Aplicaciones de la Probabilidad en la Industria - cimat.mx · ˆˆ , (repetibilidad). ... Ejemplo...
Transcript of Aplicaciones de la Probabilidad en la Industria - cimat.mx · ˆˆ , (repetibilidad). ... Ejemplo...
Aplicaciones de la Probabilidad
en la IndustriaDr. Enrique Villa Diharce
CIMAT, Guanajuato, México
Verano de probabilidad y estadística CIMAT
Guanajuato,Gto. Julio 2010
Contenido:1.- Introducción
IntroducciónCapacidad de procesos
2.- Capacidad de procesosMétricasHerramientas estadísticas
3.- Procesos de mediciónEstudios de repetibilidad y reproducibilidad
4.- Monitoreo de procesosMonitoreo de procesosCartas de control.
6.- ConclusionesPensamiento estadístico
¿Cuál es el interés en la industria?
Mejorar de la calidad
Introducción
20001980195019001800
Linea de ensamble (Ford) Producción Lean
(Toyota)Rev. industrial (Maquinas
en la manufactura)
Supermercados aplicas JIT Wall-Mart
desarrolla conceptos Lean en la gestión
de cadenas de proveedores
Algunos métodos de gestión en el tiempo
Introducción
20001980195019001800
ANOVA, DDE (Fisher)
Difusión del uso de métodos formales en la toma de decisiones (Six sigma, M. Harry)
Mínimos cuadrados (Laplace) Regresión
(Galton)FDA sugiere la
necesidad de ocupar estadísticos
Algunos métodos estadísticos en el tiempo
Control estadístico (Shewhart)
ANOVA, DDE (Fisher)
DDE en manufactura
(Box y Taguchi)Demingen Japón
Aplicaciones de la estadística en el
sector de servicios (Hoerl)
Introducción
Procesos
Entradas SalidasProceso
El término proceso representa acciones ( de manufactura y no manufactura) que transforma entradas en una salida o producto terminal.
Introducción
SIPOC
Entradas SalidasProceso
Los Proveedores aportan las Entradas que son transformadas por el Proceso en Salidas que llegan finalmente a los Clientes.
Proveedores Clientes
Los proveedores y clientes son parte fundamental de una empresa
Introducción
yx x
xx
xx
xx
xx
xx
Diagrama de causas y efectos. Causas de variación
Mano de obra Maquinaria
Medio ambiente Mediciones
Materiales
Métodos
Producto
Introducción
La variabilidad del producto final tiene un gran número de contribuyentes.Por el Teorema Central del Límite, la distribución de la característica de interés es Normal
El término proceso representa acciones ( de manufactura y no manufactura) que transforma entradas en una salida o producto terminal.
El Teorema Central del Límite
Sea una sucesión de variables aleatorias independientes con , y , .Sea . Luego bajo ciertas condiciones generales,
,..., 21 XX
iiXE µ=)( 2)( iiXV σ= ,...2,1=i
∑∑
=
=−
=n
i i
n
i inn
YZ
12
1
σ
µ
nn XXXY +++= ...21
Tiene una distribución asintóticamente .)1,0(N
EjemploUna máquina produce piezas de mica. Se toman 50 piezas consecutivas y se mide el grosor (en mm):
8.0 12.5 12.5 14.0 13.5 12.0 14.0 12.0 10.0 14.5
10.0 10.5 8.0 15.0 9.0 13.0 11.0 10.0 14.0 11.0
12.0 10.5 13.5 11.5 12.0 15.5 14.0 7.5 11.5 11.0
12.0 12.5 15.5 13.5 12.5 17.0 8.0 11.0 11.5 17.0
11.5 9.0 9.5 11.5 12.5 14.0 11.5 13.0 13.0 15.0
¿ Estos datos tienen distribución normal?
