Guía del Usuario de - Palisade Corporation

Transcription

Guía del Usuario de
@RISK para Six
Sigma
Versión 5.7
septiembre, 2010
Palisade Corporation
798 Cascadilla St.
Ithaca, NY 14850
EE.UU.
+1-607-277-8000
+1-607-277-8001 (fax)
http://www.palisade.com (página web)
sales@palisade.com (correo electrónico)
Copyright
Copyright © 2010, Palisade Corporation.
Avisos de marcas comerciales
Microsoft, Excel y Windows son marcas comerciales registradas de Microsoft Corporation
IBM es una marca comercial registrada de International Business Machines, Inc.
Palisade, TopRank, BestFit y RISKview son marcas comerciales registradas de
Palisade Corporation.
RISK es una marca comercial de Parker Brothers, Division de Tonka Corporation, y se
utiliza con licencia.
Bienvenidos
Bienvenidos a @RISK, el mejor programa del mundo para el análisis de
riesgo. @RISK se usa desde hace tiempo para analizar riesgo e
incertidumbre en cualquier industria. Con aplicaciones en finanzas,
petróleo y gas, seguros, manufactura, sanidad, farmacéutica, ciencia y
otros campos, @RISK es tan flexible como el propio Excel. Todos los días,
decenas de miles de profesionales usan @RISK para estimar costos,
analizar NPV y IRR, estudiar opciones reales, determinar precios, hacer
prospecciones en busca de petróleo y otros recursos, y mucho más.
Una aplicación clave de @RISK es Six Sigma y análisis de calidad. Tanto
en DMAIC, como en diseños Six Sigma (DFSS), proyectos Lean, Diseño
de Experimentos (DOE) o en cualquier otra área, la incertidumbre y la
variabilidad se encuentran en el núcleo de cualquier análisis Six Sigma.
@RISK usa la simulación Monte Carlo para identificar, medir y
determinar las causas de variabilidad en sus procesos de producción y
servicio. Una completa gama de medidas de capacidad le ofrecen los
cálculos que necesita para procesar cualquier método Six Sigma
rápidamente y con precisión. Las gráficas y tablas muestran claramente
los estadísticos Six Sigma, haciendo más fácil y eficaz la ilustración de
esta eficaz técnica de administración. La edición Industrial de @RISK
añade RISKOptimizer a los análisis Six Sigma para optimizar la selección
de proyectos, la asignación de recursos, etc.
Industrias que incluyen las de fabricación de motores, metales preciosos,
líneas aéreas o bienes de consumo, usan en la actualidad @RISK
diariamente para mejorar sus procesos, aumentar la calidad de sus
productos y servicios, y ahorrar millones. Esta guía explica las funciones,
estadísticos, gráficos y reportes de Six Sigma de @RISK y muestra cómo
puede utilizar @RISK en cualquier fase de un proyecto Six Sigma. La
guía se completa con ejemplos de casos de estudios que ofrecen modelos
prediseñados que usted puede adaptar a sus propios análisis.
Las funciones estándar de @RISK, como la introducción de funciones de
distribución, el ajuste de distribuciones a datos, la ejecución de
simulaciones y la realización de análisis de sensibilidad, son también
aplicables a los modelos de Six Sigma. Cuando utilice la modelación de
@RISK para Six Sigma, también deberá familiarizarse con estas funciones
repasando la Guía para el uso de @RISK para Excel y la documentación
de capacitación en línea.
Índice
Bienvenidos
iii
Índice
v
Capítulo 1: Resumen de las metodologías de @RISK y Six Sigma1
Introducción ........................................................................................3
Metodologías Six Sigma ....................................................................7
@RISK y Six Sigma...........................................................................11
Capítulo 2: Uso de @RISK para Six Sigma
15
Introducción ......................................................................................17
La función de propiedad RiskSixSigma .........................................19
Funciones estadísticas Six Sigma..................................................23
Six Sigma y la ventana Resumen de resultados ...........................35
Marcadores Six Sigma en los gráficos...........................................37
Estudio de casos
39
Ejemplo 1 – Diseño de experimentos: Catapulta ..........................41
Ejemplo 2 – Diseño de experimentos: Soldadura .........................47
Ejemplo 3 – Diseño de experimentos con optimización: .............53
Ejemplo 4 – DFSS: Diseño eléctrico ...............................................59
Ejemplo 5 – Lean Six Sigma: Análisis de estado actual – Proceso de
cotización .......................................................................................63
Ejemplo 6 – DMAIC: Análisis de producción acumulada .............71
Ejemplo 7 – Six Sigma DMAIC Tasa de fallas ................................75
Ejemplo 8 – Six Sigma DMAIC Tasa de falla usando RiskTheo...79
Índice
v
vi
Capítulo 1: Resumen de las
metodologías de @RISK y
Six Sigma
Introducción ........................................................................................3 ¿Qué es Six Sigma? ..................................................................................3 La importancia de la variación...............................................................5 Metodologías Six Sigma ....................................................................7 Six Sigma / DMAIC .................................................................................7 Diseño para Six Sigma (DFSS) ..............................................................8 Lean o Lean Six Sigma ............................................................................9 @RISK y Six Sigma...........................................................................11 @RISK y DMAIC....................................................................................11 @RISK y Diseño para Six Sigma (DFSS) ...........................................12 @RISK y Lean Six Sigma ......................................................................13 @RISK 5.0 Help System © Palisade Corporation, 1999
Capítulo 1: Resumen de las metodologías de @RISK y Six Sigma
1
2
Introducción
En el competitivo mundo actual de los negocios, la calidad es más
importante que nunca. Conozca @RISK, el compañero perfecto para
cualquier profesional dedicado a Six Sigma o a la calidad. Esta eficaz
solución permite analizar rápidamente el efecto de las variaciones en
procesos y diseños.
Además de análisis Six Sigma y de calidad, @RISK se puede usar para
analizar cualquier situación en la que haya incertidumbre. Sus
aplicaciones incluyen análisis de NPV, IRR y opciones reales,
estimación de costos, análisis de carteras, prospecciones de petróleo y
gas, reservas de seguros, precios, etc. Para conocer otras aplicaciones
de @RISK y aprender a usar @RISK en general, consulte la Guía para
el uso de @RISK que se incluye con el software.
¿Qué es Six Sigma?
Six Sigma es una serie de prácticas para mejorar sistemáticamente los
procesos mediante la reducción de variaciones en el proceso y, en
consecuencia, para eliminar defectos. Un defecto se define como la
falta de conformidad de un producto o servicio con sus
especificaciones. Aunque los detalles de esta metodología se
formularon originalmente en Motorola a mediados de los años
ochenta, Six Sigma fue inspiración directa de seis décadas anteriores
de metodologías para la mejora de la calidad, como el control de
calidad, TQM y Defecto Cero. Como sus predecesores, Six Sigma
afirma lo siguiente:
•
El esfuerzo continuado para reducir las variaciones en el
producto de un proceso es clave para el éxito comercial
•
Los procesos de fabricación y comerciales se pueden medir,
analizar, mejorar y controlar
•
El éxito del mantenimiento de la mejora de la calidad requiere
el compromiso de toda la organización, especialmente de los
administradores de nivel superior
Six Sigma funciona con datos y con frecuencia hace referencia a
variables “X” y “Y”. Las variables X son sencillamente variables de
entrada independientes que afectan a las variables de salida
dependientes, Y. Six Sigma se centra en la identificación y control de
las variaciones de las variables X para maximizar la calidad y
minimizar las variaciones de las variables Y.
3
El término Six Sigma o 6σ es muy descriptivo. La letra griega sigma
(σ) denomina la desviación estándar, una medida importante de
variación. La variación de un proceso se refiere a lo cercanos que se
encuentran todos los resultados con respecto a la media. La
probabilidad de crear un defecto se puede calcular y traducir en un
“nivel Sigma”. Cuanto más alto sea el nivel Sigma, mejor será el
rendimiento. Six Sigma se refiere a tener seis desviaciones estándar
entre el promedio del centro del proceso y el límite de
especificación o nivel de servicio más cercano. Esto se traduce en
menos de 3,4 defectos por millón de oportunidades (DPMO). El
gráfico de abajo ilustra Six Sigma gráficamente.
-6
-5
-4
-3
-2
-1
+1
+2
+3
+4
+5
Six sigmas –o desviaciones estándar– de la media.
Los ahorros de costos y mejoras de calidad resultado de las
implementaciones corporativas de Six Sigma son significativos.
Motorola ha registrado $17.000 millones en ahorros desde su
implementación a mediados de los ochenta. Lockheed Martin, GE,
Honeywell y muchos otros, han experimentado tremendas ventajas
gracias a Six Sigma.
4
Introducción
+6
La importancia de la variación
Muchos de los que utilizan Six Sigma dependen de modelos
estadísticos que no tienen en cuenta la incertidumbre y variabilidad
inherentes a sus procesos o diseños. En busca de maximizar la
calidad, es vital considerar el mayor número posible de situaciones.
Es ahí donde interviene @RISK. @RISK usa la simulación Monte Carlo
para analizar miles de posibles resultados diferentes, mostrando la
probabilidad de que se produzca cada uno. Los factores de
incertidumbre se definen usando más de 35 funciones de distribución
de probabilidad, lo cual permite describir con precisión la posible
gama de valores que pueden adoptar las variables de salida. @RISK
incluso permite definir límites de especificación superiores e
inferiores y valores objetivo para cada variable de salida, e incluye
una amplia gama de estadísticos Six Sigma y medidas de capacidad
para esas variables de salida.
La edición Industrial de @RISK también incluye RISKOptimizer, que
combina la eficacia de la simulación Monte Carlo con la optimización
basada en algoritmos genéticos. Esto permite resolver problemas de
