| Vocero |
Transcripción |
| Ronald Andrews |
Buenos días o buenas tardes, según corresponda. Mi nombre es Ron Andrews y el tema de hoy es la presupuestación por variaciones. |
| |
Oh, necesito |
| |
compartir mi pantalla. |
| |
Y hay un archivo al que llegaremos. |
| |
Y comenzaremos con |
| |
PowerPoint. |
| |
El tema a tratar es, pues, la presupuestación por variaciones. |
| |
Soy ingeniero de procesos en Bausch and Lomb; aquí encontrará mi información de contacto. |
| |
Mi supervisión exige esta aclaración. No necesariamente quieren atribuirse el mérito de lo que diga hoy. |
| |
Resumen de lo que vamos a hablar |
| |
¿Qué es el presupuesto de variaciones? |
| |
Un poco de historia. |
| |
¿Cuándo lo necesitamos? |
| |
Tenemos algunos ejemplos. |
| |
Repasaremos los elementos del proceso, el diagrama de causa y efecto, recopilaremos los conocimientos previos y realizaremos algunos experimentos de diseño para llenar los vacíos. |
| |
Simulaciones de Monte Carlo, según sea necesario. |
| |
Y tenemos un caso de prueba que funcionará. |
| |
Entonces, ¿qué es realmente un presupuesto de variaciones? A los ingenieros mecánicos les gusta hablar de acumulación de tolerancias. |
| |
Bueno, la acumulación de tolerancias es básicamente un corolario de la Ley de Murphy, que establece que todas las tolerancias se sumarán unitariamente en la dirección que pueda causar el mayor daño. |
| |
El presupuesto de varianza es como una acumulación de tolerancias, excepto que en lugar de presupuestar el parámetro en sí, presupuestamos la varianza: sigma al cuadrado. |
| |
Nos basamos en distribuciones de forma más o menos normal, en lugar de distribuciones uniformes. |
| |
Las variaciones son aditivas, lo que facilita enormemente el proceso de presupuestación en comparación con el intento de presupuestar algo como las desviaciones estándar. |
| |
Aquí va un breve ejemplo. |
| |
Si utilizamos estrategias de prueba y clasificación o de prueba y ajuste, nuestras distribuciones se parecerán más a estas distribuciones uniformes. |
| |
Entonces, si tenemos una distribución con un ancho de 1, otra con un ancho de 2 y otra con un ancho de 3, las sumamos todas y terminamos con una distribución con un ancho bastante cercano a 6. |
| |
En este caso, probablemente necesitemos presupuestar las tolerancias más que las variaciones. |
| |
...Si confiamos en el control de procesos, nuestras distribuciones serán más normales. |
| |
En este caso, si tenemos una distribución normal con una desviación estándar de 1, una desviación estándar de 2, una desviación estándar de 3, las sumamos y obtenemos una desviación estándar de 3,7, mucho menor que seis. |
| |
Entonces, hacemos los números 1 al cuadrado más 2 al cuadrado más 3 al cuadrado, que es esencialmente igual a 3,7 al cuadrado. |
| |
Ahora bien, para ser justos, en la diapositiva anterior, si hubiera sumado estas variaciones, habrían sido iguales a la variación de esta. |
| |
Pero cuando se tiene una distribución distinta a la normal, hay que prestar atención a la forma de la cola. Depende de dónde se puedan establecer las especificaciones. |
| |
Entonces, |
| |
¿Qué es el presupuesto de variaciones? |
| |
Las distribuciones no normales requerirán una atención especial, y las abordaremos más adelante. Por ahora, el presupuesto de varianza es similar a un presupuesto financiero; puede ser igual de arbitrario. |
| |
Solo hay tres reglas básicas. |
| |
Convertimos todo a una moneda común. Ahora hacemos esto para cada medida de producto de interés, pero convertimos todas las variables de proceso relevantes a su contribución a la medida de producto de interés. |
| |
La regla número dos es bastante simple: no presupuestar más del 100% de la variación permitida. Sí, suena sencillo. He visto que esta regla se infringe más de una vez en varias empresas. |
