INSTITUTO TECNOLÓGICO DE TIJUANA

DEPARTAMENTO DE INGENIERÍA ELÉCTRICA Y ELECTRÓNICA

CARRERA:
INGENIERÍA BIOMÉDICA

MATERIA:
GESTIÓN DE LA CALIDAD

UNIDAD IV:
GESTIÓN DE LA CALIDAD EN EL DESARROLLO DE UN CASO DE
ESTUDIO

TRABAJO FINAL:

HERRAMIENTAS DE SIX SIGMA

ELABORADO POR:
LEONARDO FELIPE MARTÍNEZ ESTRADA

CATEDRÁTICO:
M.C. JOSÉ ÁNGEL OLIVAS ONTIVEROS
Tijuana, B.C., México. 30 de mayo de 2018.
Índice general

Capı́tulos Página

I. Introducción 1

II. Caracterı́sticas, beneficios y herramientas de Six Sigma 2

2.1. Caracterı́sticas de Six Sigma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2.2. Beneficios de Six Sigma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2.3. Herramientas estadı́sticas de Six Sigma . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

III. Distribución normal 11

3.1. Ejemplo de aplicación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

IV. Conclusión 14

V. Referencias Bibliográficas 15

i
Capı́tulo I

Introducción

Un proceso industrial está sometido a una serie de factores de carácter aleatorio que hacen imposible
fabricar dos productos exactamente iguales. Dicho de otra manera, las caracterı́sticas del producto fa-
bricado no son uniformes y presentan una variabilidad. Esta variabilidad es claramente indeseable y el
objetivo ha de ser reducirla lo más posible o al menos mantenerla dentro de unos lı́mites. Six sigma (seis
sigma) es una herramienta útil para alcanzar este segundo objetivo.
Six Sigma generalmente está relacionado con el número mágico de 3.4 defectos por millón de oportu-
nidades. La gente a menudo ve Six Sigma como otro mecanismo riguroso de control de calidad estadı́stica.
Pionero en Motorola a mediados de la década de 1980, Six Sigma fue inicialmente diseñado para
cuantificar los defectos ocurridos durante los procesos de fabricación, y para reducir esos defectos a un
nivel muy pequeño. Motorola afirmó haber ahorrado varios millones de dólares. Otro éxito muy popular
fue en GE. Six Sigma contribuyó con más de US $ 300 millones a los ingresos operativos de 1997 de GE.
En la actualidad, Six Sigma ofrece excelencia empresarial, mayor satisfacción del cliente y beneficios
superiores al mejorar drásticamente todos los procesos en una empresa, ya sea financiera, operativa o de
producción. Six Sigma se ha convertido en el favorito de un amplio espectro de industrias, desde atención
médica hasta seguros, telecomunicaciones y software [1].
Muchas empresas nacionales e internacionales utilizan herramientas para la solución de problemas
relacionados a la calidad de sus productos. Estas herramientas son: checklist, diagrama causa y efecto,
diagrama de flujo, diagrama de Pareto, diagramas de dispersión, gráfica de probabilidad, histogramas,
gráficas de control, lluvia de ideas, entre muchos otros.
En este trabajo de investigación se centra en las principales herramientas que son usadas en los
proyectos Six Sigma y un ejemplo aplicado del gráfico de distribución normal. Para los estudiantes de
la especialidad de Manufactura Industrial es básico que se dominen estos conceptos para la resolución y
análisis de problemas que hay en la industria. Este trabajo de investigación se hizo con la finalidad de
expandir nuestros conocimientos y dominar los conceptos de distribución normal.

1
Capı́tulo II

Caracterı́sticas, beneficios y
herramientas de Six Sigma

2.1. Caracterı́sticas de Six Sigma

Six Sigma es un proceso altamente disciplinado que nos ayuda a centrarnos en el desarrollo y la entrega de
productos y servicios casi perfectos. El objetivo de Six Sigma es eliminar el desperdicio y la ineficiencia,
lo que aumenta la satisfacción del cliente al ofrecer lo que el cliente está esperando.
1. Six Sigma sigue una metodologı́a estructurada y tiene roles definidos para los participantes.

