Curso Seis Sigma

CURSO DE
SEIS SIGMA
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
INDICE
Introducción 2
 Antecedentes de la Calidad
 ¿Qué es seis sigma?
 Justificación
 Objetivos

Alcance

Planteamiento del problema

Metodología
Capitulo 1. Introducción a la metodología Seis Sigma 21

1. La métrica de Seis Sigma
2. Mediciones para Seis Sigma
3. Cálculo de Sigmas del proceso
4. Diez pasos de Motorola para la mejora de procesos
5. Las Fases DMAIC de Seis Sigma
Capitulo 2. Fase de Definición 43
1. Introducción
2. Etapas de la fase de Definición
3. Mapa del proceso
4. Despliegue de la Función de Calidad QFD
5. Modelo Kano
6. Diagrama matricial
7. Benchmarking
8. Costos de Calidad
9. Entregables de esta fase
Página 2
Capitulo 3. Fase de Medición 66
1. Introducción
2. Etapas de la fase de Medición
3. Estadística descriptiva
4. Herramientas estadísticas para la solución de problemas
Capitulo 4. Fase de Análisis 123

1. Introducción
2. Etapas de la fase de Análisis
3. AMEF
4. Cartas Multi Vari
5. Correlación
6. Análisis de Regresión
7. Pruebas de Hipótesis
8. Análisis de Varianza ANOVA
Capitulo 5. Fase de Mejora 167

1. Introducción
2. Etapas de la fase de Mejora
3. Terminología
4. Diseño de Experimentos (DOE)
5. Método de Superficie de Respuesta
Capitulo 6. Fase de Control 204

1. Introducción
2. Etapas de la fase de Control
3. Determinación de la capacidad del proceso en control
Página 3
4. Implementación del Sistema de Control
5. Cartas de Control
6. Dispositivos a prueba de errores Poka-Yoke
7. Mejora Continua Kaizen
8. Las 5S´s
9. El Kanban
Capítulo 7. Proyecto 234

1. Introducción
2. Proyecto de mejora
3. Metodología DMAIC
Paso 1 Fase de Definición
Paso 2 Fase de Medición
Paso 3 Fase de Análisis
Paso 4 Fase de Mejora
Paso 5 Fase de Control
7.4 Entregables / resultados del proyecto
Conclusiones y Recomendaciones 255
Bibliografía 258
Página 4
INTRODUCCIÓN
ANTECEDENTES
La empresa de finales de los ochenta parece haber encontrado su nuevo
credo: el de la calidad total. Las empresas que se limitaban a hacer el control
a posteriori de su única calidad presentaron la quiebra una tras otra. Las
empresas de hoy si quieren sobrevivir, deben trabajar para sus clientes más
que para sí misma.
Philip Crosby popularizó el concepto de Cero Defecto como orientación para el

control de calidad. Este enfoque establece la meta de resultados que carezcan
de errores al 100 por ciento. Crosby sostiene que si se establece un nivel
“aceptable” de defectos, ello tiende a provocar que dicho nivel (o uno más
alto) se conviertan en una profecía que se cumple; Si los empleados saben
que está “bien” trabajar dentro de un nivel determinado de errores, llegarán a
considerar que ese nivel es la “norma”. Es evidente que dicha “norma” está
por debajo de lo óptimo. Crosby sostiene que a las personas se le establecían
estándares de desempeño mucho más holgados en sus trabajos que lo que
regían sus vidas personales. “Ellos esperaban hacer las cosas bien, cuando se
trataba de sostener a un bebé, de pagar las facturas o de regresar temprano
a la casa correcta. En cambio, en los negocios se les fijaban “niveles
aceptables de calidad”, márgenes de variación y desviaciones.
La idea de un “porcentaje de error aceptable” (a veces denominado un “nivel

de calidad aceptable”) es un curioso remanente de la era del “control” de
calidad. En aquellos tiempos, se podían encontrar maneras de justificar
estadísticamente las naturales fallas humanas, sosteniendo que nadie podía
ser posiblemente perfecto. De modo que si el 100% es inalcanzable, ¿por qué
no conformarse con el 99%, e incluso con el 95%? Entonces, si alcanzáramos
el 96,642%, podríamos dar una fiesta y celebrar el hecho de haber superado
los objetivos. La cuestión es que el 96,642% significa que de 100.000
Página 5
transacciones efectuadas por un servicio, 3.358 resultarían desfavorables.
Como las fallas de uno entre mil paracaidistas. Los clientes insatisfechos,
aquellos que habrían estado fuera del porcentaje de transacciones perfectas,
no regresarían jamás.
En los años ochenta la TQM (Gestión de Calidad Total) fue muy popular, pero
sufrió un proceso de desgaste y en muchas empresas de agonía; ante las
circunstancias descriptas, empresas mexicanas se han visto en la necesidad
imperiosa de realizar un cambio total en su manera de gestionar las
empresas, dando lugar ello a adoptar la metodología de Seis Sigma en función
de tres características:
1. Seis Sigma está enfocado en el cliente.
2. Los proyectos Seis Sigma producen grandes retornos sobre la

inversión. En un artículo de la Harvard Business Review, Sasser y
Reichheld señalan que las compañías pueden ampliar sus ganancias
en casi un 100% si retienen sólo un 5% más de sus clientes gracias
al logro un alto grado de calidad.
3. Seis Sigma cambia el modo que opera la dirección. Seis Sigma es

mucho más que proyectos de mejora. La dirección y los supervisores
aprenden nuevos enfoques en la forma de resolver problemas y
adoptar decisiones.
La historia de Seis Sigma se inicia en Motorola cuando un ingeniero (Mikel

Harry) comienza a influenciar a la organización para que se estudie la
variación en los procesos (enfocado en los conceptos de Deming), como una
manera de mejorar los mismos. Estas variaciones son lo que estadísticamente
se conoce como desviación estándar (alrededor de la media), la cual se
Página 6
representa por la letra griega sigma (σ). Esta iniciativa se convirtió en el
punto focal del esfuerzo para mejorar la calidad en Motorola, capturando la
atención del entonces CEO de Motorola: Bob Galvin. Con el apoyo de Galvin,
se hizo énfasis no sólo en el análisis de la variación sino también en la mejora
continua, estableciendo como meta obtener 3,4 defectos (por millón de
oportunidades) en los procesos; algo casi cercano a la perfección.
Esta iniciativa llegó a oídos de Lawrence Bossidy, quién en 1991 y luego de

una exitosa carrera en General Electric, toma las riendas de Allied Signal para
transformarla de una empresa con problemas en una máquina exitosa.
Durante la implantación de Seis Sigma en los años 90 (con el empuje de
Bossidy), Allied Signal multiplicó sus ventas y sus ganancias de manera
dramática. Este ejemplo fue seguido por Texas Instruments, logrando el
mismo éxito. Durante el verano de 1995 el CEO de GE, Jack Welch, se entera
del éxito de esta nueva estrategia de boca del mismo Lawrence Bossidy,
dando lugar a la mayor transformación iniciada en esta enorme organización.
El empuje y respaldo de Jack Welch transformaron a GE en una "organización

Seis Sigma", con resultados impactantes en todas sus divisiones. Por ejemplo:
GE Medical Systems recientemente introdujo al mercado un nuevo scanner
para diagnóstico (con un valor de 1,25 millones de dólares) desarrollado
enteramente bajo los principios de Seis Sigma y con un tiempo de escaneo de
sólo 17 segundos (lo normal eran 180 segundos). En otra de las divisiones:
GE Plastics, se mejoró dramáticamente uno de los procesos para incrementar
la producción en casi 500 mil toneladas, logrando no sólo un beneficio mayor,
sino obteniendo también el contrato para la fabricación de las cubiertas de la
nueva computadora iMac de Apple.
Página 7
¿Qué es Seis Sigma?
Seis Sigma es una forma más inteligente de dirigir un negocio o un

departamento. Seis Sigma pone primero al cliente y usa hechos y datos para
impulsar mejores resultados. Los esfuerzos de Seis Sigma se dirigen a tres
áreas principales1:
 Mejorar la satisfacción del cliente

 Reducir el tiempo del ciclo
 Reducir los defectos
Las mejoras en estas áreas representan importantes ahorros de costes,

oportunidades para retener a los clientes, capturar nuevos mercados y
construirse una reputación de empresa de excelencia.
Podemos definir Seis Sigma como1:
1. Una medida estadística del nivel de desempeño de un proceso o

producto.
2. Un objetivo de lograr casi la perfección mediante la mejora del
desempeño.
3. Un sistema de dirección para lograr un liderazgo duradero en el
negocio y un desempeño de primer nivel en un ámbito global.
La letra griega minúscula sigma (  ) se usa como símbolo de la desviación

estándar, siendo ésta una forma estadística de describir cuánta variación
existe en un conjunto de datos, es decir, obtener sólo 3.4 defectos por millón
de oportunidades o actividades.
1
Lefcovich Mauricio “Seis Sigma hacia un nuevo paradigma en Gestión “
Página 8
La metodología Seis Sigma, engloba técnicas de Control Estadístico de
Procesos, Despliegue de la función de calidad (QFD), Ingeniería de calidad de
Taguchi, Benchmarking, entre otras; siendo una sólida alternativa para
mejorar los procesos y por lo tanto, lograr la satisfacción de los clientes.
La estrategia Seis Sigma incluye el uso de herramientas estadísticas dentro

de una metodología estructurada incrementando el conocimiento necesario
para lograr de una mejor manera, más rápido y al más bajo costo, productos
y servicios que la competencia.
Se caracteriza por la continua y disciplinada aplicación de una estrategia

maestra "proyecto por proyecto" tal como lo recomienda Joseph Juran en su
trilogía de la calidad, donde los proyectos son seleccionados mediante
estrategias clave de negocios, lo cual conduce a recuperar la inversión
realizada y obtener mayores márgenes de utilidad. La gente que coordina los
proyectos de Seis Sigma son comúnmente llamados: BlackBelts2, Green Belts,
etc.
A continuación se presentan y describen las fases de la metodología Seis
• Fase 0. Definición D Problema de Negocio
Define
• Fase 1. Medición M Problema Estadístico
Measure
• Fase 2. Análisis A Solución Estadística
Analyze
Solución de Negocio
• Fase 3. Mejora I
Improve
• Fase 4. Control C
Control
Sigma:
2
Black Belt es nombre registrado por Motorola Inc. en U.S.A
Página 10
 Fases de Identificación y Definición de proyectos en relación con los
aspectos clave del negocio.
–Reconocer como afectan los procesos los resultados organizacionales.
–Reconocer como afectan los procesos a la rentabilidad.
–Definir cuales son las características críticas del proceso de negocio.
•Fases de Medición y Análisis para conocer en forma profunda los niveles
actuales de desempeño
–Se selecciona una o más de las características clave y se crea una
descripción detallada de cada paso del proceso.
–Se evalúa el proceso a través de mediciones y sirve de referencia para
establecer los objetivos de la empresa.
–Se crea un plan de acción después de analizar la situación actual para
lograr los objetivos establecidos
–Identificación y comparación competitiva (benchmark) de las
características clave del producto. Análisis de brechas y factores de
éxito.
o MEDICIÓN
–Seleccionar las características clave del producto a mejorar

–Crear el diagrama sistemático de variabilidad del producto
–Definir las variables de desempeño
–Crear mapa de procesos
–Medir las Variables de desempeño
–Determinar la capacidad de desempeño y del proceso en término de
niveles de sigma.
o ANALISIS
–Seleccionar las variables de desempeño

–Hacer un benchmarking de las métricas de desempeño
–Descubrir el desempeño mejor en su clase
Página 10
–Realizar un análisis de brechas
–Identificar factores de éxito
–Definir objetivos de desempeño
• Fases de mejora y control, para lograr mejoramiento con cambio mayor
–Identificar que pasos seguir para mejorar el proceso y reducir las

fuentes de mayor variación que influyen negativamente en el proceso.
–Se identifican las variables clave o “pocas vitales” que impactan al
proceso, a través del DOE y se ajustan para optimizar el proceso.
–Puede ser necesario modificar el proceso, cambiar los materiales,
etc.
o MEJORA
–Seleccionar variables de desempeño;

–Diagnosticar desempeño de las variables;
–Definir variables causales (DOE);
–Confirmar variables causales;
–Establecer límites de operación;
–Verificar mejoramiento del desempeño
o CONTROL
–Seleccionar variables causales;

–Definir el sistema de control estadístico;
–Validar el sistema de control;
–Implantar el sistema de control;
–Auditar el sistema de control;
–Monitorear las métricas de desempeño
Página 11
A continuación se esquematiza el propósito, los entregables, los métodos y las

herramientas estadísticas utilizadas en cada una de las fases3:
DDM
DMAIC
D
DDDD
Definir MMM
Medir
MMAA
AAAAnal
Analizar MMMM
Mejorar CCoo
Controlar
CC
efeefef
Herramientas
Mede nalAnanal
IIICC ejejeejjo oontntntn
fiiiinini
1. Mapa
1 . M
n
de Proceso
a p a
11 . MM aa pp aa
11 . dM
1. Mapa
1 . M ede
de Procesos
a p a
M aa pp aa liiC
iizzzza
1. AMEF
111.. AA AMMMEEEFFF
1. ror
1 .
oror
Análisis
11 .
de a 1
C
1. .tPlan
1. Prrlrr
o n t rde
d e ol
adenolol
1. Pl a n d e Control
o Control
l
2. Diagrama de: C o nt r ol
2. Cartas
2. Cartas de Control
Experimentos
d e nii
ee rrrr
2. Despliegue de la
dd Función de
d e
P
diiiirrr
ddPareto,Causa-
ee
r o c e s o s
2arararr
2. Cartas Multi Vari
22 .. C CCaaarr ttaaasss
3. Correlación
A ar
AA nnarar
n
(DOE)áá l i ss r
á lis is d
i ss dd e 3. ol
Poka Yoke arar
23. . C a r t a s d e r
aar
2. C a rt a s d e
PP Efecto,Árbol,
r oo cc ee ss oo ss ee 4.
4.CMejora continua
22 . r
PPPCalidad
rroooccce(QFD)
eesssooo 4.MM
M Regresión lineal
uuulltt ii VVV aaarr ii 2. Diseño Factorial C Mejora
oonnttrrcontinua
o ol l
2 .Afinidad (Kaizen)
3. Modelo Kano Simple y lineal E2K
EExxxpppeeerrii (Kaizen)
222.. 3. Métodos de 333.. 33.Las
P o kkaa
4. Diagrama DDDiiiaaagggrraaammmaaa Múltiple 3. Diseño Fracción 5. . P 5o S´s
5.
Muestreo CCCooorr rr eeellaaaccciióó mmmeeennnttooo
Matricial
D DDeeesssppplliieeeg 5. Pruebas de Factorial Y6.Yo
6. okkee
Kanban
Kanban
dddEstadístico
eee::
5. Benchmarking ónnnHipótesis 4. sDiseño
ss Taguchi 44..MMeejjoorraa
gguuueee dddeee llaaa 4. Capacidad del
6. Costos de PPPaaarr eeettooo,, 6. Análisis de 5. Diseño de ccoonnttiinnuuaa
Calidad Sistema de 444.. ((DDDOOOEEE))
Varianza (ANOVA) Mezclas ((KKaaiizzeenn))
,CCCaaauuusssaa
Medición
FFFuuunnnccciióóónn RRReeegggrr eeesssii 6.
222Métodos
.. DDDiisssede
eeñññooo
5. Distribución 55..LLaass55 SS´´ss
a-- Superficie de
n dddeee Normal óóónnn FFFaaacccttooorr iiaa 66.. KKaannbbaann
Respuesta
EEEffeeecccttdel
6. Capacidad ooo,,
CCCaaalliidddaaaddd lliinnneeeaaall all 222KKK
Proceso
,ÁÁÁrr bbboooll,,
((QQQFFFDDD)) SSSiimmmppplleee 333.. DDDiissseeeñññooo
333.. Figura 1 Herramientas

AAAffiinnniidddaa
yyy llutilizadas
iinnneeeaaall en la
FFFmetodología
rr aaacccccciióóó Seis Sigma
MMMooodddeeelllooo addd
MMMúúúllttiippplleee nnn
KKKaaannnooo 333..
555.. FFFaaacccttooorr iiaa
444.. MMMéééttooodd
PPPrruuueeebb all
DDDiiaaagggrraaammmaa
dooosss dddeee
Para
a
aplicar la filosofía Seis Sigma dentro de una organización implica
baaasss dddeee 444..
MMMaaattrr iiccciiaaall D is e ñ o DD i ss ee ññ oo
MMMuuueeesss
"Cambiar
555..
la cultura
ttrr eeeooo
de la organización",
HHHiipppóóótt
ya que se fomenta el trabajo en
TTTaaaggguuuccchhhii
BBBeeennnccchhhmmma eeesssiisss 555.. DDDiissseeeñññooo
equipo
aarrkkkiiinnnggpara
g la solución
EEEsssttaaadd de problemas, se mejoran
666..
dddeee la comunicación, y aumenta
666.. díísssttiicccoo MMMeeezzzcccllaaasss
el Cgrado
CCooosssttooosde
ss confianza
o y seguridad en los individuos
AAAnnnááállii
666.. para realizar el trabajo, de
sssiisss dddeee
dddeee 444..
esta
CCCaaamanera
lliidddaaaddd se rompe la resistencia al cambio
C a p a c i
para poder ser más agresivos y
MMMéééttoooddd
CC aa pp aa cc i ooosss dddeee
VVVaaarr iiaaa
alcanzar metas cada

dddaaadddvez más desafiantes.
nnnzzzaaa SSSuuupppeeerr
dddeeell
((AAANNNOOO ffiiccciieee dddeee
SSSiissstteeemm
VVVAAA))
Recomendaciones
maaa dddpara
eee
selección de proyectos
RRReeessspppuu 4
:
MMMeeedddiicccii ueeesssttaaa
óóónnn
555..
o FuentesDDexternas
Diisssttrr iib :
bbuuuccciióóón
 nn Considerar la voz del cliente
NNNooorrmmm
 aaConsiderar la voz del mercado

la l
666..
CCCaaapppaaaccciii
3
Reyes Primitivo Tomado
dddaade
adddlos
dddeapuntes
eell de la material “Opción Terminal” UIA Otoño 2005
4
Neuman Robert, PandePPPPeter “Las
rroooccc eeesss claves de Seis Sigma “
ooo
Página 12
 Considerar la comparación con la competencia
Algunas de las preguntas que surgen a partir de estas fuentes:

 ¿En que estamos fallando o vamos a fallar en la satisfacción
de las necesidades del cliente?
 ¿Dónde nos encontramos detrás de nuestros competidores?
 ¿Cómo va a evolucionar el mercado?¿Estamos preparados
para ello?
 ¿Cuáles son las necesidades futuras de nuestros clientes?
o Fuentes internas:
 Considerar la voz del proceso

 Considerar la voz del personal
Algunas de las preguntas que surgen a partir de estas fuentes
 ¿Cuáles son los mayores retrasos que ralentizan a nuestros

procesos?
 ¿Dónde hay un volumen elevado de defectos y/o retrabajos
repetidos?
 ¿Dónde se incrementan los costos de mala Calidad?
 ¿Qué preocupaciones o ideas aportan el personal o los
directivos?
Otras recomendaciones
 Debe de estar alineado con las iniciativas del negocio.

 Mejorar un proceso existente.
 Asegurarse de que el alcance no sea demasiado extenso, y
también que el proyecto sea realizable. En este caso,
se
Página 13
puede segmentar para ser realizado por
diferentes personas, cada uno con distintos alcances.
 Escoger un proyecto en el cual se pueda generar o se
tengan suficientes datos para ser medidos.
 Que genere ahorros financieros.
 De ser posible escoger un proceso con mas ciclos, altos
volúmenes o tiempos de ciclo cortos.
Barreras para alcanzar el éxito en los proyectos
 Los proyectos no tienen el soporte de la gerencia.

 Alcance demasiado largo o confuso.
 Los objetivos del proyecto no son significativos o generan
conflicto con otros.
 No se tienen medidas claras de los resultados.
 No se destina un tiempo para la realización del proyecto.
 El proyecto no esta alineado con las
prioridades del negocio.
 Green Belt / Black Belt no entrenado.
 Información no disponible.
 El proyecto no utiliza una metodología de mejora.
Seis sigma es una filosofía enfocada a la

mejora continua.
Página 14
Justificación
El concepto Seis Sigma ayuda a conocer y comprender los procesos, de tal

manera que puedan ser modificados al punto de reducir el desperdicio
generado en ellos. Esto se verá reflejado en la reducción de los costos de
hacer las cosas, a la vez que permite asegurar que el precio de los
productos o servicios sean competitivos, no mediante la reducción de
ganancias o reducción de los costos de hacer bien las cosas, sino de la
eliminación de los costos asociados con los errores o desperdicios.
La filosofía Seis Sigma busca ofrecer mejores productos o servicios, de una

manera cada vez más rápida y a más bajo costo, mediante la reducción de
la variación de cualquiera de nuestros procesos. Aunque a muchas personas
les ha costado entender, una de las grandes enseñanzas del Dr. Deming fue
buscar el control de variación de los procesos lo cual es medido por medio
de la desviación estándar. Decía el Dr Deming: “el enemigo de todo proceso
es la variación, por lo que es ahí en donde debemos concentrar el esfuerzo
hacia de la mejora continua”, pero sobre todo porque “La variación es el
enemigo de la satisfacción de nuestros clientes”.
Por lo anterior se pretende mostrar la aplicación de esta metodología en un

caso práctico de proyecto de mejora, donde en forma clara se describan los
pasos a seguir con la metodología Seis Sigma.
Página 15
Hasta ahora hemos mencionado algunos nombre de personas que han
contribuido a lo que es hoy 6 sigma, a continuación se hace mención de mas
“gurús” y su aportación a ésta herramienta:
Guru Contribución
Philip B. Crosby Involucramiento de la dirección (ID), 4 absolutos de la calidad, evaluar costo
de calidad
W. Edwards Deming Ciclo de mejora PHEA, ID, enfoque a mejorar el sistema, constanc ia de
propósito
Armand Feigenbaum Control total de calidad / Gestión e ID
Kaoru Ishikawa Diagrama causa efecto, CWQC, cliente sig. Op.
Joseph Juran ID, trilogía de la calidad, mejoramiento por proyecto, medir cos to de calidad,
Pareto
Walter A. Shewhart Causas asignables vs comunes, Cartas de control, ciclo PHVA, usar
estadística para mejora
Genichi Taguchi Función de pérdida, relación señal a ruido, Diseños de experimen tos, diseños
robustos
Figura 2 Gurús de Calidad
Enunciaremos algunas ventajas que tiene la implementación de un sistema

Seis Sigma en comparación con otros Sistemas de Calidad:
6σ vs. Calidad Total / CT vs. 6 σ

Ventajas Seis Sigma vs. Calidad Total Ventaja s Calidad Total vs.
Seis
Sigma
Mayor uso de técnicas estadísticas en la Realiza un diagnostico operativo y cultural
implementación de proyectos de mejora. en la empresa antes de llevar a cabo la
implementación del sistema.
Las técnicas estadísticas son más fáciles de Propone el desarrollo de políticas de
comprender y de seleccionar ya que utiliza un calidad las cuales deben de ser son
lenguaje más digerible para la mayoría de los congruentes con los planes estratégicos de
usuarios. la empresa.
Utilización de reportes de Confiabilidad para la Dicta procedimientos de entrenamiento,
selección de proyectos de mejora. educación y reconocimiento a los logros de
calidad (mayor administración del recurso
humano).
La selección de los equipos de mejora y Propone el uso de un sistema de
Página 16
entrenamiento son más robustos ya que es Aseguramiento de Calidad, el cual
conducida a través de grupos de gente que proporciona la certeza de que el resultado
poseen el conocimiento, experiencia, disciplina del proceso productivo tendrá los niveles
técnica, liderazgo y conocimientos en el área de calidad deseados.
específica. (Champions, Black Belts, Green
Belts, etc.)
Realiza estudios de la capacidad del proceso, Desarrollo de círculos de calidad mediante
cuando los índices Cp  2.0 y Cpk  1.5, se los cuales se forman grupos voluntarios de
tiene un buen indicador de que se está trabajadores para discutir temas
logrando el nivel Seis Sigma. relacionados con la calidad, fortaleciendo

la actitud de los trabajadores hacia el
trabajo.
Análisis de los proceso críticos mediante las
técnicas de Diseño de experimentos
y Superficie de respuesta.
Para la implementación y control de las
condiciones óptimas del proceso se utiliza en
gran medida el Diseño de experimentos, CEP y
Superficie de respuesta.
Análisis de los sistemas de medición
(calibración), como parte de la metodología.
Garantiza el cumplimiento mediante
muestreos aleatorios.
Los objetivos son medidos mediante el logro
de la métrica 6 σ, y las utilidades que genera

cada proyecto.
Tabla 1 Comparativos 6 σ y Sistemas de Calidad
Desventajas de los sistemas de Aseguramiento de Calidad vs. Seis Sigma

