BIBLIOGRAPHY

Figura 3.8 Detección de causas de variabilidad

Donde y porque se producen los errores y defectos? Para esto se sugiere el uso de herramientas Six sigma de análisis causal principalmente, que se presentan en la Tabla 15 como son:

Diagrama causa efecto: Es una representación gráfica que pretende mostrar la relación causal de los diversos factores que pueden contribuir a un efecto o fenómeno determinado. Para realizar un buen diagrama causa efecto se recomienda seguir los siguientes pasos:

Definir el efecto cuyas causas quieren ser identificadas

Identificar posibles causas que contribuyen al efecto a través de herramientas como lluvia de Ideas, NGT ó proceso Lógico

Identificar causas principales

Añadir causas secundarias a cada rama principal

Añadir causas subsidiarias a las causas secundarias hasta llegar a causas raíz

60 Pruebas de hipótesis: Las pruebas de hipótesis son utilizadas para hacer inferencias sobre un parámetro de una población, por ejemplo: el nivel de cumplimiento. Cualquier situación puede ser sujeta a pruebas de hipótesis, lo importante es cumplir con las asunciones necesarias para que la inferencia se realice correctamente.

Lo que se busca es probar una hipótesis sobre un parámetro θ, cuando hay una noción preconcebida acerca de su valor (muestras realizadas). Hay dos teorías o hipótesis involucradas en este tipo de estudio: La hipótesis propuesta por el experimentador (H0) y la negación de esta hipótesis (H1).

La decisión se toma observando el valor de algún estadístico cuya función de distribución de probabilidad sea conocida, bajo la asunción de que el valor nulo del parámetro es el verdadero valor de θ. Esta variable es llamado estadístico de prueba. Al final del estudio a través de la Prueba de significancia se determina si se rechaza o no H0.

Regresión lineal: El análisis de regresión investiga la relación estadística que existe entre una variable dependiente (Y) y una o más variables independientes (X, Z….). Para poder realizar esta investigación, se utiliza la fórmula de relación lineal.

En la regresión lineal se busca probar la siguiente hipótesis:

HO: No hay relación entre la variable y y la variable x H1: Hay relación entre la variable y y la variable x

|FMEA: Es una metodología de trabajo en grupo muy estricta para evaluar un sistema, un diseño, un proceso y/o un servicio e identificar potenciales modos de falla, determinar su efecto en la operación e identificar acciones para mitigar las fallas.

Para cada fallo, se hace una estimación de su efecto sobre todo el sistema y su seriedad. Además, se hace una revisión de las medidas planificadas con el fin de minimizar la probabilidad de fallo, o minimizar su repercusión. El análisis puede ser muy técnico (cuantitativo) o no

61 (cualitativo), y utiliza tres factores principales para la identificación de un determinado fallo. Éstos son:

Ocurrencia: frecuencia con la que aparece el fallo

Severidad: la seriedad del fallo producido

Detectabilidad: si es fácil o difícil detectar el fallo.

Con el fin de llegar a conclusiones válidas, es necesario tener en cuenta los siguientes aspectos:

No todos los problemas son importantes. El FMEA permite categorizar los fallos, pero antes se debe hacer una preselección.

Es necesario conocer el cliente, en su más amplio sentido, con el fin de determinar las consecuencias del fallo.

Hay que tener una orientación a la prevención. La razón principal del FMEA es detectar las posibles causas de fallo antes de que ocurran.

Anova (Análisis de varianza): Es una herramienta utilizada para realizar comparaciones de más de dos medias poblacionales o de tratamientos y utiliza la siguiente prueba de hipótesis:

Ho: μ1 = μ2 = μ3 = μ4

Ha: μi ≠μj para al menos un par (i,j)

Con los datos de las muestras se determinan la suma de los cuadrados medios de los tratamientos (SMTr) y del error (SME), que sirven para calcular el estadístico de prueba F que permite determinar si se rechaza o no la hipótesis nula. El estadístico F es la relación entre SCTr/SME. Los supuestos que se deben cumplir para poder aplicar esta prueba son:

62 Los residuos tienen una distribución normal alrededor del cero

Las poblaciones o tratamientos son independientes entre si (prueba de aleatoreidad Run test) Las medias de las distribuciones de los tratamientos son normales (kolmogorov) con la misma varianza σ2 (test barlett, levene).

Diseño de experimentos: Es una de las herramientas más importantes y poderosas en six sigma y también de las más complejas en su uso.