2. Six Sigma es una metodologı́a basada en datos, y requiere una recopilación de datos precisa para los
procesos que se analizan.

3. Six Sigma se trata de poner resultados en los Estados Financieros.

4. Six Sigma es un enfoque estructurado multidimensional impulsado por los negocios para:

Mejorando procesos
Disminución de defectos
Reducción de la variabilidad del proceso
Reduciendo costos
Incrementando la satisfacción del cliente
Mayores ganancias

2.2. Beneficios de Six Sigma

Six Sigma ofrece seis beneficios principales que atraen a las empresas:
Genera éxito sostenido

Establece un objetivo de rendimiento para todos

Mejora el valor para los clientes

Acelera la tasa de mejora

Promueve el aprendizaje y la polinización cruzada

Ejecuta cambio estratégico

2
2.3. Herramientas estadı́sticas de Six Sigma
Las herramientas juegan un papel muy importante en Lean Six Sigma, ya que su uso ayuda a la obtención
de costes, velocidad y saltos de calidad. Muy parecido a Six Sigma, el modelo DMAIC se utiliza para
realizar mejoras. Las herramientas utilizadas en Lean Six Sigma son [2]:

Gráfica de Pareto: Esta herramienta es una gráfica de barras donde el eje horizontal representa
las categorı́as. La gráfica de Pareto es una herramienta que centra el esfuerzo del equipo en los
problemas más importantes, su ejemplo de estructura se muestra en la figura II.1. Este diagrama
[5]:

• Permite asignar un orden de prioridades.

• Permite mostrar gráficamente el principio de Pareto (pocos vitales, muchos triviales), es decir,
que hay muchos problemas sin importancia frente a unos pocos muy importantes. Mediante
la gráfica colocamos los “pocos que son vitales” a la izquierda y los “muchos triviales” a la
derecha.
• Facilita el estudio de las fallas en las industrias o empresas comerciales, ası́ como fenómenos
sociales o naturales psicosomáticos.

Figura II.1: Estructura del diagrama Pareto.

Gráficas de Dispersión: En esta herramienta, dos variables se trazan entre sı́ en una gráfica
que proporciona una indicación visual de qué tan bien las variables se corresponden entre sı́. 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. 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. [2] Ejemplo: En Rotor Clip, el
efecto del gasto en publicidad sobre la utilidad total habı́a sido difı́cil de evaluar. Los directivos
querı́an saber si la cantidad de dinero invertida en publicidad tenı́a correlación con el número de
clientes nuevos obtenidos en un año determinado. El gasto en publicidad por trimestre se comparó
en una gráfica con el número de clientes nuevos agregados durante el mismo periodo por tres años
consecutivos. Observe la figura II.2, donde la correlación positiva demostró que una publicidad
intensa se relacionaba con los clientes nuevos.

3
 Figura II.2: Estructura del gráfica de dispersión.

Diagrama de Espina de Pescado: Utilizando esta herramienta se dibuja una flecha grande junto
con el efecto de cuyas causas se analizan, mostradas a la derecha en el final de la flecha. Cuando
esta información está disponible, las causas son examinadas e indicadas para cada categorı́a en su
correspondiente rama. En la figura II.3 se muestra la estructura de un diagrama de pescado. Pasos
[6]:

1. Para empezar, se decide con exactitud qué caracterı́stica de calidad, salida o efecto se quiere
examinar y se coloca en la caja sobre el lado derecho del diagrama.
2. Se escriba a continuación las categorı́as que se consideren apropiadas al problema: máquina,
mano de obra, materiales, métodos, medio ambiente, medición son las más comunes y se aplican
en muchos procesos.
3. Se realiza una lluvia de ideas (brainstorming) de posibles causas y se relacionan con cada
categorı́a.
4. Se generan ideas adicionales al usar la herramienta de 5 por qués para cuestionar cada una de
las causas anteriormente identificadas.
5. Interpretar los resultados por medio de las 2 siguientes opciones:
• Busque causas que se repiten a través de las categorı́as mayores
• Vote para seleccionar las causas con el mayor potencial.