optimización que tienen incertidumbre inherente, como:
•
Asignación de recursos para minimizar costos
•
Selección de proyecto para maximizar beneficios
•
Ajustes del proceso de optimización para maximizar la
producción o minimizar los costos
•
Optimización de la asignación de tolerancias para maximizar la
calidad
•
Optimización de los calendarios del personal para maximizar el
servicio
5
6
Metodologías Six Sigma
@RISK se puede usar en diferentes análisis Six Sigma y en otros
análisis asociados. Las tres áreas principales de análisis son:
•
Six Sigma / DMAIC / DOE
•
Diseño para Six Sigma (DFSS)
•
Lean o Lean Six Sigma
Six Sigma / DMAIC
Con frecuencia, cuando se hace referencia a Six Sigma, realmente se
habla de la metodología DMAIC. La metodología DMAIC debe usarse
cuando un producto o proceso existe pero no cumple las
especificaciones del cliente o no tiene un rendimiento adecuado.
DMAIC se centra en la mejora progresiva y continua de los procesos
de fabricación y servicios, y casi universalmente se dice que cuenta
con las siguientes cinco fases: Definir, medir, analizar, mejorar y
controlar (DMAIC, en inglés):
1) Definir los objetivos del proyecto y los requisitos del cliente
(Voz del cliente, o VOC, interno y externo)
2) Medir el proceso para determinar el rendimiento actual
3) Analizar y determinar la causa raíz de los defectos
4) Mejorar el proceso mediante la eliminación de la causa raíz
del defecto
5) Controlar el rendimiento futuro del proceso
7
Diseño para Six Sigma (DFSS)
DFSS se usa para diseñar o re-diseñar un producto o servicio desde
su inicio. El nivel Sigma esperado del proceso para un producto o
servicio DFSS es de al menos 4.5 (no más de un defecto,
aproximadamente, por cada mil oportunidades), pero puede ser 6
Sigma o superior, dependiendo del producto. Producir un nivel tan
bajo de defectos en el lanzamiento de un producto o servicio significa
que deben entenderse completamente las expectativas y necesidades
del cliente (factores críticos de calidad o CTQ) antes de completar e
implementar el diseño. Los programas DFSS con resultados
satisfactorios pueden reducir las pérdidas innecesarias de recursos en
la etapa de planificación y llevar el producto al mercado más
rápidamente.
A diferencia de la metodología DMAIC, las fases o pasos de DFSS no
son reconocidos o definidos universalmente; casi todas las compañías
u organizaciones que ofrecen formación, definen DFSS de forma
diferente. Una popular metodología de Diseño para Six Sigma es la
denominada DMADV, que tiene el mismo número de letras, número
de fases y aspecto general que la que se define con las siglas DMAIC.
Las cinco fases de DMADV se definen como: Definir, medir, analizar,
diseñar y verificar:
1) Definir los objetivos del proyecto y los requisitos del cliente
(coz del cliente –VOC- interna y externa)
2) Medir y determinar las necesidades y especificaciones del
cliente; competencia de referencia e industria
3) Analizar las opciones del proceso para satisfacer las
necesidades del cliente
4) Diseño (detallado) del proceso para satisfacer las necesidades
del cliente
5) Verificar el rendimiento del diseño y la capacidad de cumplir
las necesidades del cliente
8
Metodologías Six Sigma
Lean o Lean Six Sigma
“Lean Six Sigma” es la combinación del proceso de fabricación Lean
(originalmente diseñado por Toyota) y las metodologías estadísticas
de Six Sigma en una herramienta sinergética. Lean se refiere a la
mejora de la rapidez de un proceso mediante la reducción de
pérdidas de recursos y la eliminación de pasos que no incorporan
valor añadido. Lean se centra en una estrategia “dirigida” por el
cliente, que produce sólo aquellos productos demandados con una
política de entrega “justo a tiempo”. Six Sigma mejora el rendimiento
concentrándose en aquellos aspectos de un proceso críticos para la
calidad desde el punto de vista del cliente, y eliminando las
variaciones en ese proceso. Muchas organizaciones de servicios, por
ejemplo, ya han comenzado a combinar la mayor calidad de Six
Sigma con la eficacia de Lean en un proceso denominado Lean Six
Sigma.
Lean utiliza “Eventos Kaizen” –sesiones intensivas de mejora
normalmente de una semana de duración—para identificar
rápidamente oportunidades de mejora, y va un paso más allá que los
diagramas de procesos tradicionales en su uso de diagramas de
proceso con valor. Six Sigma usa la metodología DMAIC formal para
producir resultados medibles y repetibles.
Tanto Lean como Six Sigma se construyen sobre la idea de que los
negocios se componen de procesos que se inician con las necesidades
de los clientes y deben terminar con clientes satisfechos con el uso de
los productos y servicios.
9
10
@RISK y Six Sigma
Tanto en DMIAC como en Diseños de Experimentos o Lean Six
Sigma, la incertidumbre y la variabilidad se encuentran en el núcleo
de cualquier análisis Six Sigma. @RISK usa la simulación Monte Carlo
para identificar, medir y determinar las causas de variabilidad en sus
procesos de producción y servicio. Cada una de las metodologías Six
Sigma se pueden beneficiar de @RISK a lo largo de sus etapas de
análisis.
@RISK y DMAIC
@RISK es útil en todas las etapas del proceso DMAIC para evaluar las
variaciones e identificar áreas problemáticas en productos existentes.
1) Definir. Defina los objetivos de mejora de los procesos,
incorporando la demanda de los clientes y la estrategia
comercial. La diagramación de procesos con valor, la
estimación de costos y la identificación de CTQ (factores
críticos para la calidad) son todas áreas en las que @RISK
puede contribuir a aislar factores y establecer objetivos. El
análisis de sensibilidad de @RISK se centra en los CTQ que
afectan los beneficios finales.
2) Medir. Mida los niveles actuales de rendimiento y sus
variaciones. El ajuste de distribuciones y más de 35
distribuciones de probabilidad permiten definir con precisión
las variaciones de rendimiento. Los datos estadísticos de las
simulaciones de @RISK pueden proporcionar datos para
hacer comparaciones con los requisitos en la fase de Analizar.
3) Analizar Analice para verificar las relaciones y causas de los
defectos, y trate de garantizar que se consideran todos los
factores. A través de la simulación de @RISK, pueden
garantizar que se consideran todos los factores de entrada y
todos los posibles resultados. Se pueden determinar las
causas de la variabilidad y el riesgo con los análisis de
sensibilidad y de escenarios, y mediante el análisis de
tolerancias. Use las funciones estadísticas Six Sigma de @RISK
para calcular las medidas de capacidad que permiten
identificar las diferencias entre medidas obtenidas y
requisitos. Aquí vemos la frecuencia con la que fallan los
productos o servicios, y se adquiere una idea de fiabilidad.
11
4) Mejorar. Mejore u optimice el proceso basándose en el
análisis utilizando técnicas de Diseño de Experimentos. El
Diseño de Experimentos incluye el diseño de todos los
ejercicios de recopilación de información en los que la
variación está presente, tanto si está bajo control total del
experimento como si no. El uso de la simulación de @RISK
permite poner a prueba diferentes diseños alternativos y
cambios del proceso. @RISK también se usa en esta fase para
hacer análisis de fiabilidad y, mediante el uso de
RISKOptimizer, optimizar recursos.
5) Controlar. Haga el control para garantizar que cualquier
variación se corrige antes de que genere defectos. En la
etapa de Controlar, puede establecer pruebas piloto para
determinar la capacidad del proceso, hacer la transición a
producción y, posteriormente, medir continuamente el
proceso para establecer mecanismos de control. @RISK
calcula automáticamente la capacidad del proceso y valida los
modelos para asegurar que se cumple el estándar de calidad y
las demandas del cliente.
@RISK y Diseño para Six Sigma (DFSS)
Uno de los usos principales de @RISK en Six Sigma se aplica en la
etapa de planificación de un nuevo proyecto con el método DFSS. La
comprobación de diferentes procesos de fabricación física, modelos de
servicio o prototipos, puede resultar económicamente prohibitiva.
@RISK permite a los ingenieros simular miles de resultados diferentes
en los modelos sin el costo ni el tiempo asociados con una simulación
física. @RISK es útil en todas las etapas de implementación DFSS de la
misma forma que lo es con los pasos DMAIC. El uso de @RISK con
DFSS ofrece a los ingenieros las siguientes ventajas:
12
•
Experimentar con diferentes diseños / Diseño de Experimentos
•
Identificar CTQ
•
Predecir la capacidad de procesos
•
Revelar restricciones de diseño del producto
•
Estimar costos
•
Seleccionar proyectos – usando RISKOptimizer para determinar
la cartera óptima
•
Analizar estadísticamente las tolerancias
•
Asignar recursos – usando RISKOptimizer para maximizar su
eficacia
@RISK y Six Sigma
@RISK y Lean Six Sigma
@RISK es el compañero perfecto para la combinación sinérgica del
proceso de fabricación Lean y Six Sigma. Los modelos “Sólo calidad”
de Six Sigma pueden fallar cuando se aplican para reducir variaciones
en un solo paso del proceso, o en procesos que no añaden valor para
el cliente. Por ejemplo, un análisis Six Sigma puede recomendar una
inspección adicional durante el proceso de fabricación para detectar
unidades defectuosas. La inutilidad de procesar unidades defectuosas
se limita, pero a costa de añadir una inspección que, por sí misma, ya
es una tarea improductiva. En un análisis Lean Six Sigma, @RISK
identifica las causas de estos fallos. Además, @RISK puede medir la
incertidumbre en las medidas de calidad (ppm) y rapidez (tiempos de
ciclos).
@RISK proporciona las siguientes ventajas para el análisis Lean Six
Sigma:
•
Selección de proyectos – usando RISKOptimizer para
determinar la cartera óptima
•
Diagramación de procesos con valor
•
Identificación de los CTQ que generan variaciones
•
Optimización del proceso
•
Descubrimiento y reducción de los pasos improductivos del
proceso
•
Optimización de inventario – mediante el uso de
RISKOptimizer para minimizar costos
•
Asignación de recursos – usando RISKOptimizer para
maximizar su eficacia
13
14
Capítulo 2: Uso de @RISK para
Six Sigma
