1. INSTITUTO TECNOLOGICO DE LA LAGUNA
TOPICOS DE LA INGENIERIA
DE CALIDAD II
UNIDAD 3 “ TECNICAS DE SHAININ”
LOPEZ GARCIA ANGELES ISABEL
RODRIGUEZ CAMPOS FRANCISCO JAVIER
HERNANDEZ ROSALES LUIS LEONEL
CATEDRATICO: DRA. ADELA MENDOZA MARTINEZ
INGENIERIA INDUSTRIAL
TORREON , COAHUILA SEMESTRE AGOSTO – DICIEMBRE 201

2. 3.1 INTRODUCCION
Dorian Shainin nació en San Francisco, el 26 de septiembre de 1914. Creció en
San Francisco, Shangai y Nueva York. Asistió a Erasmus Hall High School en
Brooklyn, Nueva York.
Después de graduarse como ingeniero aeronáutico en el Instituto Tecnológico de
Massachusetts (MIT) en 1936, Shainin trabajó como diseñador en la división de
Hamilton Standard de United Aircraft Corporation.
En 1939 la industria de Estados Unidos se había enfocado en los esfuerzos para
la guerra, y Shainin se convirtió en coordinador de licencias responsable de
ayudar a nuevos representantes con licencia de Hamilton Standard a resolver
problemas. Para el final de la guerra, Shainin estaba a cargo de la calidad y
confiabilidad de Hamilton Standard, y había ganado reconocimiento a nivel
nacional por haber inventado el Lot Plot de Hamilton Standard.
3.2 HERRAMIENTAS DE DIAGNOSTICO SHAININ
1.- LOT PLOT
Lot Plot es el nombre de un método estadístico para muestreos de aceptación
desarrollado por Dorian Shainin en los años 40. Esta técnica estadística usa
análisis gráfico de datos de muestras variables para determinar si un lote
consistente de partes potencialmente malas puede ser aceptado o enviado a una
inspección al 100%.
ZShainin incorporó la aplicación de técnicas estadísticas para manufactura y
mostró la efectividad de la presentación y análisis de datos de forma gráfica su
desarrollo del Lot Plot.

3. METODO SHAININ
Usado para resolver problemas crónicos de forma estable:
1) Definir el Problema.
2) Buscar pistas como causas potenciales.
3) Validar cuales causas son las más importantes.
4) Optimizar.
5) Salvaguardad la optimización.
El método de Shainin puede ser usado para complementar la metodología
Seis Sigma, ya que es muy efectivo en la fase de análisis del DMAIC
Shainin también ofrece certificaciones y cuenta con tres niveles, que son
1. Apprentice (aprendiz)
2.Journeyman (oficial)
3.Shainin Master (maestro)
7 HERRAMIENTAS DE SHAININ
Cartas Multivariables.
• Búsqueda de Componentes.
• Comparaciones Apareadas.
• Búsqueda de Variables.
• Factoriales Completos.
• B vs C.
• Diagramas de dispersión
1.- MULTI-VARI CHARTS
Gráficos Multi-vari fueron descritos por primera vez por Leonard Seder en 1950, a
pesar de que se han desarrollado de forma independiente por múltiples fuentes.
Se inspiraron en el mercado de valores gráficos de velas o abierto-alto-bajo-cierre
gráficos.
En su concepción inicial, el gráfico de múltiples variables se asemeja a un gráfico
de control Shewhart individuos con las siguientes diferencias:
La característica de calidad de interés se mide en dos extremos (en torno a su
diámetro, a lo largo de su longitud, o a través de su superficie) y estas mediciones
se representan como líneas verticales que conectan los valores mínimo y máximo
en el tiempo.
La característica de calidad de interés se representa a través de tres paneles
horizontales que representan:
Variabilidad en una sola pieza
Variabilidad pieza a pieza
Variabilidad del tiempo en cuando