4
 Figura II.3: Estructura del diagrama Pescado.

Análisis de Regresión: Esta herramienta también puede considerarse como el equivalente ma-
temático del diagrama de dispersión. En análisis de regresión, se deriva en una ecuación para
expresar la dependencia de una de las variables con una o más de ellas. El esquema básico de
análisis de regresión plantea un proceso o modelo en el cual se analiza la relación entre una variable
dependiente (porque es influida por el resto) y una o varias variables independientes o fijas (las que
influyen en el objeto de estudio). Gracias procesos de regresión estadı́stica es posible entender el
modo en que la dependiente es afectada por cambios en los valores de las independientes [7].

Figura II.4: Diagrama de regresión.

Control Estadı́stico del Procesos: Esta herramienta se utiliza para preparar las gráficas de
control que reflejan las capacidades mejoradas del proceso. Esta gráfica de control es usada para
supervisar el desempeño de las horas extras. Las mejoras que se pueden introducir en los procesos
operativos de una organización gracias al SPC son: disminución de los costos, eliminación de activi-
dades que no agregan valor al proceso productivo, identificación de los cuellos de botella y demoras
en el proceso productivo, evitar incumplimientos de los requisitos solicitados por el cliente final, etc.
El SPC es una técnica probada para mejorar la calidad y la productividad. Muchos clientes piden
a sus proveedores que proporcionen evidencias de un control estadı́stico de sus procesos. De modo
que el SPC ofrece un medio para que la empresa demuestre su capacidad para la calidad, actividad
necesaria para sobrevivir en los mercados actuales altamente competitivos. En la figura II.5 una
referencia base de la estructura de un gráfico de SPC [8].

5
 Figura II.5: Estructura de un diagrama de control estadı́stico de procesos.

Histograma: Un histograma es una herramienta básica de estadı́stica que muestra gráficamente

la frecuencia o número de observaciones de un valor en particular o en un grupo especı́fico. [8]
Es necesario tomar algunas precauciones al interpretar los histogramas. En primer lugar, los datos
deberán ser representativos de las condiciones tı́picas del proceso. Si un empleado nuevo maneja
el equipo, o si cambia algún aspecto del equipo, material o método, es preciso recopilar nuevos
datos. En segundo lugar, el tamaño de la muestra debe ser suficientemente grande para llegar a
conclusiones adecuadas; cuanto mayor sea, mejor. Existen diversos lineamientos, pero es necesario
realizar un mı́nimo de 50 observaciones.
Ejemplo: La hoja de verificación en la figura II.6, por ejemplo, fue diseñada para ofrecer el atractivo
visual de un histograma conforme se marcan los datos. Para estos datos, es fácil determinar la
proporción de las observaciones que caen fuera de los lı́mites de las especificaciones.

Figura II.6: Hoja de verificación de un histograma.

Los histogramas le permiten identificar rápidamente el centro y la difusión de sus datos. Le muestra
dónde caen la mayorı́a de los datos, ası́ como los valores mı́nimo y máximo. Un histograma también
revela si sus datos tienen forma de campana o no, y puede ayudarlo a encontrar puntos de datos
inusuales y valores atı́picos que pueden necesitar más investigación. Observe la figura II.7.

6
 Figura II.7: Ejemplo de un histograma de peso vs frecuencia.

Análisis por Estratificación: Este es un instrumento que nos permite pasar de lo general a lo
particular en el análisis de un problema. Por ejemplo, suponiendo que un departamento o sección
esta estudiando los defectos de la producción obtenidos en tres turnos de trabajo. Los datos recogidos
pueden ser representados en un histograma o incluso llevados a un gráfico de control, obteniéndose
una apreciación general, de acuerdo con lo que reflejan los datos en estos gráficos. El resultado
obtenido será una serie de histogramas u otro gráfico, dibujados por caracterı́stica, que ponga en
evidencia el problema en cada categorı́a o estrato particular.

Estudio R&R: Gage R&R es un sistema que se combina con variación de responsabilidad, re-
petitibilidad y reproducibilidad. De otra manera, GRR es igual a la variación de la suma dentro
del sistema y entre sistemas de variación. Esta herramienta ayuda a determinar si las mediciones
numéricas continuas, como el peso, el diámetro y la presión, son repetibles y reproducibles, tanto
cuando la misma persona mide repetidamente la misma parte, como cuando diferentes operadores
miden la misma parte.