| |
Número tres. Esto se aplica a la vida en general, así como a la ingeniería: utilice su mejor criterio en todo momento. |
| |
Pequeño |
| |
Un poco de historia. Esto no es ciencia espacial. Seguramente hay más gente haciendo algo parecido. He buscado en la bibliografía y no he encontrado ninguna publicación que describa un proceso similar. Estoy seguro de que existe, pero aún no he encontrado ninguna publicación al respecto. |
| |
Para mí, la historia se remonta a la década de 1980, cuando trabajaba en Kodak con un desafío para la gerencia. |
| |
El reto consistía en producir una película sin que los clientes percibieran ninguna variación. |
| |
En realidad, lo que dijeron originalmente fue producir película sin variación. |
| |
Sin variaciones perceptibles. |
| |
Lo definen como un cambio Six Sigma, que sería menor que una diferencia apenas perceptible. |
| |
Kodak era bastante buena en lo que respecta a la percepción, y todas esas diferencias apenas perceptibles estaban definidas; sabíamos exactamente cuáles eran. |
| |
Para una película de diapositivas como Kodachrome, que es con la que estaba trabajando... |
| |
En eso estaba trabajando en ese momento; el equilibrio del color era el mayor desafío. |
| |
Aquí, en este diagrama simplificado de causa y efecto, el equilibrio de color es función de la velocidad del verde, la velocidad del azul y la velocidad del rojo. |
| |
Ahora ya he desarrollado una de estas secciones. La velocidad del rojo, el tinte absorbente de cian y una de las emulsiones son factores que influyen en dicha velocidad, lo que afecta al balance de color. |
| |
Esta es una versión muy simplificada. En realidad, hay tres emulsiones diferentes en el disco rojo, tres más en el verde y dos más en el azul. En total, son 75 factores que contribuyen al balance de color. |
| |
No se trata solo de posibles colaboradores, sino de colaboradores que ya han demostrado su contribución. Por lo tanto, es una tarea bastante compleja. |
| |
Pasemos ahora a cuándo necesitamos un presupuesto de variaciones. |
| |
Aquí tienes un pequeño árbol de decisiones con un toque de humor. ¿Hay desorden en casa? Si no, todo va bien. Si lo hay, |
| |
¿Cuántos hijos tenemos? Si solo uno, probablemente sabemos de quién es la responsabilidad. Si tenemos más, probablemente necesitemos un presupuesto. |
| |
Este es un ejemplo de un trabajo que realizamos hace algunos años en un proyecto de lentes de contacto en Bausch and Lomb. |
| |
Esto ocurrió mucho antes de su lanzamiento al mercado. Teníamos problemas para cumplir con las especificaciones de diámetro. |
| |
más o menos dos décimas de milímetro |
| |
Teníamos problemas para cumplir con eso. |
| |
Analizamos muchas fuentes de variabilidad y logramos caracterizar cada una de ellas. |
| |
Así que, de lote a lote. Y esto con los mismos materiales de entrada y los mismos puntos de ajuste, con una variabilidad bastante grande. |
| |
De lente a lente dentro del mismo lote, menor variabilidad. |
| |
Componente monomérico nº 1, cambiamos los lotes ocasionalmente, |
| |
Variabilidad extrema. El componente monomérico n.° 2 también presentó una variabilidad bastante grande. |
| |
Ahora mezclamos nuestros monómeros y obtenemos un proceso bastante bueno con una precisión bastante buena. No es perfecto, y podemos estimar la variabilidad a partir de ello. |
| |
Es una contribución bastante pequeña. |
| |
Colocamos el monómero en un molde y lo pusimos bajo lámparas de curado para... |
| |
y la intensidad de las lámparas puede marcar la diferencia. Ahí también podemos estimar esa fuente de variabilidad. |
| |
Sumamos todas estas distribuciones |
| |
y esta es nuestra distribución general. |
| |