Introducción ......................................................................................17 La función de propiedad RiskSixSigma .........................................19 Introducción de una función de propiedad RiskSixSigma ............20 Funciones estadísticas Six Sigma..................................................23 RiskCp......................................................................................................25 RiskCpm ..................................................................................................25 RiskCpk ...................................................................................................26 RiskCpkLower........................................................................................26 RiskCpkUpper........................................................................................27 RiskDPM .................................................................................................27 RiskK........................................................................................................28 RiskLowerXBound.................................................................................28 RiskPNC ..................................................................................................29 RiskPNCLower .......................................................................................29 RiskPNCUpper .......................................................................................30 RiskPPMLower.......................................................................................30 RiskPPMUpper.......................................................................................31 RiskSigmalLevel ....................................................................................31 RiskUpperXBound.................................................................................32 RiskYV .....................................................................................................32 RiskZlower ..............................................................................................33 RiskZMin.................................................................................................33 RiskZUpper.............................................................................................34 Six Sigma y la ventana Resumen de resultados ...........................35 Marcadores Six Sigma en los gráficos...........................................37 Capítulo 2: Uso de @RISK para Six Sigma
15
16
Introducción
La capacidad estándar de simulación de @RISK ha sido mejorada para
su uso en modelación Six Sigma mediante la adición de cuatro
funciones clave. Estas son:
1) La función de propiedad RiskSixSigma para introducir
límites de especificación y valores objetivo para los resultados
de la simulación
2) Funciones estadísticas Six Sigma, incluyendo índices de
capacidad de procesos como RiskCpk, RiskCpm y otras, que
generan datos estadísticos Six Sigma resultado de la
simulación directamente en las celdas de la hoja de cálculo
3) Nuevas columnas en la ventana de Resumen de resultados
que ofrecen datos estadísticos Six Sigma resultado de la
simulación en formato de tabla
4) Marcadores en los gráficos de los resultados de la simulación
que muestran límites de especificación y valores objetivo
Las funciones estándar de @RISK, como la introducción de funciones
de distribución, el ajuste de distribuciones a datos, la ejecución de
simulaciones y la realización de análisis de sensibilidad, son también
aplicables a los modelos de Six Sigma. Cuando utilice la modelación
de @RISK para Six Sigma, también deberá familiarizarse con estas
funciones repasando la Guía para el uso de @RISK para Excel y la
documentación de capacitación en línea.
17
18
La función de propiedad RiskSixSigma
En una simulación @RISK la función RiskOutput identifica la celda
de la hoja de cálculo que contiene la salida de una simulación. Esta
opción genera una distribución de posibles resultados por cada celda
de salida seleccionada. Estas distribuciones de probabilidad se crean
tomado los valores calculados de una celda en cada iteración de una
simulación.
Cuando es necesario calcular los datos estadísticos Six Sigma de una
salida, la función de propiedad RiskSixSigma se introduce como un
argumento de la función RiskOutput. Esta función de propiedad
especifica el límite de especificación inferior, el límite de
especificación superior, el valor objetivo, el desplazamiento a largo
plazo y el número de desviaciones estándar de los cálculos Six Sigma
de una salida. Estos valores se usan para calcular los datos
estadísticos Six Sigma que aparecen en la ventana Resultados y en los
gráficos de las salidas. Por ejemplo:
RiskOutput(“Altura Pieza”,,RiskSixSigma(.88,.95,.915,1.5,6))
especifica un LSL de .88, un USL de .95, un valor objetivo de .915, una
desplazamiento a largo de 1.5, y un número de desviaciones estándar
de 6 para la salida Altura Pieza. También pude usar referencias a
celdas en la función de propiedad RiskSixSigma.
Estos valores se usan para calcular los datos estadísticos Six Sigma
que aparecen en la ventana Resultados y como marcadores en los
gráficos de las salidas.
Cuando @RISK detecta una función de propiedad RiskSixSigma en
una salida, muestra automáticamente los datos estadísticos Six Sigma
disponibles de los resultados de la simulación de la ventana Resumen
de resultados y añade marcadores de los valores LSL, USL y Objetivo
introducidos para los gráficos de los resultados de simulación de la
salida.
19
Introducción de una función de propiedad
RiskSixSigma
La función de propiedad RiskSixSigma se puede escribir directamente
en la fórmula de una celda como un argumento de una función
RiskOutput. También se puede usar el Asistente de funciones de
Excel para introducir la función directamente en la fórmula de la
celda.
El comando Insertar función de @RISK permite insertar rápidamente
una función RiskOutput con una función de propiedad RiskSixSigma
añadida. Sólo tiene que seleccionar el comando RiskOutput (formato
Six Sigma) en el menú Salida del menú Insertar función de @RISK y
la función correspondiente se añadirá a la fórmula de la celda activa.
20
Propiedades de
salida – Pestaña
Six Sigma
@RISK también proporciona una ventana de Propiedades de función
que se puede usar para introducir una función de propiedad
RiskSixSigma en una función RiskOutput. Esa ventana contiene una
pestaña titulada Six Sigma que tiene opciones para los argumentos de
la función RiskSixSigma. Puede acceder a la ventana Propiedades de
función de RiskOutput haciendo clic en el botón de propiedades de la
ventana Añadir salida de @RISK.
Los ajustes predeterminados para una salida que se deben usar en los
cálculos Six Sigma se establecen en la pestaña Six Sigma. Estas
propiedades incluyen:
•
Calcular métricas de capacidad de esta salida. Especifica que
las medidas de capacidad aparecerán en los informes y los
gráficos de la salida. Estas medidas usarán los valores LSL,
USL y Objetivo introducidos.
•
LSL, USL y Objetivo. Establece los valores LSL (límite de
especificación inferior), USL (límite de especificación
superior) y Objetivo de la salida.
•
Uso desplazamiento a largo-plazo y Desplazamiento.
Especifica un desplazamiento opcional para el cálculo de
mediciones de capacidad a largo plazo.
•
Límite X superior/inferior. El número de desviaciones
estándar a la derecha o a la izquierda de la media para
calcular los valores superior o inferior del eje X.
21
Los ajustes Six Sigma introducidos generan una función de propiedad
RiskSixSigma en la función RiskOutput. Sólo las salidas que
contienen una función de propiedad RiskSixSigma muestran
marcadores y datos estadísticos Six Sigma en gráficos e informes. Las
funciones estadísticas Six Sigma de @RISK de las hojas de cálculo de
Excel pueden hacer referencia a cualquier celda de salida que
contenga una función de propiedad RiskSixSigma.
Nota: Todos los gráficos e informes de @RISK usan los valores LSL,
USL, Objetivo, Desplazamiento a largo plazo y Número de
desviaciones estándar de las funciones de propiedad RiskSixSigma
que existían al principio de una simulación. Si cambia los límites de
especificación de una salida (y su función de propiedad RiskSixSigma
asociada), debe ejecutar de nuevo la simulación para ver los gráficos
e informes cambiados.
22
Funciones estadísticas Six Sigma
Una serie de funciones estadísticas de @RISK generan un dato
estadístico Six Sigma en la salida de una simulación. Por ejemplo, la
función RiskCPK(A10) genera el valor CPK para la salida de la
simulación de la celda A10. Estas funciones se actualizan en tiempo
real durante la ejecución de la simulación. Estas funciones son
similares a las funciones estadísticas estándar de @RISK (como
RiskMean) porque calculan datos estadísticos de los resultados de una
simulación; sin embargo, estas funciones calculan datos estadísticos
normalmente necesarios en los modelos Six Sigma. Estas funciones se
pueden usar en cualquier lugar de la hoja de cálculo y de las fórmulas
del modelo.
Algunos elementos importantes que deben tenerse en cuenta con las
funciones estadísticas Six Sigma de @RISK son los siguientes:
•
Si se introduce una referencia de celda como primer argumento
de la función estadística y esa celda contiene una función
RiskOutput con una función de propiedad RiskSixSigma,
@RISK usa los valores LSL, USL, Objetivo, Desplazamiento a
largo plazo y Número de desviaciones estándar de esa salida
cuando calcula los datos estadísticos deseados.
•
Si se introduce una referencia de celda como primer argumento,
la celda no tiene que ser una salida de simulación identificada con
la función RiskOutput. Sin embargo, si no es una salida, debe
añadirse una función de propiedad RiskSixSigma adicional a la
propia función estadística para que @RISK tenga los ajustes
necesarios para calcular los datos estadísticos deseados.
•
La introducción de una función de propiedad RiskSixSigma
opcional directamente en una función estadística hace que @RISK
anule cualquier ajuste Six Sigma especificado en la función de
propiedad RiskSixSigma de la salida de simulación de
referencia. Esto permite calcular los datos estadísticos Six Sigma
con diferentes valores LSL, USL, Objetivo, Desplazamiento de
largo plazo y Número de desviaciones estándar para una misma
salida.
•
Si se introduce un nombre en lugar de una referencia de celda,
@RISK primero busca una salida con el nombre introducido y
luego lee sus ajustes de función de propiedad RiskSixSigma. El
