IV. Fase de Anlisis

IV. FASE DE ANLISIS DE LEAN SIGMA YELLOW BELTS P. Reyes / agosto 2012

IV. Fase de AnlisisCurso de Yellow BeltsDr. Primitivo Reyes Aguilar / agosto 2012/ www.icicm.com primitivo_reyes@yahoo.com 04455 52 17 49 12

ContenidoIV. FASE DE ANLISIS31. Introduccin32. Los 7 desperdicios9Sobreproduccin9Inventarios innecesarios9Reparaciones / Rechazos10Movimientos innecesarios10Proceso adicional o Reproceso10Transportes innecesarios10Esperas innecesarias10Otros desperdicios113. Modelo lineal simple114. Regresin lineal mltiple14Valor p (p value)155. Pruebas de hiptesis161. Conceptos bsicos16Hiptesis nula16Estadstico de prueba16Tipos de errores162. Pruebas de una y dos colas17Prueba de una cola17Prueba de dos colas18Prueba de hiptesis para la media (sigma conocida)18Prueba de hiptesis para la media (sigma desconocida, muestras pequeas)20Pruebas de hiptesis de dos medias varianzas iguales216. Anlisis de varianza22ANOVA una va227. Otras herramientas25Anlisis de causa raz25Los cinco porqus265Ws 1H (o 2H)26Anlisis del modo y efecto de falla (AMEF)27

IV. FASE DE ANLISIS

1. Introduccin

En esta fase se efectuar el anlisis de los datos obtenidos en la etapa de Medicin, con el propsito de conocer las relaciones causales tanto causas potenciales como comprobacin de causas raz. La informacin de este anlisis proporcionar evidencias de las fuentes de variacin y desempeo insatisfactorio, el cual es de gran utilidad para la mejora del proceso.

Los objetivos de esta fase son:

Aprender el uso de las herramientas de la fase de anlisis. Establecer causas potenciales, identificar las ms probables y comprobar las causas reales o raz. Identificar cules son las fuentes de variacin que se presentan en los procesos. Aplicar herramientas estadsticas para comprobar la significancia de los efectos de las causas reales y la correlacin entre variables.

Las herramientas que se incluyen en esta fase son (Tabla 4.1):No.HerramientaPara qu es utilizada?

1Los 7 desperdicios (Muda)Identificar las diferentes formas de desperdicio para minimizarlos

2 Diagrama de Ishikawa / Diagrama de causa efecto / Diagrama de espina de pescadoDiagrama con seis ramas correspondientes a causas potenciales por: mtodos, materiales, personal, mediciones, mquinas y ambiente. Se forma a travs de una lluvia de ideas de causas potenciales. El equipo identifica las causas potenciales ms probables para su comprobacin real.

3Diagrama de InterrelacionesDiagrama de causas, efectos y sus interrelaciones de formato libre formado con lluvia de ideas de causas potenciales que tienen efectos que a su vez son causas de otros efectos y as sucesivamente. En cada causa o efecto se anotan las flechas que salen y las que llegan.Las causas ms probables son de las que salen ms flechas y los problemas potenciales son a los que llegan ms flechas.

4Diagrama 5W-1H Programa de trabajo para la comprobacin de las causas ms probables, resultado de los diagramas de causa efecto y de interrelaciones. Especifica Qu comprobar, por qu, dnde, cmo, quin y cundo.

5-6Anlisis de Regresin y Correlacin simple y mltipleSirve para predecir el valor de una variable a partir de una o ms variables. Es usada para conocer las relaciones que existen entre las variables dependientes e independientes.

7Valor pSirve para interpretar la significancia de variables y factores en diversos mtodos estadsticos

8Pruebas de hiptesis Pruebas estadsticas para probar afirmaciones y teoras sobre causas potenciales y para verificar las mejoras: Conceptos bsicos- Estimacin puntual y por intervalo Media Proporcin Varianza- Pruebas de hiptesis Una media Dos medias Medias pareadas Una proporcin Una varianza Tabla de contingencia Igualdad de varianzas

9ANOVA de una vaPara probar la significancia del efecto de diversos niveles o tratamientos de un factor. Sirve para analizar la variacin entre muestras y al interior de las mismas con sus varianzas

10ANOVA de dos vasPara probar la significancia del efecto de los tratamientos de un factor con una variable de bloqueo para reducir el error experimental.