Sí, se sale de lo normal... más allá de los límites de especificación en ambos extremos. |
| |
Desviación estándar de 0,082 |
| |
Y como mencioné, los elementos de especificación de más y menos 0,2 nos dan un PPk de 0,81. No es muy bueno. |
| |
Porcentaje fuera de especificación estimado en 1,5% |
| |
Podría haber sido aceptable si realmente hubiera sido tan bueno, pero no lo era. |
| |
Esta estimación presupone que cada lente es un evento independiente. No lo son. Fabricamos las lentes en lotes. |
| |
y hay... cada lote tiene un determinado conjunto de materias primas en un determinado conjunto de condiciones iniciales. |
| |
Dentro de eso, hay mucha correlación. |
| |
Y |
| |
Dos de los componentes que mencioné, dos componentes monoméricos que tuvieron contribuciones considerables, son |
| |
Si observas aquí, ocasionalmente podrás ver la línea amarilla y la línea rosa. Estas representan la variabilidad introducida por estos dos componentes monoméricos. |
| |
Cuando ambos se encuentran en el mismo lado de la línea central, empujan el diámetro hacia los límites de especificación y tenemos otras fuentes de variabilidad que aumentan las posibilidades. |
| |
Otro problema es que |
| |
Nuestro límite de 0,2 es para una lente individual. Hicimos esto... clasificamos las lentes según los lotes. Por lo tanto, este gráfico predice los promedios de los lotes, aunque, cuando el promedio del lote llega a 0,175, es probable que tengamos suficientes lentes que superen el límite y que hayan fallado en un lote. |
| |
En resumen, |
| |
Nuestros cálculos estiman que el 4% de los lotes serán descartados. |
| |
Y van a llegar en grandes cantidades. Habrá semanas en las que no podremos procesar ni la mitad de nuestros lotes. |
| |
Esto no es viable. Tenemos que hacer mejoras importantes. |
| |
La variabilidad entre lotes debida a dos componentes monoméricos contribuyó en gran medida a esa variabilidad. |
| |
Tras analizar la situación, descubrimos que la pureza general del Monómero 1 era un factor significativo y que ciertas impurezas en el Monómero 2, cuando estaban presentes, también contribuían a ello. |
| |
Nuestros químicos analizaron las rutas sintéticas de estos ingredientes y descubrieron que había un único material de partida que aportaba la mayor parte de las impurezas. |
| |
Recomendaron que nuestros proveedores destilaran este ingrediente inicial para eliminar las impurezas. |
| |
Eso supuso algunas mejoras importantes. |
| |
También instalamos variadores en las lámparas de curado para controlar la intensidad. |
| |
La intensidad de la lámpara no era un factor determinante, pero esto era sencillo. Y cuando algo es sencillo, se logra la mejora. |
| |
En rigor, se trató de una evaluación de variaciones, no de un presupuesto de variaciones. Nunca asignamos objetivos numéricos a cada componente. |
| |
Esto ha vuelto... estamos, por así decirlo, aprovechando las oportunidades más evidentes. Es decir, encontramos dos factores que explicaban gran parte de la variabilidad. |
| |
Tal vez necesitemos una estructura un poco mejor para alcanzar las ramas superiores, ahora que necesitamos llegar más alto. |
| |
Estado actual de las dimensiones y el diámetro de las lentes. |
| |
PPk es 2.1. El producto lleva varios años en el mercado. Esto ya no es un problema. |
| |
Hemos realizado mejoras significativas en estos componentes momentáneos. Seguimos trabajando en ellos. Aún presentan cierta variabilidad; detectable, sí, pero hace mucho que no supone un problema. |
| |
Entonces, la pregunta fundamental es: ¿qué hacemos? |
| |
¿Cómo aplicar los datos a un presupuesto de variaciones? |
| |
Quizás convendría reducir un poco esa arbitrariedad. |
| |
Tenemos que empezar por elegir una medida del producto que necesite mejora. |