14
Áreas Bajo la Curva Normal
99.73%
µµµ−3σ µ+3σ
95.45%68.27%
0.001350.022750.15865
15
µ
σ
LIE LSE
El ancho del proceso, suponiendo normalidad, se define como 6σ. El anchode las especificaciones puede medir “cualquier cantidad” de sigmas.
ESPECIFICACIONES Y ANCHO DEL PROCESO
16
EI ES
La curva representa lo OBSERVADO y las especificaciones representan loDESEADO.
ESPECIFICACIONES Y ANCHO DEL PROCESO
17
TRES TIPOS DE LÍMITES
18
Capacidad de Procesos
Proceso concapacidadpotencial yreal
Proceso con capaci-dad potencial, peroSIN capacidad real
19
Índices de Capacidad
Cp<1 es inaceptable,1<Cp<1.33 marginal yCp>1.33 es capacidad potencial adecuada.
σ6LEILES
procesodelanchocionesespecificadeanchoCp
−==
EIESCCR
p −==
σ61“proporción de la tolerancia que ocuparía el proceso”
20
Índice Cp
No toma en cuenta la localización!
21
LEI LESµ
PKPLPULU CCCZZ ,,,,Indices
σµ
σµ
LEIZ
LESZ
L
U
−=
−=
33
33L
U
ZEICPL
ZESCPU
=−
=
=−
=
σµ
σµ
{ }CPUCPL
LESLIECPK
,min3
,3
min
=
−−
=σ
µσ
µ
µ−LESLEI−µ
22
Índice CPK
Pero, el Cpk no puede distinguir entre los tres procesosrepresentados en la figura, los cuales son bastante diferentes.Note que Cpk=Cp si el proceso está centrado.
23
Cpm = 1Cpm = 0.63Cpm = 0.44
Coincide con el Cp y el Cpk cuando el procesoestá centrado en el valor nominal (T).El índice Cpm sí distingue entre los tresprocesos de la figura. Se cumple que:
Índice de Cpm
TEIESCpm −
−<
µ6
Esta relación implica que para que Cpm seaigual a 1, se debe cumplir
6EIEST −
<−µ
Es decir, la media del proceso no se puede alejar del valor objetivo más allá de unsexto de la tolerancia.
22 )(6 TEIESCpm
−+
−=
µσ
24
Comparación de Índices
25
( )EIES
Tk
−
−=
21
µ Este es el índice k que mide el grado en que elproceso se desvía del valor nominal (T) expresado enunidades de ½ de la tolerancia.
10 ≤≤ kSi se cumple que ESEI ≤≤ µ
CpkCpk )1( −=
Relación entre Cpk y Cp
26
EI ES
Un proceso centrado en la tolerancia media
PROCESO SEIS SIGMA ESTATICO
σ6
ppm002.ppm002.
27
EI ES
Un proceso con un corrimiento superior de en la media del proceso
1.5
σ5.7σ5.4
ppm4.3ppm0
PROCESO SEIS SIGMA DINAMICO
σ5.1
28
EI ES
Un proceso centrado en la tolerancia media
PROCESO CUATRO SIGMA ESTATICO
σ4
ppm32ppm32
29
EI ES
Un proceso con un corrimiento superior de en la media del proceso
1.5
σ5.5σ5.2
ppm6210ppm02.
PROCESO CUATRO SIGMA DINAMICO
σ5.1
Cp Zmin Zmax ppm Zmin Zmax ppm
1.00 3.0 3.0 2700 1.5 4.5 66,8131.33 4.0 4.0 63 2.5 5.5 62101.5 4.5 4.5 6.9 3.0 6.0 1,3501.67 5.0 5.0 .6 3.5 6.5 2331.83 5.5 5.5 .0 4.0 7.0 322.00 6.0 6.0 .0 4.5 7.5 3.4
Métricas para procesos estáticos y dinámicos
Proceso estático Proceso dinámico
El significado de Seis Sigma1. Como Metodología. Es una estrategia de negocios y de
mejora continua que busca encontrar y eliminar causas deerrores o defectos en los procesos enfocándose a lasvariables de importancia crítica para los clientes.