11Anlisis de causas razPermite identificar la causa raz para tomar la accin correctiva necesaria

125 PorqusPermite identificar la causa raz a travs de una serie de preguntas sucesivas porqu

133 x 5W 1HPermite identificar la causa raz a travs de una serie de preguntas combinadas para colectar la mayor parte de la informacin sobre el problema

14AMEF (FMEA)Identificar las maneras en las cuales un proceso puede fallar para alcanzar los requerimientos crticos del cliente. Estimar el riesgo de causas especficas en relacin con estas fallas, para tomar acciones preventivas.

Figura 4.1 Diagrama de Ishikawa

DancerTaco generador del motorPoleas guasPresin deldancerMal guiadoSensor de velocidadde lneaSensorcircunferencialBandas detransmisinEmpaques de arrastrePresin de aire de trabajoDrive principalVoltaje del motorEjes principalesPoleas de transmisin

Que nos puede provocar Variacin de VelocidadDurante el ciclo de cambio en la seccin del Embobinadores?Causas a validar13/02/40/41/25/11/41/42/11/10/35/24/11/51/5Entradas CausaSalidas Efecto

Figura 4.2 Diagramas de interrelaciones

Identificar las fuentes de variacin.-Cuando un proceso se encuentra fuera de las especificaciones permitidas, se tiene evidencia de que existe variacin. Una vez determinadas las causas de variacin, nos enfocaremos en los pocos vitales X que estn afectando la variable de respuesta y.

Figura 4.3 Posibles fuentes de variacin del proceso.

Salidas de la Fase de Anlisis Causas raz validadas

Figura 4.4 El proceso de anlisis recomendado

Tabla 4.2 Programa 5W 1H para comprobacin de causas raz o reales

Tabla 4.3 Resumen de las causas raz encontradas2. Los 7 desperdicios

Las actividades que no agregan valor se clasifican como Muda: Las actividades por las que paga el cliente se considera que agregan valor. Imai proporciona 7 categoras comunes en la industria:

Sobreproduccin Inventarios innecesarios Reparaciones / Rechazos Movimientos innecesarios Proceso adicional o reproceso Transportes innecesarios Esperas innecesarias

SobreproduccinSe refiere a producir de ms en un momento dado, se caracteriza por:

Producir ms de lo que necesita el siguiente proceso o cliente Producir antes de lo que necesita el siguiente proceso o cliente Producir ms rpido de lo que necesita el siguiente proceso o cliente

Inventarios innecesarios Son formas de inventario que no agrega valor o Muda: las partes, WIP, inventarios de materia prima, materiales indirectos y productos terminados, estos: Requieren espacio en la planta Requieren transporte Requieren montacargas Requieren transportadores Requieren personal adicional para su manejo Requieren el pago de un inters financiero por el costo de los materiales

Adems el inventario almacenado en varias etapas puede ser afectado de estas formas: Se empolva, se deteriora, se hace obsoleto Se humedece, se daa en el manejo

Reparaciones / RechazosLa reparacin o retrabajo de partes defectivas son una segunda oportunidad de producir partes buenas, las partes que ya no se pueden recuperar se convierten en desperdicio de recursos. Si hay defectos en una lnea continua elimina el flujo continuo. Se utilizan operadores y personal de apoyo para corregir problemas, excediendo el takt time. Tambin intervienen los proveedores en los retrabajos generando muda.

Movimientos innecesariosEl uso eficiente del cuerpo humano es crtico para el bienestar del operador, los movimientos extra innecesarios causan desperdicio de energas. Los operadores no deben caminar demasiado, cargar pesado, doblarse peridicamente, tener cosas lejos, repetir movimientos, etc. Se deben desarrollar nuevas herramientas para hacer el trabajo ms fcil, incluyendo el rediseo del layout con un enfoque ergonmico. Cada estacin debe ser analizada de acuerdo a los requisitos de ergonoma y movimientos.

Proceso adicional o ReprocesoConsiste de pasos adicionales o actividades en el proceso de manufactura, puede describirse como: Remover rebabas del proceso de manufactura Retrabajar piezas causadas por dados daados Agregar un proceso extra de manejo por falta de espacios Realizar un paso de inspeccin (no agregan valor) Repetir cambios al producto que sean innecesarios Mantener copias adicionales de informacin

Transportes innecesariosTodas las formas de transporte son Muda (excepto el llevarle el producto al cliente), ya que implica el uso de montacargas, transportadores, movedores de pallets y camiones. La causa puede ser una distribucin de planta inadecuada, celdas mal diseadas, uso de proceso en lotes, tiempos de proceso largos, reas grandes de almacenamiento, o problemas de programacin. El transporte en general se debe minimizar.