| |
Necesitamos identificar los posibles factores contribuyentes; los diagramas de causa y efecto son una herramienta útil. |
| |
Necesitamos recabar información previa. Necesitamos conocer la sensibilidad. |
| |
La medida del producto dividida por la medida del proceso; ¿cuál es la pendiente de esa línea? |
| |
Vamos a necesitar algunos DOE para llenar los vacíos. |
| |
Necesitamos estimar el grado de dificultad para mejorar algunos de estos factores. |
| |
Y |
| |
Estimamos la varianza de cada componente y luego dividimos esa varianza, la varianza total objetivo, entre los contribuyentes. |
| |
Parece bastante fácil. |
| |
Veamos un ejemplo. |
| |
Supongamos que estamos trabajando en un nuevo proyecto. Y durante el proceso, incorporamos una nueva métrica llamada CMT (transferencia de modulación en cascada) para medir la nitidez general de la imagen. Es bastante importante para las lentes de contacto. |
| |
El objetivo es 100, más o menos 10. |
| |
Queremos un PPK de al menos 1,33 |
| |
Eso significa que la desviación estándar debe ser de 2,5 o menos. |
| |
La varianza debe ser de 6,25 o menos. |
| |
¿Qué factores podrían estar implicados? |
| |
Analicemos un diagrama de causa y efecto. |
| |
Podemos acceder a JMP y crear una tabla. Empezamos listando CMT. |
| |
en la columna principal. Luego, en la columna secundaria, enumeramos cada uno de nuestros pasos de fabricación. |
| |
Luego comenzamos a enumerar estos factores secundarios en el lado del padre y, a continuación, los subfactores. Estos subfactores son obviamente genéricos y arbitrarios; todo es hipotético. |
| |
Y podemos añadir tantos niveles como queramos. Podemos tener tantas ramas en el diagrama como deseemos, pero |
| |
Aquí hemos identificado 14 factores potenciales. |
| |
Accedemos al cuadro de diálogo correspondiente, identificamos la columna principal y la columna secundaria. Hacemos clic en el botón Aceptar y aparece el diagrama de causa y efecto. |
| |
Un pequeño inciso. Llevo 30 años usando JMP. Tengo muy pocos remordimientos. Este es uno de ellos. Y lo que lamento es haberlo descubierto recién el año pasado. |
| |
En realidad, no sé cuándo se implementó esta herramienta. Ojalá la hubiera encontrado antes, porque es la forma más sencilla que he encontrado para generar un diagrama de causa y efecto. |
| |
Por lo tanto, necesitamos recopilar los datos de sensibilidad. |
| |
A veces, la física nos dará la respuesta. |
| |
En óptica, si conocemos el índice de refracción y el radio de curvatura, podemos obtener información sobre la potencia óptica de la lente. |
| |
A veces la física, a menudo necesitamos datos experimentales. |
| |
Entonces, |
| |
Consulta con los expertos en la materia. Quizás alguien haya realizado experimentos que nos den alguna idea. |
| |
Vamos a necesitar experimentos bien diseñados porque de ninguna manera se han cubierto los 14 factores. |
| |
En mi opinión, los datos históricos ocupan un lugar bastante inferior en la lista. |
| |
Y si has utilizado datos históricos para generar modelos, ya sabes, algunas de las preocupaciones que tengo son las siguientes. Debemos ser muy cautelosos con esto. Datos históricos, |
| |
Suele ser desordenado; tiene |
| |
Hay muchos números mal identificados, a veces datos en la columna equivocada; necesita mucha limpieza. Además, existe mucha correlación entre los factores. |
| |
La práctica estándar consiste en reservar aleatoriamente el 25% de los puntos de datos, reservar esos datos para su confirmación, generar el modelo con el 75% de los datos y luego probarlo con el 25% de los datos de reserva. |
| |
Si funciona, quizá tengamos algo útil. Si no, no lo toques. |
| |
Por ello, para recabar información previa, queremos pedir a los expertos en la materia que, de forma independiente, aporten cualquier dato sensible del que dispongan. |