 El sistema de comunicación es lento.
 La calidad depende de las inspecciones que realiza el departamento de
Aseguramiento de calidad.
 Cuando un auditor descubre oportunidades de mejora, pueden existir
fricciones entre los administradores de línea y en ocasiones las
recomendaciones no se llevan a cabo.
Página 17
 Los auditores son los únicos que hacen llegar disconformidades a la alta
gerencia.
 El seguimiento de las recomendaciones corresponde exclusivamente al
departamento de auditoria y en ocasiones no se involucra a la alta
administración.
 Cuando las auditorias son anunciadas (que sucede en la mayoría de los
casos), los departamentos auditados se dedican a maquillar y ocultar
datos y evidencias.
 Al llevar a cabo una auditoria es frecuente que las relaciones humanas
sean bastante tensas.
Objetivos
1.1 Objetivo general:
El objetivo general es el desarrollo de un proyecto de aplicación de la
metodología 6 sigma que muestre en forma clara y concisa los pasos a seguir;
servirá como una guía que facilita la comprensión de aplicación de los
diferentes métodos y herramientas estadísticas para la mejora de la calidad.
Objetivos específicos:
 Aplicación de la metodología seis sigma para mejorar la calidad y
productividad de una planta de bebidas, reduciendo la variabilidad en el
proceso, asegurando las características de calidad establecidas para el
producto.
 Se pretende que este documento sea una guía, tanto para la capacitación
como para la consulta, de todos aquellos que lleven a cabo la
implementación de proyectos de mejora bajo la metodología Seis Sigma.
 Mostrar como se pueden utilizar el Minitab y Excel para reducir el tiempo
de desarrollo de los proyectos.
0.1 Alcance
Página 18
Mejorar la calidad y productividad del proceso.
0.2 Planteamiento del problema
El uso de la Estadística para el mejoramiento de la calidad en la mayoría de

los casos no ha sido difundido a todas las áreas de las empresas,
principalmente por que no se conocen los beneficios que se pueden obtener,
en el manejo y análisis de información y porque existe una cantidad de
deducciones y fórmulas matemáticas, que solo conocen aquellas personas que
son especialistas en el área.
La mayoría de los ingenieros se han enfocado en aspectos meramente

técnicos, dejando a un lado las técnicas de medición y análisis de información
proporcionados por la Estadística., siendo que en la mayoría de las veces los
problemas pueden ser resueltos mediante la ayuda de dichas técnicas.
Dentro de una organización existen personas con diferentes perfiles y

diferentes niveles de conocimiento, lo que dificulta la transferencia de las
herramientas.
Para lograr la adecuada implementación de Seis Sigma se propone que este

documento sea una guía que describa paso a paso la aplicación de la
metodología Seis Sigma en el mejoramiento de la calidad de los productos. Es
importante que la implementación de Seis Sigma sea realizada por personas
que posean liderazgo y adecuado conocimiento del tema, además de poder
conducir equipos de trabajo y administrar proyectos.
Actualmente el problema que se tiene en el proceso es la variación en una

característica, que nos genera un costo en la producción.
Página 19
De tal manera que haciendo uso de diferentes técnicas estadísticas nos sirvan
de apoyo para realizar mejoras en el proceso y lograr el objetivo planteado.
0.3 Metodología
La metodología que se va a emplear es la aplicación de seis sigma en

conjunto con kaizen, para lograr los resultados en un plazo no mayor a 3
meses.
Este documento consta de 7 capítulos en los cuales se explican las diferentes

metodologías y herramientas que se pueden utilizar en la aplicación de un
proyecto que se maneje bajo la metodología de Seis Sigma.
1. Capitulo 1 Introducción a la metodología seis sigma

2. Capitulo 2 Fase de Definición
3. Capitulo 3 Fase de Medición
4. Capitulo 4 Fase de Análisis
5. Capitulo 5 Fase de Mejora
6. Capitulo 6 Fase de Control
7. Capitulo 7 Proyecto de mejora
Página 20
CAPITULO 1 INTRODUCCION A LA
METODOLOGÍA SEIS SIGMA
Seis Sigma es un sistema diseñado cuyo objetivo de “cuasi perfección” en la

satisfacción de las necesidades del cliente5.
Otra forma de definir seis sigma es como un esfuerzo de “cambio de cultura”

radical para posicionar a una empresa de manera que satisfaga mejor a los
clientes y hacerla más productiva y competitiva.
Seis Sigma: Un enfoque completo y flexible para conseguir, mantener y

maximizar el éxito en los negocios. 6 σ funciona especialmente gracias a una
comprensión total de las necesidades del cliente, del uso disciplinario del
análisis de los datos y hechos, y de la atención constante a la gestión, mejora
y reinvención de los procesos empresariales.
La metodología fomenta en gran medida el trabajo en equipo, debido a que en

la mayoría de las herramientas, el mecanismo para proponer ideas que nos
conducen a la solución de problemas, es el resultado de la participación de
todas las personas involucradas. La mejora continua de los procesos es el
objetivo común de cada uno de los miembros.
En un principio es difícil integrar a las personas para realizar sus proyectos y

que dediquen el tiempo necesario para hacerlo, sin embargo cuando la gente
adopta Seis Sigma como una Cultura además de realizar sus proyectos aplica
la metodología en su trabajo diario, para la solución de problemas y mejora de
los procesos.
5
Pande Peter, Neuman Robert “Las claves de Seis Sigma“
Página 21
La Estadística es utilizada en gran medida dentro de la metodología, pero hay
que aclarar que está es un medio y no un fin. A los clientes no les importa que
un producto haya sido producido bajo el esquema Seis Sigma, cuando tiene
fallas o defectos, lo que les interesa es tener un producto de excelente
calidad, a tiempo, sin defectos y que sea lo más económico posible.
El nivel de capacitación requerido es muy alto en la implementación, implica

costos ocasionados por capacitación, tiempos, materiales, entre otros; sin
embargo el retorno de la inversión puede ser muy grande, cuando los
proyectos son bien conducidos, ya que los ahorros y/o mejoras que se
presentan cuando un proyecto 6 sigma funciona son cuantiosos.
La eliminación o reducción de la inspección es un punto muy importante

dentro de la metodología, al seguir las diferentes técnicas; por ejemplo con el
uso de sistemas Poka-Yoke entre otras la inspección deja de ser necesaria, se
busca el origen de las causas de los defectos para eliminarlos al máximo.
La implementación de la filosofía Seis Sigma requiere que los directivos,

Champions, Green Belt, Black Belt, técnicos y otros responsables del
departamento de calidad que sean capaces de desempeñar el papel de
administradores del sistema de calidad y de proporcionar técnicas específicas
especializadas a los grupos de operación, para poder realizar sus proyectos.
La selección adecuada de los proyectos tendrá una especial incidencia en el

éxito de la implantación de la filosofía Seis Sigma en la empresa.
El resultado de proyecto general se mide por la suma del ahorro económico

que ha presentado el mismo. Es importante que el Champion, directivos,
Black Belts dediquen tiempo a discutir con los miembros del equipo en fase de
formación y les ayuden a elegir correctamente el tema de su proyecto de
mejora.
Página 22
Hoy en día los cálculos manuales toman mucho tiempo además de que la
probabilidad de cometer un error es muy grande, se recomienda ampliamente
la adquisición de un Software como por ejemplo el Minitab, ya que es una
herramienta muy poderosa que ayuda al manejo de los datos
estadísticamente hablando.
1.1 La métrica de Seis Sigma

El nivel sigma, es utilizado comúnmente como medida dentro del Programa
Seis Sigma, incluyendo los cambios o movimientos “típicos” de  1.5 σ de la
media. Las relaciones de los diferentes niveles de calidad sigma no son
lineales, ya que para pasar de un nivel de calidad a otro, el porcentaje de
mejora del nivel de calidad que se tiene que realizar no es el mismo, cuando
avanzamos a un nivel mayor el porcentaje de mejora será más grande.
La tabla siguiente muestra el porcentaje de mejora requerido para cambiar de

un nivel sigma a otro mayor.
Nivel actual Cambio Porcentaje de mejora

requerido
3 4 10x
4 5 30x
5 6 40x
Tabla 1.1
En esta otra tabla se aprecia la cantidad de defectos por cada nivel sigma
Nivel en Defectos por millón de

sigma oportunidades
6 3.4
5 233.0
4 6,210.0
3 66,807.0
2 308,537.0
1 690,000.0
Página 23
Tabla 1.2
Realizando un comparativo de el nivel de calidad sigma de varias empresas se

determinó que el promedio de estas se encuentra en el nivel 4σ Las empresas
con nivel 6 σ son denominadas de “Clase Mundial” (World Class). El objetivo
de la implementación Seis Sigma es precisamente convertirse en una empresa
de Clase Mundial.
En la figura se muestra el concepto básico de la métrica de Seis Sigma, en

donde las partes deben de ser manufacturadas consistentemente y estar
dentro del rango de especificaciones.
La distribución normal muestra los parámetros de los niveles tres sigma y seis
sigma.
Figura 1.1. La figura muestra el número de partes por millón (ppm) que estarían fuera de
los limites de especificación tomando como límite el valor de cada desviación estándar. 6
LSL USL
6
Forrest W. Breyfogle III, “Implementing Six Sigma.”
Página 25
X
 6  5  4  3  2  1  1  2  3  4  5  6
Figura 1.2 Distribución normal centrada.
Con la distribución normal centrada dentro de los límites 6 σ, se tendría

únicamente una porción de 0.002 ppm.7
Para compensar las inevitables consecuencias de los errores de centrado de

procesos, la media de la distribución se desplazamiento  1.5 σ. Este ajuste
proporciona una idea más realista de la capacidad del proceso a través de
varios ciclos de manufactura.
El desplazamiento puede ser en dirección positiva o negativa, pero nunca en

ambas direcciones8
LSL USL
X
 6  5  4  3  2  1  1  2  3  4  5  6
Figura 1.3 Distribución normal descentrada 1.5 
7
Forrest W. Breyfogle III, “Implementing Six Sigma.”
8
Jurán . J.M. “Análisis y planeación de la calidad “
Página 25
Una medida que describe el grado en el cual el proceso cumple con los
requerimientos es la capacidad del proceso. Los índices utilizados son Cp y
Cpk, Un nivel Seis Sigma tiene la habilidad de lograr índices de 2.0 y 1.5
respectivamente. Para lograr esta capacidad la meta a alcanzar de un
programa Seis Sigma es producir al menos 99.99966% de calidad, no más de
3.4 defectos en un millón de piezas producidas en el largo plazo.
Nivel en Defectos por millón

sigma de oportunidades
6 99.99966 3.4
Tabla 1.3 5 99.9769 233.0
Porcentajes 4 99.379 6,210.0
3 93.32 66,807.0
y cantidad 2 69.13 308,537.0
de defectos 1 30.23 690,.000.0
a los que
correspond
en los
diferentes
niveles
“Sigma”
2. Mediciones para Seis Sigma
La letra griega minúscula sigma (σ) se usa como símbolo de la desviación

estándar, siendo ésta una forma estadística de describir cuánta variación
existe en un conjunto de datos.
La medida en sigma se desarrolló para ayudarnos a:
1. Enfocar las medidas en los clientes que pagan por los bienes y servicios.
Muchas medidas sólo se concentran en los costes, horas laborales y
volúmenes de ventas, siendo éstas medidas que no están relacionadas
directamente con las necesidades de los clientes.
2. Proveer un modo consistente de medir y comparar procesos distintos.
Página 26
3. Es de suma importancia medir la capacidad del proceso en
términos
cuantificables y monitorear las mejoras a través del tiempo.
Definiciones básicas9:
 Unidad (U): Es un artículo producido o procesado.

 Defecto (D): Cualquier evento que no cumpla la especificación de un
CTQ.
 Defectuoso: Una unidad que tiene uno o más defectos.
 Defectos por unidad (DPU): Es laDPU
cantidad

D de defectos en un producto
U
 Oportunidad de defectos (O): Cualquier acontecimiento que pueda medirse
y de una oportunidad de no satisfacer un requisito del cliente.
 Defectos por oportunidad (DPO):
D
DPO 
U O
 Defectos por millón de oportunidades (DPMO): Es el número de defectos

encontrados en cada millón de unidades.
 Capacidad del proceso: Capacidad del proceso para
cumplir especificaciones o requerimientos del cliente.
 Rendimiento estándar o de primera pasada YFT: Es el porcentaje de
producto sin defectos antes de realizar una revisión del trabajo efectuado.
 Rendimiento al final o de última pasada: YLT: Es el porcentaje de producto
sin defectos después de realizar la revisión del trabajo.
1.3 Cálculo de Sigmas del proceso.

Rendimiento de primera pasada (YFT) y última pasada (YLP)
Los resultados y el número de defectos pueden medirse antes o después de

que se detecten, corrijan o revisen los defectos. Los resultados se miden en %
9
Forrest W. Breyfogle III “Implementing Six Sigma”
Página 27
y el número de efectos en defectos por oportunidad (DPO) o defectos por
millón de oportunidades (DPMO).
Ejemplo:
Un proceso de manufactura de cable se cuenta con los siguientes datos:
Característica Cantidad
Unidades 1100
Defectos 310
Oportunidades de defectos 315
Defectos por oportunidad (DPO) = D 310


 0.01878
NO 1100*15
DPMO = 0.01878 X 1,000,000 = 18,780
De la tabla de conversión de sigma determinamos el valor que más se acerca

a 18,780 siendo este: σ = 3.6
0.3.1 Rendimiento al Final (YFT)

Es la probabilidad de que una unidad pase el ensamble final con 0 defectos
YFT = (1 - DPO) * 100
En el ejemplo anterior tenemos:

YFT = (1 - 0.01878) * 100 = 98.12%
Observemos la siguiente figura:
Subproceso YLP
N artículos Revisión de
Generación Subsistencia
Actividades de D1 Defectos de D2 Defectos
defectuosos Actividades
YFP
Página 28
Figura 1.4 Subproceso esquematizado
En este subproceso podemos observar la entrada de N artículos con cero

defectos, se realiza un trabajo en el cual hay D1 defectos, resultando el
rendimiento a la primera (YFP), después se revisa el trabajo y al final subsisten
D2 defectos, siendo este el rendimiento en la inspección final (YLP).
0.3.2 Rendimiento Real o Estándar (YRT)
Mide la probabilidad de pasar por todos los subprocesos sin un defecto, se

determina con el producto del resultado de cada paso:
 Y F P  Y FP ...... Es un rendimiento sensible a pasos y defectos en los
Y FP1 Y 3 n
FP
2
pasos.
Rendimiento Normal (YN)
El rendimiento normal mide el promedio de rendimientos por los pasos del

proceso. Es el promedio exponencial basado en el número de pasos del
proceso, no es un promedio aritmético.
YN  n YRT , donde n es igual al número de pasos en el proceso.
Ejemplo:
Considerando los siguientes datos:
Característica Rendimiento
Subproceso #1 96%
Subproceso #2 99%
Subproceso #3 97%
Subproceso #4 98%
Calcular YRT y YN
YRT = 96%*99%*97%*98% = 90.34% ó 0.9034 que es la probabilidad de

que el producto pase sin error.
Página 29
n 4
YN  YRT  0.9034  97.49%
Nota: El rendimiento Normal es el promedio del rendimiento del proceso;

Sigma es calculada a partir de un rendimiento Normalizado.
Diferencia entre YRT y YFT
Rendimiento real o estándar (YRT) Rendimiento al final (YFT)

Rendimiento tomado en cada paso del Rendimiento al final del proceso
proceso oportunidad)
Rendimiento antes de la inspección o la Es el rendimiento después de la inspección ó

prueba la prueba
Incluye retrabajo y desperdicio Excluye el retrabajo y el desperdicio
Siempre <YFT Siempre >YRT
Observa la calidad de todas las partes que Sólo observa la calidad del producto
conforman el producto terminado. terminado
Tabla 1.4 Rendimientos
Variación a largo plazo vs. Variación a corto plazo (Z-Value):
Largo plazo (ZLT)

: Son los datos tomados durante un periodo de tiempo suficientemente largo y
en condiciones suficientemente diversas para que sea probable que el proceso
haya a experimentado todos los cambios y otras causas especiales.
ZLT = (límite especif. - media)

std devLT
Corto plazo (ZST)

: Son los datos tomados durante un periodo de tiempo suficientemente corto
para que sea improbable que haya cambios y otras causas especiales.
ZST = (límite especif. - nom)

desv. stdST
Página 30
Para el cálculo de datos a largo plazo a partir de datos a corto plazo restamos
1.5, debido a los desplazamientos que sufre la media debido al cambio natural
en los procesos.
ZST = ZLT + 1.5

ZBenchmark = ZYN + 1.5
Donde:
ZST = Z a corto plazo.
ZLT = Z a largo plazo.
YN = Rendimiento
Normal
Ejemplo:
Un proceso tiene un YRT =
0.9034 con 4
operaciones. Determine
YN y Zbenchmark
n 4
YN  YRT  0.9034  97.49%
Z benchmark = 0.9747+1.5=
2.474
Existen 2 métodos para calcular el valor de Sigma (La sigma del proceso que
es la sigma a corto plazo ZST), y 2 herramientas que ayudan a obtener el
valor, las cuales se exponen a continuación:
METODO 1 (Utilizando en Excel):

1. El rendimiento es igual a Yrt = 1 – DPU o Yrt = 1 – D / DPO
2. La Z sigma a largo plazo Zlt = distr.norm.estand.inv(Yrt)
1. Se determina Zlie y Zlse en base a las especificaciones
3. La Z sigma a corto plazo o Sigma del proceso = Zst = Zlt + 1.5
2. Se determina la fracción defectiva P(Zlie) y P(Zlse)
Con P(Zlie) = distr.norm.estand.inv(Zlie) y P(Zlse) =
3.
METODO distr.norm.estand.inv(-
2 (Utilizando en Excel):
Zlse)
4. La fracción defectiva total es P(Zt) = P(Zlie) + P(Zlse)
Página 31
5. El rendimiento se determina con Yrt = 1 – P(Zt)
6. La Z sigma a largo plazo Zlt = distr.norm.estand.inv(Yrt)
7. La Z sigma a corto plazo o Sigma del proceso = Zst = Zlt + 1.5
METODO 1 (Utilizando MINITAB):

1. La Z sigmas del proceso a largo plazo en base al rendimiento se determina
como: Calc > Probability Distributions > Normal
Seleccionar Inverse Cumulative probability Mean 0.0 standar deviation
1 Input constant valor de Yrt OK, se obtiene la Zlt de largo
plazo.
2. La Z del proceso se determina con Zst = Zlt + 1.5
A continuación se presenta una ayuda gráfica paso a paso para determinar los
valores de Z
Página 32
Página 33
TABLA DE CONVERSIÓN DE CAPACIDAD

DEL PROCESO EN SIGMAS – METODO 1
Página 34
Página 35
CURSO DE SEIS SIGMA Tabla Z – Método 2 P. REYES / FEB. 2006
Página 36
CURSO DE SEIS SIGMA P. REYES /
FEB. 2006
1.4 Diez pasos de Motorola para la mejora de procesos
Motorota sugiere una serie de pasos para mejorar el desempeño de los
procesos utilizando la metodología Seis Sigma, como se muestra
continuación: a
Priorizar oportunidades
demejora
de mejora
Seleccionar equipo de
trabajoadecuado
trabajo adecuado
Describir el proceso
en su
en sutotalidad
totalidad
Análisis del sistema

demedición
de medición
Identificar y describir los

procesos y productos
procesos criticos
y productos
criticos
Aislar y verificar los
procesoscríticos
procesos críticos
Estudio del desempeño del

proceso y medición
proceso de ladecapacidad
y medición la
capacidad
Acción requerida en el proceso
Si Proceso No proceso
• Rediseño de equipo/proceso
• Rediseño
•Rediseño de producto
de equipo/proceso
capaz? • Acción dede
•Rediseño la producto
gerencia
•Acción de la gerencia
Implementar condiciones
Implementar de operación
condiciones de
operación
y control óptimas
y control óptimas
Monitoreo
Monitoreo de de procesos
procesos aa
través
través de lademejora
la mejora
continua
continua
Reducir causas comunes de
variaciónalcanzado
variación alcanzado6σ6
Cp  2 No
Si y
Cpk 
MEJORA CONTINUA 1.5
Página 37
1. Priorizar oportunidades de mejora: Conocer y especificar los problemas

haciendo las siguientes preguntas: cómo, cuando, donde, por qué y quién.
Indicar cual es el impacto al cliente, confiabilidad, calidad del producto,
costos de calidad.
2. Seleccionar el equipo de trabajo adecuado: Seleccionar un pequeño

grupo de gente que conozca el producto/ proceso, con la experiencia,
disciplina técnica y conocimiento en el área relativa. Establecer el rol del
equipo y de cada miembro, Seleccionar un Champion que será el
encargado de proporcionar los recursos, conducir y asesorar al grupo.
3. Describir el proceso en su totalidad: Mediante el uso de diagramas de

flujo ilustrar las posibles variaciones y alternativas de el proceso.
Incluyendo todo el equipo, gente, métodos, herramientas instrumentos y
equipos de medición.
4. Análisis del desempeño de los sistemas de medición: Determinar la

exactitud, repetitibilidad y reproducibilidad, linealidad y estabilidad de cada
instrumento o indicador utilizado, para asegurar que la capacidad de los
mismos sea la adecuada, a lo más del 10% de la variación total permitida
para características críticas o 30% máximo para características no críticas.
Asegurar que la resolución de la división o dígito más pequeño sea al
menos 10 veces mayor que la magnitud que se va a comparar. Por
ejemplo si la tolerancia es de 10 mm. el medidor debe tener una resolución
o distancia entre marcas de al menos 1 mm.
5. Identificar y describir los procesos y productos potencialmente

críticos: Enumerar todos los procesos críticos potenciales, mediante el uso
de tormentas de ideas, datos históricos, reportes de rendimiento, análisis
de falla etc.
Página 38
6. Aislar y verificar los procesos críticos: Reducir la lista enfocándonos a

los pocos vitales, identificar las relaciones de entrada y salida que provocan
problemas específicos. Verificar las causas potenciales de variación en los
procesos, mediante el uso de diseño de experimentos, diagramas de
dispersión, y diagramas multivariados.
7. Estudio de el desempeño del proceso y medición de la capacidad:

Identificar y definir las limitaciones de los procesos. Asegurar que los
procesos sean capaces de alcanzar su máximo potencial. Determinar las
especificaciones “reales”. Se considera que un proceso es capaz cuando Cp
 Cpk  1.0 , si el proceso es capaz se continúa con el paso 8. , de lo

contrario se requiere tomar acciones rediseñando el proceso o el producto.
8. Implementación de condiciones de operación y control óptimas:

Llevar a cabo un plan permanente de acciones correctivas para prevenir
causas especiales de variación. Es necesario tener un proceso estable y
predecible, por lo cual se deberá tener continuamente controles de
proceso.
9. Monitoreo de procesos a través de la mejora continua: Los sistemas,

métodos, procedimientos deberán de ser modificados cuando sea necesario
para evitar las causas especiales de variación. También será necesario
identificar las acciones futuras requeridas para mejorar el proceso.
10.Reducir causas comunes de variación para alcanzar Seis Sigma: Se

deben reconocer las limitaciones del proceso. Solamente a través de la
reducción y eliminación de las causas comunes de variación y el diseño
para la manufactura es posible alcanzar el nivel Seis Sigma. Una vez que
las causas especiales se han eliminado solamente pueden permanecer
Página 39
causas comunes las cuales se irán eliminando a través de la mejora
continua de los procesos.
1.5 Las fases DMAIC de Seis Sigma
La metodología Seis Sigma es un método disciplinado de mejora de los

procesos conformado por las fases siguientes: Definición, Medición, Análisis,
Mejora y Control (DMAIC), como se explican con más detalle a continuación:
Figura 1.5 Fases de DMAIC
En el siguiente capítulo se verán las herramientas más utilizadas en la Fase de