Esperas innecesariasEl muda de espera ocurre cuando un operador est listo para la siguiente operacin, pero debe permanecer ocioso en espera, ya sea por falla en mquinas, falta de partes, actividades de seguimiento descuidadas o paros de lnea. Un tcnico de mantenimiento es espera de una refaccin es parte de muda.El muda de espera se caracteriza por: Operadores ociosos Fallas de maquinaria Tiempos de preparacin y ajuste muy largos Programacin de tareas no balanceado Flujo de materiales en lotes Reuniones largas e innecesarias

Otros desperdiciosAdems de los siete desperdicios clsicos listados previamente, otras fuentes son; Recursos mal utilizados Recursos subutilizados Conteos Bsqueda de herramientas o partes Sistemas mltiples Manejo excesivo de los productos Aprobaciones innecesarias Fallas mayores de mquinas Muda causado por enviar productos malos a los clientes Muda causado por proporcionar un mal servicio a los clientes3. Modelo lineal simpleConsidere el problema de predecir los resultados de una prueba (Y) para los estudiantes con base las horas de estudio (X) mostrada en la Tabla 4.4 siguiente:

EstudianteTiempo de estudio (horas) Resultados de prueba (%)

16067

24061

35073

46580

53560

64055

75062

83050

94561

105570

Coeficiente de correlacin r:Establece si existe una relacin entre las variables y responde a la pregunta Qu tan evidente es esta relacin?"

Fig. 4.5 Correlacin entre las variables X y Y

En relacin al coeficiente de correlacin r se tiene: r se encuentra entre -1 y 1 Con r positiva la recta va hacia arriba a la derecha. Con r negativo va hacia abajo Con r = 0 no hay correlacin lineal, los puntos estn muy dispersos de la recta, puede haber un patrn curvilneo Cuando r = 1 o -1, todos los puntos est, sobre la recta.

Coeficiente de correlacin0.8 < r < 1.00.3 < r < 0.8-0.3 < r < 0.3-0.8 < r < -0.3-1.0 < r < -0.8RelacinFuerte, positivaDbil, positivaNo existeDbil, negativaFuerte, negativa

Tabla 4.5 Reglas empricas de correlacin

La lnea de mejor ajuste o lnea de regresin lineal se obtiene con Minitab:La ecuacin matemtica de la lnea recta es:

Error

Figura 4.6 Recta de regresin lineal

El error aleatorio es la diferencia entre el valor observado de Y y el valor promedio de Y para una Xo dada, este error se distribuye normalmente.

En la ecuacin, 0 es la interseccin con el eje Y, 1 es la pendiente de la lnea. Se asume que para cualquier valor dado de X, los valores observados de Y varan de manera aleatoria con una distribucin normal.

Tips en el anlisis de regresin: Tener cuidado en redondear errores, usar un mnimo de seis cifras significativas. Siempre graficar la lnea de regresin, para observar que si no ajusta haya errores de clculo Extrapolar la recta de regresin puede ser riesgoso, por ejemplo para Xo = 100 se puede estimar una Y de 100% de calificacin, lo cual no es creble.

De la tabla de ANOVA obtenida con Minitab:Regression Analysis: Resultados de prueba versus Tiempo de estudio

The regression equation isResultados de prueba (%) = 31.2 + 0.695 Tiempo de estudio (horas)Predictor Coef SE Coef T PConstant 31.212 6.465 4.83 0.001Tiempo de estudio (horas) 0.6955 0.1342 5.18 0.001

S = 4.47182 R-Sq = 77.0% R-Sq(adj) = 74.2%Analysis of VarianceSource DF SS MS F PRegression 1 536.92 536.92 26.85 0.001Residual Error 8 159.98 20.00Total 9 696.90

Conclusin: como P value para Tiempo de estudio es menor a 0.05, esta variable independiente tiene un efecto o influencia significativa en la respuesta.4. Regresin lineal mltiple

Es una extensin de la regresin lineal simple a ms variables independientes, por tanto se podra explicar una mayor proporcin de la variacin de y.