| |
Me baso en una presentación que Cy Wegman y Wayne Levin hicieron el año pasado en la Cumbre Discovery. |
| |
Esta es su sugerencia para recopilar información previa y evitar el síndrome de la voz más fuerte en la sala. |
| |
A veces hay un ingeniero tranquilo sentado al fondo que puede tener información importante que compartir. |
| |
Puede que hablen o no. Por eso queremos obtener esa información. Para empezar, preguntemos a cada persona por separado. |
| |
Luego, reúnan a la gente y discutan las discrepancias. Habrá algunas. |
| |
¿Dónde están las lagunas? ¿Qué parámetros aún necesitan información sobre sensibilidad o distribución? |
| |
¿Qué parámetros podemos descartar? |
| |
Me gustaría encontrarlos. |
| |
¿Qué parámetros son condicionales? |
| |
No ocurre muy a menudo, pero en nuestro proceso de lentes de contacto, incluimos indicadores biológicos en cada ciclo de esterilización. |
| |
Estos indicadores están sesgados intencionadamente para que los falsos positivos sean mucho más probables que los falsos negativos. Cuando obtenemos un fallo en esta prueba, |
| |
Volvemos a esterilizar. Sabemos que nuestra rutina de esterilización probablemente fue la correcta, pero volvemos a esterilizar. A veces, incluso, esterilizamos dos veces. Esto puede tener un pequeño efecto en nuestras dimensiones. Es pequeño, pero perceptible. |
| |
Así que tendremos que planificar algunos experimentos para recopilar datos de sensibilidad sobre cosas que desconocemos. |
| |
Analizaremos los datos de distribución de la producción; utilicémoslos con precaución para generar un análisis de sensibilidad. Podemos usarlos para obtener información sobre la variabilidad de cada uno de los componentes y la variabilidad general de la medida del producto de interés. |
| |
Necesitamos llevar un registro de la información durante el proceso. Podemos empezar con la tabla que usamos para generar el diagrama de causa y efecto, y añadir algunas columnas más. |
| |
Complete las secciones de sensibilidad, unidades de medida y demás. Puede usar cualquier tipo de tabla. Simplemente guarde los registros y manténgalos actualizados. |
| |
Vamos a necesitar algunos DOE para llenar los vacíos. |
| |
Existen algunas técnicas más recientes: diseños de cribado definitivos, diseños supersaturados ortogonales de grupo... |
| |
Ofrecen una buena relación calidad-precio cuando la situación lo permite. |
| |
Ahora bien, en esta situación particular, tenemos 14 factores. |
| |
Consultamos a nuestros expertos en la materia. |
| |
Algunos tienen suficiente experiencia para predecir información direccional, pero nadie tiene una buena estimación de las pendientes reales. Por lo tanto, necesitamos evaluar 14 factores. Me encantaría ejecutar un DSD que no requiera 33 simulaciones, pero no tengo el presupuesto necesario. |
| |
Así que vamos a recurrir al diseño de experimentos personalizado. |
| |
Entonces, |
| |
Ve a la función DOE personalizada y luego... ya llevamos bastante tiempo usando PowerPoint... es hora de que mostremos algunas cosas en vivo en JMP. |
| |
Eso iría al diseño personalizado del DOE. |
| |
Y |
| |
No es obligatorio, pero es muy recomendable completar la información de respuesta. |
| |
(si pudiera escribirlo correctamente). |
| |
Objetivo de coincidencia |
| |
de 90 a 110. |
| |
La importancia del factor 1 solo marca la diferencia si tenemos más de una respuesta. |
| |
Ya tengo mi archivo, así que puedo cargarlos rápidamente. Aquí tenemos los 14. |
| |
de los factores. |
| |
Este factor limita, |
| |
Nunca lo he usado. Pero sé que está ahí si alguna combinación de factores resultara peligrosa. Sé que podemos prohibirlo. |
| |
