de la curva normal
 Si relacionamos el histograma con las probabilidad con una función tendremos la Función de Densidad de la
Probabilidad
Curva suavizada que

conecta el centro de cada
Centro de la carra barra
Unidades de medida
La curva normal es una representación gráfica de la expresión matemática

utilizada para describir una distribución normal. Esta distribución es el
resultado de un proceso que experimenta solo variaciones aleatorias.
55
m
Función de Densidad de la probabilidad Normal Punto de inflexión
 Límite superior de especificación (LSE)
 Valor nominal (N)
 Límite inferior de especificación (LIE)
 Media de la distribución (X) Como en TODA distribución de
probabilidad, el área interior a la
 Desviación estándar de la distribución (s) curva es 1.
1s
p(d)
La distancia entre el punto de inflexión y

N LSE
la media constituye el tamaño de una
desviación estándar. Si “caben” tres
desviaciones estándar entre el valor
3s
nominal y el límite de especificación,
decimos que el proceso tiene “capacidad
tres sigma.”
56
Función de Densidad de la probabilidad Normal
 m (mu), medida de tendencia central, es la media o promedio de de todos los

valores de la población. Cuando solamente se describe una muestra de la
población, la media se representa más adecuadamente mediante x (x bar).
 s (sigma) es una medida de dispersión o variabilidad. Con valores inferiores a

s, todos los valores de la población caen más cerca de la media. Cuando
solamente se describe una muestra de la población, la desviación estándar se
representa más adecuadamente mediante s.
 Tanto m como s son valores específicos para cualquier población concreta y

cambian si los miembros de la población varían.
57
58
Ejemplo de límites de especificación superior e inferior
LEI = 2,5 LES = 2,687

La especificación inferior es 2,500 pulgadas y la especificación superior es 2,687
pulgadas. Cualquier etiqueta que sea más pequeña que 2,5 pulgadas o más grande
que 2,687 pulgadas es inaceptable.
58
59
Ejemplo de límite de especificación inferior
LEI = 80%
Por lo general, se utiliza un solo límite de especificación. Por ejemplo, una empresa de
productos químicos necesita que un gas inerte tenga al menos 80% de pureza. El
análisis de calidad establece un límite de especificación inferior pero no uno superior,
porque mientras mayor sea la pureza, mejor.
¡¡¡¡¡Ojo!!!!!: Valor de reclasificación no es lo mismo que límite de

especificación. Por ejemplo: En una campaña de baja blancura 1C que
tiene LEI = 82% (1C) pero si se produjera un paquete con blancura
86,5% se podría reclasificarlo cómo 2C, pero el cálculo de la capacidad
sería de toda la producción de la campaña con LEI de 82% (en este
caso no hay límite LES)
59
60
Ejemplo de límite de especificación superior
LES = 30
Por el contrario, consideremos un centro de llamadas donde las llamadas se deben
contestar en un lapso de 30 segundos. En este caso, solo es relevante una
especificación superior, porque mientras más rápido se conteste una llamada, mejor.
(El mismo concepto para suciedad, TRS, partículas, etc)
60
61
¿En qué se diferencian los límites de especificación de los límites de
control?
• Los límites de control se calculan a partir de los datos del proceso. Con los desvíos
estándares de corto plazo.
• Los límites de especificación son definidos por el cliente.
• Los límites de especificación y los límites de control se utilizan con fines diferentes.
Los límites de control permiten evaluar si el proceso es estable. Los límites de
especificación permiten evaluar qué tan capaz es el proceso de satisfacer los
requisitos del cliente y cuál fue el desempeño (performance) real del proceso para
atender las “necesidades” del cliente.
• Un proceso puede estar en control y aún así no es capaz de cumplir con las
especificaciones.
61
62
Tipos de variación
62
63
Varianza – Desvío Estándar (Largo Plazo)
Datos
11,1834
7,8366
9,0868
8,5938
8,6561
12,7847
10,8022
10,4068
10,0075
11,821
10,98
10,3262
11,0534
8,3188
8,7873
11,4046
8,5286
10,8164
9,7143
7,8938
63
64
Amplitud Móvil – Desvío Estándar (Corto Plazo)
SST = 1,39
64
65
Estabilidad del Proceso
σ𝐿𝑇 ≅ σ𝑆𝑇 Proceso

Estable
σ𝑆𝑇
𝑋100% ≥ 75% Proceso Robusto
σ𝐿𝑇
65
66
Ejemplo – Blancura – Etapa D1
Gráfica de series de tiempo de Blancura
93,0
Blancura 92,5
92,0
91 ,5
91 ,0
1 13 26 39 52 65 78 91 1 04 117
Índice
66
67
Análisis de Estabilidad – Blancura D1
¿Estable?
67
68
Período estable
68
Desvío Estándar – Período Estable
¿Estable?
El desvío estándar de
Largo Plazo (general)
menor que el de corto
plazo puede indicar
que hay dos procesos,
o dos sistemas de
medición…
69
70
Calculo de Performance del Proceso
El resultado real (Ppk) es lo que experimenta el cliente, con toda la variación del proceso.
70
71
Calculo de Capacidad del Proceso
CP es la capacidad potencial del proceso, hasta dónde puede llegar el proceso cuando
lo estabiliza y lo centraliza. Mientras Cpk es el potencial dónde se puede llegar
estabilizando el proceso.
En procesos estables: Cpk =