4. La característica de calidad de interés se representa frente superior e inferior de
las especificaciones en lugar de límites de control .
Los tres paneles se interpretan de la siguiente manera:
Panel
Variabilidad
en una sola
pieza
Condición
Las longitudes de las líneas
verticales (es decir, el rango )
excediera de la mitad de las
especificaciones (o más)
Variabilidad
pieza a pieza
Dispersión excesiva
Variabilidad
del tiempo en
cuando
Apariencia de un proceso no
estacionario
La acción correctiva
Reparación o realineación de la
herramienta
Examine las entradas del
proceso de excesiva variabilidad
del largo de las líneas verticales
son las estimaciones de la
capacidad de proceso
Examine las entradas o pasos
para la evidencia de los cambios
o derivas de proceso
Más recientemente, el término "multi-vari gráfico" se ha usado para describir una
forma visual para mostrar el análisis de varianza de datos (por lo general se
expresa en forma de tabla).Se compone de una serie de paneles que retratan
mínimo, significa, y las respuestas máximas para cada combinación de tratamiento
de interés en lugar de para períodos de tiempo.
Debido a que es una representación bidimensional de múltiples dimensiones (uno
para cada factor en el ANOVA), el gráfico de múltiples variables sólo es útil para la
comparación de la variabilidad entre un máximo de cuatro factores.
El gráfico se compone de lo siguiente:
Un panel horizontal en cada nivel del factor exterior
Un grupo de puntos que representan el mínimo, la media, y las respuestas
máximas de la combinación de tratamiento en particular, conectados por líneas
para cada nivel del factor más interna
En el caso de los cuatro factores, paneles verticales para cada nivel de la
siguiente factor más interna.

5. Al igual que con los gráficos de control , el eje vertical representa la característica
de calidad de interés (o la respuesta experimental)
2.- COMPARACION PAREADA
Es similar a la prueba pareada de diferenciación, sólo que cuando es de tipo
afectiva se utilizan jueces no adiestrados y se solicita que expresen cual de las
muestras le agrada más. Los resultados se procesan de la misma manera que la
prueba pareada de dos colas. El método mas común de una prueba de
degustación es la comparación pareada. Se pide al consumidor que pruebe dos
productos diferentes y que seleccione el del sabor mas atractivo. La prueba se
realiza en privado, ya sea en hogares o en otros sitios
Consiste en evaluar simultáneamente dos muestras, con el objetivo de determinar
si existe diferencia perceptible entre ellas. n Se puede presentar un par o una serie
de pares, teniendo en cuenta que sólo se distingan entre sí por la variable objeto
de estudio. n Cada muestra se presentará codificada y en orden balanceado, de
tal manera que cada una de ellas aparezca igual número de veces en la posición
derecha e izquierda del par. n La prueba es fácil de realizar, requiere de poca
cantidad de muestras, y el agotamiento del juez es relativamente bajo
PANELES DE EVALUACION SENSORIAL
Los paneles de evaluación sensorial se agrupan en 3 tipos: Paneles de expertos
altamente adiestrados. Paneles de laboratorio (jueces entrenados) y Paneles de
consumidores (utiliza un número grande de jueces no entrenados). Los dos
primeros se utilizan en control de calidad en el desarrollo de nuevos productos o
para medir cambios en la composición del producto. Los paneles de consumidores
se utilizan más para determinar la reacción del consumidor hacia el producto.
Se requiere de un área especial, donde se eviten distracciones y se puedan
controlar las condiciones deseadas. Un producto se puede evaluar en una mesa,
en la esquina de un cuarto, pero las interrupciones y distracciones no favorecen un
buen análisis. Un laboratorio de análisis sensorial debe contar con 2 áreas, a
saber: Área de preparación y área de prueba, separadas la una de la otra. Los
panelistas no deben entrar al área de preparación para evitar influencias en la
evaluación. Generalmente, en el área de prueba, los panelistas se ubican en
cabinas individuales que, de acuerdo con la facilidad, pueden ser divisiones sobre
una mesa o módulos con bisagras.
Las muestras que se presentan al panelista deben ser típicas del producto,
idénticas hasta donde sea posible, excepto en la características por la que
se juzga, o sea, que tenga igual forma (redonda o picada o en puré o
molida), en recipientes de igual forma, tamaño, color y tener presente que el
material donde se sirve la muestra no transmita olores.