Las especificaciones del modelo. Esta es probablemente la parte más importante. |
| |
Esto es básicamente una operación de cribado. Simplemente vamos a observar los efectos principales. |
| |
Ahora bien, nuestros expertos en la materia sugieren que dichas interacciones son poco probables. |
| |
Y |
| |
La no linealidad es posible, pero no es probable que sea fuerte. |
| |
Por ahora vamos a ignorarlos, al menos para el experimento de selección. |
| |
No necesitamos bloquear esto. |
| |
No necesitamos puntos centrales adicionales. |
| |
Para 14 efectos principales, JMP dice un mínimo de 15, eso es un valor dado, por defecto 20. |
| |
He aprendido que si tengo un presupuesto que me permita ejecutar la configuración predeterminada, es un buen punto de partida. Puedo hacer 20 ejecuciones; 33 eran demasiadas. Puedo gestionar las 20. |
| |
¡Hagamos este diseño! |
| |
Lo dejé en unidades de diseño. Es un ejemplo hipotético. No me apetecía sustituir estas unidades arbitrarias por otras unidades arbitrarias. |
| |
Disponemos de un conjunto completo de herramientas de evaluación diseñadas a medida. |
| |
Un par de ejemplos que suelo consultar. El análisis de potencia. |
| |
Si la estimación del error cuadrático medio de 1 es bastante aproximada, entonces estas estimaciones de potencia también lo serán. 0,9 o más, bastante bien. Me gusta. |
| |
Otra cosa que suelo mirar es el mapa de colores de las correlaciones. |
| |
Me gusta convertirlo en un mapa de colores. |
| |
Y es algo complicado. Tenemos 14 efectos principales, y sinceramente no he contado todas las interacciones de dos vías. Lo que buscamos son efectos de confusión, donde tenemos dos bloques rojos en la misma fila. |
| |
Bueno, yo no veo eso. Eso es bueno. Tenemos algo de azul oscuro donde no hay correlación. Tenemos algo de azul claro donde hay una ligera correlación. Y tenemos algo de rosa claro donde |
| |
Tal vez se trate de un coeficiente de correlación de 0,6. |
| |
Esto es tolerable. Mientras no haya confusión total, probablemente podamos estimar qué es qué, qué está causando el efecto. |
| |
Ahora sí, esto está bien. Sigamos, hagamos la mesa. |
| |
Bueno, este es nuestro diseño. |
| |
Tengo espacio para anotar los resultados. |
| |
Voy a seguir el ejemplo de la escuela de cocina de Julia Child. |
| |
Realiza la preparación por ti, luego mételo en el horno y después saca del horno un archivo previamente preparado que ya contiene el experimento realizado. Estos son los resultados. |
| |
Los valores de CMT que queríamos estaban entre 90 y 110. |
| |
Tenemos un par aquí de los años 80. Ahí está el 110.5, aquí tenemos el 111. |
| |
Parece que aún tenemos algo de trabajo por hacer. |
| |
Vamos |
| |
Analizar los datos. |
| |
Ya está todo listo. Hay una respuesta. Aquí están todos los factores. Queremos el informe de análisis. Haz clic en Ejecutar. |
| |
r cuadrado .999. |
| |
Sí, se nota que estos datos son falsos. Probablemente debería haber aumentado un poco el nivel de ruido. |
| |
Los seis primeros factores son muy significativos; los ocho siguientes, no tanto. |
| |
Me dio pereza cuando lo generé. |
| |
Puse algo ahí para los primeros seis. |
| |
Ahora, normalmente eliminamos los factores insignificantes. |
| |
Así que podemos eliminarlos todos a la vez. |
| |
Suelo hacerlo de uno en uno. |
| |
Elimina cada vez el factor menos significativo y observa qué efecto tiene en los demás números. A veces cambia, a veces no. |
| |
Si eliminamos este, parece que Cure1 se coló por los pelos, .0478. |
| |
Es un poco menos de 0,05. Dudo que sea algo importante, pero lo dejaremos así. |
| |
Así que analizamos los residuos; eso es algo aleatorio, lo cual es bueno. Los residuos estudentizados, también son algo aleatorios. |
| |
Necesitamos analizar las estimaciones de los parámetros. |