El modelo de primer orden es:

Por ejemplo:Considere el problema de predecir las ventas mensuales en funcin del costo de publicidad. Calcular la ecuacin de regresin e identificar las variables significativas:MESPublicidadVentas11.210120.89231.011041.312050.79060.88271.09380.67590.991101.1105Con Minitab se obtiene:

Regression Analysis: Ventas versus MES, Publicidad

The regression equation isVentas = 50.8 - 0.499 MES + 50.9 Publicidad

Predictor Coef SE Coef T PConstant 50.82 12.46 4.08 0.005MES -0.4991 0.8089 -0.62 0.557Publicidad 50.88 11.03 4.61 0.002

S = 7.11821 R-Sq = 77.8% R-Sq(adj) = 71.5%

Conclusin: La variable Publicidad es la que tiene una influencia significativa en las ventas

Valor p (p value)El mtodo tradicional de prueba de hiptesis compara un estadstico de prueba a un valor crtico de probabilidad pre determinado conocido como alfa (). El valor ms comn es 5%, aunque tambin se utiliza 1% para situaciones ms crticas.

Un valor p es la probabilidad de obtener un valor del estadstico muestral de la prueba que es al menos tan extremo como el encontrado con los datos de la muestra (asumiendo que el valor hipotetizado es correcto)

O sea que un valor pequeo de p es indicador de que la hiptesis nula es falsa, los paquetes estadsticos proporcionan el valor exacto de p.

Alfa o valor pComentarios

P > 5%No hay evidencia de diferencia significativa

1 < p < 5%Hay diferencia estadsticamente significativa

P ) y cola izquierda (Ha se trata de una prueba de cola derecha, si es < es una prueba de cola derecha y si es una prueba de dos colas.Ejemplo: el tiempo promedio que una persona ahorra en un banco es de 5 aos con una desviacin estndar de 0.12 aos. Se verificaron 5 cuentas nuevas resultando en 5.10, 4.90, 4.92. 4.87, 5.09, 4.89, 4.95 y 4.88 Se puede afirmar con un 95% de confianza que las nuevas cuentas se guardan por un periodo ms corto que el original?

es una prueba de cola izquierda

Instrucciones de Minitab:Stat > Basic statistics > 1 Sample Z Samples in columns Datos Standard deviation 0.12 Sel. Perform hypothesis test Hypothesized mean 5 Options Confidence level 95% Alternative Less ThanOK

Se obtienen los resultados siguientes:

One-Sample Z: Tiempo prom

Test of mu = 5 vs < 5The assumed standard deviation = 0.12 95% UpperVariable N Mean StDev SE Mean Bound Z PTiempo prom 8 4.9500 0.0929 0.0424 5.0198 -1.18 0.119

Como el P value 0.119 es mayor a 0.05 y no se encuentra en la regin de rechazo, no puede rechazarse Ho.Alfa = 0.05P value

Figura 4.9 Prueba de hiptesis para Ho: Media >= 5, no se rechaza Ho.

Prueba de hiptesis para la media (sigma desconocida, muestras pequeas)

Para este caso se utiliza la distribucin t de Student (usada cuando n < 30).Se sigue el mismo procedimiento que en el caso anterior. El valor P se compara con 0.05.

Ejemplo: La media de ingresos de un hospital es de 880. Se est evaluando un nuevo programa de mercadotecnia durante 25 das (n = 25) con un rendimiento de 900 y desviacin estndar de 20. Se puede decir a un 95% de confianza que el ingreso ha cambiado?

Se trata de una prueba de dos colas

Instrucciones de Minitab:Stat > Basic statistics > 1 Sample t Summarized data sample size 25 Mean 900 Standard deviation 20 Sel. Perform hypothesis test Hypothesized mean 880 Options Confidence level 95% Alternative Not equal OK

Se obtienen los resultados siguientes:One-Sample T

Test of mu = 880 vs not = 880 N Mean StDev SE Mean 95% CI T P25 900.00 20.00 4.00 (891.74, 908.26) 5.00 0.000

Como el valor P value de 0.000 es menor a 0.05, se rechaza la Ho y se concluye al 95% de nivel de confianza que el ingreso ha cambiado.

Figura 4.10 Prueba de hiptesis para Ho: Media = 880, se rechaza Ho. La media cambi

0.025 2.064 0.025 P value = 0.000

Ejercicio 1: Una nueva buja se prueba para desgaste. Una muestra de seis bujas dieron los resultados siguientes: 58, 49, 44, 50 y 47 milsimas de pulgada de desgaste. El diseo clsico tiene un desgaste promedio de 55, a un 95% de nivel de confianza es mejor el nuevo diseo?