2. Como Métrica. Es una medida de la calidad. Mientras másgrande es el valor de sigma de un proceso, producto oservicio, su calidad es mejor. En particular, calidad 6 sigmasignifica sólo 3.4 defectos por millón de oportunidades.
3. Como Meta. Es un nivel de calidad que implica casi cerodefectos, al producir 99.9997% bueno.
DefinirDefinir problema (VCC) y señalar
cómo afecta al cliente e precisar los beneficios esperados del proyecto.
MedirMedir las VCC, verificar que pueden medir bien, y determinar situación
actual
AnalizarIdentificar causas raíz, cómo se genera
el problema y confirmar las causas con datos
MejorarEvaluar e implementar soluciones, asegurándose que se reducen los
defectos
ControlarDiseñar un sistema para que mantenga las mejoras logradas (controlar las X
vitales), y cerrar el proyecto
Seis Sigma Como Método
Seis Sigma: Herramientas y Técnicas
Herramientas y técnicas (pueden ser utilizadas a través el proceso de mejoramiento Seis Sigma)
Diagrama de afinidad
Tormenta de ideas
Investigación al cliente
Gráficas de Gantt
Team Charter
Análisis cualitativo de procesos
Mapeo de procesos
QFD
Benchmarking
Hojas de chequeo
Gráficas de Control
Gráficas de datos
Gage R&R
Histogramas
Indicadores
Gráfica de corridas
Muestreo
Cálculo Sigma
Estratificación
Variación
Causa y efecto
Correlación
Diseño de Experimentos
Arbol de fallas
Prueba de Hipótesis
Pareto
Simulación de proceso
Análisis del Proceso Cuantitativo
Regresión
Estratificación
Estructura de árbol
Análisis de evaluación
Análisis costo beneficio
Matriz de Correlación
Análisis de fuerza de campo
Mapeo mental
Seis sombreros para pensar
Carta de la historia
Mapeo de solución
Diseño de Experimentos
Optimización
FMEA
Sistema de control de procesos
Planeación del Trabajo
Cartas de control
1.0
DEFINIR
OPORTUNIDADES
2.0
MEDIR
DESEMPEÑO
3.0
ANALIZAR
OPORTUNIDAD
4.0
MEJORAR
DESEMPEÑO
5.0
CONTROLAR
DESEMPEÑO
Impacto del sistema de medición en los estudios de riesgo y capacidad de proceso
Procesos de medición
Se requieren mediciones para:•Monitorear procesos
•Clasificar componentes•Determinar la variabilidad de los procesos
La incertidumbre del proceso de medición debe ser adecuada a la aplicación que se hace.
Es conveniente hacer inicialmente un estudio RyR para verificar que el proceso de medición tiene la incertidumbre adecuada.
35
Modelo de medición
donde, es el error de medición.
Estudios RyR
36
),0( 2σε Nijk ≈iiy εµ +=
iyµ
iε
Mensurando(desconocido)
Medición
Modelo de medición para un estudio R&R
donde,Efecto piezas
Efecto operadores
Interacción piezas-operadores
Error
Nota: Los efectos y el termino de error se consideran independientes.
Estudios R&R
37
),0(
),0(
),0(
),0(
2
2
2
2
σε
σαβ
σβ
σα
αβ
β
α
N
N
NN
ijk
ij
j
i
≈
≈
≈
≈
ijkijjiijky εαββαµ ++++=
Estimamos con algún método estadístico los parámetros del modelo de medición,
Variabilidad del instrumento de medición:
2 2 2 2, , , y .α β αβµ σ σ σ σ
2 2.ˆ ˆ , (repetibilidad).repetσ σ=
Variabilidad debida al operador:
2 2 2.ˆ ˆ ˆ , (reproducibilidad).repro β αβσ σ σ= +
Variabilidad del sistema de medición:
2 2. .ˆ ˆ ˆ .RyR repet reproσ σ σ= +
38
Calidad del instrumento de medición
Cociente Repetibilidad-Tolerancia:ˆ
/ ,( )
RyRP T kLSE LIE
σ=
−
Cociente Error de Medición-Variabilidad Total:
2 2
ˆ ˆ/
ˆˆ ˆRyR RyR
totalRyR piezas
EM VTσ σ
σσ σ= =
+
Indices
39
RR
piezas
&σσ
δ =
(LIE, LSE) son los límites de especificación del proceso de medición.