usuario es responsable de que sean exclusivos los nombres que
reciben las referencias de salida de las funciones estadísticas.
23
Introducción de
funciones
estadísticas Six
Sigma
24
•
El argumento #Sim selecciona la simulación para la que se
generará la estadística cuando se ejecutan múltiples simulaciones.
Este argumento es opcional y se puede omitir cuando se ejecuta
una sola simulación.
•
Cuando se introduce una función de propiedad RiskSixSigma
opcional directamente en una función estadística Six Sigma, se
usan diferentes argumentos de la función de propiedad
dependiendo del cálculo que se esté realizando.
•
Las funciones estadísticas que se encuentran en modelos de hojas
de cálculo que se usan para generar informes personalizados de
resultados de simulación, sólo se actualizan cuando termina la
simulación.
El comando Insertar función de @RISK permite insertar rápidamente
una función estadística Six Sigma. Sólo tiene que seleccionar el
comando Six Sigma en la categoría de función Estadística del menú
Insertar función de @RISK, y luego seleccionar la función deseada. La
función seleccionada se añadirá a la fórmula de la celda activa.
RiskCp
Descripción
RiskCp(referencia de celda o nombre de variable de salida, Sim#,
RiskSixSigma(LSL,USL, Objetivo, Desplazamiento de largo plazo, Número
de Desviaciones estándar). Calcula la capacidad del proceso para la
referencia de celda o nombre de variable de salida en Sim# utilizando
opcionalmente los LSL y USL en la función de propiedad RiskSixSigma
incluida. Esta función calculará el nivel de calidad de la variable de salida
especificada y de lo que es potencialmente capaz de producir.
Ejemplos
RiskCP(A10) retorna la Capacidad de Proceso para la variable de salida
en la celda A10. Una Función de propiedad RiskSixSigma debe ser
introducida en la función RiskOutput en la celda A10.
RiskCP(A10, ,RiskSixSigma(100,120,110,1.5,6)) retorna la Capacidad de
Proceso para la variable de salida en la celda A10, utilizando un LSL de
100 y un USL de 120.
Guías de uso
Se requiere introducir una función de propiedad RiskSixSigma para la
referencia de celda o el nombre de la variable de salida, o bien debe
incluirse una función de propiedad RiskSixSigma.
Descripción
RiskCPM(referencia de celda o nombre de variable de salida, Sim#,
RiskSixSigma(LSL,USL, Objetivo, Desplazamiento de Largo Plazo,
Número de Desviaciones estándar)). Calcula el índice de capacidad
Taguchi para la referencia de celda o el nombre de variable de salida en el
número de simulación, usando opcionalmente los USL, LSL, y el objetivo
en la Función de propiedad RiskSixSigma. Esta función es esencialmente
la misma que Cpk pero incorpora el valor objetivo que, en algunos casos,
podría estar o no dentro de los límites de especificación.
Ejemplos
RiskCpm(A10) retorna un índice de capacidad Taguchi para la celda en
A10 .
RiskCpm
RiskCpm(A10, ,RiskSixSigma(100, 120, 110, 0, 6)) retorna un índice de
capacidad Taguchi para la celda en A10 utilizando un USL de 120, un LSL
de 100 y un Objetivo de 110.
Guías de uso
25
RiskCpk
Descripción
RiskCpk (referencia de celda o nombre de variable de salida, Sim#,
Número de Desviaciones estándar)) calcula el indice de capacidad del
proceso para la referencia de celda o nombre de variable de salida en
Sim# usando opcionalmente los LSL y USL en la Función de propiedad
RiskSixSigma. Esta función es similar a la Cp pero toma en consideración
un ajuste del Cp por el efecto de una distribución des-centrada. Como
fórmula, , Cpk = ya sea (USL-Media) / (3 x sigma) o (Media-LSL) / (3 x
sigma) cualquiera que sea menor.
Ejemplos
RiskCpk(A10) retorna el Indice de Capacidad de Proceso para la variable
de salida en la celda A10. Una función de propiedad RiskSixSigma debe
introducirse en la función RiskOutput en la celda A10.
RiskCpk(A10, ,RiskSixSigma(100,120,110,1.5,6)) retorna el Indice de
Capacidad de Proceso para la variable de salida en la celda A10, usando
un LSL de 100 y un USL de 120.
Guías de uso
RiskCpkLower
Descripción
RiskCpkLower(referencia de celda o nombre de variable de salida, Sim#,
Número de Desviaciones estándar)) calcula el índice de capacidad de un
solo lado basado en el Límite de Especificación Inferior (LSL) para la
referencia de celda o nombre de variable de salida en Sim # usando
opcionalmente la Función de propiedad RiskSixSigma LSL.
Ejemplos
RiskCpkLower(A10) calcula el índice de capacidad de un solo lado
basado en el Límite de Especificación Inferior (LSL) para la variable de
salida en la celda A10. Una función de propiedad RiskSixSigma debe
RiskCpkLower(A10, ,RiskSixSigma(100,120,110,1.5,6 calcula el índice
de capacidad de un solo lado basado en el Límite de Especificación
Inferior (LSL) para la variable de salida en la celda A10, usando un LSL de
100.
Guías de uso
26
RiskCpkUpper
Descripción
RiskCpkUpper (referencia de celda o nombre de variable de salida, Sim#,
Número de Desviaciones estándar)) calcula el índice de capacidad de un
solo lado basado en el Límite de Especificación Superior (USL) para la
referencia de celda o nombre de variable de salida en Sim # usando
opcionalmente la Función de propiedad RiskSixSigma USL.
Ejemplos
RiskCpkUpper(A10) calcula el índice de capacidad de un solo lado
basado en el Límite de Especificación Superior (USL) para la variable de
RiskCpkLower(A10, ,RiskSixSigma(100,120,110,1.5,6 calcula el índice
de capacidad de un solo lado basado en el Límite de Especificación
Superior (USL) para la variable de salida en la celda A10, usando un USL
de 100.
Guías de uso
Descripción
RiskDPM (referencia de celda o nombre de variable de salida, Sim#,
Número de Desviaciones estándar)) calcula las partes defectuosas por
Millon para la referencia de celda o nombre de variable de salida en Sim #
usando opcionalmente los LSL y USL en la Función de propiedad
RiskSixSigma incluida.
Ejemplos
RiskDPM(A10) calcula las partes defectuosas por millón para la variable
RiskDPM
RiskDPM(A10, ,RiskSixSigma(100,120,110,1.5,6)) calcula las partes
defectuosas por millón para la variable de salida en la celda A10, usando
un LSL de 100 y un USL de 120.
Guías de uso
27
RiskK
Descripción
RiskK(referencia de celda o nombre de variable de salida, Sim#,
Número de Desviaciones estándar)) calcula una medida del centro del
proceso para la referencia de celda o nombre de variable de salida en Sim
# usando opcionalmente los LSL y USL en la Función de propiedad
Ejemplos
RiskK(A10) calcula una medida del centro del proceso para la variable de
RiskK(A10, ,RiskSixSigma(100,120,110,1.5,6)) calcula una medida del
centro del proceso para la variable de salida en la celda A10, usando un
LSL de 100 y un USL de 120.
Guías de uso
RiskLowerXBound
Descripción
RiskLowerXBound(referencia de celda o nombre de variable de salida,
Sim#, RiskSixSigma(LSL, USL, Objetivo, Desplazamiento de Largo Plazo,
Número de Desviaciones estándar)) calcula el valor inferior X para un
número dado de desviaciones estándar de la media para la referencia de
celda o nombre de variable de salida in Sim #, usando opcionalmente el
Número de Desviaciones estándar en la Función de propiedad
RiskSixSigma.
Ejemplos
RiskLowerXBound(A10) calcula el valor inferior X para un número dado
de desviaciones estándar de la media para la celda en A10.
RiskLowerXBound(A10,, RiskSixSigma(100, 120, 110, 1.5, 6)) calcula el
valor inferior X para 6 desviaciones estándar respecto de la media para la
celda A10, usando un número de 6 desviaciones estándar.
Guías de uso
28
RiskPNC
Descripción
RiskPNC(referencia de celda o nombre de variable de salida, Sim#,
Número de Desviaciones estándar)) calcula la probabilidad total de
defectos por fuera de los límites inferior y superior de especificaciones para
la referencia de celda o nombre de variable de salida en Sim # usando
opcionalmente el LSL, USL y Desplazamiento de Largo Plazo en la
Función de propiedad RiskSixSigma incluida.
Ejemplos
RiskPNC(A10) retorna la probabilidad de defectos por fuera de los límites
de especificación inferior y superior para la celda de la variable de salida
en A10. Una función de propiedad RiskSixSigma debe introducirse en la
función RiskOutput en la celda A10.
RiskPNC(A10, ,RiskSixSigma(100,120,110,1.5,6)) retorna la probabilidad
de defectos por fuera de los límites de especificación inferior y superior
para la variable de salida en la celda A10, usando un LSL de 100, un USL
de 120 y un Desplazamiento de Largo Plazo de 1.5.
Guías de uso
RiskPNCLower
Descripción
RiskPNCLower(referencia de celda o nombre de variable de salida, Sim#,
Número de Desviaciones estándar)) calcula la probabilidad de defectos por
fuera del límite inferior de especificación para la referencia de celda o
nombre de variable de salida en Sim # usando opcionalmente el LSL y
Desplazamiento de Largo Plazo en la Función de propiedad RiskSixSigma
incluida.
Ejemplos
RiskPNCLower (A10) calcula la probabilidad de defectos por fuera del
límite inferior de especificación para la variable de salida en la celda A10.
Una función de propiedad RiskSixSigma debe introducirse en la función
RiskOutput en la celda A10.
RiskPNCLower(A10, ,RiskSixSigma(100,120,110,1.5,6)) calcula la
probabilidad de defectos por fuera del límite inferior de especificación para
la variable de salida en la celda A10, usando un LSL de 100, un USL de
120 y un Desplazamiento de Largo Plazo of 1.5.
Guías de uso
29
RiskPNCUpper
Descripción
RiskPNCUpper(referencia de celda o nombre de variable de salida, Sim#,
fuera del límite superior de especificación para la referencia de celda o
nombre de variable de salida en Sim # usando opcionalmente el USL y
incluida.
Ejemplos
RiskPNCUpper (A10) calcula la probabilidad de defectos por fuera del
límite superior de especificación para la variable de salida en la celda A10.
Una función de propiedad RiskSixSigma debe introducirse en la función
RiskPNCUpper(A10, ,RiskSixSigma(100,120,110,1.5,6)) calcula la
probabilidad de defectos por fuera del límite superior de especificación
para la variable de salida en la celda A10, usando un LSL de 100, un USL
de 120 y un Desplazamiento de Largo Plazo of 1.5.
Guías de uso
RiskPPMLower
Descripción
RiskPPMLower(referencia de celda o nombre de variable de salida, Sim#,
debajo del límite inferior de especificación para la referencia de celda o
nombre de variable de salida en Sim # usando opcionalmente el LSL y
incluida.