Figura II.8: Estudio Gage R&R en Minitab.

7
 Análisis de concordancia de atributos: Cuando Gage R&R evalúa la confiabilidad y la repro-
ducibilidad de las mediciones numéricas, el análisis de acuerdo de atributos evalúa las evaluaciones
categóricas, como Pasar o Fallar. Esta herramienta muestra si las personas que califican estas cate-
gorı́as están de acuerdo con un estándar conocido, con otros evaluadores y con ellos mismos. En la
figura II.9 se observa un ejemplo de como serı́a este proceso por medio del software minitab.

Figura II.9: Ejemplo de evaluadores de los tejidos en una empresa de impresión textil. Análisis hecho por el
ingeniero de calidad.

Gráfica de probabilidad: Las gráficas de probabilidad normal a menudo se utilizan como un

medio informal de evaluar la no normalidad de un conjunto de datos. Un gráfico de probabilidad
normal es una herramienta gráfica utilizada para visualizar supuestos distributivos. En este método,
los datos de muestra se representan en papel gráfico especial que se escala según la distribución
asumida. Si los datos cumplen las condiciones de la curva de distribución normal, los datos se
representarán como una lı́nea recta. [11] Ejemplo: En la figura II.10 se muestra un ejemplo gráfico
de esta herramienta.

Figura II.10: Ejemplo de una gráfica de probabilidad.

8
Gráfica de corridas: Una gráfica de corridas del sistema de medición es una gráfica de todas las
observaciones por operador y número de parte. La gráfica de corridas del sistema de medición es
una de las gráficas más útiles que puede utilizar para evaluar las diferencias de las mediciones entre
operadores diferentes y partes diferentes. La gráfica permite ver patrones obvios en los datos. Por
ejemplo, usted podrı́a observar que las mediciones de un operador son consistentemente más altas
que las de los demás o que las mediciones de ciertas partes varı́an más cuando se comparan con
otras partes, observe la figura II.11.

Figura II.11: Tres operadores que miden 10 partes, tres veces cada una.

Diseño de experimentos: El diseño de experimentos (DOE) ayuda a investigar los efectos de

las variables de entrada (factores) sobre una variable de salida (respuesta) al mismo tiempo. Estos
experimentos consisten en una serie de corridas, o pruebas, en las que se realizan cambios inten-
cionales en las variables de entrada. En cada corrida se recolectan datos. El DOE se utiliza para
identificar las condiciones del proceso y los componentes del producto que afectan la calidad, para
luego determinar la configuración de factores que optimiza los resultados [12].
Los comandos de DOE de Minitab incluyen las siguientes caracterı́sticas:

• Catálogos de experimentos diseñados para ayudarle a crear un diseño

• Creación automática y almacenamiento de su diseño después de que usted especifica sus pro-
piedades
• Presentación y almacenamiento de estadı́sticas de diagnóstico para ayudarle a interpretar los
resultados
• Gráficas para ayudarle a interpretar y presentar los resultados

Capacidad del proceso: Casi todos los procesos tienen un lı́mite inferior y/o superior aceptable.
Por ejemplo, las piezas de un proveedor no pueden ser demasiado grandes o demasiado pequeñas,
los tiempos de espera no pueden extenderse más allá de un umbral aceptable, los pesos de relleno
deben exceder un mı́nimo especificado (figura II.12) El análisis de capacidad le muestra qué tan bien
el proceso cumple con las especificaciones y proporciona información sobre cómo se puede mejorar
un proceso deficiente. Las métricas de capacidad citadas con frecuencia incluyen Cpk, Ppk, defectos
por millón de oportunidades (DPMO) y nivel de Sigma [10].

9
Figura II.12: Ejemplo de la estructura de un análisis de la capacidad que debe tener cualquier proceso, usando el
software Minitab.