6. 3.-RED X Y PARETO
El proceso de mejora continua es un concepto XX que pretende mejorar los
productos, servicios y procesos. Postula que es una actitud general que debe ser
la base para asegurar la estabilización del proceso y la posibilidad de mejora.
Cuando hay crecimiento y desarrollo en una organización o comunidad, es
necesaria la identificación de procesos y el análisis mensurable de cada paso
llevado a cabo.
Algunas de las herramientas utilizadas incluyen las acciones correctivas,
preventivas y el análisis de la satisfacción en los miembros o clientes. Se trata de
la forma más efectiva de mejora de la calidad y la eficiencia en las organizaciones.
En el caso de empresas, los sistemas de gestión de calidad, normas ISO y
sistemas de evaluación ambiental, se utilizan para conseguir calidad total. utiliza
básicamente 6 pilares para su desarrollo:
El desarrollo del concepto de la “Red X” de Shainin fue originado por su asociación
con Joseph Juran. En los 40’s Juran acuñó y popularizó la noción de “los pocos
vitales y los muchos triviales”, también conocido como “el Principio de Pareto”,
reconociendo el impacto desigual de los problemas en el desempeño de negocios,
siendo el mismo fenómeno que Wilfredo Pareto había observado con respecto a la
distribución de la riqueza
En los 50s, Shainin encontró que el principio de Pareto podía ser aplicado
efectivamente para la solución de problemas de variación. Shainin concluyó que,
entre las miles de variables que podrían causar un cambio en el valor de una
salida, una sola relación causa-efecto debía ser más fuerte que las otras. Shainin
llamó a esta causa primaria la “Big Red X” (Gran X Roja) y demostró que la causa
puede existir como una interacción entre variables independientes
El efecto de la Red X es entonces aumentado por la ley de la raíz cuadrada de la
suma de cuadrados, y de esa manera, aislando la causa raíz. Shainin aseveró que
su aplicación de métodos estadísticos era más eficiente en costo y más simple
que los métodos de Taguchi. Para determinar la “Red X”, Shainin intercambiaba
pares de partes entre equipo funcional y en mal estado hasta que la parte
responsable de la falla era descubierta. Shainin decía que el podía muy seguido
encontrar la primera parte defectuosa dentro de una docena de intercambios entre
pares.
La filosofía de Shainin de “hablar con las partes” fue el primer distintivo que
diferenció sus métodos de los de Taguchi. En el Diseño de Experimentos (DOE)
de Taguchi, los ingenieros hacen lluvias de ideas para formar hipótesis acerca de
las posibles causas de los problemas. Los métodos de Shainin eliminan el paso
teórico, requiriendo primero el diagnóstico de las causas por medio de una o más
técnicas de generación de pistas diseñadas para determinar, a través de pruebas
empíricas de las partes reales en cuestión, la causa raíz, o “Red X”.