Definición, en la cual se debe de definirse claramente en que problema se ha
de trabajar?, Porqué se trabaja en ese problema en particular?, Quién es el
Página 40
cliente?, Cuáles son los requerimientos del cliente?, Cómo se lleva a cabo el
trabajo en la actualidad?, Cuáles son los beneficios de realizar una mejora?.
Página 41
CAPITULO 2. FASE DE DEFINICION
2.1 Introducción
El propósito de esta fase es identificar el problema a resolver, estratificando

tanto como sea posible, por ejemplo: reclamación de un cliente por falla,
identificar la familia de productos por importancia mediante el uso del
diagrama de Pareto, después identificar el producto, la línea donde se hace, el
equipo específico, etc. En este momento ya se puede definir el problema y la
oportunidad de mejora.
En esta fase la primera de la metodología de Seis Sigma, se trata de detectar

cual es el problema, definir los CTQ´s (Critico para la calidad) con base en la
voz del cliente (VOC), el impacto que tiene para el negocio la realización del el
proyecto, las metas que se pretenden lograr, el alcance y los ahorros
financieros.
Página 42
Las Herramientas a utilizar pueden ser:
DDM
DMAIC
D
MMAA
Definir
DDe D Medir Analizar Mejorar Controlar
eDeeff
MMM AIAIIAACnC
nn MMMeee CCCooonn
eeed
ffiiiinnn
1. Mapa de Proceso
C aaallliiiz jjjooorraaa nttrr ooollaa
111.. MMMaaapppaaa dddeee ddiiirr azazarrr rr arr
niiiirrrrde la
2. Despliegue
PPPrr oooccceeesssooo
Función de r
222Calidad
.. (QFD)
3.DD
D Modelo
eeesssppp Kano
lliieeeggguuu
4. Diagrama
eee dddeee ll aaa
Matricial
5. F
Benchmarking
FFuuunnnccciióóó
6. Costos de
nnn dddeee
Calidad
CCCaaalliidddaaad
dd
((QQQFFFDDD))
333.. Figura 2.1 Herramientas en la Fase de Definir

MMMooodddeeellooo
KKKaaannnooo
444..
DDDiiaaagggrraaamm
Los
maaa objetivos de esta fase son:
MMMaaattrr iiccciiaaa
 ll Definición del problema
 555.Establecer
.
el Alcance del proyecto
BBBeeennnccchhhmm
 maaaConocer
rr kkkiinnnggg el uso de las herramientas de la fase de definición
666..
CCCooosssttooosss
2.2
dd ee
Etapas de la fase de definición
d e
CCCaaalliidddaaaddd
Las etapas de la fase de definición son las siguientes:
Identificación de clientes internos y externos:
El primer paso en la definición de un proyecto es identificar cuales son los

clientes a los cuales el proceso impacta, se define como cliente interno a la
persona o las personas siguientes en el proceso, esto es dentro de la
compañía. Como se describe a continuación hay 2 tipos de clientes y son:
Página 43
 Cliente Interno: Es el personal interno afectado por el producto o
servicio generado (siguiente operación).
 Cliente Externo: Los clientes externos son todos aquellos a los que la
empresa provee un producto o servicio, estos se dividen en usuarios
finales, clientes intermediarios y otros que son impactados pero que no
usan ni compran el producto
o Usuarios finales: comprar o usan el producto para su uso
o Intermediarios: comprar el producto para su reventa, reempaque,
modificación o ensamble final para venta al usuario final. Ejemplo:
detallistas, distribuidores, mayoristas, etc.
o Grupos impactados: no compran ni usan el producto pero son
impactados por el. Por ejemplo la comunidad, gobierno, padres,
grupos civiles, etc.
Determinar los CTQ´s del proyecto:
CTQ Critico para la calidad (Critical to Quality), es un atributo o característica

de calidad de un producto o servicio que es importante para el cliente.
Nota: También existen otros conceptos como:

o Características Críticas para la Entrega (CTD´s)
o Características Críticas para los Costos (CTO´s)
o Características Críticas para el Proceso (CTPs)
o Características Críticas para la Satisfacción (CTS´s)
o Características Críticas párale Control (CTC´s)
Tanto en los CTQ, CTD y CTC el objetivo para la empresa es reducir los
costos, aumentar la satisfacción del cliente y aumentar las utilidades.
Página 44
Para determinar los CTQ, tenemos que conocer la voz del cliente interno o
externo (VOC), o sea que es lo que espera nuestro cliente acerca del servicio
o producto que le proporcionamos. Mediante la voz del cliente podemos saber
cual es el grado de satisfacción que este tiene.
Para determinar los CTQ´S se pueden tomar como base lo siguientes puntos:
 Metas del negocio

 Entrevistas
 Encuestas
 Quejas
 Datos de Benchmarking
 Discusiones ejecutivas
 Discusiones de trabajo específico
 Matriz de Causa Efecto
 QFD
 Tendencias del mercado futuras
Selección del problema:

El problema se puede dar debido a: devoluciones, bajo nivel de servicio,
entregas tardías, desperdicios, producto defectuoso, documentos inadecuados.
El problema se selecciona basándose en las políticas de la organización, al

grupo de trabajo, jefe inmediato y a los resultados de sus actividades diarias.
Criterios para seleccionar el problema

 Seguridad
 Calidad
 Costo
Página 45
 Entrega
 Nivel de servicio
Es muy recomendable expresar los antecedentes, la importancia y la prioridad

de los problemas. Se debe de explicar porqué se seleccionó el problema ya
sea por:
1. Efecto económico, reclamo de mercado, rechazos, % de ventas pérdidas,

disponibilidad otros.
2. Impacto para los procesos posteriores, monto de pérdida, incremento de
tiempo de operación, paro de línea, desperdicio, costo de falla, baja
eficiencia etc.
Entre todos los integrantes del equipo pueden evaluar las razones arriba
descritas y enfocarse en un solo tema.
Impacto en el negocio:
En este punto se enuncia como impacta la mejora del proceso al negocio. Se
mencionan cuales serían las consecuencias en caso de no realizar el proyecto.
Se debe conocer cual ha sido la situación en el negocio debido al proceso
actual. Qué nos ha ocasionado: Pérdida de clientes? Incumplimiento en los
niveles de servicio?, Así como cuantificar (en porcentajes y en pérdidas de
utilidades).
Es importante describir como se alinea el proyecto con las iniciativas y metas

del negocio. Estas últimas son definidas por la dirección.
Descripción del problema:

Se debe estratificar (se recomienda utilizar la herramienta estadística de 5
porque?) para definir el problema que tiene el proceso, el producto o el
servicio de forma específica, indicando cualitativamente de ser posible en
Página 46
cifras, o porcentajes que demuestren la necesidad de modificar su estado
actual. Es necesario expresar concretamente el grado del problema. (se
recomienda no dejar el tema demasiado amplio). Es mejor no usar la solución
para nombrar un problema, sin antes realizar la búsqueda de la causa
verdadera (llamada también causa raíz), se creará duda de si esa solución es
la definitiva.
Definición y Alcance del proyecto:

Para determinar los objetivos del proyecto nos cuestionamos ¿qué es lo que
vamos a obtener con la realización del proyecto? Generalmente es mejorar e
implementar el proceso para una fecha específica. El Alcance nos sirve para
delimitar el proceso, es decir:
 Punto de inicio: Identificar la actividad en donde empieza el

proceso.
 Punto final: Identificar la actividad donde termina el proceso.
 Dentro del alcance: Actividades que se encuentran dentro del proceso.
 Fuera del alcance: Actividades que no están dentro del proceso.
La realización de los proyectos normalmente son asignados a líderes de

proyecto denominados “Green Belts ” quienes aplican la metodología
10
Seis Sigma en los proyectos de mejora del desempeño de los procesos.
 Ahorros: Identificar de dónde se van a obtener los ahorros

tanto financieros como no financieros para el proyecto tales como:
 Utilidades adicionales por mejoras en costo, calidad, disponibilidad

 Menores pérdidas por desperdicio, devoluciones, garantías, costo de falla,
baja eficiencia, etc.
10
Persona entrenada en la metodología de Six Sigma y como facilitador , que trabaja de tiempo parcial en la
realización de proyectos de mejora junto con equipos de trabajo. Workout for Six Sigma Pocket Guide
Página 47
 Costos de: personal, materiales, equipos, rentas, subcontratación,
consultoría, fondos de contingencia
Cabe mencionar que no siempre hay ahorros financieros, si el CTQ se deriva

de una mejora de la competencia, se hará una inversión.
0.3.3 Selección del equipo de trabajo.
- Seleccionar a las personas clave que intervienen o que están involucradas

directamente y que reciben beneficios del proceso.
- Incluir nombre, posición roles y responsabilidades a desempeñar en el
desarrollo del proyecto.
- Es necesario incluir además de los miembros del equipo, al Champion del
proceso así como un Black Belt que apoye y asesore a los equipos de
proyecto guiados por Green Belts.
Recomendaciones:
- Se debe definir claramente el problema (proyecto)
- Definir el cliente, sus CTQ y los procesos involucrados
- Medir el desempeño de los procesos involucrados
- Analizar los datos colectados y el mapa del proceso para determinar las
causas raíz de defectos y oportunidades de mejora
- Mejorar el proceso seleccionado con soluciones creativas para corregir y
prevenir la reincidencia de problemas
- Controlar las mejoras para mantener su curso
A continuación se presenta la fase de medición donde se colectan datos para

establecer un diagnóstico de la situación actual del problema y sus posibles
causas.
Página 48
2.3 Mapa del proceso:
Entradas Proceso Salida
Proveedor Cliente
Realizar un mapeo del proceso de alto nivel, identificando cuales son los
proveedores, entradas, proceso, salidas, clientes. Comúnmente llamado
SIPOC.
Construcción de un Diagrama SIPOC ó COPIS:
1) El equipo crea el mapa de proceso apoyado con Post Its pegados a la

pared
2) El proceso puede tener 4 o 7 pasos claves ¿Cómo se transforma el
producto?
3) Listar las salidas del proceso ¿Cuál es el resultado final, producto o servicio
de este proceso?
Página 49
4) Listar los clientes de la salida del proceso ¿quién es el usuario final del
proceso?
5) Listar las entradas del proceso ¿De dónde vienen los materiales?
6) Listar los proveedores del proceso ¿quiénes son los proveedores clave?
7) Como paso opcional identificar algunos requerimientos preliminares de los
clientes
8) Involucrar al líder del equipo, champion, y otros grupos interesados en la
verificación del proyecto
CC
ClienteCClientl C SSSS aliaa
Salida Proceso
PP PProcro P Entrada
EE EEntntI Proveedor
PPPProrovrrS
liliientente lallidaidaid 1. Recibir crrococ ese Llamada,ntnt radara
Identificación ovovveeedee
Ing.
Cliente,
ntCdeee le eni nntt ee C
ilee
CCSoporte
ile
Cde ooonnnfrfri mmm
CCReporte
amda O
Confirmación y Número
aaaccció
O del
iói ónnn 111.registrar
la llamada y
. RRReeecccproblema
esessoooo
iibbbiirr
LLLala
ll mmmaContrato
a
Persona,
IIdddeda
Vigente,
aadddaaa,,
nradara
eennDescripción ici aaacccidel
ttiiffcic ói ónn
ió
Cliente
doreedor
CCClieli edo
Nombre
yyyNNNúúúdel mm Ing.
eeerrooo dddeee ll aaaCliente Problema lieennnt
ror S
e,, IInnnggg..dddeee Asignado n
RRReeepppooorrtteee Paammmaaadddaaa yyy
lllla
PePePedarr sssooonInnaaa,,CCCoo tteee
SSoSoo
pppooorrtteee NNNooommmbbbrreee dddeeell rr eeegggiissstt rr aaarr Problemas
nnnottrrbaaaltetoParecidos
orP ya
P rPr oo bb l oeeooRegistrados
Resueltos mmmaaasss
Base de Problemas,
IInnnggg..ASoluciones
Posibles AsAsgg
isig
i nnnaaadddooo ppprrooobbblleeemmmaaa BaBaBaCliente,
ssseeedddeee
Ing. de sistemas del PoPoPoImplantación
sssbi bi ibllee
l esss de la 2. Analizar problema y Info.
V
PiVg
a iagerTécnica
PiaVPg reeeeencnccdtididiedetallada
n tee ,, s y ade
ooo ss yy aa
IInnnggg.cliente
.dddeee Plan 222proponer
.d
. AddAA
een llnaaasoluciones
lliizzzaaarr
en la instalación del Cliente Expertos
PPrProrooTécnicos
bbblel m
e mmaaasss,,
SSolución
SoSoolulul ucccoioionnneeesss
DDDe
R eeessssucccreriiplp
e ss uu ee lltp
Recomendaciones
RR e
c sió
toococde
ió ó
n
sis onnoo
sssss
is
i tteeemmma pp
CCpCrrlloiio bn
eoee lletteem
bbnn eemmaaa Expertos
dddee ee ll g si t r a d o s CCCle
liei nnntteee,,
ie
Pal PlaPlannn R RR ee gg si t r aa dd oo ss
aasss dddeeell yyy
EEExxxpppeeerrttooosss
IImmmpppala
lal nnnttaaaccciióóó IP rP o b l eeem
I nrPnrnfofoooobb..lTT Téém ém cccanaanncici aaa
cccie
il e
il ennntt eee ppprrooopppooonnneeerr
Plan de Implantación, TTTééécccnnncici ooosss
nnn dddeee llalaa d
P lPl
dda e
Ple
ae an
t ta
nn
Pruebas y Contingenciaaadl
all
add
d ed d
e e a a a d d
d eee al lala
Posibles Soluciones sssooolluuuccciiooonnneee
Ing. de sistemas del PoPoPoImplantación
sssbi b
i iblleel esss
IInnnggg.cliente
.dddeee Plan
SoSoSoul u l uccció ió i ónnn de la 3. Corregir el Problema nde
IinIinm s
i m la t Solución,
p
a all a n c
ssmt papaalal aann ctc a t a
ói ói cncnóiói nnn,,
ió
anc ói Ing. de Soporte
333s..sC
s CCooorr rr eeegggiirr IInnnggg..dddeee
SSolución
SoSo ulul ccoio nneeesss
o
l u
c oi n Otras recomendaciones y
sssss
is
i tteeemmma drinstrucciones
P Pdd eu
rPr eu l e C b
eul eeCCbbl e lei
a ieiaa nnsstteyyeye
ns
eeell P
rPrProoobbblleeemmmaaa SSSooopppooorrttee
Pal PlaPlannn
aasss dddeeell RC
C Ceoe
RR oeocnccnnoto
toiiinmnnmgmggeeeeeennnnnndcddccaiia e
IImmmpppala
lal nnnttaaaccciióóó
cccie
il e
il ennntt eee aa caccdiioddooenee
Aprobación nnalela
eeladesss ladddeee
Reporte
n
de Solución A ApAprr ooobbbaaaccciióóónnn
pSolución,
Cliente, RnRnRdededeepepepollaolaoarrtteedel
e ddd eee 4. Cerrar el reporte del Cliente
CCCle il eni n
ile ntteee,, Documentación Caso 444.problema
. CCCeeerr rr aaarr eeell
ExS
S ES o p ul ec rói
xExooppulul eeccróióit ot onnons,,ss CCCeie
iliennnttee
Organización Interna Resumen
dddeee al lala del Reporte de Ing. de Soporte
Registro
SoSo
SoS oS ul
Sooululu c BD i
luucccccóió
ió i nóde
ióó nnproblemas
nnn
OOOrrgggaaannniizzzaaacc Falla
OOOttrraaasss
rr eeepppooorr tteee eIInnnggg..dddeee
SoSoSoul u l uccció ió i ónnn,,
DDDooocccuuummmeeennnttaaacc rreeecccooommmeeennndddaaacc
cóióiói nnn IInnntteeerr nnnaaa dddeeell SSSooopppooorrttee
RRReeess uuummmeeennn
cóiói nnn dddeeellCCCaaasssooo ciiooonnneeesss yyy e
ppprrooobbblleeemmmaa
dddeeell RRReeepppooorrtteee
RRReeegggisisi sttrr ooo BBDBDD a ninini sssttrr uuuccccccoioionnneeesss
dddeee FFFaaaala lla
l
dddeee ppprrooobbbeelel mmmaaasss
Ejemplo11:
2.4 Despliegue de la función de calidad QFD
El QFD sirve para traducir la voz del cliente en especificaciones, participan

varias áreas en el equipo, fue aplicado por primera vez en Kobe en 1972 por
Yoji Akao con gran éxito. Se introdujo a EUA en los 1980’s por Don Clausing y
se ha aplicado en la industria automotriz
11
UIA Santa Fé Diplomado en Black Belt
Página 50
El QFD proporciona un método gráfico para expresar las relaciones entre los
requerimientos del cliente y las características de diseño, forma la matriz
principal
El QFD permite organizar los datos de requerimientos y expectativas del

cliente en una forma matricial denominada la casa de la calidad. Proceso muy
lento
Entre los beneficios del QFD se encuentran: orientación al cliente, reducción

de ciclo de desarrollo de nuevos productos, usa métodos de ingeniería
concurrente, reduce los cambios en manufactura, incrementa la comunicación
entre áreas y establece prioridades en los requerimientos.
A continuación se esquematiza una “Casa de calidad básica QFD”
Interrelaciones de
Características de Diseño
Cómo cumplir los requerimientos

del
del Cliente
Cliente
(Carácteristicas de diseño)
Necesidades
Necesidade Compración de Prioridades
MATRIZ DE RELACIONES
del clientes del
delcliente
cliente
del cliente
Valores meta de acuerdo a

Benchmarking
Benchmarking
Figura 2.3 QFD
Página 51
Los siguientes pasos se siguen (método simplificado) para la construcción del
un QFD
1. Cuando el tiempo apremia se puede usar una Matriz de causa efecto, sirve
para dar prioridad a las KPIVs
2. Lista en las columnas las variables de salida claves del proceso KPOVs
3. Asignar un número de importancia que tiene para el cliente entre 1-10
cada KPOV, en el renglón siguiente
4. Listar en los renglones las variables de entrada KPIVs que pueden causar
variabilidad o no conformidad en el proceso
Matriz de causa efecto, sirve para dar prioridad a las KPIVs
En la matriz y con apoyo del equipo de trabajo asignar un número de 1 a 10

indicando la importancia que tiene cada KPIV en cada KPOV en la celda
corresp.
Multiplicar estos números por los de la importancia de cada KPOV y sumar en

renglones para identificar que KPIV deben recibir atención prioritaria
Página 52
Ejemplo:
1. Anote los
Requerimientos
Requerimientos
Clave
Clavedel
delCliente Matriz de
Causa y Efecto
Cliente
Rango de
Importancia
Del Cliente
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Salidas,
Resistenci a
Req.
Requisito
Requisito
Requisito
Tierra
oCTQ’s Corto
Entradas Total
del Proceso
1
2
3
4
5
6
7
Estos datos se toman del

Diagrama de Flujo del Proceso
2. Clasificar
requerimientos
requerimientos
Matriz de en
en orden
orden dede
Causa y Efecto importancia para
el cliente
el cliente
Rango de
Importancia
al Ciente
10 9 8
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Salidas o CTQ’s
Resistencia
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Tierra
Corto
Entradas
del Proceso Total
1
2
3
4
5
6
7
8
Deben
Deben participar:
participar: Mercadotecnia,
Mercadotecnia, Desarrollo
Desarrollo del
del Producto,
Producto, Manufactura
Manufactura yy de
de ser
ser
posible el usuario.
Página 53
Matriz de
Causa y Efecto
3. Anotar
entradas Rango de
Importanci
a al Ciente
entradas
clave 1 2 3 4 5 6 7 8 9 10 11 12 13 14
clave
Resistencia
Salidas o CTQ’s
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Tierra
Corto
Entradas
del Proceso Total
1 Ensamble A
2 Operación B
3 Ensamble C
4 Ensamble D
5 Ensamble E
6 Prueba Final
7
8
9
10
Las entradas del Proceso siguen el Diagrama de Flujo paso a paso.
Matriz de
Causa y Efecto
4. Relacionar
Relacionar Rango de
Importancia 10 9 8
las Entradas al Ciente
1 2 3 4 5 6 7 8 9 10 11 12 13 14
con los
con los Salidas o CTQ’s
Resistencia
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Tierra
requerimientos
Corto
Entradas
del Proceso
Total
1 Ensamble de A 10 10 9
2 Operación B 9 10 9
3 Ensamble de C 10 6 8
4 Ensambled de D 6 7 6
5 Ensamble de E 4 8 7
6 Prueba Final 4 0 8
7
8
9
10
11
12
13
14
15
Hacer
Hacer una
una estimación
estimación subjetiva
subjetiva de
de qué
qué tanto
tanto influyen
influyen las
las variables
variables de
de entrada
entrada en
en los
los
requerimientos o salidas CTQs
Página 54
Matriz de
Causa y Efecto 5. Multiplicar
Multiplicar
e identificar
Rango de prioridad
prioridad
Importancia
al Ciente
10 9 8
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Salidas o CTQ’s
Resistencia
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Tierra
Corto
Entradas
del Proceso Total
1 Ensamble A 10 10 99 10 10+9x10+8x9= 62 262

2 Operación B 9 10 x 2 252
3 Ensamble C 10 6 8
218
4 Ensamble D 6 7 6
171
5 Ensamble E 4 8 7 168
6 Prueba Final 4 0 8 104
7
8
9
10
11
12
13
14
15
Se identifican las variables que más influyen en la variación de las salidas
Causa y Efecto
Matriz
Matriz
Rango de Ordenando los

Importancia 10 9 8
al Ciente números
números
1 2 3 4 5 6 7 8 9 10 11 12 13 14
resultantes
resultantes se
se
Salidas o CTQ’s
Resistencia
observa
observa que:
que:
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Tierra
Corto
Entradas
del Proceso Total El ensamble A,
Operación B y
Ensamble de C
son importantes.
1 Ensamble A 10 10 9 262
2 Operación B 252
3 Ensamble C
9
10
10
6
9
8 218 Ahora se
6
5 Ensamble D
10 Ensamble E
6
4
7
8 7
171
168 evalúan los
9 Prueba Final 4 0 8 104
11 planes de
planes de
13
15 control para
control para sus
12
14 variables clave
4
7 (KPIV’s)
(KPIV’s)
8
6
Página 55
2.5 Modelo Kano 12
Noritaki Kano desarrollo un modelo explicativo que demuestra la relación

entre la satisfacción del cliente y la organización proveedora según se muestra
en la siguiente figura
“El modelo de Kano muestra que existe un nivel básico de calidad que los
clientes asumen que el producto traerá consigo. Sin embargo proveer dicha
“calidad básica” no es suficiente para crear satisfacción al cliente.
La calidad esperada representa aquellas expectativas explícitamente

consideradas por los clientes.
La calidad excitante (o exciting quality), muestra una curva que se encuentra

en la zona de satisfacción. Este es el efecto de la innovación. Esto representa
algún atributo inesperado por el cliente. Es decir los clientes reciben más de lo
que esperan.
Figura 2.4 Modelo Kano
12
Universidad de Navarra Cátedra de Calidad
Página 56
Este modelo también se evalúa doblemente cada atributo: cuando se ofrece

en el servicio (modo funcional) y cuando está ausente del mismo (modo
disfuncional). La escala aquí utilizada no es ordinal, sino categórica, siendo el
cruce de dichas categorías en cada uno de los modos evaluados (funcional y
disfuncional) la que clasificaría cada atributo dentro de uno de los seis tipos
contemplados en este modelo:
 Atributos que satisfacen: son aquellos en los que la satisfacción está

relacionada de forma directamente proporcional con la funcionalidad del
mismo.
 Atributos requeridos: los que aumentan la insatisfacción si no se
ofrecen, pero no contribuyen a aumentar la satisfacción por encima de
un límite.
 Atributos que deleitan: estos no disminuyen la satisfacción del cliente
cuando no están funcionales, pero la aumentan mucho y rápidamente
cuando sí se presentan.
 Atributos neutros: su presencia o ausencia no contribuye a aumentar o
disminuir la satisfacción.
 Atributos cuestionables: los que producen valoraciones
contradictorias.
 Atributos invertidos: producen valoraciones positivas cuando no están
presente y negativas cuando sí lo están.
2.6 Diagrama Matricial

El diagrama matricial (DM) es una herramienta que ordena grandes grupos de
características, funciones y actividades de tal forma que se pueden
representar gráficamente los puntos de conexión lógica existentes entre ellos.
También se muestra la importancia relativa de cada punto de conexión en
relación con el resto de co-relaciones.
Página 57
Se base en el principio de que si se sitúa un conjunto de elementos en las filas

de una matriz (horizontales) y otro conjunto de elementos en columnas de la
misma matriz (verticales), los puntos de intersección de filas y columnas
indicarán la relación entre ambos conjuntos. Una de las características más
importantes de éste diagrama es la utilización de símbolos que indican de
forma visual la forma visual la fuerza de las relaciones existentes en cada
intersección.
Ejemplo: Desear establecer un DM para determinar las expectativas de los

clientes de un restaurante de comida rápida (conjunto B) y las características
de ”diseño” de dicho alimento (conjunto A).
Conjunto A
1.1.1.1.1.1
% Hidratos de Carbono
Tiempo de preparación
# de platos requeridos
Relación Fuerte:
requerido 1.1.1.1.1.2
Peso de la porción
# de ingredientes
Relación Moderada:
1.1.1.1.1.6
1.1.1.1.1.3
1.1.1.1.1.4
1.1.1.1.1.5
1.1.1.1.1.7
Relación Débil:
Sacia
el apetito
C Es nutritivo
o
n Tiene buen gusto
j
Sencillo de preparar
u
Sencillo de limpiar
n
t Es barato
o No produce excesiva
basura
B
Página 58
Figura 2.5 Ejemplo de Diagrama Matricial
¿Cómo se indica si existe o no una relación entre los distintos elementos, y en

caso afirmativo la fuerza de tal relación?
El método consiste en utilizar un código visual (Los símbolos utilizados

también suelen variar)con el objeto de que el DM proporcione el máximo de
información. Existen muchas formas de codificar aunque las más utilizadas
parten del supuesto de categorizar tres distintos grados de relación: relación
fuerte, relación moderada y relación débil.
En ocasiones se utilizan estas matrices con el objeto de identificar área

o áreas responsables de algún problema y la codificación pudiera ser:
2.7 Benchmarking
Proceso sistemático y continuo para evaluar los productos, servicios y

procesos de trabajo de las organizaciones que son reconocidas como
representantes de las mejores prácticas, con el propósito de realizar mejoras
organizacionales13.
Objetivo del BMK

 Obtener superioridad en todas las áreas - calidad, fiabilidad del producto y
costos.
 Actuar como una herramienta por la cual se identifican, establecen y logran
estándares de excelencia, basándose en la “realidad del mercado”.
¿Qué cosas se deben someter al proceso de benchmarking?