Ejemplos
RiskPPMLower(A10) calcula el número de defectos por debajo del límite
de especificación inferior para la variable de salida en la celda A10. Una
función de propiedad RiskSixSigma debe introducirse en la función
RiskPPMLower(A10, ,RiskSixSigma(100,120,110,1.5,6)) calcula el
número de defectos por debajo del límite de especificación inferior para la
variable de salida en la celda A10, usando un LSL de 100, un USL de 120
y un Desplazamiento de Largo Plazo of 1.5.
Guías de uso
30
RiskPPMUpper
Descripción
RiskPPMUpper(referencia de celda o nombre de variable de salida, Sim#,
encima del límite superior de especificación para la referencia de celda o
nombre de variable de salida en Sim # usando opcionalmente el USL y
incluida.
Ejemplos
RiskPPMUpper(A10) calcula el número de defectos por encima del límite
de especificación superior para la variable de salida en la celda A10. Una
función de propiedad RiskSixSigma debe introducirse en la función
RiskPPMUpper(A10, ,RiskSixSigma(100,120,110,1.5,6)) calcula el
número de defectos por encima del límite de especificación superior para
la variable de salida en la celda A10, usando un LSL de 100, un USL de
120 y un Desplazamiento de Largo Plazo of 1.5.
Guías de uso
RiskSigmalLevel
Descripción
RiskSigmaLevel(referencia de celda o nombre de variable de salida,
Sim#, RiskSixSigma(LSL,USL, Objetivo, Desplazamiento de Largo Plazo,
Número de Desviaciones estándar)) calcula el nivel de proceso Sigma para
la referencia de celda o nombre de variable de salida en Sim # usando
opcionalmente los USL y LSL y el Desplazamiento de Largo Plazo en la
Función de propiedad RiskSixSigma incluida. (Nota: Esta función asume
que la variable de salida se distribuye normalmente y está centrada dentro
de los límites de especificación.)
Ejemplos
RiskSigmaLevel(A10) calcula el nivel de proceso Sigma para la variable
RiskSigmaLevel(A10, ,RiskSixSigma(100,120,110,1.5,6)) calcula el nivel
de proceso Sigma para la variable de salida en la celda A10, usando un
LSL de 100, un USL de 120 y un Desplazamiento de Largo Plazo of 1.5.
Guías de uso
31
RiskUpperXBound
Descripción
RiskUpperXBound(referencia de celda o nombre de variable de salida,
Sim#, RiskSixSigma(LSL, USL, Objetivo, Desplazamiento de Largo Plazo,
Número de Desviaciones estándar)) calcula el valor X superior para un
número dado de desviaciones estándar con respecto a la media para
referencia de celda o nombre de variable de salida en Sim #, usando
opcionalmente el Número de Desviaciones estándar en la Función de
propiedad RiskSixSigma.
Ejemplos
RiskUpperXBound(A10) calcula el valor superior X para un número dado
de desviaciones estándar de la media para la celda en A10.
RiskUpperXBound(A10,, RiskSixSigma(100, 120, 110, 1.5, 6)) calcula el
valor superior X para 6 desviaciones estándar respecto de la media para la
celda A10, usando un número de 6 desviaciones estándar.
Guías de uso
Descripción
RiskYV(referencia de celda o nombre de variable de salida, Sim#,
Número de Desviaciones estándar)) calcula el rendimiento o el porcentaje
del proceso que está libre de defectos para la referencia de celda o
nombre de variable de salida en Sim # usando opcionalmente los LSL,
USL y el Desplazamiento de Largo Plazo en la Función de propiedad
Ejemplos
RiskYV(A10) calcula el rendimiento o el porcentaje del proceso que está
libre de defectos para la variable de salida en la celda A10. Una función de
propiedad RiskSixSigma debe introducirse en la función RiskOutput en la
celda A10.
RiskYV
RiskYV(A10, ,RiskSixSigma(100,120,110,1.5,6)) calcula el rendimiento o
el porcentaje del proceso que está libre de defectos para la variable de
salida en la celda A10, usando un LSL de 100, un USL de 120 y un
Desplazamiento de Largo Plazo of 1.5.
Guías de uso
32
RiskZlower
Descripción
RiskZlower(referencia de celda o nombre de variable de salida, Sim#,
Número de Desviaciones estándar)) calcula cuántas desviaciones estándar
del Límite Inferior de Especificación se encuentra con respecto a la media
para la referencia de celda o nombre de variable de salida en Sim #
usando opcionalmente el LSL en la Función de propiedad RiskSixSigma
incluida.
Ejemplos
RiskZlower(A10) calcula cuántas desviaciones estándar del Límite Inferior
de Especificación se encuentra con respecto a la media para la variable de
RiskZlower(A10, ,RiskSixSigma(100,120,110,1.5,6 calcula cuántas
desviaciones estándar del Límite Inferior de Especificación se encuentra
con respecto a la media para la variable de salida en la celda A10, usando
un LSL de 100, un USL de 120 y un Desplazamiento de Largo Plazo of 1.5.
Guías de uso
Descripción
RiskZMin(referencia de celda o nombre de variable de salida, Sim#,
RiskSixSigma(LSL,USL, Objetivo, Desplazamiento de Largo Plazo,Número
de Desviaciones estándar)) calcula el mínimo del inferior-Z y del superior-Z
para la referencia de celda o el nombre de variable de salida en Sim #
usando opcionalmente los USL y LSL en la Función de propiedad
Ejemplos
RiskZMin(A10) calcula el mínimo del inferior-Z y del superior-Z para la
variable de salida en la celda A10. Una función de propiedad RiskSixSigma
debe introducirse en la función RiskOutput en la celda A10.
RiskZMin
RiskZMin(A10, ,RiskSixSigma(100,120,110,1.5,6)) calcula el mínimo del
inferior-Z y del superior-Z para la variable de salida en la celda A10,
usando un USL de 120 y un LSL de 100.
Guías de uso
33
RiskZUpper
Descripción
RiskZUpper(referencia de celda o nombre de variable de salida, Sim#,
RiskSixSigma(LSL,USL, Objetivo, Desplazamiento de Largo Plazo,Número
de Desviaciones estándar)) calcula cuántas desviaciones estándar del
Límite Superior de Especificación se encuentra con respecto a la media
para la referencia de celda o nombre de variable de salida en Sim #
usando opcionalmente el LSL en la Función de propiedad RiskSixSigma
incluida.
Ejemplos
RiskZUpper(A10) calcula cuántas desviaciones estándar del Límite
Superior de Especificación se encuentra con respecto a la media para la
variable de salida en la celda A10. Una función de propiedad RiskSixSigma
debe introducirse en la función RiskOutput en la celda A10.
RiskZUpper(A10, ,RiskSixSigma(100,120,110,1.5,6)) calcula cuántas
desviaciones estándar del Límite Superior de Especificación se encuentra
con respecto a la media para la variable de salida en la celda A10, usando
un USL de 120.
Guías de uso
34
Six Sigma y la ventana Resumen de resultados
La ventana Resumen de resultados de @RISK resume los resultados
del modelo y muestra gráficos en miniatura y datos estadísticos de
resumen de las celdas de salida y distribuciones de entrada
simuladas.
una salida, muestra automáticamente en la tabla los datos estadísticos
Six Sigma disponibles de los resultados de la simulación de la salida.
Estas columnas se pueden mostrar u ocultar.
Personalización
de los datos
estadísticos que
se muestran
Las columnas de la ventana Resumen de resultados se pueden
personalizar para seleccionar los datos estadísticos que quiere mostrar
en los resultados. El icono Columnas, en la parte inferior de la
ventana, muestra el cuadro de diálogo Seleccione columnas para
la tabla.
35
Si selecciona mostrar los valores de Percentil en la tabla, el percentil
real se introduce en las filas Valor en el percentil introducido.
Generación de
un informe en
Excel
36
La ventana Resumen de resultados se puede exportar a Excel para
obtener un informe con los datos estadísticos y gráficos mostrados.
Para hacerlo, haga clic en el icono Editar y exportar en la parte
inferior de la ventana y seleccione Reporte en Excel.
Six Sigma y la ventana Resumen de resultados
Marcadores Six Sigma en los gráficos
una salida, añade automáticamente los marcadores de los valores
LSL, USL y Objetivo introducidos en los gráficos de resultados de
simulación de la salida.
37
Estos marcadores se pueden quitar si lo desea usando la pestaña
Marcadores del cuadro de diálogo Opciones de gráfico. También se
pueden añadir marcadores adicionales. El cuadro de diálogo
Opciones de gráfico se muestra haciendo clic con el botón derecho
sobre el gráfico o haciendo clic en el icono Opciones de gráfico (el
segundo icono desde la izquierda en la parte inferior de la ventana de
gráfico).
38
Marcadores Six Sigma en los gráficos
Estudio de casos
Ejemplo 1 – Diseño de experimentos: Catapulta ..........................41 Ejemplo 2 – Diseño de experimentos: Soldadura .........................47 Ejemplo 3 – Diseño de experimentos con optimización: .............53 Ejemplo 4 – DFSS: Diseño eléctrico ...............................................59 Ejemplo 5 – Lean Six Sigma: Análisis de estado actual –
Proceso de cotización ..................................................................63 Ejemplo 6 – DMAIC: Análisis de producción acumulada .............71 Ejemplo 7 – Six Sigma DMAIC Tasa de fallas ................................75 Ejemplo 8 – Six Sigma DMAIC Tasa de falla usando RiskTheo...79 Estudio de casos
39
40
Ejemplo 1 – Diseño de experimentos:
Catapulta
Modelo de ejemplo: Six Sigma DDE Catapulta.xls
El modelo de catapulta es un ejemplo clásico que se usa para enseñar
Diseño de Experimentos. Ilustra la simulación Monte Carlo u el
análisis de tolerancias.
Supongamos que está fabricando catapultas y los clientes demandan
que la distancia a la que la catapulta lanza una bola estándar sea de 25
metros, más o menos 1 metro. Hay muchas especificaciones de diseño
para la producción de las catapultas, como:
Estudio de casos
•
Ángulo
•
Masa de la bola
•
Distancia halada
•
Constante resorte
41
Introducción de
una distribución
42
Cada uno de los factores de diseño contiene una distribución de
probabilidad de @RISK que representa los diferentes valores posibles
que puede adoptar cada factor. Las distribuciones de probabilidad de
@RISK se pueden introducir directamente como fórmulas, usando el
comando Insertar función de @RISK, o usando el icono Definir
distribuciones de la barra de herramientas de @RISK. Por ejemplo,
una distribución Uniforme representa los posibles valores de la
Distancia halada.
Ejemplo 1 – Diseño de experimentos: Catapulta
Introducción de
propiedades
RiskSixSigma
La salida es Distancia lanzada, y contiene una función de propiedad
RiskSixSigma que define el límite de especificación inferior, el límite
de especificación superior y el objetivo de la distancia de lanzamiento.