7. 4.- FACTORIALES COMPLETOS
En estadística, un experimento factorial completo es un experimento cuyo
diseño consta de dos o más factores, cada uno de los cuales con distintos
valores o niveles, cuyas unidades experimentales cubren todas las posibles
combinaciones de esos niveles en todo los factores. Este tipo de
experimentos permiten el estudio del efecto de cada factor sobre la varible
respuesta, así como el efecto de las interacciones entre factores sobre
dicha variable.
Por ejemplo, con dos factores y dos niveles en cada factor, un experimento
factorial tendría en total cuatro combinaciones de tratamiento, y se le
denominaría diseño factorial de 2×2.
Si el número de combinaciones en un diseño factorial completo es
demasiado alto para su procesamiento, puede optarse por un diseño
factorial fraccional, en el que se omitan algunas de las combinaciones
posibles.
5.- B VS C
prueba muy simple y de gran alcance.Se basa en una clasificación de las 6
muestras tomadas.Básicamente, existen 20 combinaciones de 6 muestras
tomadas a 3 a la vez.Hay un 1 en 20 (5%) de que todos los B sería un
puesto mas alto que el del C, debido a la casualidad.
Si es todo el B es más alto que el de C, entonces podemos afirmar con un
95 % de confianza que hemos mejorado el proceso.Muchos estudios
atmosféricos actuales utilizan herramientas estadísticas paramétricas para
analizar los resultados. Los investigadores no deben pasar por alto las
herramientas no paramétricas para capear el análisis de datos. Análisis no
paramétrico puede se especialmente útil en la intemperie estudios sobre
cuestiones de apariencia y las evaluaciones visuales para la clasificación
aceptabilidad.
Planteamientos lógicos de Shainin a los procesos de producción también
puede representar herramientas valiosas para la investigación de los
procesos de meteorización.
Una de estas herramientas incluye el "paquete de prueba 6." La
clasificación se asocia entonces con la entrada variables. Las
probabilidades asociadas con un orden específico son entonces evaluado.

8. 6.- DIAGRAMA DE DISPERCION
Un diagrama de dispersión es un tipo de diagrama matemático que utiliza las
coordenadas cartesianas para mostrar los valores de dos variables para un
conjunto de datos.Los datos se muestran como un conjunto de puntos, cada uno
con el valor de una variable que determina la posición en el eje horizontal y el
valor de la otra variable determinado por la posición en el eje vertical. Un diagrama
de dispersión se llama también gráfico de dispersión.Se emplea cuando una
variable está bajo el control del experimentador. Si existe un parámetro que se
incrementa o disminuye de forma sistemática por el experimentador, se le
denomina parámetro de control o variable independiente = eje de x y
habitualmente se representa a lo largo del eje horizontal. La variable medida o
dependiente = eje de y usualmente se representa a lo largo del eje vertical. Si no
existe una variable dependiente, cualquier variable se puede representar en cada
eje y el diagrama de dispersión mostrará el grado de correlación (no causalidad)
entre las dos variables.
Uno de los aspectos más poderosos de un gráfico de dispersión, sin embargo, es
su capacidad para mostrar las relaciones no lineales entre las variables. Además,
si los datos son representados por un modelo de mezcla de relaciones simples,
estas relaciones son visualmente evidentes como patrones superpuestos. El
diagrama de dispersión es una de las herramientas básicas de control de calidad,
que incluyen además el histograma, el diagrama de Pareto, la hoja de verificación,
los gráficos de control, el diagrama de Ishikawa y el (diagrama de flujo).
En las distribuciones bidimensionales a cada individuo le corresponden los valores
de dos variables, las representamos por el par (xi, yi).Si representamos cada par
de valores como las coordenadas de un punto, el conjunto de todos ellos se llama
nube de puntos o diagrama de dispersión.Sobre la nube de puntos puede trazarse
una recta que se ajuste a ellos lo mejor posible, llamada recta de regresión.

9. 1.- Correlación directa
La recta correspondiente a la nube de puntos de la distribución es una recta
creciente
2.- Correlación inversa
La recta correspondiente a la nube de puntos de la distribución es una recta
decreciente

10. 3.- Correlación nula
En este caso se dice que las variables son incorreladas y la nube de puntos tiene
una forma redondeada
7.- COMPARACIONDE PROCESOS
La Comparación de Procesos se centra en procesos de producción
seleccionados del negocio en lugar de atender al negocio en su conjunto.
La premisa detrás del análisis consiste en que, mediante la identificación de
los procesos que constituyen las mejores prácticas y la comparación de los
procesos reales que utiliza la firma, los directivos pueden mejorar el
desempeño de subsistemas –llevando a un mejor desempeño general. El
objetivo de la comparación de procesos consiste en mejorar distintas
etapas del proceso de producción y mejorar la eficiencia al “aprender de
otros”. Compartir experiencias es un paso de vital importancia para el éxito
de esta técnica .Por ejemplo, al comparar indicadores principales
específicos (y los procedimientos que actualmente se utilizan y que afectan
a dichos indicadores) correspondientes a un conjunto de empresas de
servicios, es de esperar que puedan identificarse las mejores prácticas y
transferírselas a los prestadores con desempeño más débil, que deberían
adoptarlas para poder incrementar su eficiencia.
Por lo tanto, la Comparación de Procesos constituye un mecanismo de
identificación de procedimientos de trabajo específicos que podrían
mejorarse a través de la imitación de ejemplos externos de excelencia.