 Productos y servicios
13
J. Spendolini Definición de Michael
Página 59
 Procesos de trabajo
 Funciones de apoyo
 Desempeño organizacional
 Estrategias
Las cinco etapas del benchmarking:
5. Actuar/implementar 1. Determinar a qué se le va a hacer

benchmarking
BM K 2. Formar un equipo de
benchmarking
4. Recopilar y analizar la
información de
benchmarking
3. Identificar los socios

del benchmarking
ACTIVIDAD
ACTI VID AD PROPÓSITO
PROPÓSI TO RESPONSABLE
RE SPON SABLE T IEM PO
TI E M PO PERI ODO
PE RI OD O
¿Quésevaasometer a Definir tarea.
benchmarking? Determinar
¿Quésevaasometera Definir tarea.
factorescriticosdeéxito
Determinar
benchmarking? factorescriticosdeéxito
Identificar socios Seleccionar tipo

de
benchmarking
Identificar socios Seleccionar
tipo de
benchmarking
Reportar al Seguimiento directivo
comitéde
dirección
Reportaral comitéde Seguimientodirectivo

dirección
Recabar informacióny Información, análisisy
analizar diferencias
Recabarinformacióny Información,
análisisy
analizar
diferencias
Implantar Aplicar mejoras
identificadas
Página 61
I mplantar Aplicar
Plan de Acción:
¿Por qué utilizar el benchmarking?
 Ofrece un camino más rápido de desempeño notorio

 Muestra qué procesos son candidatos para mejora continua y cuáles
requieren cambios mayores
 Tiene orientación al cliente y le da valor
 Hay falta de tiempo para la mejora gradual
 Ubica a la firma en donde está con respecto a práctica y procesos de su
clase, y qué debe ser cambiado
 Aporta un modelo mejor en su clase para ser adoptado o, mejorado
 Es un compromiso hacia la calidad total, ya que la apoya a dar los
mejores medios para la mejora y rápida, significativa de procesos o
prácticas

 Sirve de apoyo al proceso de planificación estratégica
 Sirve como base para la fijación de objetivos
 Como base para las nuevas ideas
8. Costos de Calidad14
Los costos de calidad son un vehículo para evaluar los esfuerzos de control de
costos e identificar oportunidades de reducción de costos por medio de
mejoras al sistema
Las categorías de los costos de calidad son:

 Costos de Prevención
 Costos de Evaluación
 Costos de Falla interna
14
Reyes Primitivo “Diplomado en Black Belt”
Página 61
 Costos de Falla externa
Algunos ejemplos de los Costos de Prevención:
 Selección y reclutamiento  Proyectos piloto

 Estudios de capacidad  Planeación
 Almacenamiento controlado  Revisión de procedimientos
 Revisiones de diseño  Prueba de prototipos
 Capacitación en calidad  Diseño de calidad
 Mantenimiento de equipo y rep.  Incentivos de calidad
 Pruebas de campo  Revisiones de seguridad
 Diseño dispositivos de ensamble  Encuestas
 Pronósticos  Estudios de tiempos y
 Orden y limpieza movs.
 Descripciones de puestos  Capacitación
 Investigación de mercados  Selección y evaluación
 Revisiones con el personal de prov.
 Auditorias de
proveedores
Costos de Evaluación:
 Auditorias  Pruebas de laboratorio
 Verificación de documentos  Otros gastos de revisión
 Verificación de dibujos  Pruebas al personal
 Calibración de equipo  Verificación de procedimientos
 Inspección final  Inspección de prototipos
 Inspección en proceso  Inspección de recibo
 Inspección y prueba  Inspección de embarques
 Reportes de inspección  Mantenimiento de equipos
y prueba de prueba
Costos de Falla interna

 Accidentes  Obsolescencia por cambios **
 Corrección de errores  Tiempo extra **
en contabilidad  Exceso pago en transporte
 Cambios de diseño
 Rotación de personal
 Rediseños
 Cambios de ingeniería
 Reinspecciones
 Tiempo muerto de  Reparaciones y pruebas rep.
equipo **  Reescritura de documentos
 Exceso en Gasto de  Retrabajos
intereses**
 Desperdicios
 Exceso en Inventarios
**  Reserva para desperdicios
 Exceso en Manejo de  Selecciones
matles. **
 Exceso en Gastos de
viaje
 Revisión de fallas
 ** Normalmente son costos
indirectos Página 62
Costos de Falla externa
 Atención de quejas de clientes  Tiempo extra **
 Avisos de cambio de ingeniería  Penalizaciones **
 Exceso en manejo de matls.**  Exceso de pago en transporte
 Exceso en gastos de viaje  Concesiones de precio **
 Revisiones de fallas
 Errores en precio **
 Reclamaciones
 Costos de entrenamiento
en campo
 Rediseños
 Reinspec iones y pruebas
 Demandas legales **
rep .
 Pérdida de participación  Reparaciones
de mercado**  Costos de reabastecimiento
 Obsolescencia por cambios  Devoluciones
**
 ** Normalmente son costos
 Retrabajo y desperdicio
indirectos  Selec iones y gastos de garantía
Ventajas del sistema de costos de calidad
 Es una herramienta para administrar con base a la calidad

 Alinea calidad y metas de la empresa
 Proporciona una forma de medir el cambio
 Mejora el uso efectivo de los recursos
 Enfatiza hacer las cosas bien a la primera
 Ayuda a establecer nuevos productos y proceso
2.9 Entregables:
En esta etapa los entregables serían:

 Identificar los requerimientos del cliente
o Identificar al cliente
o Recolectar los datos para identificar los requerimientos del cliente
o Construir un mapa de proceso a detalle para identificar los
requerimientos del cliente
 Project Charter
o Desarrollar el enunciado del problema y de la meta
o Evaluar el alcance del proyecto
o Seleccionar a los integrantes del equipo y sus roles
o Desarrollar el contrato
Página 63
o Buscar la aprobación del contrato
 Plan de Trabajo
 Mapa del proceso
En el siguiente capítulo se verán las herramientas más utilizadas en la Fase de

Medición; El medir persigue dos objetivos fundamentales:
1.Tomar datos para validar y cuantificar el problema o la oportunidad. Esta es

una información crítica para refinar y completar el desarrollo del plan de
mejora.
2. Nos permiten y facilitan identificar las causas reales del problema.
El conocimiento de estadística se hace fundamental. “La calidad no se mejora,

a no ser que se la mida”.
Página 64
CAPITULO 3. FASE DE MEDICION
3.1 Introducción
Esta fase se enfoca a seleccionar una o más características para ser medidas,
definiendo cómo serán medidas, estableciendo un plan de recolección de
datos y la recolección de datos.
Esta fase es importante porque asegura que los datos que se relacionan con
los requerimientos del cliente y el desempeño actual del proceso sean
precisos, claros y confiables.
Página 65
DDMM
DMAIC
D
MAAAIII
Definir Medir Analizar Mejorar Controlar
DDDe MMM AAC
C AC
nnnaa MMMee CCCooonn
ee ff ii
1. Mapa fde iProceso
111.. nttrr ooollaa
2. Despliegue de la
MMMaaapppaaadddeeePPPrr
Función de Calidad
1. Meee
Mapa de detallado de
111.. MMMaaapppaaa dddeee
alliizzzaaa ejjjooorr
n i r
oooc(QFD) nn ii r
cceeesssooo Procesos a rr
dddeeettaaallllaaadddooo dddeee
2
4. D
r
3.22.Modelo
.
Diagrama
Kano
DDeeessspMatricial
pplielieeggguu
edddd
2. Diagrama de Pareto
PPPrr oooccce
3. Diagrama deeesCausa-
ssooosss
rr raaarrr
5. Benchmarkin
ueeedddeeealala
l Efecto
6. F FFuuunnnde
Costos cccó
dddeeeCCCaaalid
ió
iónnn
Calidad
liliddaaadd
iiiirrrr
222.. DDDiiiaaagggrraaammmaaa
4. Diagrama de Árbol
dddDiagrama
5. eee PPPaaarrde eeeAfinidad
ttooo 333..
d ((QQQFFFDDD))
333.. MMMooodddeeeolo
lo
l
6. Métodos de Muestreo
DDDiiiaaagggrr aaammmaaa
KKKaaannnooo
Estadístico
dddCapacidad
7. eee CCCaaaudel uusssaaa--
444..
Sistema
EEEffeeeccc de
ttoMedición
DDDaiai gggrr aaammmaaaMM
ia oo
8. Distribución Normal
Maaattrr iciacia
ic i ll
ia
9.44Capacidad
4 .. DDDiiiaaagggrdel
raaammmaaa
555..
dddeProceso
ee ÁÁÁrr bbboooll 555..
BBBeeennnccchhhmmmaaarr
rkkknin
in
i DDDiiiaaagggrr aaammmaaa
666.. CCCooosssttooosss
dddeee AAAffiinnniidddaaaddd
dddeeeCCCaaalid
liiddaaaddd
Figura 3.1
666.. MMMéééttooodddooosss Herramientas en la Fase de Medición
dddeee
MMMuuueeesssttrr eeeooo
Los objetivos deEEesta

Esssttaaadfase
ddíís son:
 Conocer el uso
ssttiicccode
oo 777las
..
herramientas de la fase de medición
CCCaaapppaaaccciidd
 Determinar dque mediciones son importantes para el proyecto
aaaddd dddeeell
 Identificar losSSStipos, fuentes

iissstteeemmm aaa y causas de la variación en el proceso
dddeee
 Desarrollar un plan de recolección de ratos relevantes
MMMeeedddiiccciióóónnn 888..
 Convertir los
DDDdatos
iisssttrr iibbben
uuucccnúmeros
iióóó para conocer su comportamientos
 Realizar un nanálisis del sistema de medición (MSA)
nn NNNooorrmmmaaall 999..
CCCaaapppaaaccciidddaaaddd
 Detectar cual es la frecuencia con la que ocurren los defectos
dddeeell
PPPrroooccceeesssooo
En todos los procesos existe variación, en esta fase el propósito es medir

dicha variación, para saber si existen datos que se encuentren fuera de
especificaciones, que estén causando problemas en nuestros procesos. Para
realizar esta actividad es de suma importancia conocer: ¿que es lo que
necesitamos medir? y ¿como lo vamos a medir? A lo largo de este capitulo
Página 66
tenemos diferentes herramientas que nos ayudarán a responder estas
preguntas.
Dependiendo de las condiciones y necesidades que tengamos seleccionaremos

una o más herramientas, cabe mencionar que no necesariamente se utilizan
todas las herramientas, lo importante es seleccionar cuidadosamente aquellas
que nos proporcionen la información más objetiva y precisa.
3.2 Etapas de la fase de medición

Esta fase consta de las siguientes etapas:
Seleccionar los CTQ´S del proceso (Crítico para la Calidad)

Observemos la siguiente tabla:
Y = F(X)
 Y  X1, X2,…..Xn  Z’s
 Variable  Variable  Variables de
dependiente independiente ruido
 Salida  Entrada-  Incontrolabl
Proceso es
(respuesta)
 Causa
 Efecto
 Problema
 Síntoma
 Controlable.
 Monitoreabl
e
Tabla 3.1 Variables dependiente, independiente y de ruido.
Para la selección de Y’s podemos utilizar un diagrama de Pareto para priorizar

y centrar nuestra atención en el(los) efecto(s) más importantes. La variable
dependiente “Y” (o de respuesta) fue previamente determinada en la fase de
definición, las X´s son las variables de entrada, las Z´s son las variables de
ruido. En esta etapa se tratarán de determinar las X´s, ya que son las
variables que podemos medir y controlar.
Página 67
En otras palabras:
 “Y” (=) Son los CTQ´s del cliente (interno o externo)

 “X’s” (=) Son CTQ´s del proceso
Para determinar los CTQ´s del proceso (X´s) seleccionaremos alguna o

algunas de las herramientas apropiadas a las necesidades del proyecto que se
enuncian de manera general:
Herramienta ¿Para qué es utilizada?

5 Porqués? Se utiliza después de haber determinado las causas más importantes
de un problema, preguntando sistemáticamente 5 veces porqué,
podremos llegar a la solución del problema
5W/1H Técnica en la cual se responde a las siguientes preguntas: que, quién,
porque, cuando, donde, como, para la solución de problemas.
Análisis de Campo Analizar cuales son las fuerzas dentro de una organización o proceso
de Fuerzas. que están dando empuje a las soluciones y cuales están frenando el
progreso.
Benchmarking Estudio que ayuda a realizar un comparativo de productos, procesos o
servicios contra el "mejor en la clase" puede ser dentro de la empresa
o, para identificar oportunidades de mejora.
Capacidad de los Sirve para determinar que tan grandes son las variaciones en base a
sistemas de ciertos parámetros de los sistemas de medición, incluyendo equipo y
medición (MSA) gente.
Carta de Conocer el comportamiento de un proceso gráficamente para poder
tendencias tomar las acciones correctivas a tiempo cuando es necesario.
Diagrama Causa- Representa de forma ordenada y completa todas las causas que
Efecto (Ishikawa o pueden originar un problema (efecto) es una herramienta muy efectiva
Fishbone) para encontrar las causas más importantes de un problema y en base
al análisis de las causas encontrar la mejor solución.
Diagrama de Agrupar en categorías afines las posibles causas que ocasionan un
Afinidad problema, permitiendo obtener fácilmente la causa que lo origina.
Diagrama de Es una técnica utilizada para estudiar la relación entre dos variables,
Dispersión facilitando la comprensión del problema planteado.
Diagrama de Priorizar los problemas que tienen el potencial más grande de mejora.
Página 68
Pareto Muestra la frecuencia relativa en una gráfica de barras descendiente.
Diagrama Permite al equipo identificar, analizar y clasificar sistemáticamente las
de
relaciones causa y efecto que existen entre todos los elementos críticos,
Relaciones
para lograr una solución efectiva.
Diagramas Matriz Método utilizado para mostrar las relaciones que existen entre
métodos, causas, actividades etc. determinando la fuerza que existe
entre estas. Permite Identificar las medidas más convenientes para la
solución.
Hoja de Recolectar datos basados en la observación del comportamiento de un
Verificación proceso con el fin de detectar tendencias, por medio de la captura,
análisis y control de información relativa al proceso.
Lluvia de ideas Cada miembro del equipo propone posibles soluciones a un problema,
se determinan las mejores soluciones por consenso.
Mapa de procesos Proveen una secuencia gráfica de cada uno de los pasos o actividades
que componen una operación desde el inicio hasta el final. Permitiendo
una mejor visualización y comprensión del proceso. Sirve para
identificar pasos innecesarios, compara el proceso actual contra el
ideal.
Matriz Causa y Relaciona las entradas claves a los CTQ´s y el diagrama de flujo del
efecto proceso como su principal fuente. Sirve para priorizar las entradas
clave a usar en AMEF´S, planes de control y estudios de capacidad.
QFD Método gráfico (matriz de relaciones) en el que se identifican los
deseos del cliente (CTQ´S) y las características de diseño del
producto, procesos o servicios. Permite traducir de un lenguaje
ambiguo a los requerimientos específicos del diseño del producto,
proceso o servicio. En otras palabras relacionas los qué? del cliente
con los como? del proceso.
Técnica de grupos Permite al equipo rápidamente realizar un consenso de la importancia
nominales. relativa de asuntos, problemas o soluciones posibles. Las causas más
importantes son atacadas y se priorizan para encontrar la mejor
solución
Tabla 3.2 Herramientas Estadísticas
Establecer y validar el plan de recolección de datos

Para realiza el la recolección de datos podemos ayudarnos del diagrama 5W-
1H el cual consiste en contestar las siguientes preguntas, cuyo objetivo es
Página 69
recolectar datos confiables, que reflejen la realidad de lo que
está sucediendo15:
 (What) ¿ Que vamos a hacer ?

 (Why) ¿ Por qué vamos a hacer eso ?
 (Where) ¿ En donde lo vamos a hacer ?
 (Who) ¿ Quien va ha hacer que ?
 (When) ¿ Para cuando lo van a hace ?
 (How) ¿ Como lo vamos a hacer ?
Hay algunos textos que incluyen otra H más que es:

• (How much) ¿ Cuando me va a costar ?
Ventajas de ésta herramienta:

 Provee una estrategia clara y documentada al recolectar datos confiables.
 Da a los miembros del equipo una referencia común.
 Ayuda a asegurar que los recursos sean usados efectivamente para
recolectar únicamente datos críticos.
Estadística básica para la fase de Medición
La Estadística descriptiva es la rama de las matemáticas que comprende la

recopilación, presentación, tabulación, análisis e interpretación de datos
cuantitativos y cualitativos, para tomar decisiones que se requieran a fin de
que el comportamiento de los datos se mantenga dentro de los parámetros de
control establecidos, la estadística descriptiva Incluye las técnicas que se
relacionan con el resumen y la descripción de datos numéricos, graficas,
tablas y diagramas que muestran los datos y facilitan su interpretación16.
15
ITESM “Diplomado en Black Belt “
16
Vicente Manzano “Universidad de Sevilla”
Página 70
La Estadística inferencial se refiere a la estimación de parámetros y
pruebas de hipótesis acerca de las características de la población en base a los
datos obtenidos con una muestra.
A continuación se hace mención de algunas definiciones estadísticas:
 Población (N): Es el conjunto de todos los elementos de interés para

determinado estudio
 Parámetro: Es una característica numérica de la población, se identifica
con letras griegas (Media = µ, Desviación estándar = σ, Proporción = π,
Coeficiente de correlación = ρ)
 Muestra (n): Es una parte de la población, debe ser representativa de
la misma.
 Estadístico: Es una característica numérica de una muestra, se
identifica con letras latinas (Media = X, Desviación estándar = s,
Proporción = p, Coeficiente de correlación = r)
Para poder obtener consecuencias y deducciones válidas de los datos de una

estadística, es muy útil contar con información sobre los valores que se
agrupan hacia el centro y sobre que tan distanciados o dispersos estén unos
respecto a otros.
 Las medidas de tendencia central son: la media, mediana y moda.

 Las medidas de dispersión: son el rango, la desviación estándar y el
coeficiente de variación.
 Otras medidas son: percentiles, deciles y cuartiles representados en el
diagrama de caja.
3.3 Estadísticas Descriptiva
En el menú de Análisis de datos del Excel podemos obtener estadísticas de un

conjunto determinado de datos.
Página 71
Ejemplo: de los siguientes datos obtener la estadística básica

3.560 3.336 3.495 3.467 3.525 3.538 3.618
3.394 3.469 3.530 3.492 3.429 3.480 3.798
3.242 3.520 3.790 3.475 3.434 3.550 3.656
3.391 3.434 3.611 3.477 3.515 3.606 3.459
3.277 3.576 3.391 3.641 3.578 3.631 3.606
3.495 3.510 3.409 3.596 3.666 3.568 3.717
3.593 3.573 3.699 3.659 3.500 3.507 3.391
3.679 3.669 3.626 3.724 3.424 3.475 3.391
3.702 3.543 3.624 3.419 3.424 3.505 3.787
3.823 3.583 3.601 3.449 3.654 3.523 3.626
3.828 3.687 3.692 3.649 3.540 3.603 3.495
3.457 3.707 3.664 3.570 3.729 3.535 3.568
3.475 3.442 3.598 3.682 3.437 3.477 3.626
3.490 3.512 3.500 3.631 3.563 3.555 3.462
Utilizando el Excel, realizamos lo siguiente:

Seleccione: Herramientas > Análisis de datos > Estadística descriptiva
Resumen
Mean 3.55407
Standard Error 0.01172
Median 3.54650
Mode 3.39100
Standard Deviation 0.11605
Sample Variance 0.01347
Kurtosis -0.00966
Skewness 0.09892
Range 0.58600
Minimum 3.24200
Maximum 3.82800
Sum 348.2990
Count 98
Confidence Level(95.0%) 0.023267191
Distribución de frecuencias e Histogramas
Cuando tenemos una cantidad grande de datos es difícil poder analizarlos, a

menos que hagamos uso de herramientas que nos permitan hacerlo con
mayor facilidad y claridad. El histograma es una de ellas, Se emplea para
ilustrar muestras agrupadas en intervalos. Esta formado por rectángulos
Página 72
unidos a otros, cuyos vértices de la base coinciden con los limites de los
intervalos y el centro de cada intervalo es la marca de clase, que
representamos en el eje de las abscisas. La altura de cada rectángulo es
proporcional a la frecuencia del intervalo respectivoen un diagrama de barras
donde las bases corresponden a los intervalos y las alturas a las frecuencias.
Para construir un histograma se recomienda tener un mínimo de 50 a 100
datos.
Ejemplo: De los datos del ejemplo anterior, construir un Histograma
Realizando una distribución de frecuencias tenemos:

Columna Intervalo Registro de frecuencias
1 0.000 - 3.242 I 1
2 3.243 -3.300 II 2
3 3.007 - 3.359 IV 4
4 3.360 - 3.417 VI 6
5 3.418 - 3.476 XVII 17
6 3.477 - 3.535 XXVIII 28
7 3.536 - 3.593 XX 20
8 3.594 - 3.652 XIV 14
9 3.653 - 3.652 X 10
10 3.653 - 3.710 III 3
11 3.711 - 3.769 II 2
Utilizando el Excel para obtener el Histograma:

1. En el menú herramientas seleccione la opción análisis de datos.
2. Seleccione la opción histograma.
3. Seleccione el rango de entrada, estos corresponden a los datos
numéricos de la tabla.
4. Seleccione el rango de clases, antes escribir en una columna los
intervalos de clase.
Histograma
5. En opciones de salida seleccione una celda d e la hoja de calculo que
30
este25en blanco (a partir de está celda será ins ertado el histograma).
Frecuencia
6. Una
20
vez insertado el histograma podrá hac er modificaciones de la
15
escala, 10color,
5
títulos
0 etc. Haciendo clic en el elemento dese ado.
06
36
22
08
94
2
e
9
6
24
53
or
30
35
41
47
59
65
71
76
M
3.
3.
3.
3.
3.
3.
3.
3.
3.
3.
Clase
Página 74
Figura 3.2 Histograma de Frecuencias
Diagrama de Caja: Es un diagrama que proporciona información

sobre el centro, la dispersión y la asimetría o sesgo; utiliza cuartiles,
y así, es resistente a las observaciones aberrantes.
Utilizando el Minitab para obtener el Diagrama de Caja:

1. Capture los datos en la hoja de trabajo.
2. Seleccione la opción: Graph> Boxplot
Seleccione la variable C1 como se muestra en la pantalla y presione clic en ok
Boxplot of C 1
3.9
3.8
3.7
3.6
Tercer Cuartil
Data
3.5 Media
3.4
Primer
3.3 Cuartil
Cuartil
3.2
Figura 3.3 Diagrama de Caja
Página 74
3.4 Herramientas Estadísticas para solución de problemas
Mapa de procesos
Dentro de los sistemas de calidad resulta de gran utilidad representar la

estructura y relaciones de los sistemas mediante diagramas de flujo.
Ventajas de los diagramas de flujo

 Proveen una secuencia gráfica de cada uno de los pasos que componen una
operación desde el inicio hasta el final. Permitiendo una mejor visualización
y comprensión del proceso.
 Los diagramas de flujo pueden minimizar grandes volúmenes de
documentación, incluyendo la documentación ISO 9000.
 Facilitan el desarrollo de Procedimientos Estándar de Operación.
 Al tener un procedimiento de operación estándar se reduce en gran medida
la variación y el tiempo de ciclo.
 Los diagramas de flujo permiten detectar áreas de mejora en los procesos.
Descripción de símbolos
Página 75
En la construcción de diagramas de flujo de procesos se utilizan los símbolos
descritos a continuación17:
Pasos para la elaboración de un diagrama de flujo
1. Describir el proceso a evaluar: Es importante comenzar con los

procesos que se consideran de mayor impacto en la organización.
2. Definir todos los pasos que componen un producto o servicio:

Existen diferentes maneras de hacerlo. Una de ellas consiste en que el
equipo de trabajo anote en tarjetas los diferentes pasos que conforman
el proceso, con este método el equipo puede arreglar y ordenar los
pasos del proceso. Otra manera de hacerlo es mediante el uso de
17
UIA Santa Fé “Diplomado en Black Belt “
Página 76
programas de diagramas de flujo en computadoras, de esta manera se
tiene mayor flexibilidad que en el método anterior y se ahorra bastante
tiempo.
Cada paso deberá de ser discutido y analizado a detalle utilizando la
pregunta “¿por qué se hace de esta manera?”
3. Conectar las actividades: Cuando los pasos que componen el proceso

han sido descritos se construye el diagrama de flujo, conectando las
actividades mediante flechas, cada símbolo debe describir la actividad
que se realiza con pocas palabras.
4. Comparar el proceso actual con el proceso considerado como

“ideal” las siguientes preguntas pueden servir de guía:
¿Existen pasos demasiado complejos?
¿Existe duplicidad o redundancia?
¿Existen puntos de control para prevenir errores? ¿deberían de existir?
¿El proceso funciona en la manera en la cual debería de hacerse?
¿Se puede realizar el proceso de diferente manera?
5. Mejoras del proceso: Una vez que se contestan las preguntas

mediante tormenta de ideas se realizan mejoras. Definiendo los pasos
que agregan valor y los que no agregan se puede llevar a cabo una
simplificación sustancial del proceso.
Las mejoras son priorizadas y se llevan a cabo planes de acción.
6. Implementar el nuevo procedimiento: Una vez realizadas las

mejoras se dan a conocer a las personas involucradas en el proceso y se
verifica su efectividad.
Lluvia de ideas
Página 77
Es una técnica de grupo para crear ideas originales en un ambiente relajado.
Esta herramienta fue creada cuando se realizó una búsqueda de ideas
creativas, el cual generaba más y mejores ideas que las que los individuos
podían producir trabajando de forma independiente18.
Para utilizar la técnica de lluvia de ideas se sugiere la siguiente técnica:

1.Escoger a alguien para que sea el facilitador y apunte las ideas.
2. Escribir en un rotafolio o pizarrón el problema a discutir.
3. Escribir cada idea en el menor número de palabras y si se llega a repetir una
idea verificarla con su contribuidor. Nunca el facilitador puede interpretar o
cambiar las ideas.
4. Establecer un tiempo límite. (Aprox. 25 minutos)
5. Fomentar la creatividad. Construir sobre las ideas de otros pero nunca
criticar las ideas.
6. Revisar la lista para verificar su comprensión.
7. Converger las ideas (Eliminar las duplicaciones, problemas irrelevantes y
aspectos no aplicables). El grupo llegará al consenso en las principales ideas
y propondrá unas medidas a tomar en función del análisis.
La técnica Lluvia de ideas puede ser aplicada con gran frecuencia al llevar a
cabo otras herramientas, como por ejemplo, diagramas causa-efecto, 5
Porqués?, Diagrama de Afinidad, Diseño de experimentos, pruebas de
confiabilidad, etc.
18
Pérez Oscar “ Herramientas para la Calidad“
Página 78
Ventajas:
 La tormenta, o lluvia, de ideas posee una serie de características que la

hacen muy útil cuando se pretende obtener un amplio número de ideas
sobre las posibles causas de un problema, acciones a tomar, o cualquier
otra cuestión.
Una observación añadida es que este método sirve de entrada, o de fase
previa, para otras técnicas de análisis.
Diagrama de Pareto
Herramienta utilizada para el mejoramiento de la calidad en la solución de

problemas, para representar datos sobre un problema que permite identificar
fácilmente los aspectos más significativos del mismo19.
El principio enuncia que aproximadamente el 80% de los efectos de un

problema se debe a solamente 20% de las causas involucradas.
El diagrama de Pareto es una gráfica de dos dimensiones que se construye

listando las causas de un problema en el eje horizontal, empezando por la
izquierda para colocar a aquellas que tienen un mayor efecto sobre el
problema, de manera que vayan disminuyendo en orden de magnitud. El eje
vertical se dibuja en ambos lados del diagrama: el lado izquierdo representa la
magnitud del efecto provocado por las causas, mientras que el lado derecho
refleja el porcentaje acumulado de efecto de las causas, empezando por la de
mayor magnitud.
19
Pérez Oscar “Herramientas para la Calidad”
Página 79
Ventajas:
 Ayuda a concentrarse en las causas que tendrán mayor impacto en caso de
ser resueltas.
 Proporciona una visión simple y rápida de la importancia relativa de los
problemas.
 Ayuda a evitar que se empeoren algunas causas al tratar de solucionar
otras.
 Su formato altamente visible proporciona un incentivo para
seguir luchando por más mejoras
Diagrama de Causa Efecto (Ishikawa)

Algunas veces es llamado diagrama de Ishikawa o espina de pescado, es la
representación de varios elementos (causas) de un sistema que pueden
contribuir a un problema (efecto).
Es utilizado cuando se necesita identificar las posibles Causas de un problema

específico, La naturaleza gráfica del diagrama permite que los grupos
Página 80
organicen grandes cantidades de información sobre el problema y determinar
exactamente las posibles causas principales.
Una vez elaborado, el diagrama causa-efecto representa de forma clara,

ordenada y completa todas las causas que pueden determinar cierto
problema.
1.Identificar el problema. El problema es algo que queremos mejorar o

controlar, este debe ser físico y concreto, sino el número de elementos en el
diagrama será muy alto.
2.Registrar la frase que resume el problema. Escribir el problema en la parte

extrema derecha del papel y dejar espacio para el resto del diagrama a la
izquierda. Dibujar una caja alrededor de la frase que resume el problema
3.Dibujar y marcar las espinas principales, estas representan la entrada

principal / categorías de recursos o factores causales; las categorías a usar
son materiales, métodos, máquinas, mente de obra, medio ambiente.
4.Realizar una lluvia de ideas de las causas del problema, este es el paso más
importante en el diagrama de Ishikawa. Las ideas generadas en este paso
guiarán la selección de las causas de raíz. Para asegurar que el equipo está al
nivel apropiado de profundidad se deberá hacer continuamente la pregunta
Por qué por cada una de las causas iniciales mencionadas.
5.Identificar los candidatos para la “causa más probable”. Las causas

seleccionadas por el equipo son opiniones y deben ser verificadas con más
datos. Todas las causas en el diagrama no necesariamente están relacionadas
de cerca con el problema: el equipo deberá reducir su análisis a las causas
más posibles. Hay que encerrar en un círculo la(s) causa(s) más probable
seleccionada por el equipo o marcarla con *.
Página 81
6.Cuando las ideas ya no pueden ser identificadas, se deberá analizar más a

fondo el diagrama para identificar métodos adicionales para la recolección de
datos.
Ventajas:
 Permite que el grupo se concentre en el contenido del problema, no en

la historia del problema ni en los distintos intereses personales de los
integrantes del equipo.
 Ayuda a determinar las causas principales de un problema, o las causas
de las características de calidad, utilizando para ello un enfoque
estructurado.
 Estimula la participación de los miembros del grupo de trabajo,
permitiendo así aprovechar mejor el conocimiento que cada uno de ellos
tiene sobre el proceso.
 Incrementa el grado de conocimiento sobre un proceso.
Ejemplo:
El Sr. Pérez tuvo un accidente automovilístico en el carretera, el equipo de

mejora continua que trabaja con él se reunió y analizó el problema, utilizando
una Lluvia de ideas; después de que convergieron en 16 ideas se utilizó el
Diagrama de Ishikawa para clasificarlas como a continuación de ejemplifica.
Se construye el diagrama espina de pescado con las causas primarias (M´s), a
partir de estas causas se agrupan las causas secundarias y terciarias
derivadas de la lluvia de ideas.
Página 82
MATERIALES
MATERIALES MEDIO
Llanta Carretera
AMBIENTE
ponchada resbaladiza
Clavo Hielo
Aceite
Piedra
Nieve
Lluvia
Reventón Cristal
Pérdida de
control del
coche,
ocasionó
Temeridad accidente
Fallo de
Acelerador Reflejos
frenos
deficientes
bloqueado
Rotura dirección Formación

Fallo Error defectuosa
mecánico conductor
MENTE DE
MÁQUINAS OBRA
OBRA
Figura 3.4 Diagrama de Causa Efecto o Ishikawa
Diagrama de Árbol
El Diagrama de Árbol, o sistemático, es una técnica que permite obtener una
visión de conjunto de los medios necesarios para alcanzar una meta o
resolver un problema.
Partiendo de una información general, como la meta a alcanzar, se

incrementa gradualmente el grado de detalle sobre los medios necesarios para
su consecución. Este mayor detalle se representa mediante una estructura en
la que se comienza con una meta general (el "tronco") y se continúa con la
identificación de niveles de acción más precisos (las sucesivas "ramas"). Las
ramas del primer nivel constituyen medios para alcanzar la meta pero, a su
vez, estos medios también son metas, objetivos intermedios, que se
alcanzarán gracias a los medios de las ramas del nivel siguiente. Así
repetidamente hasta llegar a un grado de concreción suficiente sobre los
medios a emplear20.
20
Vilar José “7 nuevas herramientas para la mejora de la calidad “
Página 83
Figura 3.5 Ejemplo de Diagrama de Árbol
Ventajas:
 Exhorta a los integrantes del equipo a ampliar su modo de pensar al
crear soluciones.
 Mantiene a todo el equipo vinculado a las metas y submetas generales
de una tarea.
 Mueve al equipo de planificación de la teoría al mundo real.
Página 84
Diagrama de Afinidad
El Diagrama de Afinidad, referido a veces como método KJ, es una

herramienta que sintetiza un conjunto de datos verbales (ideas, opiniones,
temas, expresiones,...) agrupándolos en función de la relación que tienen
entre sí. Se basa, por tanto, en el principio de que muchos de estos datos
verbales son afines por lo que pueden reunirse bajo unas pocas ideas
generales.
Es una herramienta muy útil cuando se dispone de una gran cantidad de

información proveniente de diferentes fuentes; ésta herramienta es muy sutil
al momento de analizar y extraer la información de éstos datos.Es
considerado como una clase especial de "tormenta de ideas", constituyendo,
frecuentemente, esta técnica de creatividad el punto de partida para la
elaboración del diagrama.
Adecuado capital y excelente administración,

así como alto poder técnico calidad y personal
entusiasta
Adecuado capital y utilidades Alto poder técnico y excelente

administración, así como
capacidad para proveer calidad
y personal entusiasta
a g p
f d
s b e q r
j
l k o m
i n h c
18
13
Figura 3.6 Diagrama de Afinidad
Página 85
Diagrama de Relaciones
Es una herramienta Que determina que idea tiene influencia sobre otra,
representando ésta relación mediante una flecha en la dirección de influencia.
En particular el Diagrama de Relaciones se utiliza cuando:
a) Un tema es lo suficientemente complejo como para que la Inter.-

relación entre ideas (causas y efectos) sea difícil de determinar,
clasificar y priorizar
b) Es critico en la resolución del problema la secuenciación correcta de las
actividades por parte de la dirección
c) Existe un sentimiento de que el problema en cuestión en realidad es un
solo síntoma.
d) El número de causa y las relaciones entre estas es significativo y difícil
de analizar por separado
 Desarrollar aprox. 50 conceptos del problema (post its)

 Colocar en forma aleatoria los conceptos
 Relacionar los conceptos con flechas causa èefecto
 Se requieren varias revisiones al diagrama por los miembros del equipo
 El equipo llega a un consenso sobre los conceptos sobre los que necesita
trabajar
 Causa raíz = más flechas de salida; Resultado = más flechas de llegada
Página 86
Buen manejo
Gran participación del mercado
de mercado con actual
utilidades estables
Lograr los
objetivos de
Mejor uso utilidades
de
capital
Capital
suficiente
Buenas ventas
de productos
Personal con derentabilidad
más
entusiasmo
Figura 3.7 Diagrama de Relaciones
Métodos de Muestreo Estadístico
El muestreo es una herramienta de la investigación científica. Su función

básica es determinar que parte de una realidad en estudio (población o
universo) debe examinarse con la finalidad de hacer inferencias sobre dicha
población. El error que se comete debido al hecho de que se obtienen
conclusiones sobre cierta realidad a partir de la observación de sólo una parte
de ella, se denomina error de muestreo.
Obtener una muestra adecuada significa lograr una versión simplificada de la

población, que reproduzca de algún modo sus rasgos básicos.
Muestreo probabilístico:
El método otorga una probabilidad conocida de integrar la muestra a cada

elemento de la población, y dicha probabilidad no es nula para ningún
elemento.
Página 87
Los métodos de muestreo no probabilisticos no garantizan la
representatividad de la muestra y por lo tanto no permiten
realizar estimaciones inferenciales sobre la población.
Entre los métodos de muestreo probabilísticos más utilizados en investigación
encontramos21:
Características Ventajas Desventajas
Aleatorio Se selecciona una muestra de  Sencillo y de fácil  Requiere que
simple tamaño n de una población de N comprensión. se posea de
unidades, cada elemento tiene  Cálculo rápido de antemano un
una probabilidad de inclusión medias y varianzas. listado
igual y conocida de n/N.  Se basa en la teoría completo de
estadística, y por toda la
tanto existen población.
paquetes  Cuando se
informáticos para trabaja con
analizar los datos muestras
pequeñas es
posible que no
represente a la
población
adecuadament
e
Sistemático  Conseguir un listado de  Fácil de aplicar.  Si la constante
los N elementos de la  No siempre es de muestreo
población necesario tener un está asociada
 Determinar tamaño listado de toda la con el
muestral n. población. fenómeno de
 Definir un intervalo  Cuando la población interés, las
k=N/n. está ordenada estimaciones
 Elegir un número siguiendo una obtenidas a
aleatorio, r, entre 1 y k tendencia conocida, partir de la
(r=arranque asegura una muestra
aleatorio). cobertura de pueden
 Seleccionar los elementos unidades de todos contener sesgo
de la lista. los tipos. de selección
Estratificado En ciertas ocasiones resultará  Tiende a asegurar  Se ha de
21
Carreira Valledor M. “Metodología del Muestreo “
Página 88
conveniente estratificar la que la muestra conocer la
muestra según ciertas variables represente distribución en
de interés. Para ello debemos adecuadamente a la la población
conocer la composición población en de las
estratificada de la población función de unas variables
objetivo a muestrear. Una vez variables utilizadas para
calculado el tamaño muestral seleccionadas. la
apropiado, este se reparte de  Se obtienen estratificación.
manera proporcional entre los estimaciones más
distintos estratos definidos en la precisa
población usando una simple  Su objetivo es
regla de tres. conseguir una
muestra lo mas
semejante posible a
la población en lo
que a la o las
variables
estratificadoras se
refiere.
Conglomerados  Se realizan varias fases  Es muy eficiente  El error
de muestreo sucesivas cuando la población estándar es
(polietápico) es muy grande y mayor que en
 La necesidad de listados dispersa. el muestreo
de las unidades de una  No es preciso tener aleatorio
etapa se limita a aquellas un listado de toda simple o
unidades de muestreo la población, sólo estratificado.
seleccionadas en la etapa de las unidades
anterior. primarias de  El cálculo del
muestreo. error estándar

es complejo
Tabla 3.3 Tipos de muestreos
Cálculo del tamaño muestral
Cada estudio tiene un tamaño muestral idóneo, que permite comprobar lo que
se pretende con la seguridad y precisión fijadas por el investigador.
Página 89
¿De que depende el tamaño muestral?
 Variabilidad del parámetro a estimar: Datos previos, estudios piloto o

usar 50% como peor estimación
 Precisión: Amplitud del intervalo de confianza. Si se estima prevalencia
su formato será %
 Nivel de confianza (1-a): habitualmente 95% o 99%. Probabilidad
complementaria al error admitido  .
Si aumentamos el tamaño muestral n, podremos mejorar la calidad de la

estimación bien aumentando la precisión (disminuye amplitud del intervalo) o
bien aumentando la seguridad (disminuye el error admitido)
Cálculo del tamaño de la muestra para estimar la media poblacional

a) Cuando se conoce el tamaño de la población y la desviación estándar
N*Z2*2
n=
Z2*2 + d (N-1)
2
poblacional:
donde:
N=
tamaño de la
población
Z = valor de la tabla normal estandarizada correspondiente al nivel de
confianza deseado
 2
= Varianza poblacional donde se va a sacar la muestra
d = tolerancia o error permisible o mitad de la amplitud del intervalo de
confianza deseado
b) Cuando se desconoce el tamaño de la población y se conoce la desviación
estándar poblacional:
Página 90
2 2
n= Z *
2
d
donde:
Z = valor de la tabla normal estandarizada correspondiente al nivel de
confianza deseado
 2
= Varianza poblacional donde se va a sacar la muestra
d = tolerancia o error permisible o mitad de la amplitud del intervalo de
confianza deseado
Estudios de Capacidad de sistemas de medición MSA (R&R)
En muchas ocasiones las organizaciones no consideran el impacto de no

tener sistemas de medición de calidad, el hecho de que las mediciones
no sean exactas puede llevar a cometer errores en el cálculo, y en los
análisis y conclusiones de los estudios de capacidad de los procesos.
Cuando los operadores no miden una pieza de manera consistente, se puede

caer en el riesgo de rechazar artículos que están en buen estado o aceptar
artículos que están en mal estado.
Por otro lado si los instrumentos de medición no están calibrados

correctamente también se pueden cometer errores. Cuando sucede lo
mencionado anteriormente tenemos un sistema de medición deficiente que
puede hacer que un estudio de capacidad parezca insatisfactorio cuando en
realidad es satisfactorio.
Página 91
Lo anterior puede tener como consecuencia gastos innecesarios de reproceso
al reparar un proceso de manufactura o de servicios, cuando la principal
fuente de variación se deriva del sistema de medición.
Página 92
Posibles Fuentes de la Variación del Proceso
Variacióndel proceso,
rea
Definiciones: Figura 3.8 Fuentes de Variación
 Repetibilidad: es la variación de las mediciones obtenidas con

un instrumento de medición, cuando es utilizado
varias
operador, veces
al mismo porque
tiempo un
mide las mismas características en una
misma parte.
Página 93
 Reproducibilidad: Es la variación, entre promedios de las mediciones

hechas por diferentes operadores que utilizan un mismo instrumento de
medición cuando miden las mismas características en una misma parte.
 Valor verdadero:
Valor correcto teórico / estándares NIST22
 Precisión: Es la habilidad de repetir la misma medida cerca o dentro de
una misma zona
 Exactitud:
Es la diferencia entre el promedio del número de medidas y el valor
verdadero.
 Resolución: La medición que tiene exactitud y precisión.
 Estabilidad: es la variación total de las mediciones obtenidas con un

sistema de medición, hechas sobre el mismo patrón o sobre las mismas
partes, cuando se mide una sola de sus características, durante un
período de tiempo prolongado.
22
En EUA se tiene el NIST (National Institute of Standards and Technology)
Página 94
 Linealidad: diferencia en los valores de la escala, a través del rango de

operación esperado del instrumento de medición.
Valor Valor
verdader verdader
o o
Sesg Sesg
o o
Meno mayo
r r
(rangoinferior) (rangosuperior)
RangodeOperacióndel
equipo
 Sesgo: distancia entre el valor promedio de todas las mediciones y el

valor verdadero. Error sistemático o desviación.
Val
Verd
a
 Calibración: Es la comparación de un estándar de medición con exactitud
conocida con otro instrumento para detectar, reportar o eliminar por medio
del ajuste, cualquier variación en la exactitud del instrumento.
 Nota: Página 95
 Importante: para que el equipo de medición tenga una discriminación
 Resolución debe ser al menos 1/10 de la variabilidad del proceso23.
Criterios según el MSA:

 <10% Aceptable
 10-30%. Puede ser aceptable, dependiendo si la característica a
medir no es crítica.
 >30%. ¡Inaceptable!
En cualquier problema que involucre mediciones, algunas de las variaciones

observadas son debidas al proceso y otras son debidas al error o variación en
los sistemas de medición. La variación total es expresada de la siguiente
manera:
 2 total   2
proceso   2 error mediciòn
Existen 2 métodos métodos para realizar los estudios de R&R, conocidos

como Método corto y Método largo, a continuación se explica éste
último:
Estudio de R&R Método largo
 Generalmente intervienen de dos a tres operadores

 Se sugiere se tomen 10 unidades
 Cada unidad es medida por cada operador, 2 ó 3 veces.
 La resolución del equipo de medición debe ser de al menos el 10% del
rango de tolerancia o del rango de variación del proceso.
23
MSA Reference Manual 3th edition
Página 96
 Las partes deben seleccionarse al azar, cubriendo el rango total del
proceso. Es importante que dichas partes sean representativas del
proceso total (80% de la variación)
 10 partes NO son un tamaño de muestra significativo para una opinión
sólida sobre el equipo de medición a menos que se cumpla el punto
anterior.
Procedimiento para realizar un estudio de R&R
1. Asegúrese de que el equipo de medición haya sido calibrado.

2.Marque cada pieza con un número de identificación que no pueda ver la
persona que realiza la medición.
3.Haga que el primer operador mida todas las muestras una sola vez, siguiendo
un orden al azar.
4.Haga que el segundo operador mida todas las muestras una sola vez,
siguiendo un orden al azar.
5.Continúe hasta que todos los operadores hayan medido las muestras una sola
vez (Este es el ensayo 1).
6. Repita los pasos 3-4 hasta completar el número requerido de ensayos
7. Determine las estadísticas del estudio R&R
 Repetibilidad
 Reproducibilidad
 % R&R
 Desviaciones estándar de cada uno de los conceptos mencionados
 Análisis del porcentaje de tolerancia
8. Analice los resultados y determine las acciones a seguir si las hay.
Página 97
Métodos de estudio del error R&R : 24
I.
0.3.1 Método de Promedios- Rango
 Permite separar en el sistema medición lo referente a la
de
Reproducibilidad y a la Repetibilidad.
 Los cálculos son más fáciles de realizar.
II. Método ANOVA

 Permite separar en el sistema de medición lo a la
referente
Reproducibilidad y a la Repetibilidad.
 También proporciona información acerca de las interacciones de un
operador y otro en cuanto a la parte.
 Calcula las varianzas en forma más precisa.
 Los cálculos numéricos requieren de una computadora.
 El Método ANOVA es más preciso
Ejemplo (MINITAB)
Método X Barra - R
Se seleccionan 10 muestras de un proceso de manufactura, cada parte es
medida tres veces por tres operadores. Los datos son los siguientes, realice un
estudio R&R mediante el método X-R.
24
Reyes Primitivo Apuntes de la materia “Opción Terminal UIA”
Página 98
Ejemplo de Estudio R&R

Muestra Analista Resultado Muestra Analista Resultado Muestra Analista Resultado
1 Kari 3.546 1 Carlos 3.566 1 César 3.523
Capture los datos en la hoja de trabajo de Minitab en tres columnas C1, C2,
C3
Seleccione en el menú de la barra de herramientas
STAT>QUALITY TOOLS>GAGE STUDY > Gage R&R (Crossed)
>Seleccione C1 (parte), C2 (operador), C3 (Medición)

>Método de Análisis X Bar and R
>En Options Seleccionar: Staudy variation 6.0 Process tolerante 0.6
Los resultados se muestran a continuación:
Página 99
Gage R&R Study - XBar/R Method
%Contribution
Source VarComp (of VarComp)
Total Gage R&R 83.92
Repeatability 0.0004785 12.46
Reproducibility 0.00007 71.47
Part-To-Part 10
16.08
Total Variation 0.00040
100.00
75
0.00009
17
Upper process tolerance limit = 3.8
0.00057
01
Study Var %Study Var %Tolerance

Source StdDev (SD) (6 * SD) (%SV) (SV/Toler)
Total Gage R&R 0.0218741 0.131245 91.61 26.20
Repeatability 0.0084269 0.050561 35.29 10.09
Reproducibility 0.0201858 0.121115 84.54 24.18
Part-To-Part 0.0095737 0.057442 40.10 11.47
Total Variation 0.0238775 0.143265 100.00 28.60
Number of Distinct Categories = 1
Análisis de los resultados:
El error de R&R vs tolerancia es 26.20% lo que hace que el equipo de

medición no sea adecuado para la medición.
Por otro lado el número de categorías es sólo de 1 cuando debe ser al menos
4 indicando que el instrumento discrimina las diversas partes diferentes.
Página 100
Gage R & R (Xbar/ R ) for Resultado

C o m p o n e n t s o f V a r i a ti o n R e s u l ta d o b y M u e s t r a
100 % Contribution
3.60
% Study Var
% Tolerance
Percent
50 3.55
3.50
0
Gage R&R Repeat Reprod Part-to-Part 1 2 3 4 5 6 7 8 9 10
Muestra
R Chart by Analista
Carlos César Kari R e s u l ta d o b y A n a l i s t a
3.60
Sample R a nge
0.04
UCL=0.03673
3.55
0.02 _
R=0.01427
3.50
0.00 LCL=0
Carlos César Kari
Analista
Xbar Chart by Anal ista
Carlos César A n a l i s t a * M u e s t r a I n te rac ti on
3.60
3.60
Kari Analist
Sample Mea n
a
Carlos
Average
U_ César
3.55 3.55 Kari
CL=3.5641
X=3.5495
LCL=3.5349 3.50
3.50 1 2 3 4 5 6 7 8 9 10
Muestra
Figura 3.9 Resultados del estudio de R&R
La gráfica R se mantiene en control por 2 analistas y solamente 1 analista

presenta variación, lo que representa un área de oportunidad en cuestión de
recapacitación y estandarización de conocimientos.
El mismo estudio mediante el Método Anova da como resultado lo siguiente:
Two-Way ANOVA Table With Interaction
Source DF SS MS F P
Muestra 9 0.0091805 0.0010201 1.2199 0.342
Analista 2 0.0230918 0.0115459 13.8076 0.000
Muestra * Analista 18 0.0150516 0.0008362 6.2212 0.000
Repeatability 60 0.0080647 0.0001344
Total 89 0.0553885
Página 101
Alpha to remove interaction term = 0.25
Gage R&R
%Contribution
Source VarComp (of
VarComp)
Total Gage R&R 0.0007253 97.26
Repeatability 18.02
0.0001344
Reproducibility 79.24
0.0005909
Analista 47.87
0.0003570
Analista*Muestra 31.37
0.0002339
Part-To-Part 0.0000204 2.74
Total Variation 0.0007458 100.00
Upper process tolerance limit = 3.8
Study Var %Study Var %Tolerance

Source StdDev (SD) (6 * SD) (%SV) (SV/Toler)
Total Gage R&R 0.0269319 0.161592 98.62 32.26
Repeatability 0.0115936 0.069561 42.45 13.89
Analista 0.0188942 0.113365 69.19 22.63
Analista*Muestra 0.0152947 0.091768 56.01 18.32
Part-To-Part 0.0045197 0.027118 16.55 5.41
Total Variation 0.0273086 0.163851 100.00 32.71
Los resultados son muy parecidos, auque más estrictos en este método, ya
que el error de R&R vs tolerancia es 32.26%
El resultado total del estudio nos dice que se necesita urgentemente de una
mejora en nuestro sistema de Medición, sobre todo la parte de
Reproducibilidad, hay que trabajar fuertemente en el método de análisis de
cada uno de los analistas que va desde la técnica, la capacitación y la
Página 102
efectividad de la misma, también la Repetitividad que se refiere al equipo con
que estamos midiendo, no sea adecuado para la medición.
La Distribución Normal
La distribución normal es una de las distribuciones más usadas e importantes.