Como en las entradas, las salidas de @RISK se pueden escribir en una
barra de fórmula o definir a través de un cuadro de diálogo usando el
botón Añadir salida de la barra de herramientas de @RISK.
Se calculan las mediciones de capacidad Cpk, Cpk superior, Cpk
inferior, Nivel Sigma y DPM de la catapulta, permitiendo así
determinar si está lista para producción.
Estudio de casos
43
Gráficos de
resultados
La distribución resultante de Distancia lanzada muestra que
aproximadamente el 60% de las veces, la distancia se encuentra fuera
de los límites de especificación.
El análisis de sensibilidad identifica los factores de diseño más
importantes que afectan a la distancia de lanzamiento, como la
distancia de tiro, seguida de la masa de la bola.
44
Ejemplo 1 – Diseño de experimentos: Catapulta
Este modelo puede ayudar a explorar la teoría de Taguchi o Diseños
de Parámetros Robusto. La teoría de Taguchi afirma que existen dos
tipos de variables que definen un sistema: aquellas cuyos niveles
afectan la variación del proceso y aquellas cuyos niveles no afectan.
La idea del Diseño de Taguchi es establecer variables del primer tipo
a un nivel que minimice la variación total del proceso. Las variables
que no afectan la variación del proceso se usan para controlar o
ajustar el proceso.
En el modelo de la catapulta, pueden ajustarse diferentes parámetros
del diseño –como distancia de tiro o masa de la bola– para tratar de
minimizar la variación en la salida Distancia lanzada. Considerando
que el 60% de las veces la distancia de lanzamiento está fuera de los
límites de especificación de 24 a 26 metros, se puede mejorar.
Estudio de casos
45
46
Ejemplo 2 – Diseño de experimentos:
Soldadura
Modelo de ejemplo: Six Sigma DiseñoExperimentos.xls
Supongamos que está analizando una tapa de alivio metálica
fabricada mediante la soldadura de un disco y un anillo (ver abajo). El
producto funciona como un sello y mecanismo de seguridad, así que
debe soportar presión en su uso normal y debe separarse si la presión
interna excede el límite de seguridad.
Disco
Anillo
Cuerno de
soldadura
Disco
Anillo
Base
El modelo relaciona la resistencia de la soldadura con los factores de
proceso y diseño, modela la variación de cada factor, y estima el
rendimiento del producto en relación con las especificaciones del
diseño. La modelación de una respuesta basada en múltiples factores
se puede conseguir generando una función estadísticamente
significativa mediante un diseño experimental o un análisis de
regresión múltiple.
Estudio de casos
47
Factores de diseño
Factores de proceso
Grosor del
disco
Presión soldadura
Tiempo soldadura
Punto disparador
Amplitud
Frecuencia
Grosor de la
pared del
anillo
Longitud del
cuerno
Matriz de diseño
experimental
Función de transferencia
Respuesta(s)
En este ejemplo, @RISK simula la variación usando una distribución
Normal por cada factor. Las distribuciones de @RISK permiten el uso
de referencias de celdas para que pueda configurar fácilmente un
modelo tabular que se pueda actualizar a lo largo del ciclo de
duración de desarrollo de un producto o un proceso.
Los factores de incertidumbre son:
Variables del diseño
•
Grosor del disco
•
Grosor de la pared del anillo
•
Longitud del cuerno
Variables del proceso
48
•
Presión de soldadura
•
Tiempo de soldadura
•
Punto disparador
•
Amplitud
•
Frecuencia
Ejemplo 2 – Diseño de experimentos: Soldadura
Cómo añadir
distribuciones
Añadir una distribución a cada factor es tan fácil como hacer clic en el
icono Definir distribuciones de la barra de herramientas de @RISK.
Desde allí se puede seleccionar una distribución Normal e introducir
sus parámetros o referencias de celdas, como se muestra abajo.
También se puede escribir la fórmula directamente en la barra de
fórmulas de Excel para cada entrada. Por ejemplo, la celda de Presión
de soldadura contiene la fórmula
=RiskNormal(D73,E73)
La salida de
Six Sigma
La salida es Fortaleza de la soldadura (N) en la sección Diseño y
rendimiento del proceso, y contiene una función de propiedad
RiskSixSigma que incluye los valores de límite de especificación
inferior (LSL), límite de especificación superior (USL) y objetivo.
Como se hace al definir las distribuciones de entrada, se puede
escribir la fórmula de salida directamente en la celda de salida o usar
el cuadro de diálogo Añadir salida. La fórmula sería:
=RiskOutput("Fortaleza de la soldadura (N)",,,
RiskSixSigma(D82,E82,105,0,1))+ [el cálculo matemático]
Estudio de casos
49
El cuadro de diálogo Añadir/editar salida aparece abajo:
Haciendo clic en el botón de propiedades (fx) aparece el cuadro de
diálogo Propiedades de salida con la pestaña Six Sigma. Aquí puede
introducir los valores de LSL, USL y Objetivo, y otras propiedades Six
Sigma de la salida. Estos se usan para calcular los datos estadísticos
Six Sigma.
50
Resultados de
una simulación
Después de ejecutar la simulación, los datos estadísticos Six Sigma
Cpk-superior, Cpk-inferior, Cpk y Defectos PPM (o DPM), se
generaron usando las funciones Six Sigma de @RISK . También se
usaron funciones estadísticas de @RISK (como RiskMean).
La distribución de salida de @RISK muestra el rendimiento esperado
basándose en el diseño y la variación de entrada del proceso y
muestra los marcadores de los valores LSL, USL y Objetivo. Puede
acceder fácilmente a los datos estadísticos de salida usando las
funciones de informes o a través de las funciones de @RISK.
Estudio de casos
51
El análisis de sensibilidad de @RISK muestra claramente que los
parámetros de Tiempo de soldadura y Amplitud dependen de la
variación de la Fortaleza de la soldadura.
Los siguientes pasos para este problema pueden incluir dos opciones:
El ingeniero puede intentar reducir o controlar mejor la variación del
Tiempo de soldadura y la Amplitud, o usar RISKOptimizer para
encontrar el proceso óptimo y diseñar objetivos para maximizar o
reducir los costos de desaprovechamiento del metal.
52
Ejemplo 3 – Diseño de experimentos con
optimización:
Modelo de ejemplo: Six Sigma DiseñoExperimentos Opt.xls
Este modelo demuestra el uso de RISKOptimizer en diseños
experimentales. RISKOptimizer combina la simulación Monte Carlo
con la optimización basada en algoritmo genético. Usando estas dos
técnicas, RISKOptimizer es capaz de resolver complejos problemas de
optimización con un elemento de incertidumbre.
Con RISKOptimizer, puede elegir maximizar, minimizar o acercarse a
un valor objetivo de cualquier salida del modelo. RISKOptimizer
prueba muchas combinaciones diferentes de entradas controlables
que usted especifica para alcanzar su objetivo. Cada combinación se
denomina “solución” y el grupo total de soluciones probadas se
denomina “población”. “Mutación” se refiere al proceso de probar
aleatoriamente nuevas soluciones no relacionadas con pruebas
anteriores. También puede establecer restricciones que
RISKOptimizer debe cumplir durante la optimización.
Para los factores inciertos no controlables del modelo, se pueden
definir funciones de distribución de probabilidad de @RISK. Por cada
combinación de prueba de entradas, RISKOptimizer ejecuta también
una simulación Monte Carlo, obteniendo las muestras de las
funciones de @RISK y registrando la salida de esa prueba
determinada. RISKOptimizer puede ejecutar miles de pruebas para
ofrecer la mejor respuesta posible. Al tener en cuenta la
incertidumbre, RISKOptimizer obtiene resultados mucho más
precisos que los programas de optimización estándar.
En este ejemplo, como anteriormente, la pieza que se investiga es una
tapa de alivio metálica, mediante la soldadura de un disco a un anillo.
El producto funciona como un sello y mecanismo de seguridad, así
que debe soportar presión en su uso normal y debe separarse si la
presión interna excede el límite de seguridad.
El modelo relaciona la resistencia de la soldadura con los factores de
proceso y diseño, modela la variación de cada factor, y estima el
rendimiento del producto. RISKOptimizer se usó para buscar una
combinación óptima de ajustes del proceso y valores nominales del
diseño para minimizar costos de desaprovechamiento de metal,
denominado Costo anual defectuoso en el modelo. Esto es lo mismo
que maximizar la producción.
Estudio de casos
53
Las variables del proceso y diseño que RISKOptimizer ajusta son:
Variables del diseño
•
Grosor del disco
•
Grosor de la pared del anillo
•
Longitud del cuerno
Variables del proceso
•
Presión de soldadura
•
Tiempo de soldadura
•
Punto disparador
•
Amplitud
•
Frecuencia
Todo ello para minimizar la salida de Costo anual defectuoso.
54
Ejemplo 3 – Diseño de experimentos con optimización:
Barra de
herramientas de
RISKOptimizer
La barra de herramientas de RISKOptimizer añadida al Excel 20002003 se muestra abajo:
La barra de herramientas de RISKOptimizer es Excel 2007 aparece así:
El modelo de
optimización
Estudio de casos
Si hace clic en el icono Definición de modelo se abre el siguiente
cuadro de diálogo en el que puede definir las celdas que va a ajustar,
cuál es la salida y qué restricciones debe usar. Además de las entradas
y salidas descritas anteriormente, también definiremos una restricción
en la que el Punto disparador debe ser siempre menor o igual al
Tiempo de la soldadura.
55
Configuraciones
de optimización
Si hace clic en el icono Configuraciones se abre el siguiente cuadro de
diálogo, donde puede establecer diferentes condiciones que indican
cómo se debe ejecutar la optimización y las simulaciones.
Ejecución de la
optimización
Cuando se hace clic en Iniciar optimización, aparece la ventana de
Progreso del RISKOptimizer, mostrando un estado resumido del
análisis.
56
El botón de la lupa abre el cuadro de diálogo Observador de
RISKOptimizer, que muestra información más detallada sobre la
optimización y las simulaciones que se están ejecutando. Abajo puede
ver un gráfico de simulaciones ejecutadas y los mejores valores
obtenidos.
La pestaña Resumen muestra los valores Mejor, Original y Última
calculados, así como parámetros de la optimización como Tasas de
cruce y de mutación.
Estudio de casos
57
La pestaña Diversidad muestra visualmente las diferentes celdas que
se están calculando y las diferentes soluciones posibles.
Tras la simulación y la optimización, RISKOptimizer encuentra
eficazmente una solución que reduce el Costo anual defectuosos a
menos de $8,000.
El uso de RISKOptimizer puede ahorrar tiempo y recursos en los