10
Capı́tulo III

Distribución normal

La distribución normal es una de las distribuciones de probabilidad de variable continua que con más
frecuencia aparece aproximada en fenómenos reales. Su gráfica, denominada curva normal, es la curva
con forma de campana de la figura 2.1, la cual describe de manera aproximada muchos fenómenos que
ocurren en la naturaleza, la industria y la investigación [9].
Se pueden mencionar tres importantes aplicaciones de la distribución normal:
1. Se pueden obtener aproximaciones de la distribución binomial [8].
2. Se ha observado, que muchos fenómenos, tales como la resistencia de piezas, tienen una distribución
normal.
3. Distribuciones que no son normales, pueden ser normalizadas a través del Teorema Central del Lı́mite.
En 1733, Abraham DeMoivre desarrolló la ecuación matemática de la curva normal, la cual sentó las
bases sobre las que descansa gran parte de la teorı́a de la estadı́stica inductiva. La distribución normal a
menudo se denomina distribución gaussiana en honor de Karl Friedrich Gauss (1777-1855), quien también
derivó su ecuación a partir de un estudio de errores en mediciones repetidas de la misma cantidad [9].
Una variable aleatoria continua x que tiene la distribución en forma de campana de la figura III.1 se
denomina variable aleatoria normal. La ecuación matemática para la distribución de probabilidad de la
variable normal depende de los dos parámetros µ y σ, su media y su desviación estándar, respectivamente.
Por ello, denotamos los valores de la densidad de x por n(x; µ, σ).
La densidad de la variable aleatoria normal x, con medida µ y varianza σ 2 , es:
1 1 2
n(x; µ, σ) = √ e− 2σ2 (x−µ) , −∞ < x < ∞ (III.1)
2πσ

Figura III.1: La curva normal.

11
3.1. Ejemplo de aplicación
Crayola es una marca de crayones, lápices de colores, rotuladores, tizas y varios utensilios artı́sticos.
Las oficinas principales de Crayola se encuentras en Easton, Pennsylvania y el Çrayola Factory”, a poca
distancia de la planta principal, se encuentra abierta para niños de todas las edades. El museo interactivo
permite observar el proceso de producción de los crayones y además hay un ”salón de la famaçon colores
entrenados. El logo de la compañı́a se aprecia en la figura III.2.

Figura III.2: Logo de la empresa Crayola LLC.

Los crayones de la empresa Crayola se venden en una gran variedad de versiones, en cajas de dos
crayones, 100 y hasta 800 crayones, los cuales a veces incluyen también crayones con ”efectos especiales”,
tales como brillo, color visible en la oscuridad, neón, etc. Los tamaños más comunes son aquellos múltiplos
de ocho: 16, 24, 32, 48, 64, 72, 80, 96 y 120 por caja con crayones de colores diferentes. Esto hace que la
cantidad de colores fabricados sea inmensa y los nombres para los colores son por lo general muy creativos
y objeto de culto entre algunos niños y adultos. El color más popular es el azul, el cual es producido en
seis tonalidades diferentes además de los colores primarios secundarios y terciarios.
Crayola tiene seleccionado a proveedores aprobados para la materia prima de su producto principal. El
departamento de Calidad coordina anualmente las pruebas de todas las materias primas para los posibles
contaminantes identificados en el proceso de evaluación. Sin embargo, se han reportado pequeñas fallas
como faltas a las especificaciones del producto. Por lo tanto, la empresa ha decido hacer seguimiento del
desempeño actual del proceso debido a que algunos crayones de color azul presentan variabilidad en el
tamaño. Se ha decido realizar una interpretación de cuántos defectos son ocasionados a causa de este
problema de calidad, tomando en cuenta la especificación que se muestra en la figura III.3.

Figura III.3: Especificación del producto principal.

La tolerancia de acuerdo a las especificaciones del cliente es de 150, 0mm ± 0, 2. Lo que hace referencia
este rango de tolerancia es que el tamaño perfecto de una crayola es de 150,0 mm. Lo que esté fuera de esa
tolerancia se considera un desperdicio para la compañı́a. A partir de esos, se recuperaron los siguientes
datos a través de las inspecciones de calidad que realiza la compañı́a. Se retuvo la muestra de 100 crayones
y los datos se visualizan en la siguiente tabla. Cabe destacar que los datos están representados de acuerdo
a las unidades de la especificación del cliente.