Su propio nombre indica su extendida utilización, justificada por la frecuencia
o normalidad con la que ciertos fenómenos tienden a parecerse en su
comportamiento a esta distribución. Muchos eventos reales y naturales tienen
una distribución de frecuencias cuya forma es muy parecida a la distribución
normal.
La distribución normal es llamada también campana de Gauss por su forma
acampanada.
Figura 3.10 Distribución Normal
Página 103
Propiedades de la distribución normal
 La distribución normal tiene forma de campana.

 La distribución normal es una distribución de probabilidad que tiene
media  = 0 y desviación estándar  = 1.
 El área bajo la curva o la probabilidad desde menos infinito a más
infinito vale 1.
 La distribución normal es simétrica, es decir cada mitad de curva
tiene un área de 0.5.
 La escala horizontal de la curva se mide en desviaciones estándar.
 La forma y la posición de una distribución normal dependen de los
parámetros  y  , en consecuencia hay un número n
in
fitio de
distribuciones normales.
Las distribuciones pueden variar

en:
POSICIÓN
AMPLITU FORMA
D
…OTENERCUALQUIERCOMBINACION
Página 104
Existe una relación del porcentaje de población a la desviación estándar. En la

figura observamos por ejemplo que el área bajo la curva para  1σ tiene un
porcentaje de 68.26%,  2σ = 95.46% y  3σ= 99.73%.
-3s -2s -1s +1s +2s +3s
68.26%
95.46%
99.73%
Figura 3.11 Distribución Normal en niveles de
sigma y %
La desviación estándar (σ) representa la distancia de la media al punto de

inflexión de la curva normal.

x
x
x-3 x-2 x- x+ x+2 x+3
-3 -2 -1 0 1 2 3 z
Página 105
Figura 3.12 Distribución Normal en niveles de Z
La distribución normal estándar

El valor de z
Determina el número de desviaciones estándar σ entre algún valor X y la
media de la población  . Para calcular el valor de Z usamos la siguiente
fórmula.
X  
Z 

La distribución de probabilidad f (Z) es una distribución normal con media 0 y

desviación estándar 1; esto es Z se distribuye normalmente con media cero y
desviación estándar = 1 Z ~ N(0,1): La gráfica de densidad de probabilidad se
muestra en la figura.
F(z)
 1
La distribución f (Z) se encuentra tabulada en la tabla de distribución normal

estándar. En esta tabla podemos determinar los valores de Z o la probabilidad
de determinado valor Z.
Ejemplo:
Página 106
El tiempo de vida de las baterías del conejito tiene una distribución
aproximada a la normal con una media  = 85.36 horas y una desviación
estándar σ = 3.77 horas. ¿Que porcentaje de las baterías se espera que duren
80 horas o menos?
X  = 80 - = -1.42
Z

85.36
3.77
Calculando el valor de Z obtenemos:
Buscamos el valor correspondiente Z en las tablas de distribución normal. Z0.5

= 0.9220 = 92.20%.
Ejemplo:
Encuentre las probabilidades siguientes usando la tabla Z.
a) P(-2.85< Z > 0)
-2.85 0
Solución: Buscamos el valor Z2.85 en las tablas siendo este = 0.99781 restando
0.99781-0.5 = 0.49781, este valor es la probabilidad de 0 a 2.85 que es
exactamente la misma de –2.85 a 0 por simetría. Por lo tanto la probabilidad
es 49.78%
Página 107
Uso de la distribución normal en Excel
 Para calcular la probabilidad dado un valor Z

procedemos de la siguiente manera:
En la barra de herramientas seleccione el icono de funciones
fx>Estadísticas>Distr.Norm.Estand (-Z) OK
Seleccione la celda que contiene el valor de Z, que en este caso es Z =

2.85 , de clic en aceptar y aparecerá la probabilidad buscada P(z)= 0.99781
 Para calcular Z dada una probabilidad f(z)
En la barra de herramientas seleccione el icono de funciones

fx>Estadísticas>Distr.Norm.Estand.inv(probabilidad o área) OK
De clic en aceptar. Procedemos de la misma manera que en el caso
anterior, pero en esta ocasión seleccionamos la probabilidad 0.99781 y
aparecerá el valor Z = 2.8494
Capacidad de procesos normales

Al planear los aspectos de calidad de la manufactura, es sumamente
importante asegurarse de antemano de que el proceso será capaz de
mantener las tolerancias. En las décadas recientes ha surgido el concepto de
capacidad del proceso ó habilidad del proceso, que proporciona una predicción
cuantitativa de qué tan adecuado es un proceso. La habilidad del proceso es la
variación medida, inherente del producto que se obtiene en ese proceso.
Definiciones básicas.
 Proceso: Éste se refiere a alguna combinación única de máquinas,
herramientas, métodos, materiales y personas involucradas en la
producción.
Página 108
 Capacidad o habilidad: Esta palabra se usa en el sentido de aptitud,
basada en el desempeño probado, para lograr resultados que se puedan
medir.
 Capacidad del proceso: Es la aptitud del proceso para producir
productos dentro de los límites de especificaciones de calidad.
 Capacidad medida: Esto se refiere al hecho de que la capacidad del
proceso se cuantifica a partir de datos que, a su vez, son el resultado de
la medición del trabajo realizado por el proceso.
 Capacidad inherente: Se refiere a la uniformidad del producto que
resulta de un proceso que se encuentra en estado de control estadístico,
es decir, en ausencia de causas especiales o atribuibles de variación.
 Variabilidad natural: Los productos fabricados nunca son idénticos sino
que presentan cierta variabilidad, cuando el proceso está bajo control,
solo actúan las causas comunes de variación en las características de
calidad.
 Valor Nominal: Las características de calidad tienen un valor ideal
óptimo que es el que desearíamos que tuvieran todas las unidades
fabricadas pero que no se obtiene, aunque todo funcione correctamente,
debido a la existencia de la variabilidad natural.
Objetivos de determinar la capacidad del proceso25
1. Predecir en que grado el proceso cumple especificaciones.

2. Apoyar a diseñadores de producto o proceso en sus modificaciones.
3. Especificar requerimientos de desempeño para el equipo nuevo.
4. Seleccionar proveedores.
5. Reducir la variabilidad en el proceso de manufactura.
6.Planear la secuencia de producción cuando hay un efecto interactivo de los
procesos en las tolerancias.
25
Douglas C. Montgomery “ Introduction to Statistical Quality Control”
Página 109
LIE X LSE
Figura 3.13 p = porcentaje de medidas bajo la curva de probabilidad fuera de

especificaciones.
Partes fuera de especificaciones, como vamos a mejorar esto?
 Para solucionar este problema, podemos reducir la desviación

estándar.
LIE X LSE
 También podríamos cambiar la media.
Página 110
 Lo ideal sería, por supuesto cambiar ambas.
L X
IE
Condiciones para realizar un estudio de capacidad del proceso
Para realizar un estudio de capacidad es necesario que se cumplan los

siguientes supuestos26:
 El proceso se encuentre bajo control estadístico, es decir sin la influencia

de fuerzas externas o cambios repentinos. Si el proceso está fuera de
control la media y/o la desviación estándar del proceso no son estables y,
en consecuencia, su variabilidad será mayor que la natural y la capacidad
potencial estará infravalorada, en este caso no es conveniente hacer un
estudio de capacidad.
 Se recolectan suficientes datos durante el estudio de habilidad para
minimizar el error de muestreo para los índices de habilidad. Si los datos
se componen de menos de 100 valores, entonces deben calcularse los
límites de confianza inferiores.
 Los datos se recolectan durante un periodo suficientemente largo para
asegurar que las condiciones del proceso presentes durante el estudio sean
representativos de las condiciones actuales y futuras.
26
Juran J.M. “Análisis y planeación de la Calidad “
Página 111
 El parámetro analizado en el estudio sigue una distribución de probabilidad
normal, de otra manera, los porcentajes de los productos asociados con los
índices de capacidad son incorrectos.
También es importante al realizar un estudio de capacidad, asegurarnos que

la variación en el sistema de medición no sea mayor al 10%.
Variación a corto plazo y a largo plazo
Existen dos maneras de expresar la variabilidad:
Variación a corto plazo (Zst): Los datos son recogidos durante un periodo de
tiempo suficientemente corto para que sea improbable que haya cambios y
otras causas especiales.
Las familias de variación han sido restringidas de tal manera que los datos
considerados, sólo son los que se obtuvieron del subgrupo racional. Ayuda a
determinar subgrupos racionales importantes.
Variación a Largo Plazo (Zlt): Los datos son recogidos durante un periodo de
tiempo suficientemente largo y en condiciones suficientemente diversas para
que sea probable que contenga algunos cambios de proceso y otras causas
especiales. Aquí todas las familias de variación exhiben su contribución en la
variación del proceso general.
Página 112
Para el cálculo de Z utilizamos las siguientes formulas27:
Zs t 
límite especif .  nom.
desv ST
.std
Z LT  límite especif .  media

desv .std LT
donde:
Zst = variación a corto plazo.
nom = Valor nominal u objetivo
Zlt = variación a largo plazo.
Z shift: A largo plazo los procesos tienen un desplazamiento natural de 1.5

desviaciones estándar.
Zlt = Zst-1.5shift
Cálculo de la capacidad del proceso:
Para calcular la capacidad del proceso utilizamos la siguiente fórmula:
Cp =
LSE – LIE
6
27
Página 113
donde:
Cp = capacidad potencial
LSE = límite superior de especificaciones
LIE = límite inferior de
especificaciones
 = desviación estándar
El índice Cp debe
ser  1 para tener el potencial de cumplir con especificaciones (LIE, LSE)
Para calcular la capacidad real utilizamos la siguiente fórmula:
Cpk =
[Zl , Zs]
3
El menor valor absoluto de Zl o Zs
Para que el proceso cumpla con las especificaciones el Cpk = debe de ser
1.
Capacidad del proceso a partir de histogramas
Procedimiento:
1. Seleccionar un proceso específico para realizar el
estudio
2. Seleccionar las condiciones de operación del proceso
3. Seleccionar un operador entrenado
4. El sistema de medición (MSA) debe ser en cuestión de error R&R < 10%
5. Recolectar la información
6. Construir un histograma de frecuencia con los datos
7. Calcular la media y desviación estándar del proceso
8. Calcular la capacidad del proceso.
Página 114
Ejemplo: Capacidad de proceso a partir de histogramas
Histograma
Observamos que el histograma
30
tiene forma normal.
25
Frecuencia
20
15
10 Calculando la media y
5
0 la desviación estándar
Clase tenemos:
X= 3.65  = 0.051
La variabilidad del proceso se
encuentra en 6  = 0.306
Si las especificaciones fueran LIE = 3.58 y LSE = 3.68
LSE – LIE = 3.68 – 3.58 = < 1, el proceso no es hábil.

Cp =
6 0.3260.306
Zs = 3.68 – 3.65
0.051 = 0.588
Zl 3.58 – 3.65
= 0.051 = -1.37
Cpk = menor de Zl y Zs = -1.37 < 1 , por lo tanto proceso no cumple

especificaciones.
Página 115
Capacidad a partir de cartas de control
En casos especiales como estos donde las variaciones presentes son
?
? ?
? ?
? ?
totalmente inesperadas tenemos un proceso inestable ó impredecible.
Si las variaciones presentes son iguales, se dice que se tiene un proceso

“estable”. La distribución será “predecible” en el tiempo.
Predic ión
Tiemp
o
Página 116
Cálculo de la desviación estándar del proceso
R
  S
d2 ó   (Para cartas de control X-R y X-S respectivamente)
C4
donde:
S = Desviación estándar de la población

d2 = Factor que depende del tamaño del subgrupo en la carta de control X - R
C4 = Ídem al anterior para una carta X - S
En una carta por individuales, d2 se toma para n = 2 y Rango Medio = Suma

rangos / (n -1)
Ejemplo (carta X - R):
De una carta de control X - R (con subgrupo n = 5) se obtuvo lo siguiente,

después de que el proceso se estabilizó quedando sólo con causas comunes:
x = 3.60 , R = 0.015
Por tanto estimando los parámetros del proceso se tiene:
  x media de medias    dR  0.015

2 2.326 0.0064
Si el límite de especificación es: LIE = 3.58.
El C pk 
3.58  3.60 = -1.041 por tanto el proceso no cumple con las
3
0.0064
especificaciones.
Página 117
Capacidad de procesos en Minitab con los siguientes datos realizar el

análisis de la capacidad de proceso.
15.25 15.50 15.50 17.00 15.00 14.00 16.50 16.50

15.50 17.00 14.75 15.00 16.50 16.00 15.00 14.50
15.25 16.50 16.00 16.50 17.50 15.00 16.75
15.00 17.00 15.75 15.50 15.50 19.00 15.25
15.50 17.00 19.00 15.00 18.00 18.00 14.00
14.50 16.00 18.50 14.50 17.50 16.00 15.00
14.50 15.75 18.00 15.00 16.00 18.00 15.50
15.00 16.50 18.00 14.00 16.50 17.00 15.50
Primeramente, nos aseguramos que los datos se distribuyan normalmente con

la prueba de Ryan como sigue:
1. Stat > Basic statistics > Normality Test
2. Variable C1 Seleccionar Anderson-Darling test OK
El P-value debe ser mayor a 0.05 para que los datos se distribuyan
normalmente nos da como resultado:
Probability Plot of
C1
99 Normal
Mean
16.02
95 StDev
1.162
90 N
56
80 AD
70 0.737
60 P-Value 0.052
Percent
50
40
30
20
10
1
13 14 15 16 17 18 19
C1
Otra opción por medio de una gráfica de probabilidad normal, se tiene:

3. Graph > Probability plot > Normal
4. Graph Variable C1
Página 118
5. Distribution Normal OK
Los puntos deben quedar dentro del intervalo de confianza para indicar que es
normal la distribución
Probability Plot of
C1
99 Normal - 95% CI
Mean
16.02
95 StDev
1.162
90 N
56
80 AD
70 0.737
60 P-Value 0.052
Percent
50
40
30
20
10
1
12 13 14 15 16 17 18 19 20
C1
Determinación de la capacidad del proceso

Una vez comprobada la normalidad de los datos, ddeterminar la capacidad
con:
1. Stat > Quality tools > Capability analysis > Normal
2. Single column C1 Subgroup size 1 Lower Spec 14.5 Upper spec 17.5

Process Capability of C1
LSL USL
P rocess D ata Within
LSL Ov erall
14.5
Target * Potential (Within) Capability
USL Cp 0.85
C P L 0.64
18.5 C P U 1.05
Sample Mean Cpk 0.64
16.0223
Sample N Overall Capability
Pp 0.57
56 PPL 0.43
StDev(Within) PPU 0.71
0.787395 Ppk 0.43
StDev(Overall) C pm *
1.16718
14 15 16 17 18
Observed Performance Exp. Within Performance Exp. Overall Performance
PPM < LSL 53571.43 PPM < LSL 26595.70 PPM < LSL 96071.19
PPM > USL 16886.08
PPM > USL PPM > USL
0.00 PPM Total 825.69 P PM Total PPM Total
a 120
53571.43 27421.38 P á g in
112 95 7.2 7
Interpretación:
La desviación estándar Within se determina basándose en el Rango medio y

d2, con esta se determinan los índices de capacidad potencial Cp y Cpk, así
como el desempeño Within, lo cual es adecuado para un proceso en control o
normal.
La desviación estándar Overall se determina con la desviación estándar de

todos los datos de la muestra dividido entre el factor C4= 4(n-1))/(4n – 3),
con esta desviación estándar se determinan los índices de desempeño Pp y
Ppk así como el desempeño Overall, no importando si el proceso está en
control o no, en este último caso los valores no tienen significado práctico.
Opción Six Pack para mostrar toda la información relevante:
Determinar la capacidad con:
3. Stat > Quality tools > Capability Six Pack > Normal
4. Single column C1 Subgroup size 1 Lower Spec 14.5
Upper spec 17.5
5. Estimate R-bar OK
Página 120
Process Capability Sixpack of C1
I Chart C apabil i ty H i s t o g r a m
11
LSL USL
UCL=18.385
18
Individual Value
S pecifications
LSL 14.5
_
16 X=16.022 U S L 17.5
14
LCL=13.660
1 7 13 19 25 31 37 43 49 55 14 15 16 17 18
Moving Range Chart Normal P r o b Plot

3.0 UCL=2.902 AD : 0.737, P: 0.052
Moving R a nge
1.5
MR=0.888
0.0 LCL=0
1 7 13 19 25 31 37 43 49 55 14 16 18 20
Last 2 5 Observations Capabi li ty P l o t

18 Within Within Overall
StDev 0.787395 StDev 1.16718
Values
16 C p 0.64 Pp 0.43
Overall
Cp k 0.63 P pk 0.42
Cpm *
14 Specs
35 40 45 50 55
Observation
En este caso de la gráfica de probabilidad normal, los datos siguen una

distribución normal.
5. Entregables:
 Seleccionar Requerimientos del Cliente

o Identificar características medibles del requerimiento del cliente (CTQ´s)
para el proyecto.
 Definir estándares de desempeño
o Desarrollar definiciones operacionales para el
proceso a ser medido
o Identificar el objetivo de mejora del proceso
o Establecer márgenes de tolerancia (límites de especificación)
o Definir los conceptos de unidad, defecto y oportunidad de defecto
 Plan colección datos
Página 121
o Validar Sistema de Medición
o Desarrollar el Plan de recolección de datos
o Validar el Sistema de Medición (Y)
La siguiente fase es la de análisis, la cual nos permite descubrir la causa raíz.

Para ello se hará uso de las distintas herramientas de gestión de la calidad.
Ellas son las siete herramientas estadísticas clásicas y las nuevas siete
herramientas. Las herramientas de análisis deben emplearse para determinar
dónde estamos, no para justificar los errores.
Página 122
CAPITULO 4. FASE DE ANALISIS
4.1 Introducción
En esta fase se efectúa el análisis de los datos obtenidos en la etapa de
Medición, con el propósito de conocer las relaciones causales o causas raíz del
problema.
La información de este análisis nos proporcionará evidencias de las fuentes de

variación y desempeño insatisfactorio, el cual es de gran utilidad para la
mejora del proceso.
Página 123
DDM
DMAIC
D
MMAA
AAAAnnn MMeee
AAnalizar Mejorar
M
Definir Medir Controlar
DDDee MMM IIICC CCCooon
naaaalllliiii jjjooorraa
e f i nn i
111.. MMf
Maiaanpppaaiadddeee ee d
1. Mapa de detallado
eaaapppdaaa dddeee nntttrrroo
Czzzzaaaar
1. Mapa de Proceso 111.. MMM
2. Despliegue de la
PPPrroooccceeesssooo
Función de Calidad
de Procesos
dddeeett aaallllaaadddooo
2. Diagrama de 1. AMEF
arr
irr d ii rr
i r 11
1...AAAMMMEEEFFF olllaaarrr
rr
Pareto
d ddeee
222..(QFD) 2. Cartas Multi Vari
3. Diagrama de Causa-
3. Modelo Kano PPPrroooccceeesssooosss 222Correlación
..CCCaaarr ttaaasss
DDDeeesssppplliieeegggu Efecto 3.
4. Diagrama Matricial
2 22. .
4. Diagrama de Árbol 4. Regresión lineal
5. u
Benchmarkin
ueee dddeeellaaa M MMuuulltt ii
5.DDDiagrama
D iiaaagggrraaade
mmmaaaddd Simple y lineal
FFFuuunnnccciióóónnn eee PAfinidad
PPaaarr eeettooo VVV aaarr ii
Múltiple
6. Métodos de
dddeee 333..
Muestreo 5.
333Pruebas
..CCCooorrde
rr eeellaa
CCCaaalliidddaaaddd Estadístico Hipótesis
DDDiiaaagggrraaammmaaa
7. Capacidad del 6.
accAnálisis
ciióóónnnde Varianza
((QQQFFFDDD)) dddeee CCCaaauuusssaaa--
Sistema de Medición (ANOVA)
333.. MMMooodddeeellooo
444..RRReeegggrr eeess
8. Distribución
EEEffeeecccttoooNormal
KKKaaannnooo 9. Capacidad del
444.. siióóónnn
Proceso
444.. DDDiiaaagggrraaammmaaaddd
lliinnneeeaaall
DDDiiiaaagggrraaammmaaa eee ÁÁÁrr bbboooll
MMMaaatt rr iiccciiaaall S
SS i mm pp l e im p le
555.. Figura 4.1 Herramientas en la Fase de Medición
555..
DDDiiaaagggrraa e yyy
BBBeeennnccchhhmmmaaarr
kkkiinnn ammmaaadddeee lliinnneeeaaall
Los objetivos de esta fase son: MMMúúúllttiipppll

666.. AAAff iinnniiddd
CCCooosssttooosssdddeee aaaddd
 CCCaDeterminar
aalliidddaaaddd el
666.. nivel de desempeño del proceso actual.
eee
555..PPPrr uuueeebbb
 Identificar cuales son las fuentes de variación.
MM éé t oo d M é to d
a s d e
dooosssdddeee aa ss dd ee
 Una vez identificadas

MMMuuueeesss las causas
HHHiipppóóóttepotenciales
eesss por medio de una lluvia de
ttrreeeooo
is
ideas y un diagrama
EEEssstt aaadd
de causa
i ss
efecto, se realiza un proceso de validación
666..AAAnnnááálliiss
estadística de doílas mismas apoyándose
íssstt iicccoo
siisss dddeee
en Análisis de regresión, Pruebas de
Hipótesis y Análisis
777..
de varianza.
VVVaaarr iiaaannnzzz
CCCaaapppaaac
aaa
cciidddaaaddd
((AAANNNOOOVV
4.2 Etapas de la fase de Análisis

dddeeell
VAAA))
SSSiissstteeem
La fase de análisis
mmaaconsta
adddeee de las siguientes etapas:
MMMeeedddiicc
ciióóónnn
Definir el objetivo de desempeño

888..
DDDiissstt rr iibbbu
uuccciióóónnn
NNNooorrmmmaaall
l
En esta etapa se
999..
define la meta hacia la cual nos dirigimos, o sea cuales son
los niveles sigmaCCesperados
Caaapppaaacccii
en nuestro proceso en el tiempo.
dddaaaddd dddeeell
PPPrroooccceeesss
ooo
Página 124
Una opción es realizar un Benchmarking, el cual es el mecanismo para
identificar y comparar quien tiene el mejor desempeño del proceso, ya sea
dentro de la organización u otra organización, y comparamos nuestros valores
contra ese parámetro de referencia para determinar el GAP existente e
identificar acciones para reducirlo.
Identificar las fuentes de variación

Cuando un proceso se encuentra fuera de las especificaciones permitidas, se
tiene evidencia de que existe variación. Para comprobarlo utilizamos alguna de
las herramientas de análisis, según sea el el caso por ejemplo, el análisis
Multi-Vari es una herramienta estadística que nos permite determinar las
fuentes que presentan mayor variación, a través de la descomposición de los
componentes de variabilidad del proceso. Una vez determinadas las causas de
variación, nos enfocaremos en los “pocos vitales X” que están afectando la
variable de respuesta “y”. Una opción para priorizar estas causas es el uso del
“diagrama de Pareto”.
A continuación se muestra un diagrama de posibles fuentes de variación del

proceso:
Variación del Proceso
Variación del Proceso de Medición

Variación Actual del Proceso
Otras fuentes de Variación debida al Variación debida al

Variación a Variación a Equipo de Medición
Largo Plazo Corto Variación operador
Plazo
Exactitud Precisión Discriminació

(Sesgo) (Error de Medición) n
(Resolución)
Página 125
Figura 4.2 Fuentes de Variación
Para una validación estadística de causas se utilizan diversas herramientas

estadísticas como las que se explican a continuación.
Herramientas básicas para la fase de Análisis
3. AMEF (Proceso actual)

El AMEF o FMEA ( Failure Mode and Effect Analisis) es una técnica de
prevención, utilizada para detectar por anticipado los posibles modos de falla,
con el fin de establecer los controles adecuados que eviten la ocurrencia de
defectos.
Objetivos
 Identificar los modos de falla potenciales, y calificar la severidad de su

efecto.
 Evaluar objetivamente la ocurrencia de causas y la habilidad de los
controles para detectar la causa cuando ocurre.
 Clasifica el orden potencial de deficiencias de producto y proceso.
 Se enfoca hacia la prevención y eliminación de problemas del producto y
proceso
Cuándo iniciar un AMEF
 Al diseñar los sistemas, productos y procesos nuevos.