esfuerzos por mejorar la calidad y reducir los costos. Los siguientes
pasos de este problema serían validar el modelo y optimizar la
solución mediante experimentación.
58
Ejemplo 4 – DFSS: Diseño eléctrico
Modelo de ejemplo: Six Sigma Diseño Eléctrico.xls
Este sencillo circuito de CC consta de dos fuentes de voltaje -una
independiente y otra dependiente- y dos resistores. La fuente
independiente especificada por el ingeniero de diseño tiene un rango de
potencia operativa de 5,550 W + 300 W. Si la demanda de potencia de la
fuente de voltaje independiente está fuera de la especificación, el circuito
será defectuoso. Los resultados de rendimiento del diseño indican
claramente que el diseño no es capaz de funcionar con fallos en un
porcentaje de circuitos en el lado alto y en el bajo de los límites. Los
valores PNC identifican el Porcentaje de unidades que no cumplen que se
espera obtener en los extremos superior e inferior de la especificación.
Estudio de casos
59
La lógica básica del modelo es la siguiente:
Salidas
Entradas
Función de transferencia
(V=IR, P=VI)
VI
PI
VD
R1
R2
Fuente de poder
(independiente)
Vs
+
Fuente de poder
(dependiente)
Resistores
R1
R2
XiVs = i
El modelo calcula la desviación estándar de cada componente
basándose en información conocida y en las siguientes suposiciones
de este modelo:
1) La media de los valores del componente está centrada dentro
de los límites de tolerancia.
2) Los valores del componente están distribuidos normalmente.
Recuerde que @RISK se puede usar para ajustar una
distribución de probabilidad a una serie de datos o para
modelar otros tipos de distribuciones de probabilidad, si
fuera necesario.
60
Ejemplo 4 – DFSS: Diseño eléctrico
Una función de propiedad RiskSixSigma en la celda de salida
PotenciaDEP define el Límite superior, el Límite inferior y el Objetivo
que se usan en los cálculos de resultados Six Sigma. Las funciones
@Six Sigma de RISK se usan para calcular Cpk inferior, Cpk superior,
Cpk, Cp, DPM, PNC superior y PNC inferior.
Análisis de
sensibilidad
El Análisis de sensibilidad de @RISK identifica las variables de
entrada que producen variación en la salida. La sensibilidad muestra
que las dos fuentes de voltaje con los principales contribuyentes a la
variación en el consumo de energía. Con esta información, el equipo
de ingeniería puede centrar sus esfuerzos de mejora en las fuentes de
voltaje en lugar de en los resistores.
El modelo se puede usar para probar diferentes componentes y
tolerancias, se pueden comparar rendimientos y producción, y la
solución óptima se puede seleccionar para maximizar la producción y
reducir costos.
Estudio de casos
61
62
Ejemplo 5 – Lean Six Sigma: Análisis de
estado actual – Proceso de cotización
Modelo de ejemplo: Six Sigma Proceso Cotización.xls
En los métodos Lean y Six Sigma de mejora continuada, uno de los
requisitos clave es comprender el estado actual del proceso que se está
analizando. Esto inicialmente se hace en la fase de Diagramación de
proceso de valor de la implementación Lean o en las fases de Definir y
Medir del proceso DMAIC Six Sigma. La mayoría de los usuarios
unen el proceso en una o dos sesiones, y después de un repaso
superficial, el equipo pasa a generar soluciones. Sin embargo, hay una
ventaja significativa en dedicar tiempo a modelar el proceso y probar
que los datos y suposiciones que se hicieron son precisos. Esto resulta
especialmente importante cuando es cierto uno o más de los
siguientes puntos:
•
El proceso es crítico para el éxito de la empresa (Misión crítica)
•
Hay una opinión generalizada de que el proceso no necesita
mejoras
•
Los costos de las mejoras serán significativos
•
Los resultados de los esfuerzos de la mejora continuada pueden
ser sometidos a un escrutinio significativo en el futuro
•
El proceso está sujeto al Efecto Hawthorne: cuanto más lo
estudiamos, más mejora
La simulación tiene la capacidad de probar el análisis inicial del
estado actual y mostrar la verdadera situación encontrada por el
equipo de análisis. Hay tres procesos normalmente muy diferentes
que intervienen en cada área: el proceso que creemos que existe; el
proceso que hemos documentado; y el proceso que realmente se
realiza diariamente. Una simulación @RISK cuidadosamente
construida puede documentar el proceso actual y modelar el impacto
de las mejoras posteriormente en el ciclo de Mejora continuada. Y el
modelo es fácil de construir.
Estudio de casos
63
Desarrollo del
modelo y
recopilación de
datos
Este ejemplo se centra en el flujo del proceso de presupuestos del
departamento de ventas interno de una organización, y ha sido
extraído de una compañía real. Se usan muchas herramientas para
mostrar gráficamente el proceso. La que nosotros usaremos aquí es el
Gráfico Swimlane.
El proceso entero de presupuestos tenía más de 36 pasos diferentes y
pasaba por diez personas o departamentos. Los datos iniciales
indicaban que se tardaba hasta cuatro semanas en obtener un
presupuesto a través del sistema, y sin embargo, cuando el asunto era
importante, el presupuesto se aceleraba a través del sistema y se
obtenía en menos de una semana. Los tiempos prolongados del ciclo
de los presupuestos impedían que la compañía obtuviera lucrativos
pedidos urgentes de sus productos y servicios. Como los
presupuestos acelerados se podían obtener en una cuarta parte del
tiempo normal, los directivos pensaron que el problema estaba en el
personal, y no en el proceso. El equipo de análisis necesitaba una
herramienta para probar que el proceso era inapropiado.
Después de desarrollar el diagrama, el equipo tenía una pregunta:
¿Cuánto tiempo se tarda en procesar un presupuesto desde la
recepción de la solicitud hasta el envío del paquete del presupuesto al
departamento de ingeniería? Esta es la primera parte del proceso y los
datos se podían obtener de forma relativamente fácil, y los resultados
obtenidos aquí se podían aplicar en todo el proceso.
64
Ejemplo 5 – Lean Six Sigma: Análisis de estado actual – Proceso de cotización
Esta parte del proceso de presupuesto tiene cuatro pasos. Primero, se
recopilan e introducen los datos (Paso A). Luego, van a una cola de
espera para que los revise el departamento de servicio al cliente (Paso
B). Aquí, se introducen correcciones y datos adicionales en el
formulario y se asigna un número de seguimiento (Paso C).
Finalmente, el paquete se pone en una cola para que el departamento
de ingeniería complete la actividad de preparación del presupuesto
(Paso D).
A
Introducción de datos
B
Cola de revisión
C
Revisión
D
Cola para entrega
El equipo desarrolló una sencilla tabla de horas que registraba las
horas en las que la documentación iba de un área a otra, y cuánto
tiempo estaba en cada paso del proceso. A partir de estos datos, el
equipo realizó un análisis inicial de los cuatro pasos de esta parte del
proceso.
Construcción
de las
distribuciones
y definición de
la salida
Una simple distribución de los datos, para nuestro análisis, significa
que los datos siguen una curva sencilla. Las distribuciones complejas
están compuestas de varias distribuciones independientes y
normalmente son más difíciles de definir. Los datos que el equipo
recopiló tiene ambos tipos.
@RISK puede encontrar la distribución adecuada para los datos
mediante el uso del botón Ajuste de distribución de la barra de
herramientas. Una distribución, una vez ajustada, se puede introducir
como una función de distribución en la hoja de cálculo. Con los datos
en Excel, seleccione el botón Ajustar distribuciones y siga las
Estudio de casos
65
indicaciones. @RISK analizará los datos y comprobará que se ajustan a
una serie de funciones de distribución.
Abajo se muestra el resultado del ajuste de la distribución de @RISK
para los datos del Paso C (Revisión). La distribución resultante se
colocó luego en la celda de la hoja de cálculo bajo el encabezamiento
“C - Revisión” usando el botón Escribir a celda. (El equipo seleccionó
la distribución Normal en lugar de la ligeramente mejor ajustada
Weibull porque con un grupo pequeño de datos, la diferencia entre
las dos curvas era aceptable).
El equipo siguió con el proceso para generar todas las distribuciones
de cada uno de los cuatro pasos. Finalmente, establecieron el Tiempo
total de los cuatro Pasos A-D como salida de @RISK y ejecutaron la
simulación.
Los resultados de la simulación fueron reveladores. La media del
Tiempo total para procesar un presupuesto era de 1700 minutos, lo
cual supone más de un día. Podían tarda entre 350 minutos (casi 6
horas) hasta más de 2 días.
La única parte del tiempo empleado que ofrecía valor añadido era el
paso de Revisar. Este paso tardaba un promedio de 35 minutos en
completarse, con un rango de 6 a 64 minutos. Estos datos se
analizaron con el área afectada y directivos, que aunque
sorprendidos, aceptaron los resultados.
66
Datos
estadísticos de
los resultados de
la simulación
@RISK también permitió al equipo generar datos estadísticos básicos
que interactuaban con la celda de salida. Por ejemplo, el equipo quería
añadir la media, máximo, mínimo y desviación estándar de la celda
de salida Tiempo total a una tabla de la hoja de cálculo. Desde el
menú Insertar función de @RISK, el equipo seleccionó Resultados de
simulación en la sección Estadísticos. Luego seleccionaron la función
RiskMean. Finalmente, la celda de salida “Tiempo total” se seleccionó
como argumento. Ahora, cada vez que se ejecuta la simulación, esta
celda se actualiza con la media del Tiempo total.
El equipo repitió esta operación para seleccionar el máximo, mínimo y
desviación estándar.
Introducción
de funciones
Six Sigma
Estudio de casos
A continuación, el equipo añadió el análisis Cpk de la celda de salida
usando las funciones Six Sigma de @RISK. En la celda de salida
Tiempo total, introdujeron una función RiskSixSigma, en la que:
•
Una referencia de celda identificaba la celda de
encabezamiento de la que se tomaba el nombre de la salida
•
Una referencia de celda identificaba el Límite de
especificación inferior del resultado esperado
•
Una referencia de celda identificaba el Límite de
especificación superior del resultado esperado
•
Una referencia de celda identificaba el valor Objetivo del
resultado esperado
67
La función RiskSixSigma se estableció fácilmente usando el cuadro de
diálogo Propiedades de salida (al que se accede haciendo clic en el