Ejercicio 2: Un experimento muy caro se evala para producir diamantes sintticos por una nueva tcnica, se han generado cinco de ellos con pesos: 0.46, 0.61, 0.52, 0.57 y 0.54 quilates. Si el peso promedio se encuentra por encima de los 0.50 quilates el proyecto es rentable, probar esto a un 95% de nivel de confianza cul es la recomendacin?

Pasos de la prueba de hiptesis:

En los ejemplos anteriores, los pasos seguidos fueron:

Paso 1. Establecer las hiptesis Ho y H1 (la Ho siempre lleva el signo =, =)

Paso 2. Calcular P value con Minitab

Paso 3. Comparar P value con 0.05

Paso 4. Si P value es menor a 0.05, rechazar Ho de otra forma no habr evidencia suficiente para rechazarla

Pruebas de hiptesis de dos medias varianzas iguales

Prueba la diferencia entre 2 medias muestrales cuando se conocen las varianzas de las poblaciones y se consideran iguales.

Las hiptesis son las siguientes:

Con Sp = desviacin estndar conjunta

Ejemplo: Comparar el peso de productos en dos mquinas

M 1M 2

3.1253.11

3.123.095

3.1353.115

3.133.12

3.1253.125

Instrucciones de Minitab:Stat > Basic statistics > 2 Sample t Samples in different columns First M1 Second M2 Sel. Assume equal variances Options Confidence level 95% Test difference 0.0 Alternative Not equal OK

Los resultados son los siguientes:Two-Sample T-Test and CI: M1, M2 Two-sample T for M1 vs M2 N Mean StDev SE MeanM1 5 3.12700 0.00570 0.0025M2 5 3.1130 0.0115 0.0051

Difference = mu (M1) - mu (M2)Estimate for difference: 0.0140095% CI for difference: (0.00075, 0.02725)T-Test of difference = 0 (vs not =): T-Value = 2.44 P-Value = 0.041 DF = 8Both use Pooled StDev = 0.0091

Conclusin: Como el valor P value de 0.041 es menor a 0.05, se rechaza la Ho y se concluye al 95% de nivel de confianza que las medias de las mquinas son diferentes.6. Anlisis de varianza ANOVA una va

En muchas investigaciones es necesario comparar tres o ms medias poblacionales simultneamente, los supuestos antes de realizar la prueba son:

La varianza es la misma para todos los tratamientos o niveles del factor Las mediciones individuales dentro de cada tratamiento estn normalmente distribuidas El trmino de error o residuales se considera que tienen un efecto aleatorio normal e independientemente distribuido.

http://www.uncp.edu/home/frederick/DSC510/m510ANOVA.htmFigura 4.11 Prueba de hiptesis ANOVA, prueba la igualdad de varias medias a la vez

Con el ANOVA, las variaciones en las mediciones de la respuesta se particionan en componentes que reflejan el efecto de una o ms variables independientes.

Ho: Media 1 = Media 2 = . Media n Ha: Alguna media es diferente de las dems

Ejemplo de datos: se mide la resistencia de la tela de algodn cuando se cambia el porcentaje de algodn contenido en la misma, se trata de probar si el porcentaje de algodn en la tela no tiene efecto en su resistencia. Los datos se muestran a continuacin.

Ejemplo: Se comparan las salidas de tres mquinas, determinar si hay una diferencia significativa en alguna de ellas.M1M2M3

5, 7, 6, 7, 62, 0, 1, -2, 21, 0, -2, -3, 0

Instrucciones de Minitab:Stat > ANOVA > One Way (unstacked) Responses (in separate columns) M1 M2 M3 Confidence level 95% OK

Se obtienen los resultados siguientes:

One-way ANOVA: M1, M2, M3

Source DF SS MS F PFactor 2 137.20 68.60 33.19 0.000Error 12 24.80 2.07Total 14 162.00

S = 1.438 R-Sq = 84.69% R-Sq(adj) = 82.14%

Individual 95% CIs For Mean Based on Pooled StDevLevel N Mean StDev ---------+---------+---------+---------+M1 5 6.200 0.837 (-----*----)M2 5 0.600 1.673 (----*-----)M3 5 -0.800 1.643 (-----*----) ---------+---------+---------+---------+ 0.0 2.5 5.0 7.5

Pooled StDev = 1.438

Conclusin: Como el valor P value de 0.000 es menor a 0.05, se rechaza la Ho y se concluye al 95% de nivel de confianza que la media de la mquina M1 es diferente de las dems, como se muestra en las grficas.