 Al cambiar los diseños o procesos existentes o que serán usados en
aplicaciones o ambientes nuevos.
 Después de completar la Solución de Problemas (con el fin de evitar la
incidencia de los mismos).
Página 126
 El AMEF de sistema, después de que las funciones del sistema se
definen, aunque sea antes de seleccionar el hardware específico.
 El AMEF de diseño, después de que las funciones del producto son
definidas, aunque sea antes de que el diseño sea aprobado y entregado
para su manufactura.
 El AMEF de proceso, cuando los dibujos preliminares del producto y sus
especificaciones están disponibles.
Tipos de AMEF´S
 AMEF de Diseño: Se usa para analizar componentes de diseños. Se enfoca

hacia los Modos de Falla asociados con la funcionalidad de un componente,
causados por el diseño.
 AMEF de Proceso: Se usa para analizar los procesos de manufactura y
ensamble. Se enfoca a la incapacidad para producir el requerimiento que
se pretende, un defecto. Los Modos de Falla pueden derivar de causas
identificadas en el AMEF de Diseño.
Procedimiento para la elaboración del A.M.E.F (Diseño o Proceso)

1.
Determinar el proceso o producto a analizar.
2. Establecer los modos potenciales de falla.

3. Determinar el efecto de la falla
4. Determinar la causa de la falla
5.Describir las condiciones actuales: Anotar los controles actuales que estén
dirigidos a prevenir o detectar la causa de la falla.
6.Determinar el grado de ocurrencia: Es necesario estimar el grado de
ocurrencia de la causa de la falla potencial. Se utiliza una escala de evaluación
Página 127
del 1 al 10. El “1” indica remota probabilidad de ocurrencia, el “10” indica muy
alta probabilidad de ocurrencia. (Tabla 4-3.1)
7.Determinar el grado de severidad: Para estimar el grado de severidad, se
debe de tomar en cuenta el efecto de la falla en el cliente. Se utiliza una
escala del 1 al 10: el ‘1’ indica una consecuencia sin efecto. El 10 indica una
consecuencia grave. (Tabla 4-3.2)
8.Determinar el grado de detección: Se estimará la probabilidad de que el
modo de falla potencial sea detectado antes de que llegue al cliente. El ‘1’
indicará alta probabilidad de que la falla se pueda detectar. El ‘10’ indica que
es improbable ser detectada. (Tabla 4-3.3)
9.Calcular el número de prioridad de riesgo (NPR): Es un valor que establece
una jerarquización de los problemas a través de la multiplicación del grado de
ocurrencia, severidad y detección, éste provee la prioridad con la que debe de
atacarse cada modo de falla, identificando ítems críticos.
NPR = Grado de Ocurrencia * Severidad * Detección.
 Acciones recomendadas: Anotar la descripción de las acciones

preventivas o correctivas recomendadas , incluyendo responsables de
las mismas. Anotando la fecha compromiso de implantación.
10.Una vez realizadas las acciones correctivas o preventivas, se recalcula el
grado de ocurrencia, severidad, detección y el NPR.
Cada vez que haya alguna modificación en el proceso o en el producto se

debe de actualizar el A.M.E.F.
4.4 Cartas Multi Vari28
28
Correo Juan C González Nelfi “Gráficos Estadísticos Universidad Nacional”
Página 128
El análisis Multi-Vari permite determinar las fuentes que presentan mayor
variación, a través de la descomposición de los componentes de variabilidad
del proceso.
El objetivo general de las cartas Multi-Vari es, descubrir los componentes de

variación en el proceso y cuantificar las diferentes fuentes de variabilidad, las
cuáles pueden ser, por ejemplo: de lote a lote, dentro del lote, de turno a
turno, entre turnos, dentro del turno, de máquina a máquina, dentro de la
máquina, de operador a operador, dentro del operador, entre operadores, etc.
Su propósito fundamental es reducir el gran número de causas posibles de

variación, a un conjunto pequeño de causas que realmente influyen en la
variabilidad.
Sirven para identificar el patrón principal de variación de entre tres patrones

principales:
1.-Temporal: Variación de hora a hora; turno a turno; día a día; semana a

semana; etc.
2.- Cíclico: Variación entre unidades de un mismo proceso; variación entre
grupos de unidades; variación de lote a lote.
3.- Posicional:
 Variaciones dentro de una misma unidad (ejemplo: porosidad en un
molde de metal) o a través de una sola unidad con múltiples partes
(circuito impreso).
 Variaciones por la localización dentro de un proceso que produce
múltiples unidades al mismo tiempo. Por ejemplo las diferentes
cavidades de un molde
 Variaciones de máquina a máquina; operador a operador; ó planta a
planta
Página 129
Una vez identificados las fuentes de variación, el análisis Multi-Vari esta a
diseñado y identificar la variable independiente de
enfocado dentro de las familias
influencia mayor de variación descritas anteriormente.
Página 130
Ejemplo:
Se toman 3 a 5 unidades consecutivas, repitiendo el proceso tres o más veces

a cierto intervalo de tiempo, hasta que al menos el 80% de la variación en el
proceso se ha capturado.
A
1 2 3 4 5 27 28 29 30 31 55 56 57
58 59
VARIACIÓN POSICIONAL DENTRO DE LA UNIDAD
1 2 3 4 5 27 28 29 30 31 55 56
57 58 59
VARIACIÓN CÍCLICA DE UNIDAD A UNIDAD
1 2 3 4 5 27 28 29 30 31 55 56 57
58 59
VARIACIÓN TEMPORAL DE TIEMPO A TIEMPO
Página 131
Ejemplo:
Un proceso produce flecha cilíndrica, con un diámetro especificado de 0.0250”
± 0.001”. Sin embargo un estudio de capacidad muestra un Cp = 0.8 y una
dispersión natural de 0.0025” (6σ) contra la permitida de 0.0002”. Se tiene
pensado comprar un torno nuevo de US$70,000 para tolerancia de ± 0.0008”,
i.e. Cpk = 1.25. Se sugirió un estudio Multi Vari previo.
Se tomaron cuatro lecturas en cada flecha, dos a cada lado. Estas muestran
una disminución gradual desde el lado izquierdo al lado derecho de las flechas,
además de excentricidad en cada lado de la flecha.
8 AM 9 AM 10 AM 11 AM 12 AM
0.2510”
0.2500”
0.2490”
Izquierda
Máximo
Derecha
Mínimo
Un análisis rápido revela que la mayor variación es temporal con un cambio

mayor entre las 10 AM y las 11 AM.
A las 10 AM se para el equipo para el almuerzo y se arranca a las 11 AM, con

lecturas similares a las de las 8 AM. Conforme pasa el tiempo las lecturas
tienden a decrecer más y más, hasta que se invierten a las 10 A.M. en forma
drástica.
Página 132
Se investigó y se encontró que la temperatura tenía influencia en la variación.
La variación en temperatura era causada por que la cantidad de refrigerante

no era la adecuada, lo cual se notaba más cuando se paraba el equipo y se
volvía a arrancar. Se adicionó, reduciendo la variación en 50%
aproximadamente..
También se encontró que el acabado cónico era causado por que la

herramienta de corte estaba mal alineada. Se ajustó, contribuyendo a otra
reducción del 10% de la variabilidad.
La excentricidad de las flechas se corrigió al cambiar un rodamiento excéntrico

por desgaste en el torno. Se instaló un nuevo rodamiento eliminándose otro
30% de la variabilidad.
4.5 Correlación
Establece si existe una relación entre las variables y responde a la pregunta,

”¿Qué tan evidente es esta relación?"
Los Diagramas de Correlación se utilizan para estudiar las relaciones y

“posibles dependencias” entre dos variables.
Página 133
Tipos de Correlaciones:
1 3 5
Fuerte Correlación Negativa Sin Correlación

Fuerte Correlación Positiva
2 4 6
Correlación Positiva Correlación Negativa Otros patrones
Figura 4.3 Tipos de Correlaciones
La Correlación:
 Mide la fuerza de la asociación lineal entre dos variables
 No mide las relaciones fuertes no lineales
 No mide causa y efecto
 Puede ser utilizada como un primer paso para la regresión
 Debe ser utilizada en conjunto con técnicas gráficas
La medición de la fuerza de la asociación lineal en un análisis de correlación es

“R” (el coeficiente de correlación.) que dependiendo del valor “nos dice” que
tan bien se ajuntan los datos a la ecuación.
Pr
opi
 -1<R<1
ed
 R > 0 indica una
ad
es relación positiva lineal
de
Página 135 R
 R < 0 indica una relación negativa lineal
R2 la proporción de la variabilidad total de los valores de “y” que pueden ser
explicados por la variable independiente x.
Si el valor de R esta entre:
 0.9 ≤ R ≤ 1 Muy buen ajuste

 0.8 ≤ R < 0.9 Buen ajuste, requiere de más pruebas
 0.6 ≤ R < 0.8 Regular, requiere revisión
6. Análisis de Regresión
El análisis de regresión es un método estandarizado para localizar la
correlación entre dos grupos de datos, y, quizá más importante, crear un
modelo de predicción.
Puede ser usado para analizar las relaciones entre:

 Una sola “X” predictora y una sola “Y”
 Múltiples predictores “X” y una sola “Y”
 Varios predictores “X” entre sí
Regresión lineal simple
La Regresión lineal se refiere a la predicción del valor de una variable a partir

de una o más variables. En ocasiones se denomina a la variable dependiente
(y) variable de respuesta y a la variable independiente (x) variable de
predicción.
Usamos un modelo probabilístico para explicar el comportamiento de la

variable independiente vs la variable dependiente, llamado modelo de
regresión lineal, y se expresa de acuerdo a la siguiente ecuación:
Página 135
Modelo de regresión lineal
y   0  1 x  
Donde:
y = variable
dependiente
 0 = ordenada al origen
 1 = pendiente
x = variable independiente
e = Error aleatorio
componente determinístico del modelo de

La expresión  0 +  1X se denomina
regresión lineal. La muestra de pares de datos se usará para estimar los
parámetros
 0y  1
Supuestos para el modelo de regresión lineal29
1. Para cada valor de x, la variable aleatoria  se distribuye normalmente.

2. Para cada valor de x, la media o valor esperado de  es 0; esto
es,
E     0 .
3. Para cada valor de x, la varianza de  es la constante σ2

(llamada varianza del error).
4. Los valores del término de error  son independientes.
5. Para un valor fijo de x, la distribución muestral de y es normal, porque sus

valores dependen de los de  .
6. Para un valor fijo x, es posible predecir el valor de y.
7. Para un valor fijo x, es posible estimar el valor promedio de y
29
Richard Weimer “Estadística”
Página 136
Ejemplo30:
Se tiene que predecir las ventas mensuales en función del costo de publicidad
de los siguientes datos:
Mes Publicidad Ventas

1 1.20 101
2 0.80 92
3 1.00 100
4 1.30 110
5 0.70 90
6 0.80 82
7 0.90 95
8 0.60 80
9 0.90 91
10 1.10 105
11 0.90 93
12 0.70 91
13 0.70 83
Utilizando el Minitab:
> Stat > Regression > Regression
Seleccionar Response = Columna de las Y's
Seleccionar Predictors = Columnas de las Xs
OK
F i t t ed L i n e P l o t
V entas = 58.86 + 38 .6 0 Publicidad
S
110 3.90857
R-Sq 82.4%
R -Sq(ad j) 80.8%
105
100
Ventas
95
90
85
80
0. 6 0.7 0 .8 0 .9 1.0 1.1 1.2 1.3

Pub lic idad
La ecuación sería: Y = 58.86 + 36.6*Publicidad

30
Ramírez Eduardo Tomado de los Apuntes de la Clase “Análisis de Regresión”
Página 138
De acuerdo al valor de R2 (82.46%) tenemos que el 82.46% de los datos se

ajustan al modelo de regresión, es un buen ajuste, pero requiere de más
pruebas para hacerlo estadísticamente más representativo.
Regresión lineal múltiple
En ocasiones la información de una variable independiente no es suficiente,

Cuando se usa más de una variable independiente para predecir los valores de
una variable dependiente, el proceso se llama análisis de regresión múltiple; y
se expresa de acuerdo a la siguiente ecuación:
Modelo de regresión múltiple
Y =  0+  1 x1 +  2 x2
+.... +  n
Donde:
y 0 ==ordenada
variable dependiente
al origen
 2 = coeficiente de cada variable.

1, 
x1, x2 = variables independientes
 = Error aleatorio
La estimación de los coeficientes de una regresión múltiple es un cálculo

bastante complicado y laborioso, por lo que se requiere del empleo de
programas de computación especializados. Sin embargo, la interpretación de
los coeficientes es similar al caso de la regresión simple: el coeficiente de cada
variable independiente mide el efecto separado que esta variable tiene sobre
la variable dependiente. El coeficiente de determinación, por otro lado,
Página 138
mide el porcentaje de la variación total en Y que es explicado por la variación
conjunta de las variables independientes.
Ejemplo:
Una de las características importantes del alambre para amarres es su

resistencia a la tracción. La tabla de a continuación proporciona información
sobre la resistencia a la tracción(y), la altura del dado (X1), la altura del poste
(X2); la altura del amarre (X3), La longitud del alambre (X4), el ancho del
amarre sobre el dado (X5).
y x1 x2 x3 x4 x5
8.0 5.2 19.6 29.6 94.9 2.1
8.3 5.2 19.8 32.4 89.7 2.1
8.5 5.8 19.6 31.0 96.2 2.0
8.8 6.4 19.4 32.4 95.6 2.2
9.0 5.8 18.6 28.6 86.5 2.0
9.3 5.2 18.8 30.6 84.5 2.4
9.3 5.6 20.4 32.4 88.8 2.2
9.5 6.0 19.0 32.6 85.7 2.1
9.8 5.2 20.8 32.2 93.6 2.3
10.0 5.8 19.9 31.8 86.0 2.1
10.3 6.4 18.0 32.6 87.1 2.0
10.5 6.0 20.6 33.4 93.1 2.1
10.8 6.2 20.2 31.8 83.4 2.2
11.0 6.2 20.2 32.4 94.5 2.1
11.3 6.2 19.2 31.4 83.4 1.9
11.5 5.6 17.0 33.2 85.1 2.1
11.8 6.0 19.8 35.4 84.1 2.0
12.3 5.8 18.8 34.0 86.9 2.1
12.5 5.6 18.6 34.2 83.0 1.9
Página 139
CURSO DE SEIS SIGMA P. REYES / FEB.
2006
Utilizando el excel empleamos las siguientes instrucciones:
>Tools
>Data Análisis
>Regresión
>Input Y: Las variable de predicción
> Input X: Las variables de predictoras
>Conficence Level al 95% OK
Estadística s de la regresión
Coeficiente de correlación m últiple0. 82984
R^2
0383a Coeficiente
justad o de d eterm inación R^20.0.56887
Error típico
68863 5061 9315
Ob se rvacion 0. 89201
es 0307
ANÁ LISIS DE VA RIANZA 19
Grados de lib er Su ma de cuadrado s P ro medio de los cuadrados Valor crí tico de F
Regresió n F 5 22.87 71816 4.57 54363 5.75 03300 0.005 1466
Residu os 13 10.34 38710 0.79 56824
Total 18 33.22 10526
Coeficie ntes Error típico Estadístico t P ro babilidad Infe rior 95% Superior 9
5%
Intercepció n 6.227 2909 8.450 1126 0.73 69477 0.47 42451 -1 2.028 0640 2 4.482 6458
Variable X 1 0.395 1351 0.579 1396 0.68 22796 0.50 70376 -0.856 0196 1 .6462 899
Variable X 2 -0.048 8255 0.258 0863 -0.189 1830 0.85 28711 -0.606 3870 0 .5087 359
Variable X 3 0.477 2919 0.141 7064 3.36 81736 0.00 50414 0.171 1538 0 .7834 300
Variable X 4 -0.112 2814 0.052 5337 -2.137 3204 0.05 21490 -0.225 7735 0 .0012 108
Variable X 5 -1.368 7757 1.920 5352 -0.712 7054 0.48 86239 -5.517 8389 2 .7802 875
a) Ajuste el modelo de regresión múltiple
Y = 6.22 + 0.395 X1 – 0.048X2 + 0.477X3 - 0.112X4 – 1.368 X5
b) Realizar la tabla de ANOVA para el modelo anterior:

TABLA ANOVA  d e Cuadrados Grados de libertad  d e cuadrados Fo
SSR p-1 MSR Fo = MSR/MSE
Fuente de Regresión 22.871 5 4.574 5.7178
SSE n-p MSE
Error 10.400 13 0.800
SST n-1
Total 33.271 18
Ho : i = 0 Vi
H1 : i = 0 al menos para una i = 0
El modelo se rechaza si:

El valor de F,p-1,n-p se obtiene de la tabla V pág, A-13 de
Fo > F,p-1,n-p
Douglas Montgomery
Fo > F0.025,5,13
Página 141
5.717 > 3.77
Por lo tanto se rechaza la Ho y se acepa la Hi que acepta que el modelo de regresión Si es significativ
c) Obtener los valores de R y R2:

SSE
^2
Ra = 1 - (n-p)
SS T
n-1
10.400
Ra^2 = 1 - 13
33.271
18
Ra ^2 = 0.567 R = 0.753
De acuerdo al valor de la R se denota que el modelo es “Regular” y

requiere revisión.
d) Realizar la gráfica de Residuos:
Gráfica de Residuos
1.5
1.0
0.5
0.0
0 5 10 15
-0.5
-1.0
Página 141
En la gráfica se puede apreciar que no se “ve” que existe una correlación
alguna.
4.7 Pruebas de Hipótesis:
Al realizar pruebas de hipótesis, se parte de un valor supuesto (hipotético) en

parámetro poblacional. Después de recolectar una muestra aleatoria, se
compara la estadística muestral, así como la media (x), con el parámetro
hipotético, se compara con una supuesta media poblacional (). Después se
acepta o se rechaza el valor hipotético, según proceda. Se rechaza el valor
hipotético sólo si el resultado muestral resulta muy poco probable cuando la
hipótesis es cierta.
Etapa 1.- Planear la hipótesis nula y la hipótesis alternativa. La hipótesis nula

(H0) es el valor hipotético del parámetro que se compra con el resultado
muestral resulta muy poco probable cuando la hipótesis es cierta.
Etapa 2.- Especificar el nivel de significancia que se va a utilizar. El nivel de

significancia del 5%, entonces se rechaza la hipótesis nula solamente si el
resultado muestral es tan diferente del valor hipotético que una diferencia de
esa magnitud o mayor, pudiera ocurrir aleatoria mente con una probabilidad
de 1.05 o menos.
Etapa 3.- Elegir la estadística de prueba. La estadística de prueba puede ser la

estadística muestral (el estimador no segado del parámetro que se prueba) o
una versión transformada de esa estadística muestral. Por ejemplo, para
probar el valor hipotético de una media poblacional, se toma la media de una
muestra aleatoria de esa distribución normal, entonces es común que se
transforme la media en un valor z el cual, a su vez, sirve como estadística de
prueba.
Página 142
Etapa 4.- Establecer el valor o valores críticos de la estadística de prueba.
Habiendo especificado la hipótesis nula, el nivel de significancia y la estadística
de prueba que se van a utilizar, se produce a establecer el o los valores
críticos de estadística de prueba. Puede haber uno o más de esos valores,
dependiendo de si se va a realizar una prueba de uno o dos extremos.
Etapa 5.- Determinar el valor real de la estadística de prueba. Por ejemplo, al

probar un valor hipotético de la media poblacional, se toma una muestra
aleatoria y se determina el valor de la media muestral. Si el valor crítico que
se establece es un valor de z, entonces se transforma la media muestral en
un valor de z.
Etapa 6.- Tomar la decisión. Se compara el valor observado de la estadística

muestral con el valor (o valores) críticos de la estadística de prueba. Después
se acepta o se rechaza la hipótesis nula. Si se rechaza ésta, se acepta la
alternativa; a su vez, esta decisión tendrá efecto sobre otras decisiones de los
administradores operativos, como por ejemplo, mantener o no un estándar de
desempeño o cuál de dos estrategias de mercadotecnia utilizar.
La distribución apropiada de la prueba estadística se divide en dos regiones:

una región de rechazo y una de no rechazo. Si la prueba estadística cae en
esta última región no se puede rechazar la hipótesis nula y se llega a la
conclusión de que el proceso funciona correctamente.
Al tomar la decisión con respecto a la hipótesis nula, se debe determinar el

valor crítico en la distribución estadística que divide la región del rechazo (en
la cual la hipótesis nula no se puede rechazar) de la región de rechazo. A hora
bien el valor crítico depende del tamaño de la región de rechazo.
Pasos de la prueba de hipótesis:
Página 143
1. Definir el Problema ( Problema Práctico).

2. Señalar los Objetivos ( Problema Estadístico).
3. Determinar tipo de datos: Atributo o Variable.

4. Si son datos Variables: Prueba de Normalidad.
5. Establecer las Hipótesis: Hipótesis Nula (Ho),Hipótesis Alterna (Ha).
6. Seleccionar el nivel de Alfa (normalmente 0.05 o 5%).
7. Establecer el tamaño de la muestra,  1 0 .

8. Desarrollar el Plan de Muestreo.
9. Seleccionar Muestras y Obtener Datos.
10.Decidir la prueba estadística apropiada y calcular el estadístico de
prueba (Z, t, X2 o F) a partir de los datos.
11. Obtener el estadístico correspondiente de tablas o Excel.