icono Propiedades de función fx del cuadro de diálogo Añadir/Editar
salida de @RISK).
Con la salida ya configurada, el equipo quería que la simulación
calculara las funciones Six Sigma de @RISK de Cp, CpkSuperior,
CpkInferior y Cpk. Esto se hace insertando la función correcta (como
RiskCp, RiskCpkUpper, etc.) desde Six Sigma en la sección
Estadísticos del menú Insertar función de @RISK o escribiéndolas en
la barra de la fórmula. Esto se recalcula en cada simulación.
68
Gráfico d la salida
de la simulación
Estudio de casos
Gracias a los gráficos de resultados de @RISK y los marcadores Six
Sigma que mostraban los valores de LSL, USL y Objetivo
directamente en el gráfico, los directivos se sorprendieron al ver que
se tardaba un promedio de más de un día en completar 35 minutos de
trabajo. A continuación se muestran los resultados de la simulación de
la salida Tiempo total y de los valores muestreados en la distribución
de entrada del Paso C – Revisar.
69
El equipo pudo, basándose en la simulación, documentar los flujos
reales y detallar lo que sucedía cuando los presupuestos no se
aceleraban. Los directivos vieron las mejoras potenciales si el proceso
completo se controlaba y mejoraba. esa aceptación de los directivos en
el inicio del proyecto resultó clave para el éxito a largo plazo del
proyecto.
A partir de este modelo inicial, el equipo construyó el modelo
completo de todo el proceso. Con este modelo disponible, el equipo
pudo modelar los esfuerzos de mejora en diferentes etapas del
proyecto y verificar que las mejoras conseguían avances positivos. El
tiempo total para generar la simulación inicial y los resultados usando
@RISK fue de menos de una hora después de introducir los datos
originales en Excel.
70
Ejemplo 6 – DMAIC: Análisis de producción
acumulada
Modelo de ejemplo: Six Sigma DMAIC RTY.xls
DMAIC - o Definir, Medir, Analizar, Mejorar y Controlar – se usa
para mejorar productos o procesos existentes. Imagine que usted es
un fabricante de joyería personalizada, que baña plata barata con una
fina capa de oro. Importa los materiales y componentes de China.
Siempre hay un pequeño número de componentes que son
defectuosos, pero no sabe cuántos ni cuánto cuestan.
Ha recopilado datos sobre el número de componentes defectuosos o
que sufren defectos en diferentes puntos del proceso de fabricación.
En principio, parece que las piezas defectuosas no son un problema
grave. Hacia el 99% de los componentes son aceptables en cada fase
del proyecto. Sin embargo, el efecto combinado de partes defectuosas
produce una pérdida del 15-20% del producto final, lo cual se puede
traducir en 200,000 unidades defectuosas por cada millón producido.
Si los materiales cuestan $0.50 por unidad, esto supone $100,000 de
pérdidas, sin contar la mano de obra, tiempo de maquinaria y otros
gastos.
Estudio de casos
71
Debe reducir el número de unidades defectuosas producidas. Sin
embargo, el proceso es largo y complicado, y no sabe con qué fase
empezar. Usando @RISK, puede simular muchos resultados
diferentes y determinar la fase del proceso de fabricación más
problemática. También puede obtener mediciones críticas de
capacidad del proceso de cada fase, así como de todo el proceso, que
le ayudarán a mejorar la calidad y reducir las pérdidas de recursos.
De esta forma, @RISK se usa en las fases de Medir y Analizar del
método DMAIC. @RISK se usa para medir el estado existente del
proceso (con mediciones de capacidad) y analizar cómo se puede
mejorar (con análisis de sensibilidad).
Ajuste de
distribuciones
72
Usando los datos recopilados del proceso de fabricación, la función de
ajuste de distribución de @RISK se usó para definir funciones de
distribución que describen el número de partes defectuosas en cada
fase del proceso – Desempaque/inspección, Corte, Limpieza y
Electrocubrimiento. El ajuste de distribución de la fase de
electrocubrimiento -distribución Weibull- se muestra abajo.
Ejemplo 6 – DMAIC: Análisis de producción acumulada
Estas distribuciones ajustadas se añadieron directamente al modelo.
La distribución de la Electrocubrimiento se muestra abajo.
Resultados de
una simulación
Estudio de casos
Las Partes defectuosas por millón (PDM) de cada etapa, y el proceso
en su conjunto, se definieron como salidas de @RISK con
especificaciones Six Sigma del valor del Límite de especificación
superior, Límite de especificación inferior y Objetivo. Tras la ejecución
de la simulación, se calcularon diversas mediciones Six Sigma para
cada etapa y para el proceso en su conjunto.
73
La distribución de resultados de PDM se muestra abajo.
Finalmente, un análisis de sensibilidad y un gráfico Tornado
revelaron que la etapa de Corte era la mayor responsable de los
defectos de los productos en general, independientemente de que otra
etapa –la de Limpieza- tuviera una producción más baja la primera
vez (menos defectos). Aunque el FTY de Corte era más alto, el propio
proceso de Corte es menos regular y tiene mayor variación que otros
procesos.
74
Ejemplo 6 – DMAIC: Análisis de producción acumulada
Ejemplo 7 – Six Sigma DMAIC Tasa de fallas
Modelo de ejemplo: Six Sigma Falla DMAIC.xls
Este es un modelo de Tasa de fallas para su uso en procesos de control
de calidad y planificación. Usted es un fabricante y necesita calcular el
porcentaje probable de productos defectuosos. En el método DMAIC
–Definir, Medir, Analizar, Mejorar, Controlar- son las fases de Medir
y Analizar, en las que desea medir el estado actual de la calidad y
analizar las causas de los problemas o defectos.
Un producto es defectuoso cuando cualquiera de sus componentes no
cumple su nivel de tolerancia requerido. Un componente se considera
satisfactorio si las propiedades de su estado acabado (por ejemplo, el
ancho) se encuentran dentro de las bandas de tolerancia definidas.
Estudio de casos
75
Modelación del
ancho del
componente
Esta propiedad de cada componente acabado (por ejemplo, su ancho)
se modela con una distribución Normal en la columna Muestra.
Muestra
10.00
5.00
8.00
12.00
6.00
Esas celdas también se han añadido como salidas de @RISK con
funciones de propiedad RiskSixSigma que definen los valores de LSL,
USL y Objetivo de cada componente. La fórmula del Componente1 se
muestra abajo:
=RiskOutput(,,,RiskSixSigma(F26,G26,C26,0,0))+RiskNormal(C26, D26) De esta forma podremos ver gráficos de calidad de los componentes y
calcular los datos estadísticos Six Sigma de cada componente.
76
Ejemplo 7 – Six Sigma DMAIC Tasa de fallas
Uso de la función
RiskMean para
obtener la Tasa
de fallas
La Tasa de falla del componente y el total se calcula con la función
RiskMean, que es una función estadística de @RISK, y por lo tanto
aplicable sólo después de que la simulación se haya ejecutado.
Después de la simulación también se pueden ver los datos estadísticos
Six Sigma de puntuación Z y DPM del componente y total.
Mín Z
Frecuencia de fallo
DPM
2.999060375
Uno de cada 334 falla
3000
2.99523275
3000
2.990852805
3000
3.492267357
1000
3.002125568
1000
2.945880756
11000
El gráfico de las muestras del Componente1 se muestra abajo, con los
marcadores de USL, LSL y Objetivo.
Estudio de casos
77
78
Ejemplo 8 – Six Sigma DMAIC Tasa de falla
usando RiskTheo
Modelo de ejemplo: Six Sigma Falla DMAIC RiskTheo.xls
Esta es una extensión del modelo de Fallo de DMAIC para su uso en
procesos de control de calidad y planificación. Incluye el uso de las
funciones RiskTheo (en este caso, RiskTheoXtoP) para determinar la
Tasa de fallas sin ejecutar realmente una simulación. Las funciones
RiskTheo generan datos estadísticos teóricos en distribuciones de
entrada o fórmulas, en lugar de generar datos estadísticos en los datos
de una simulación.
Usted es un fabricante y necesita calcular el porcentaje probable de
productos defectuosos. En el método DMAIC –Definir, Medir,
Analizar, Mejorar, Controlar- son las fases de Medir y Analizar, en las
que desea medir el estado actual de la calidad y analizar las causas de
los problemas o defectos.
Un producto es defectuoso cuando cualquiera de sus componentes no
cumple su nivel de tolerancia requerido. Un componente se considera
satisfactorio si las propiedades de su estado acabado (por ejemplo, el
ancho) se encuentran dentro de las bandas de tolerancia definidas.
Estudio de casos
79
Modelación del
ancho del
componente
Esta propiedad de cada componente acabado (por ejemplo, su ancho)
se modela con una distribución Normal en la columna Muestra.
Muestra
10.00
5.00
8.00
12.00
6.00
Esas celdas también se han añadido como salidas de @RISK con
funciones de propiedad RiskSixSigma que definen los valores de LSL,
USL y Objetivo de cada componente. La fórmula del Componente1 se
muestra abajo:
=RiskOutput(,,,RiskSixSigma(F26,G26,C26,0,0))+RiskNormal(C26, D26) De esta forma podremos ver gráficos de calidad de los componentes y
calcular los datos estadísticos Six Sigma de cada componente si
decidimos ejecutar una simulación.
80
Ejemplo 8 – Six Sigma DMAIC Tasa de falla usando RiskTheo
Uso de la función
RiskTheoXtoP
para obtener la
Tasa de falla
La Tasa de falla del componente y total se calcula con RiskTheoXtoP,
que muestrea las distribuciones Normales de la columna Muestra.
También se calcula la Tasa de falla de la simulación usando la función
RiskMean si decide ejecutar una simulación. De esta forma puede
comparar la Tasa de falla simulada con la Tasa de falla de RiskTheo.
Tasa de falla (%)
de la sim (%)
Tasa de falla de
RiskTheo (%)
0.30%
0.270%
0.20%
0.158%
0.20%
0.138%
0.00%
0.047%
0.10%
0.135%
1%
Después de la simulación también se pueden ver los datos estadísticos
Six Sigma de puntuación Z y DPM del componente y total.
Estudio de casos
Z mín de sim
DPM de sim
2.998616548
3000
2.997415317
2000
2.997730848
2000
3.49840855
0
3.004560454
1000
3.146403741
8000
81
82

Guía del Usuario de - Palisade Corporation

Transcription

Similar documents

Documento informativo - Universidad de Piura

tas. Siempre con el apoyo

Diapositiva 1

PARA SABER,EXPERIMENTAR Y SIMULAR

Gama de productos KAESER

1 SIGMA ALIMENTOS, S.A. DE C.V. Av. Gómez Morín no. 1111 San

Diagnóstico Prenatal de Anomalías Cromosómicas Nuevos

MANUAL DE VISUAL BASIC PARA EXCEL

Workshop Report Spain July 2015

Edición Primaveral 2012

curso de seis sigma - Contacto: 55-52-17-49-12

Antología EMAT2

Taller de Seguridad SAP ERP

ICFS Instituto de Ciencias Forenses y de la Seguridad Universidad