Ppk 71
72
Interpretación de los resultados
Nivel Z real = 3 x PPK
Nivel Z Posible = 3 x
CPK
Distribución Normal 72
73
Ejemplo – Media fuera de los limites
Ppk y Cpk son negativos:
El promedio está fuera de los Límites de

Especificación
Es mejor cambiar la media que intentar

reducir la variación;
Proceso no es capaz para el rango de

especificación;
Cpk puede llegar hasta 0,82

(Centralizando el proceso dentro del
rango de especificación)
Ppk puede llegar hasta 0,82

(Centralizando el proceso dentro del
rango de especificación y reduciendo la
inestabilidad del proceso)
73
74
Proceso centralizado
Ppk y Cpk son positivos;
El promedio está dentro de los

Límites de Especificación
Como la variación del proceso

es la misma, Cp y Pp no
cambiaron de valor;
Ppk puede llegar hasta 0,82

(Centralizando aún más el
proceso dentro del rango de
especificación y reduciendo la
inestabilidad del proceso)
Cpk puede llegar hasta 0,82

(Centralizando aún más el
proceso)
74
EJERCICIO
Introduzca los datos de tu proceso, de tu proyecto o del fichero:

“bulk.xls”
Calcule:
Media y desviación estándar y verifique si sigue una distribución normal;
Haga los análisis de capacidad con el limite inferior de 1,35 (cm3/g);
Consulta_Analisis:
Bulk (cm3/g)
Fecha Inicio: 01/01/2021 Fecha Fin: 14/06/2021
Analisis Versión Id Linea Fecha Paquete Inicial Paquete Final Valor

VOL_APAR 1 1 01/01/2021 06:00 426 426 1,324
VOL_APAR 1 1 02/01/2021 06:00 348 348 1,339
VOL_APAR 1 1 03/01/2021 06:00 366 366 1,319
VOL_APAR 1 1 04/01/2021 06:00 347 347 1,296
VOL_APAR 1 1 05/01/2021 06:00 47 47 1,296
VOL_APAR 1 1 05/01/2021 09:14 366 366 1,332
VOL_APAR 1 1 06/01/2021 06:02 343 343 1,332
VOL_APAR 1 1 07/01/2021 06:00 31 31 1,332
VOL_APAR 1 1 07/01/2021 08:26 256 256 1,282
VOL_APAR 1 1 08/01/2021 06:00 278 278 1,334
VOL_APAR 1 1 09/01/2021 06:17 101 101 1,322
VOL_APAR 1 1 09/01/2021 15:02 310 310 1,379
VOL_APAR 1 1 10/01/2021 06:01 195 195 1,379
VOL_APAR 1 1 10/01/2021 21:07 303 303 1,314
VOL_APAR 1 1 11/01/2021 06:01 283 283 1,328
VOL_APAR 1 1 12/01/2021 06:00 377 377 1,327
VOL_APAR 1 1 13/01/2021 06:00 373 373 1,323
VOL_APAR 1 1 14/01/2021 06:03 376 376 1,317
VOL_APAR 1 1 15/01/2021 06:00 366 366 1,34
VOL_APAR 1 1 16/01/2021 06:00 352 352 1,35
VOL_APAR 1 1 17/01/2021 06:00 366 366 1,358
VOL_APAR 1 1 18/01/2021 06:00 373 373 1,37
VOL_APAR 1 1 19/01/2021 06:01 386 386 1,389
VOL_APAR 1 1 20/01/2021 06:00 385 385 1,422
VOL_APAR 1 1 21/01/2021 06:00 216 216 1,373
VOL_APAR 1 1 22/01/2021 06:01 491 491 1,388
VOL_APAR 1 1 23/01/2021 06:00 429 429 1,354
VOL_APAR 1 1 24/01/2021 06:00 342 342 1,391
VOL_APAR 1 1 25/01/2021 06:00 365 365 1,357
VOL_APAR 1 1 26/01/2021 06:00 302 302 1,38
VOL_APAR 1 1 27/01/2021 06:01 332 332 1,353
VOL_APAR 1 1 28/01/2021 06:04 244 244 1,378
VOL_APAR 1 1 29/01/2021 06:00 208 208 1,406
VOL_APAR 1 1 30/01/2021 06:00 501 501 1,403
VOL_APAR 1 1 31/01/2021 06:01 417 417 1,4
VOL_APAR 1 1 01/02/2021 10:02 342 342 1,411
VOL_APAR 1 1 02/02/2021 06:00 310 310 1,42
VOL_APAR 1 1 03/02/2021 06:00 232 232 1,424
VOL_APAR 1 1 04/02/2021 06:00 204 204 1,434
VOL_APAR 1 1 05/02/2021 06:13 333 333 1,426
VOL_APAR 1 1 06/02/2021 06:00 373 373 1,381
VOL_APAR 1 1 07/02/2021 06:01 373 373 1,375
VOL_APAR 1 1 08/02/2021 06:00 395 395 1,373
VOL_APAR 1 1 09/02/2021 06:02 362 362 1,363
VOL_APAR 1 1 10/02/2021 06:01 52 52 1,367
VOL_APAR 1 1 10/02/2021 09:31 178 178 1,289
VOL_APAR 1 1 10/02/2021 17:47 396 396 1,363
VOL_APAR 1 1 11/02/2021 06:01 388 388 1,373
VOL_APAR 1 1 12/02/2021 06:01 368 368 1,37
VOL_APAR 1 1 13/02/2021 06:00 346 346 1,355
VOL_APAR 1 1 14/02/2021 06:00 319 319 1,363
VOL_APAR 1 1 15/02/2021 06:00 261 261 1,371
VOL_APAR 1 1 16/02/2021 06:00 473 473 1,393
VOL_APAR 1 1 17/02/2021 06:01 437 437 1,377
VOL_APAR 1 1 18/02/2021 06:00 441 441 1,384
VOL_APAR 1 1 19/02/2021 06:00 351 351 1,428
VOL_APAR 1 1 20/02/2021 06:01 495 495 1,384
VOL_APAR 1 1 21/02/2021 06:00 402 402 1,367
75