En el diseño de experimento una o varias series de pruebas son llevadas a cabo, en las cuales se realizan cambios intencionados a las variables de entrada de manera que se pueden observar e identificar cambios correspondientes en las variables respuestas. Hay tres fases importantes en el diseño de experimentos que son: la formulación del problema, el diseño de experimentos y el análisis de los datos colectados.

Entre los objetivos generales que pueden plantearse para el estudio están:

Determinar cuáles de los factores influyen más en la o las variables respuestas.

Determinar a qué niveles deben ubicarse los factores que afectan la variable respuesta para obtener el resultado deseado en la misma.

Reducir la variabilidad de la variable respuesta (Y)

Minimizar el efecto que los factores incontrolables tienen sobre la variable respuesta.

En el diseño del estudio se debe escoger la variable respuesta o dependiente, definir cuales variables de entrada tienen influencia en la variable respuesta (factores) (es útil utilizar el diagrama causa efecto para describir la relación), cuales factores van a variar en el experimento, los rangos sobre los cuales estos factores variarán y los valores específicos a los cuales el experimento va a ser llevado a cabo. Hay que determinar que técnicas se utilizarán para controlar

63 o medir los efectos de estas variables de entrada y la información que la variable respuesta va a dar acerca del problema en estudio (El promedio o la desviación estándar de la variable pueden variables respuestas).

Deben considerarse las restricciones de costos, tiempo y cualquier otra restricción física. También se debe definir el número de observaciones a ser tomado, el orden de la experimentación y el método de aleatorización a ser escogido. Se debe formular el modelo estadístico, que debe ser entendido y analizado por medio de las técnicas del análisis de varianzas (ANOVA) y por ende se deben cumplir sus asunciones mencionadas anteriormente.

En el análisis de los datos el diseño de experimentos puede ser usado en diferentes situaciones:

Escoger entre alternativas (Diseño de experimentos comparativos): Aquí se consideran diseños con un solo factor con efectos fijos y aleatorios cuando lo que se quiere es un problema de comparación; bloques aleatorios cuando se tiene un factor que no puede permanecer en un valor constante en el experimento pero es controlable y medible; cuadrados latinos y grecolatinos cuando el número de factores controlables y medibles son dos o tres.

Escoger los factores claves que afectan la respuesta. Como en el caso de los diseños factoriales y factoriales fraccionados (Diseños de tamizado).

Modelos de Superficie de Respuesta de un proceso: una vez se conocen los factores claves que afectan la respuesta, los nuevos objetivos pueden ser: Lograr un objetivo o valor nominal, maximizar o minimizar la respuesta, reducir la variación, hacer el proceso más robusto ó alcanzar múltiples objetivos.

Teoría de colas: Es el estudio matemático del comportamiento de líneas de espera. Estas se presentan cuando "clientes" (piezas, estibas, personas, actividades, etc) llegan a un lugar demandando un servicio a un "servidor" (estación, persona, recurso, etc) el cual tiene cierta capacidad de atención. Si el servidor no está disponible inmediatamente el cliente espera formándose una línea de espera (cola).

64 Normalmente en cualquiera de los sistemas de teoría de colas existen dos tipos de costo, el costo asociado a la espera de los clientes y el costo asociado a la expansión de la capacidad de servicio (asociado al nivel de servicio), y con estos se busca optimizar el costo total del sistema

Todos los Sistemas de Medición tienen errores, algunos son significativos y otros no. La tarea es conocer que tan perfecto necesita ser para cumplir las metas del negocio, y las del proyecto Lean Six Sigma.

Validar la cantidad de error en una escala es llamado Análisis del Sistema de Medición, o MSA, dependiendo del tipo de datos que se tengan, ya sean variables o atributos en su naturaleza.

Pero antes de llevar a cabo una recolección de datos, el equipo debe reconocer cuidadosamente con el Mapeo del Proceso hecho anteriormente, si es necesario tener datos buenos, concretos y limpios.

En esta etapa, se tiene que confirmar que el sistema de medición es capaz de cuantificar el tiempo, es decir, hay que verificar los métodos de recolección de información, incluyendo por ejemplo, monitorear el instrumento que usen los participantes en la recopilación de datos, ya sea que se trate de un cronometro digital o un análogo.

Puede llevarse a cabo un análisis rápido, si la duda persiste, con pocas lecturas de los tiempos de cada aparato, para verificar que la media de cada uno, se encuentre estable, apoyándose de herramientas como ANOVA o Intervalos de confianza.

65

3.3 MAPEAR SITUACION ACTUAL DEL PROCESO