11. APLICACIÓN DEL MODELO DE EXPERIMENTACION SHAININ EN UN
INGENIO AZUCARERO DEL VALLE DEL CAUCA
En esta sección se realiza una descripción general del proceso de producción de
azúcar en un Ingenio, en el cual se aplicó la metodología de Shainin con el fin de
lograr un aumento en el nivel de extracción de la fábrica. Este sistema productivo
está diseñado en línea, y sus etapas más importantes pueden ser observadas en
forma esquemática en la Figura.
Esta investigación se concentró principalmente en el comportamiento de la
eficiencia de extracción del primer molino, que mostraba un rendimiento del 57.5
%, debido a que mediante su incremento se lograría impulsar la extracción global
del tándem de molienda, que alcanzaba un 95.1%, lo que se vería reflejado en un
aumento en 27.000 quintales de azúcar de la producción del ingenio
En esta metodología de experimentación se involucraron el ajuste del molino 1; la
presión hidráulica en los cabezotes del molino 1 y las velocidades de las picadoras
I y II, como factores controlables de experimentación.
En la Tabla se observan los niveles alto y bajo para cada uno de los factores
controlables seleccionados anteriormente, sin tener en cuenta el tipo de corte
debido a que esta filosofía está enfocada al estudio de las variables controlables y
no involucra el
análisis de las
variables ruido del
sistema.

12. En la Tabla se muestran los resultados de esta etapa, junto con los límites de
control propuestos por Shainin. Es importante explicar que cuando en la Tabla
aparezca por ejemplo APRN significa que en esa corrida la variable A se probó al
nivel propuesto mientras los otros factores se mantuvieron a sus niveles normales.
De la Tabla anterior se puede concluir con un nivel de confianza del 97.5% que los
factores altamente significantes con respecto al porcentaje de extracción del
molino 1 son la velocidad de la picadora II, el ajuste de salida y la presión
hidráulica aplicada a los cabezotes del molino, debido a que como se observa al
cambiarse los niveles de estos factores los resultados caen por fuera de los límites
de control.
A continuación se realiza el análisis de un diseño factorial completo 2, con el cual
se trata de identificar los mejores niveles de operación para las variables que
mostraron algún efecto significante sobre la variable respuesta. En la Tabla se
muestra la matriz experimental seleccionada para llevar a cabo este análisis, junto
a los resultados obtenidos para cada una de las réplicas experimentales.

13. A los datos de la Tabla anterior se les realizó el ANOVA propuesto en la
metodología Shainin. De acuerdo a ese análisis se pudo concluir que los factores
que más influyen en el porcentaje de extracción son el ajuste de salida y la presión
hidráulica junto con una posible interacción entre la picadora II y el ajuste de
salida, obteniéndos en de esta forma las tres principales causas de variabilidad.

14. Se realiza a continuación una comparación entre los rendimientos del molino 1 con
los niveles operativos normales y los propuestos
De esta Figura y teniendo en cuenta la regala de decisión DEL NO TRASLAPE, se
concluye que el proceso propuesto tiene mejores índices de eficiencia que el
proceso normal de molienda del ingenio.