Algunas veces k=5.15, ya que representa el rango de la normal estándar que comprende una probabilidad de 99%.K=6 corresponde a una probabilidad de 99.73%.
P/T InterpretaciónP/T < 10% Desempeño excelente
10% < P/T < 20% Desempeño adecuado20% < P/T < 30% Desempeño marginal
30% < P/T Desempeño inadecuado
Clasificación de sistemas de medición, de acuerdo a la magnitud de la métrica P/T.
40
Impacto de la incertidumbre de medición sobre la estimación de la capacidad del proceso.Consideramos un proceso centrado y con una capacidad Cpk igual a uno.Relación entre los índices Cpk y P/T, EM/VT y δ:
2
11 ( / )
CpkP T
=+
2
1 .1 ( / )
CpkEM VT
=−
1 .1 1/
Cpkδ
=+
41Observación: La capacidad del proceso se subestima
Relación entre Cpk y los índices P/T y EM/VT
P/T
EMVarTot
P/T; EM/VarTot (σ /σ )R&R total 42
delta
Cpk
0 10 20 30 40 50
0.70
0.80
0.90
1.00
Relación entre el índice Cpk y el índice δ.
11 1/pkC
δ=
+
43
Ejemplo 1. En un estudio de capacidad de medición de un instrumento, se hicieron tres mediciones a dos piezas de parte de cinco operadores elegidos aleatoriamente . Las mediciones obtenidas son las siguientes:
Pieza Op. 1 Op. 2 Op. 3 Op. 4 Op.51 3.481 3.448 3.485 3.475 3.472
3.477 3.472 3.464 3.472 3.4703.470 3.470 3.477 3.473 3.474
2 3.258 3.254 3.256 3.249 3.2413.254 3.247 3.257 3.238 3.2503.258 3.239 3.245 3.240 3.254
44
Salida gráfica de Minitab
Cantidad Estimación Variación Porciento
.006497 .038981 4.07%
.001967 .011800 1.23%
.006788 .040728 4.26%
.159326 .955955 99.91%
.159470 .956823 100.00%
.repetσ
.reproσ.&RRσ
piezasσtotalσ
σ6Variación =
Componentes de variabilidad del sistema de medición
47.23&
=RR
piezasσ
σ9571.
&=
RR
repetσ
σ
Análisis de RiesgosUnidad conforme (dentro de especificación)Unidad no conforme (fuera de especificación)
La clasificación de una unidad se hace después de medir la característica de interés.
Debido a la incertidumbre del instrumento de medición, es posible que se cometa alguno de los dos siguientes errores:
Clasificar como no conforme a una unidad que es conforme.
Declarar como conforme a una unidad que no lo es.
47
A = la unidad es conformeB = La unidad se clasifica como no conforme después de la medición.
Como modelamos la variabilidad pieza a pieza y la variabilidad del instrumento de medición?
( | ) ( ) / ( )P B A P A B P Aα = = ∩
( | ) ( ) / ( )C C C C CP B A P A B P Aβ = = ∩
Riesgo del productor:
Riesgo del consumidor:
48
X = valor real de la característica de interésY = valor de mediciónY = X +
= error de medición
La covarianza entre es cero, debido a que son independientes.