7. Otras herramientasAnlisis de causa raz

L a solucin a un problema puede tomar varios pasos:

SituacinAccin inmediataAccin intermediaAccin de causa raz

La presa tiene fugaTaparlePoner un parcheBuscar la causa de la fuga y reconstruir la presa

Partes fuera de especificacionesInspeccin 100%Poner un dispositivo de prueba en la lneaAnalizar el proceso y tomar accin para eliminar la produccin de partes defectuosas

Para ayudar a localizar el problema verdadero del sistema, se pueden utilizar diversas herramientas como son:

Herramientas subjetivasHerramientas analticas

Preguntar por qu, por qu, por qu,.Tormenta de ideasAnlisis de flujo de procesoPlanear hacer verificar actuarSolucin sistemtica de problemasTcnica de grupo nominalObservacin de operadorDiagramas de causa efectoEjercicios de consensoSeis sombreros de pensamientoUso de equiposFMEA / rbol de fallas

Coleccin y anlisis de datosAnlisis de ParetoAnlisis de regresinHojas de verificacinMatriz de anlisis de datosAnlisis de capacidad de procesosParticin de variacinSubgrupos de datosExperimentos simplesDiseo estadstico de experimentosPruebas analticas (Chi cuadrada, F, Z, t)Cartas de control

Cuando se proponen acciones correctivas permanentes, la administracin debe determinar si: El anlisis de causa raz ha identificado la extensin completa del problema La accin correctiva es satisfactoria para eliminar o prevenir la recurrencia La accin correctiva es realista y sustentable

Los cinco porqus

El mtodo de los 5 porqus para el anlisis de causa raz se describe como hacer cinco veces la pregunta Por qu?, por ejemplo:

Sntoma: Los embarques al cliente no llegan a tiempo:

1. Por qu? Nos atrasamos porque fall la troqueladora2. Por qu? No se le ha dado mantenimiento durante tres meses3. Por qu? Se redujo el personal de mantenimiento de ocho a seis personas4. Por qu? El departamento de mantenimiento excedi su presupuesto por los costos de tiempo extra, el director elimin el tiempo extra y pidi una reduccin del 25%5. La empresa no logr los resultados planeados de modo que el director orden evitar todos los gastos innecesarios

Las cinco preguntas no son mandatorias, si no hay necesidad de preguntar ms pararle y si hay necesidad hacer ms preguntas.

5Ws 1H (o 2H)Es una tcnica ya comn, se origin con periodistas que preguntaban para conseguir la historia completa, se trata de preguntar Quin?, Qu?, Cundo?, Dnde?, Por qu? Y Cmo?. En el rea de calidad se aplica en cada rama del diagrama de Ishikawa para llegar a la causa raz.

El orden de las Ws cambia dependiendo la fuente de referencia. La tcnica busca en un problema o sntoma desde varios puntos de vista de modo de incluir tanta informacin como sea requerida para ayudar a determinar la causa raz.

Anlisis del modo y efecto de falla (AMEF)

Herramienta para anticipar acciones preventivas a problemas potenciales.

El Anlisis de del Modo y Efectos de Falla es un grupo sistematizado de actividades para: Reconocer y evaluar fallas potenciales y sus efectos. Identificar acciones que reduzcan o eliminen las probabilidades de falla. Documentar los hallazgos del anlisis.

Modo de falla es la forma en que un producto o proceso puede fallar para cumplir con las especificaciones.

Efecto: es el impacto en el cliente, siguiente proceso o mismo proceso cuando el modo de falla no se previene ni se corrige. Se deben buscar efectos locales, en procesos subsecuentes y con el cliente final.

Se llenan los campos del siguiente formato: Proceso o funcin Modo potencial de falla Efecto potencial de falla Severidad (1 a 10) Causas potenciales o mecanismos de falla Ocurrencia (1 a 10) Controles de diseo o de proceso preventivos y de deteccin Deteccin (10 a 1) Determinar el nivel de riesgo RPN = Severidad * Ocurrencia * Deteccin Atender las severidades 9 y 10 y los niveles de riesgo RPN ms altos.

Al final despus del anlisis:Para todos los CTQs Listar todas las acciones sugeridas, qu persona es la responsable y fecha de terminacin. Describir la accin adoptada y sus resultados. Recalcularla ocurrencia, deteccin y nmero de prioridad de riesgo.

Pgina 2 de 29