| |
Esto es por lo que pagamos. |
| |
Estos son los |
| |
Los coeficientes de regresión son las pendientes que buscábamos. Estas son las sensibilidades. |
| |
Por eso hicimos el experimento. Soy una persona muy visual, así que siempre consulto el perfilador de predicciones. |
| |
Y una de las cosas que me gustan aquí... bueno, siempre miro... el gráfico de las pendientes y miro... |
| |
Observo los intervalos de confianza, que son bastante pequeños. Aquí apenas se distingue un intervalo sombreado en azul. También me gusta usar el simulador cuando tengo información sobre la entrada, ya que podemos introducir la variabilidad para cada uno de estos parámetros. |
| |
Ahora, si me permiten, volveré a utilizar el método de Julia Child y retomaré... |
| |
el ejemplo preparado previamente donde ya he introducido |
| |
las variaciones de cada una de estas. Desde la Herramienta de Moldeo 1, introduzco una expresión que da como resultado una distribución bimodal. |
| |
Y para la herramienta de moldeo 2, introduzca una distribución uniforme. |
| |
Y debo decir, en defensa de mis amigos del taller de herramientas, |
| |
La distribución bimodal solo se da en una situación... como la que ocurrió el mes pasado. |
| |
Dado que las herramientas que queríamos usar estaban ocupadas en la planta de producción, para el experimento utilizamos algunas versiones antiguas. De hecho, mezclamos versiones. |
| |
Cuando eso ocurre, podemos obtener una distribución bimodal. |
| |
Esta distribución uniforme nunca se da con estos tipos. Siempre apuntan al punto central y suelen acertar con una precisión de un par de micras. Las demás distribuciones son todas normales. |
| |
Diversos anchos. En un caso, teníamos cierta preferencia por uno u otro. |
| |
Estas son las distribuciones de entrada. Aquí está nuestra salida prevista. |
| |
Aunque partimos de algunas distribuciones iniciales no normales, tenemos una distribución de salida prácticamente normal. |
| |
Sí, va más allá de nuestros objetivos. |
| |
En cierto modo, ya lo sabíamos. |
| |
Por defecto, al empezar, se requieren 5000 ejecuciones. Yo suelo aumentarlo, hasta unas 100 000. No consume tiempo adicional y proporciona distribuciones un poco más uniformes. |
| |
Aquí también se genera una tabla; podemos crear la tabla. |
| |
Mueve esto para acá. Gran ventaja de esto. |
| |
es que podemos obtener |
| |
(Todavía no queremos este CMT)...veamos las distribuciones de los factores de entrada. |
| |
Este es un gráfico más grande y elaborado. Esta es nuestra distribución bimodal, uniforme, estas diversas distribuciones normales, con diferentes amplitudes; esta tiene una especie de sesgo. |
| |
Así que podemos tomar todos esos y |
| |
Las sumamos. |
| |
Analizamos esto |
| |
y tenemos una distribución. |
| |
Parece bastante normal. Aunque algunas de las entradas no lo eran. |
| |
Podemos utilizar técnicas convencionales para esto. Así que cuando empecemos a establecer las especificaciones, |
| |
Excede los límites de nuestras especificaciones. Por lo tanto, tendremos que mejorarlo. Desplácese hacia abajo y consulte la información sobre las capacidades. |
| |
PPk a .6. |
| |
Eso es inviable. De ninguna manera la industria manufacturera va a aceptar un proceso como este. |
| |
Así que necesitamos realizar algunas mejoras significativas. |
| |
Así que vuelve al |
| |
Archivo de PowerPoint. |
| |
Y repaso las diapositivas que tenía de respaldo por si tenía algún problema con |
| |
Versión en vivo de JMP. |
| |
El problema lo tengo yo, no JMP. |
| |
Aquí tenemos los factores. |
| |
Las desviaciones estándar provienen de nuestros ensayos de preproducción y estiman la variabilidad. Las sensibilidades son los resultados de nuestro diseño de experimentos (DOE). |