Se tiene que:
εε
( ) ( ) ( ) ( )E Y E X E X Eε ε µ= + = + =
2 2( ) ( ) ( ) ( ) p RyRV Y V X V X Vε ε σ σ= + = + = +
y X ε
{ } 2( , ) ( )( )p p pCov X Y E X Yµ µ σ= − − =
49
),0(y ),( 22RyRpp NNX σεσµ ≈≈
+
=
=
≈
222
22
2
2
,
,
RyRpp
pp
p
p
YXY
XYX
Y
X
N
NYX
σσσσσ
µµ
σσσσ
µµ
Distribución conjunta del valor real (X) de la característica de calidad y su medición (Y)
Realmente dentro de especificaciones
Realmente fuera de especificaciones
Clasificada dentro de especificacionesClasificada fuera de especificaciones
( )CP A B∩
( )P A B∩ ( )CP A B∩
( )C CP A B∩
Probabilidades conjuntas de conformidad y clasificación
51
Estado real de la pieza
Cla
sific
ació
n de
la p
ieza
LEI LESX 52
Ejemplo 2. Un dispositivo de detección óptica tiene una lámpara donde el parámetro de desempeño es la luminosidad (cd/m2).
De un estudio RyR se ha encontrado que (P/T)%=38.73% y además que la luminosidad se distribuye normalmente, con una media de 35.20 cd/m2 y una desviación estándar de 4.100 cd/m2.
Los límites de especificación inferior y superior son 30.00 y 42.00 cd/m2.
Variabilidad RyR del instrumento?
( / )( ) (.3873)(42 30) .77466.0RyR
P T LES LEIk
σ − −= = = 53
54
55
56
Distribución de X y Y?2 2
2 2 2
35.2 16.81 16.81, ,
35.2 16.81 17.41p pX
p p RyRY
XN N
Yσ σµσ σ σµ
= +
Análisis de Riesgos
Realmente dentro de especificaciones
Realmente fuera de especificaciones
Clasificada dentro de especificaciones
=.8234 =.0178
Clasificada fuera de especificaciones
= .0248 = .1331
Realidad
Clasificación
( )CP A B∩ ( )C CP A B∩
( )P A B∩ ( )CP A B∩
( ) (35.2 42) .8491P A P X= < < =
( ) 1 ( ) .1509CP A P A= − = 57
Riesgos:
.0248 .8491 .0292α = =
.0178 .1509 .1180β = =
Comentarios:
(R. del fabricante)(R. del consumidor)
58
Ejemplo 3. Consideramos el proceso del primer ejemplo. Tomamos como valores de los parámetros a las estimaciones de la variabilidad del proceso y del equipo de medición, así como del tamaño medio de las piezas.
Recordamos además que (LIE, LSE) = (3.00, 4.00)
Distribución de X y Y?
59
=
+
≈
02543.02538.02538.02538.
,60.360.3
, 222
22
NNYX
RyRpp
pp
Y
X
σσσσσ
µµ
60.300004608.006788.
02538.159326.22
&
22
===
==
µσ
σ
RR
piezas
Realmente dentro de especificaciones
Realmente fuera de especificaciones
Clasificada dentro de especificaciones =.9939334 =.0003036Clasificada fuera de especificaciones
= .0003566 = .0054064
Realidad
Clasificación
( )CP A B∩ ( )C CP A B∩
( )P A B∩ ( )CP A B∩
( ) (3 4) .994291, ( ) .005709CP A P X P A= < < = =
.0003566 / .994291 .0003586α = =
.00030360 / .005709 .053179β = =
R. del fabricante
R. del consumidor
Riesgos
60
Comentarios
Indice Ejemplo 2 Ejemplo 3δ 5.293 23.47P/T .3873 .04073α .0292 .000359β .1180 .053179
Indicadores de desempeño de los sistemas de medición de los ejemplos 2 y 3.
El proceso de medición del Ejemplo 3 es globalmente mejor que el del Ejemplo 2, comparados con los respectivos procesos que generan las piezas que se miden y clasifican.
61
Fin de la primera parte