12
 Tabla III.1: Datos de un lote de 100 piezas.

Graficando los datos a través de Minitab, podemos obtener el siguiente Histograma que muestra el
número de piezas hechas de acuerdo a las especificaciones del cliente.

Figura III.4: Histograma de una muestra de 100 piezas.

13
Capı́tulo IV

Conclusión

Six Sigma puede traer beneficios significativos a cualquier empresa, pero cosechar esos beneficios requiere
la recopilación y el análisis de datos para que pueda comprender las oportunidades de mejora y realizar
cambios significativos y sostenibles. Las herramientas vistas en este trabajo, aportan muchos beneficios
y mejoras a cada empresa.

En conclusión al ejemplo, los resultados obtenidos en base al histograma de muestras, las alturas de
las barras siguen la forma de la lı́nea de distribución ajustada relativamente estrecha. Sin embargo hay
cierto desperdicio que se muestra en las barras que pasan los lı́mites mı́nimos y máximos de tolerancia.
A pesar de ello, un gran número de piezas cumplen con las especificaciones cliente. Eso quiere decir que
el proceso es estable.

Se tiene que reducir el número de scrap para tener un proceso casi excelente, sin embargo, es difı́cil
lograrlo sin el compromiso del personal y las herramientas necesarias. Se necesita investigar las posibles
fallas que ocasionan ese desperdicio. El histograma muestra un proceso normalmente aceptable, pero con
un mı́nimo de pérdidas.

Como estudiante me doy cuenta de la gran aplicación que tienen todas estas herramientas en la industria
y cómo las podrı́a aplicar sin ningún problema en mi entorno laboral.

14
Capı́tulo V

Referencias Bibliográficas

[1] Kumar, S. (2005). Introduction to 6 sigma. Mayo 2018, de Discover 6 sigma. Sitio web: http:
//www.discover6sigma.org/post/2005/10/introduction-to-six-sigma/

[2] SixSigmaEspañol. (2017). ¿Cuáles son las Diferentes Herramientas de Lean Six Sigma?. Mayo 2018,
de Capacitación y Certificación Lean Six Sigma.

[3] QAEC. (2018). Diagrama SIPOC. Mayo 2018, de Asociación Española para la Calidad. Sitio web:
https://www.aec.es/web/guest/centro-conocimiento/diagrama-sipoc

[4] Wow Customer Experience. (2016). ¿Cómo convertir la voz del cliente en una ventaja competiti-
va?. Mayo 2018, de Wow Customer Experience. Sitio web: https://www.wowcx.com/voz-del-cliente/

[5] James, E., & William, L. (2008). Administración y control de la calidad, 7a. Edición. México, D.F.:
CENGAGE Learning.

[6] SPC Consulting Group. (2013). Diagrama de Ishikawa. Mayo 2018, de SPC Consulting Group. Sitio
web: https://spcgroup.com.mx/diagrama-de-ishikawa/

[7] Sánchez, Javier. (2015). Análisis de regresión. Mayo 2018, de Economipedia. Sitio web: http://
economipedia.com/definiciones/analisis-de-regresion.html

[8] Depool, R., & Dióscoro, M. (2013). Probabilidad y estadı́stica. Aplicaciones a la ingenierı́a. Vene-
zuela: UNEXPO.

[9] Walpole, R., Myers, R., Myers, S., & Ye, K. (2012). Probabilidad y estadı́stica para ingenierı́a y
ciencias 9na. Edición. México, D.F.: PEARSON EDUCACIÓN.

[10] Minitab Blog. (2017). 5 Critical Six Sigma Tools: A Quick Guide. Mayo 2018, de Minitab.

[11] Quality America Inc. (2011). Normal Probability Plot. Septiembre, 2017, de Quality America Inc. Si-
tio web: https://www.qualityamerica.com/LSS-Knowledge-Center/qualityimprovementtools/normal_
probability_plot.php

[12] Soporte de Minitab. (2017). Diseño de un experimento. Mayo 2018, de Minitab. Sitio web: https:
//support.minitab.com/es-mx/minitab/18/getting-started/designing-an-experiment/

15