CMPC - GB - Día 3 - Parte B

Cargado por

Copyright:

Formatos disponibles

CMPC - GB - Día 3 - Parte B

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

CMPC - GB - Día 3 - Parte B

Cargado por

Copyright:

Formatos disponibles

Formación Lean Six Sigma

Nivel Green Belt

Evandro Lutero Alves

 El curso cubre muchas técnicas y requiere atención

 Evitar mirar y contestar el móvil

 Buscar estar en una sala de reunión/despacho a solas

 Mantener la camera encendida

 Mantener el micrófono en mute

 Preguntar en cualquier momento

 Continuar la conversación sobre el mismo tema

 PARTICIPAR, PARTICIPAR, PARTICIPAR, …

 ¿ALGO MAS QUE AÑADIR?

2 Definir la métrica de la característica Y Clientes, planos desempeño estándar

8 Descubrir relaciones entre variables X Diseño factorial Solución propuesta (13)

A- Identificar las necesidades/ problema del cliente

1- Determinar la característica a mejorar

4- Establecer la capacidad del proceso

7- Identificar las causas raíz

10-Validar el sistema de medición de las variables de

Definir Medir Analizar Mejorar Controlar

Resultado esperado: Resultado esperado: Resultado esperado:

Utilizar dados del archivo “Ejercicio día 3 – Correlación OL x Lab.xlsx” (hoja:

¿Cuál instrumento mide mejor?

Ejemplo de análisis gráfico en Excel

Ejemplo de análisis gráfico en Excel

Promedio Lab 11,00

Ejemplo de análisis gráfico en Excel

C Promedio Lab y = 0,7281x + 1,6983

Copiar los datos de Excel del mismo ejercicio y pegar en Minitab;

Hacer Gráfica de Línea Ajustada para los 3 grupos de datos

Ajustar escala y trazar línea diagonal

Ajustar escala y trazar línea diagonal

Ajustar escala y trazar línea diagonal

Con los mismos datos, hacer Estudio de linealidad y sesgo

• Elegir datos conforme imagen

Línea casi horizontal

Línea casi horizontal indica

Hay problema de linealidad

Línea inclinada puede

Utilizar dados del archivo “Ejercicio día 3 – Correlación OL x Lab.xlsx” (hoja:

Patrón Obtenido Parte Patrón_1 Obtenido_1 Parte_1

No hay problema de linealidad

Línea inclinada puede

Hay problema de linealidad

Línea inclinada puede

¿Por qué es importante?

Datos erróneos producen decisiones equivocadas

Datos Análisis Decisión

Para realizar un GAGE R&R con datos contínuos (Estudios de Repetibilidad y

PERSONAL MATERIAL MEDICIÓN

Prioridades mixtas Diferentes tipos

Exceso de trabajo No Redondo

Punto de vista del operario frente a

Operario del equipo de medición frente aInstrucciones no

Equipo de medición Instrucciones

 Estudio R&R Cruzado

 Estudio R&R Anidado

 Estudio R&R Expandido

1. Número de evaluadores a utilizar. Es aconsejable 3 evaluadores