16. DIAGRAMA DE DISPERSION ( EXEL)
1.- ABRIMOS UN DOCUMENTO EN EXCEL E INSERTAMOS EN LAS CO
LUMNAS LOS DATOS DE LOS AÑOS DE ESTUDIO DE 13 ESTUDIANTES Y EL
NUMERO DE REPROBACION
2.-NOS VAMOS A LA BARRA DE HERRAMIENTAS A LA OPCION DE
DISPERSION , DISPERCION SOLO CON MARCADORES Y DAMOS ACEPTAR

17. 3.-INMEDIATA MENTE APARACE LA GRAFICA DONDE PODEMOS OBSERVAR
QUE EXISTE UNA CORRELACION ENTRE ESTAS VARIABLES YA QUE ESTA
ES NEGATIVA Y DESPUES SELECCIONAMOS LA TERCERA OPCION DE
DISEÑO DE GRAFICOS
4.- EN LA IMAGEN PODEMOS OBSERVAR QUE ESTA UNA LINEA RECTA EN
MEDIO DE LOS PUNTOS DONDE PODEMOS OBSERVAR QUE HAY
CORRELACION ENTRE ESTAS 2 VARIABLES

18. DIAGRAMA DE CAUSA Y EFECTO
1.- INSERTAMOS EN LAS CELDAS DE MINITAB LAS CAUSAS Y SUBCAUSAS
DE NUESTRODIAGRAMA
2.-NOS VAMOS A LA BARRA DE HERRAMIENTAS EN ESTADISTCAS ,
HERRAMIENTAS DE CALIDAD , CUASA-EFECTO

19. 3.- EN LA VENTANA QUE APARECE ENSEGUIDA ENLA COLUMNA DE
CAUSAS SELECCIONAMOS DE UNA A UNA Y EN ETIQUETA LA
MODIFICAMOS POR LAS CAUSAS
4.-EN LA SIGUIENTE EN LAS CAUSAS SELECCIONAMOS LA DE
MANTENIMIENTO Y DAMOS ACEPTAR

20. 5.- EN LA SIGUIENTE VENTANA EN EFECTO MODIFICAMOS , Y EN TITULO Y
DAMOS ACEPTAR
6.- EN LA SIGUIENTE IMAGEN APARACE EL DIAGRAMA CAUSA Y EFECTO
DONDE PODEMOS OBSERVAR LA CAUSAS Y SUBCAUSAS DEL PROBLEMA

21. CARTA C
1.- INSERTAMOS EN MINITAB EN C1 EL NUMERO DE MESAS A
INSPECCIONAR Y EN C2 EL NUMERO DE DEFECTOS
2.- VAMOS A LA BARRA DE HERRAMIENTAS , ESTADISTICAS BASICAS ,
GRAFICAS DE CONTROL , POR ATRIBUTOS , CARTA C

22. 3.- EN LA VENTANA QUE APARECE EN EL CAMPO DE VARIABLES
SELECCIONAMOS C2 Y DAMOS ACEPTAR
4.- AUTOMATICAMENTE APARECE LA GRAFICA EN LA CUAL PODEMOS
OBSERVAR QUE EL PROCESO ES ESTABLE Y PORQUE NO REBASA
NINGUNO DE SUS LIMITES

23. CARTA U
1.- INSERTAMOS EN MINITAB EN C1 EL N° DE 23 LOTES A INSPECCIONAR ,
EN C2 EL TAMAÑO DE MUESTRA , EN C3 EL NUMERO DE DEFECTOS Y EN
C4 Ui QUE ES LA DIVICION DE C3/C1
2.- VAMOS A LA BARRA DE HERRAMIENTAS A ESTADISTICAS , GRAFICAS
DE CONTROL , POR ATRIBUTOS , CARTA U

24. 3.- EN LA SIGUIENTE VENTANA EN EL CAMPO DE VARIABLES
SELECCIONAMOS C3 Y EN TAMAÑOS DE SUBGRUPOS C1 Y DAMOS
ACEPTAR
4.- AUTOMATICAMENTE APARECE LA GRAFICA EN DONDE PODEMOS
OBSERVAR QUE EL PROCESO ES INESTABLE EL CUAL NECESITA UN
CHEQUEO PORQUE NO CUMPLE CON LAS ESPECIFICACIONES