12.Determinar la probabilidad de que el estadístico de prueba calculado
ocurra al azar.
13.Comparar el estadístico calculado con el de tablas y ver si cae en la
región de rechazo o ver si la probabilidad es menor a alfa, rechace
Ho y acepte Ha. En caso contrario no rechace Ho.
14.Con los resultados interprete una conclusión estadística para la
solución práctica.
Pruebas de hipótesis para una población
Se trata de probar una afirmación sobre parámetros de la población (media

 ; varianza σ2 o proporción  ) en base a datos de estadísticos de una
muestra (X media, s2 o p respectivamente):
3 ELEMENTOS DE UNA PRUEBA:
Página 144
 Prueba Estadística: Procedimiento para decidir aceptar o
rechazar hipótesis.
 Hipótesis: Es una afirmación acerca de una o más poblaciones.
 Hipótesis Nula (Ho): Usualmente es una afirmación representando una
situación “status quo”. Generalmente deseamos rechazar la hipótesis nula.
o Es la hipótesis o afirmación a ser probada
o Puede ser por ejemplo  =, σ, o  a constante
o Sólo puede ser rechazada o no rechazada
 Hipótesis Alterna (Ha): Es lo que aceptamos si podemos rechazar la

hipótesis nula. Ha es lo que queremos probar.
o Es la hipótesis que se acepta como verdadera cuando se rechaza Ho, es

su complemento
o Puede ser por ejemplo   p7 ara prueba de dos colas
 < 7 para prueba de cola izquierda
 > 7 para prueba de cola derecha
 Estadístico de prueba: Calculado con datos de la muestra.
 Región de Rechazo: Indica los valores de la prueba estadística para que

podamos rechazar la Hipótesis nula (Ho). Esta región esta basada en un
riesgo a deseado, normalmente 0.05 o 5%.
 Estadístico de prueba(Z, t, X2 o F): Para probar la hipótesis nula se calcula

un estadístico de prueba con la información de la muestra el cual se
Página 145
compara a un valor crítico apropiado. De esta forma se toma una decisión
sobre rechazar o no rechazar la Ho.
 Error tipo I (alfa = nivel de significancia, normal=0.05): Se comete al rechazar la
Ho cuando en realidad es verdadera. También se denomina riesgo del

productor
 Error tipo II (beta): Se comete cuando no se rechaza la hipótesis nula

siendo en realidad falsa. Es el riesgo del consumidor
Las pruebas de hipótesis pueden ser de dos colas, de cola derecha o de cola
izquierda, a continuación se esquematizan cada una de ellas.
Pruebas de Hipótesis de dos colas:

Ho: a = b Región de Región de
Rechazo Rechazo
Ha: a  b
-Z 0 Z
Pruebas de Hipótesis de cola
derecha:
Ho: a  b
Región de
Ha: a > b Rechazo
0 Z
Pruebas de Hipótesis cola izquierda:
Ho: a  b
Ha: a < b Región de
Rechazo
-Z 0 Z 
Prueba de hipótesis Estadística
Para una muestra grande (n >30) probar la hipótesis de una media 
Ho:    o
Ha:   0
Página 146
Calcular el estadístico de prueba
Z calc     0
s
n
Establecer la región de rechazo, para prueba de 2 colas:  Z  2 Z  2
Página 147
Si el valor del estadístico de

R e g ió n d Reg
prueba cae en la región de
eRech ió n R
rechazo rechazaremos Ho de echa
azo 0
otra manera no podemos z
- Z
rechazar Ho.
Z  
Ejemplo:
Supongamos que tenemos muestras de dos reactores que producen el mismo

artículo. Se desea ver si hay diferencia significativa en el rendimiento de
“Reactor a Reactor”.
Reactor A Reactor B
89.7 84.7 Estadísticas Descriptivas

81.4 86.1
Variable Reactor N Media Desv.Std
84.5 83.2
84.8 91.9 Rendimiento A 10 84.24 2.90
87.3 86.3
79.7 79.3 B 10 3.65
85.1 82.6 85.54
81.7 89.1
83.7 83.7
84.5 88.5
Pregunta Práctica: ¿Existe diferencia entre los reactores?
Pregunta Estadística ¿La media del Reactor B (85.54) es significativamente

diferente de la media del Reactor A (84.24)? o, su diferencia se da por
casualidad en una variación de día a día.
Ho: No existe diferencia entre los Reactores.

Ha: Las medias de los Reactores son diferentes.
H 0 :  a  b
H a :  a  b
Página 148
Se busca demostrar que los valores observados al parecer no corresponden al

mismo proceso, se trata de rechazar Ho.
¿Representan los reactores dos procesos diferentes?
¿Representan los reactores un proceso básico?
Página 149
Pruebas de Hipótesis sobre la Igualdad de dos Medias.
A) Varianzas conocidas
Supóngase que hay dos poblaciones de interés X1 y X2, Suponemos que X1
tiene media desconocida 1 y varianza conocida  12 y que X2 tiene media
desconocida  2 y varianza conocida. Estaremos interesados en la prueba de la
hipótesis de que las medias 1 y  2 sean iguales.
Considérense primero las hipótesis alternativas de dos lados:
H 0 : 1   2 H 1 : 1   2
donde:
H0 = Hipótesis nula
H1 = Hipótesis alternativa.
 1 = media de la población 1
 2 = media de la población 2
El procedimiento para probar H 0 :  1   2 consiste en calcular la estadística de
prueba Z0 mediante la siguiente fórmula:
X1  X 2
Z0  1 = media de la muestra 1
 21  2 2 donde:
2 = media de la muestra 2
2
n 
1 2
1 = varianza de la población 1
n2 2 = varianza de la población 2
= tamaño de la muestra 1
= tamaño de la muestra 2
Página 150
La hipótesis nula H0 se Rechaza si:
Z 0  Z 2 o Z 0  Z 2
donde:
Z0 = Valor calculado del estadístico de prueba
Z 2 = Valor obtenido de las tablas.
Las hipótesis alternativa de un lado se analizan de manera similar. Para

probar
H 0 : 1   2 H 1 : 1   2
Se calcula la estadística de prueba Z0 , y se rechaza H 0 : 1   2 si Z0  Z .
Para probar las otras hipótesis alternativas de un lado
H 0 : 1   2 H 1 : 1   2
Se utiliza la estadística de prueba Z0 y se rechaza H 0 : 1   2 si Z 0  Z
Ejemplo:
Se emplean dos máquinas para llenar botellas de plástico con un volumen

neto de 16 onzas. El proceso de llenado puede suponerse normal, con
desviaciones estándar de  1  .015 y  2  .018 . Ingeniería de calidad sospecha

que ambas máquinas llenan hasta el mismo volumen neto, sin importar que
este volumen sea o no de 16 onzas. Se toma una muestra aleatoria de la
salida de cada máquina. ¿Piensa usted que ingeniería de calidad está en lo
correcto? Utilizando   .05 .
Página 151
Se toman muestras con cada máquina, mostradas en la siguiente tabla:
máqu
16.
16.
Se establecen las hipótesis:
H 0 : 1   2
H 1 : 1   2
Calculando las medias de cada máquina obtenemos: X 16.015 , X 16.005 .

1 2
X1  X 2 16.015 16.005
Z0  1.34
 2
1  2 = .015  .018
2 2
2 n1  10 10
n2
Z 2 = Z.025 = 1.96 ( De tablas)
Utilizando el criterio de decisión Z 0  Z  2 para rechazar la hipótesis nula H0,

entonces tenemos que:
1.34 > 1.96  por lo tanto NO rechazamos H0.
No existe suficiente evidencia estadística para pensar que las medias son
diferentes.
Página 152
Cuando rechazamos la hipótesis nula se considera que la prueba es potente,

si aceptáramos la hipótesis nula el criterio de decisión es débil, ya que
generalmente se busca rechazar H0.
Pruebas de hipótesis para dos poblaciones
Pruebas de igualdad de dos varianzas
Presentaremos ahora pruebas para comparar

dos varianzas. Supóngase que
son dos las poblaciones de interés, por ejemplo X y1 X , 2 donde  1 ,  12 ,  2 ,  22 , se
desconocen. Deseamos probar hipótesis relativas a la igualdad de las dos
varianzas, H 0 : 1  2 . Considérese que se disponen dos muestras aleatorias

2 2

de tamaño n1 de la población 1 y de tamaño n2 de la población 2, y sean
S 12 yS 22 las varianzas de muestra. Para probar la alternativa de dos lados
H 0:  21  2
2 H 1:  21  2
2
Utilizamos el hecho de que la estadística

2
F0  S 1
S 22
Se distribuye como F, con n1-1 y n2 –1 grados de libertad.
Rechazaríamos H0 si
F0  F  2 , 1n 1, n2  1
o si
F0  F 1   2 , n1  1 , n 2  1
Página 153
Donde F 2,n 1,n 1 y F1 2,n 1,n 1 son los puntos porcentuales  2 superior e
1 2 1 2
inferior de la distribución F con n1-1 y n2-2 grados de libertad. La tabla F

proporciona sólo los puntos de la cola superior de F, por lo que para
determinar F1 2,n 1,n1 1 debemos

2
emplear
1
F1 2,n 1,n 1 =
1 2
F 1 2
 2, n 1,n 1
La misma estadística de prueba puede utilizarse para probar hipótesis

alternativas de un lado. La hipótesis alternativa de un lado es:
H 0:  21  2
2
H 1:  21  2
2
Si F 0  F  , n1  1 , n 2  1 , rechazaríamos H 0 : 12  2
2 .

Página 154
Ejemplo:
Los siguientes son tiempos de quemado (en minutos) de señales luminosas de

dos tipos diferentes; Y pruebe la hipótesis de que las dos varianzas sean
iguales. Use   .05
H 0:  21  2
2 H 1:  21  2
2 Tip
X 1  70.6
X 2  70
6
8
S 12  88.71
S 22 100 .44
2 8 .71
F0  S 1  0.87
= 10 .4
S 22
F F1 2,n 11,n 21 = 0.248


1
2,n 1,n 1
2
= F.025,9,9 = 4.03
Como 0.877 no es mayor que 4.03, por lo cual No se Rechaza la hipótesis

nula y tenemos que:
H 0 : 12  2
2 .

Prueba de dos poblaciones cuando las varianzas son iguales
Sean X1 y X2 dos poblaciones normales independientes con medias

2 2
desconocidas  1 y 2 , y varianzas conocidas pero iguales 122   
.
Deseamos probar: 
H 0 : 1   2 73
H 1 : 1   2
Página 155
Sean X1, X2, S 12, S 2

2 , las medias y las varianzas de las muestras,
2 2
respectivamente. Puesto que tanto S 1como S estiman la varianza común  ,
2
2
podemos combinarlas para producir una sola estimación, mediante

la siguiente fórmula:
 n1  112S  2 n 2
S p 2
S n1 n 2 2 1
Para probar H 0 :  1   2 calcúlese la estadística de prueba

X 1 X 2
t0
1 1
Sp 
n1 n 2
Si t 0   2 , n1  n 2  2 o si t 0  t  2 , n1  n 2  2
, rechazamos H 0 :  1   2
t
Las alternativas de un lado se tratan de modo similar. Para probar:
H 0 : 1   2
H 1 : 1   2
Calcúlese la estadística de prueba t0 y rechácese H 0 : 1  2 si:

t 0  ,n n 21 2
Para la otra alternativa de un lado,

H 0 : 1   2
H 1 : 1   2
Calcúlese la estadística de prueba y rechácese H 0 : 1  2 si:

t 0  t a , n 1  n 2 2
Ejemplo:
Página 156
Se está investigando la resistencia de dos alambres, con la

siguiente información de muestra.
Alambre Resistencia (ohms)

1 0.140 0.141 0.139 0.140 0.138 0.144
2 0.135 0.138 0.140 0.139 - -
Suponiendo que las dos varianzas son iguales, ¿qué conclusiones puede
extraerse respecto a la resistencia media de los alambres?
H 0 : 1   2
H 1 : 1   2
Calculando la media y la desviación estándar de la muestra:
x 1  0.140
x 2  0.138
S 1  0.0021
S 2  0.0 2
 n1  S12  n2  1S
S p 2
2
= .0021
1 n1 n 2 2
X 1 X 2
t0
1 1 = 1.72
Sp
n1
 2
n
Se busca en la tabla de distribución t el valor

t  2,n n
1
= t.025,8 =2.306 o se
2 , 2
determina con Excel.

Utilizando el criterio de rechazo t 0   2 , n1  n 2  2 , 1.72 no es mayor que 2.306,
t
por lo tanto no rechazamos H0.
Página 157
4.8 Análisis de varianza de una vía (ANOVA)
El análisis de la varianza de un criterio (ANOVA) es una metodología para

analizar la variación entre muestras y la variación al interior de las mismas
mediante la determinación de varianzas. Es llamado de un criterio porque
analiza un variable independiente o Factor. Como tal, es un método
estadístico útil para comparar dos o más medias poblacionales.
Tipos de ANOVAS:
 ANOVA de un factor o dirección
 ANOVA de un factor y una variable de bloqueo
 ANOVA de un factor y dos variables de bloqueo – CUADRADO LATINO
 ANOVA de un factor y tres variables de bloqueo –
CUADRADO GRECOLATINO
El ANOVA de un factor o dirección:
Se trata de probar si el efecto de un factor o Tratamiento en la respuesta de

un proceso o sistema es Significativo, al realizar experimentos variando los
niveles de ese factor (Temp. 1, Temp. 2, Temp.3, etc)
Prueba de Hipótesis:
Ho :  1 = 2 = 3 ..  n
Ha: Alguna media es diferente
Condiciones:
 Todas las poblaciones son normales
 Todas las poblaciones tiene la misma varianza
 Los errores son independientes con distribución normal de media cero
 La varianza se mantiene constante para todos los niveles del factor
Página 158
ANOVA de un factor y una variable de bloqueo:
Se trata de probar si el efecto de un factor o Tratamiento en la respuesta de

un proceso o sistema es Significativo, al realizar experimentos variando los
niveles de ese factor (Temp.1, Temp.2, etc.) Por RENGLÓN y considerando los
niveles de otro factor que se piensa que tiene influencia en la prueba –
FACTOR DE BLOQUEO Por COLUMNA
Prueba de Hipótesis:
a) Para el tratamiento en renglones

Ho :  1 = 2 = 3 ..  n
b) Para el factor de bloqueo en columnas
Ho :  1´ =  2´ =  3´ ..  n
Página 159
ANOVA de un factor y dos variables de bloqueo – CUADRADO LATINO:
El diseño de Cuadrado latino utiliza dos factores de bloqueo adicionales al de

Tratamiento
El cálculo de suma de cuadrados para renglones y para columnas es similar al
de ANOVA de un factor principal y otro de bloqueo.
ANOVA de un factor y tres variables de bloqueo – CUADRADO

GRECOLATINO:
El diseño de Cuadrado Grecolatino utiliza tres factores adicionales al del

Tratamiento
El cálculo de suma de cuadrados para renglones y para columnas es similar al
de ANOVA de un factor principal y otro de bloqueo.
En todos los casos, la Ho se rechaza si..
 Fc > F tablas →Aceptando Ha donde las medias son diferentes ó también

considerando el valor de P-value (del minitab)
 Del correspondiente de Fc P <  →Aceptando Ha donde las medias
son diferentes
Ejemplo:
Tres tipos distintos de motores de gasolina fueron probados para determinar

cuánto tiempo son útiles antes de necesitar una reparación; si los tiempos de
vida de los motores de cada tipo se distribuyen normalmente y tienen la
misma varianza, haga una prueba usando  = 0.05 para determinar si
difieren las medias de vida útil antes de requerir una reparación. En la tabla
Página 160
aparecen los tiempos de vida útil, en decenas de miles de millas para cada
tipo de motor.
A B C
6 8 3
2 7 2
4 7 5
1 2 4
7 6 1
Mediante Minitab determinamos si las muestras provienen de una población Normal para cada
tipo de motor.
Stat > Basic statistics > Normality test

Variable – Columnas de datos
Test for normality – Seleccionar Ryan
Joiner OK
Página 161
Probability Plot of A
Normal
99 Hay normalidad si
Mean
4 P value es >=0.05
95 StDev
2.550
90 N
5
80 RJ
70 0.982
P-Value >0.100
Percent
60
50
40
30
20
10
1
-2 0 2 4 6 8 10
A
Probability Plot of B
Normal
99
Mean
6
95 StDev
2.345
90 N
5
80 RJ
70 0.909
P-Value >0.100
Percent
60
50
40
30
20
10
1
0 2 4 6 8 10 12
B
Probability Plot of C
Normal
99
Mean
3
95 StDev
1.581
90 N
5
80 RJ
70 0.998
60 P-Value >0.100
Percent
50
40
30
20
10
1
-1 0 1 2 3 4 5 6 7
C
 Analizando las gráficas nos damos cuenta de que las 3 muestras provienen de poblaciones
normales.
Si denotamos por  1 ,  2 y  3 las medias poblacionales de los tiempos de vida útil para los tipos A, B y C,
respectivamente, entonces podemos escribir las hipótesis estadísticas como:
H 0 : 1   2   3
Página 162
H1: Al menos dos medias poblacionales no son iguales.
Procedimiento en Excel:
 En el menú herramientas seleccione la opción Análisis de datos, en

funciones para análisis seleccione Análisis de varianza de un factor.
 En Rango de entrada seleccionar la matriz de datos.
 Alfa = 0.05
 En Rango de salida indicar la celda donde se iniciará la presentación de
resultados.
Análisis de varianza de un factor
RESUM EN
G rupos
Cue
En la tabla observamos que el estadístico de prueba Fc es menor al valor crítico para F, por lo
que 2.41 < 3.88, por lo cual no rechazamos al Hipótesis nula H0.
No
Ctenoemlous emvidennciaa est3adística para afirmar que los tiempos de vida
AN ÁLISIS DE VARIANZA
útil de los motores,
antes de requerir una reparación son diferentes.
Página 163
ANOVA en Minitab.
Utilice   0.05 para calcular si difiere el rendimiento de los motores.
Seleccionar:
Stat > ANOVA > One Way (Unstacked)

Response in separate columns A, B, C
Seleccionar º! Store Residuals º! Store Confidence level 95%
Fits
Graphs
Seleccionar Normal plot of residuals
Comparisons
Seleccionar Tukey’s Family error rate OK
Resultados:
La gráfica normal de residuos debe mostrar los residuos aproximados por una recta para
validar el modelo:
Normal Probability Plot of the

Residuals
99 (responses are A, B, C)
95
90
80
70
60
Percent
50
40
30
20
10
1
-5.0 -2.5 0.0 2.5 5.0
Res idual
One-way ANOVA: A, B, C
Página 164
Source DF SS MS F P
Factor 2 23.33 11.67 2.41 0.132
Error 12 58.00 4.83
Total 14 81.33
Como este valor P es mayor a 0.05 se rechaza la hipótesis nula y A, B y C no

tienen efecto en la respuesta.
S = 2.198 R-Sq = 28.69% R-Sq(adj) = 16.80%
Individual 95% CIs For Mean Based on

Pooled StDev
Level N StDev ------+---------+---------+---------
+---
Mean A5 2.550 (----------*----------)
4.000 2.345 (----------*----------)
B 5 1.581 (----------*----------)
6.000
------+---------+---------+---------+---
C 5
2.0
3.000
4.0
6.0
8.0
Los intervalos de confianza de los tres niveles A, B, C del factor se pueden

Pooled StDev = 2.198
traslapar por tanto sus efectos no son diferentes.
Tukey 95% Simultaneous Confidence Intervals

All Pairwise Comparisons
Individual confidence level = 97.94%
A subtracted from:
Página 165
Lower Center Upper ---------+---------+---------+---------+

B -1.707 (----------*---------)
C -4.707 2.000 5.707 (---------*----------)
-1.000 2.707 ---------+---------+---------+---------+
-3.5 0.0 3.5 7.0
B subtracted from:
Lower Upper ---------+---------+---------+---------+

Center
C -6.707 -3.000 0.707 (---------*----------)
---------+---------+---------+---------+
-3.5 0.0 3.5
7.0
Como el cero pertenece al intervalo de confianza de las diferencias entre A y

B; A y C y entre B y C no hay diferencia entre el efecto entre estos niveles.
4.9 Entregables:
 Establecer Capacidad del Proceso

o Analizar datos gráficamente para para la “Y” del proyecto. (datos
continuos)
o Calcular el sigma inicial (de referencia) para la Y del proyecto.
 Definir Objetivos de Desempeño

o Definir objetivos de rendimiento
 Identificar Fuentes de Variación

o Identificar las posibles causas de variación
o Reducir la lista de causas potenciales
La siguiente fase es la de mejora, la cual implica tanto el diseño como la

implementación. En esta fase de diseño es muy importante ya que asume una
preponderancia fundamental la participación de todos los participantes del
proceso, como así también la capacidad creativa, de los mismos; también
Página 166
considera la actividad de benchmarking a los efectos de detectar en otras
unidades de la misma empresa o en otras empresas (competidoras o no)
formas más efectivas de llevar a cabo un proceso.
Página 167
CAPÍTULO 5. FASE DE MEJORA
5.1 Introducción
En la fase de Análisis es cuando el equipo selecciona las características de

desempeño del producto que deben ser mejoradas para alcanzar la meta de
mejora identificando las mayores fuentes de variación del proceso. S
e identificaron las causas de variación. En esta fase se utilizará el diseño de
experimentos (DOE), para seleccionar las causas que más afectan nuestro
CTQ e investigar estas causas para conocer el comportamiento del proceso.
El método de DOE consiste en realizar cambios en los niveles de operación de

los factores (X’s) para obtener los mejores resultados en la respuesta "Y".
Esta información es de gran ayuda para la optimización y mejora de procesos.
Página 168
DDDMM
DMAIC
MAAAIII
DDDe MMM CACCnnn
AA MMMMe CCCooonn
11.1..Mapa
1. Mapa de
ee ff ii
11.1..Mapa
1. Mapa def Proceso
i Prrooc MMade epaadedddetallado
ee
apProcesos
detallado
deddeettaalll
e
11.1..AMEF
1. AAMMEEFF
aa ll ii
a l i z
AMEF
nttrr ooollaa
eeejjjjoooo
M
2. aappaaddeeP
MDespliegue de la
la de Procesos 2. Cartas Multi
Multi Vari
Vari
2. Despliegue
ceessoo
de laaddoo 22.2.Cartas
. Caarrttaass
C 1
1.1.1.Análisis
.AAnnáálde
Análisis liissiiss ddee
de
Función
Funciónde deCalidad 2. Diagrama
2. Diagrama de de Pareto 3.
3. Correlación
22..(QFD)
n nn ii r
i r
Calidad (QFD)
dd ii r
ddee i de
Pareto
3. Diagrama
r Causa- 4. zzaa rr
MMuuallttii VVaarrrii
Regresión lineal
4. Regresión lineal Experimentos
EExxppeerriimm(DOE)
Experimentos (DOE)
eenn
arr
rrraaaarrr
3. Diagrama de Causa- 2.2. Diseño
Diseño Factorial
Factorial 22KK
3. r
Modelo Kano
3. Modelo
DDeesspplliieegguue r
PEfecto
Prroocceessooss
Efecto de Árbol
Simple yy lineal
33.. Simple lineal
4. Diagrama Matricial 4. Diagrama CCo Múltiple
Múltiple t3.
toDiseño
3. o ss ((DDFactorial
Diseño OOEE)2) 2..
Factorial
2
4.2..Diagrama de Árbol orrrreellaacciióónn
5. Benchmarkin
ddeellaa
5. Benchmarkin 5. Diagrama de 5. Pruebas de
5. Pruebas de
e
5.
DDiDiagrama
aaggrraamde Fraccional
Fraccional
DDiisseeññoo
6. Costos de Calidad iAfinidad maaddee 44.. Hipótesis
Hipótesis
6. Costos 4.
FFuunncciióónnddee Afinidad
P6.PaMétodos
4. Diseño
Diseño Taguchi
Taguchi
arreettoode 6. Análisis de
6. Análisis
RReeggrrde eesVarianza
siióó F5.FDiseño
aDiseño
accttooderriiaall22KK33..
6. Métodos
Muestreode (ANOVA) 5. de
CCaalliiddaadd 33.. Muestreo Varianza
Estadístico n(ANOVA)
nlliinneeaall Mezclas
Mezclas
((QQFFDD)) Estadístico DDiisseeññoo
D Diiaaggrraammaadd
7. Capacidad
SSiimmppllee
6.
6. Métodos
Métodos de de Superficie
7. Capacidad
del del
33.. eeCCaauude ssaa-- FFaSuperficie
acc
de ttoorriiade
Respuesta all
Sistema
Sistema de Medición yylliinneeaall
MMooddeellooKKaanno 8. Distribución Normal Respuesta
EMedición
Effeeccttoo MMúúllttiippllee FFrraacccciioonnaall
o 9.
8. Capacidad del
44.. Proceso
44.. DDiiaaggrraammaa Distribución 55.. 44..DDiisseeññoo
D Diiaaggrraammaaddee
Normal
MMaattrriicciiaall PPrruueebb
Á9.ÁCapacidad
rrbbooll del TTaagguucchhi5i 5..
55.. Proceso
BBeenncchhmmaarrkkii
Figura 5.1 Herramientas en la DFase
55.. Diisseede
ññooMedición
aassddee
dd e e
HHiippóóttee
DDiiaaggrraamm
nn MMeezzccllaass66..
ssiiss
66.. aaddee
MMééttooddooss ddee
Los objetivos deAAfesta fase son:6 .
6 .
CCoossttoossddeeCCaa fiinniiddaad d
lliiddaadd AAnnáálliiss SSuuppeerrffiicciiee
66..
MMééttooddoos
iissddee ddee
VVaarriiaann RReessppuueessttaa
 Identificar específicamente
sddee
cómo
zzaa
el proceso debe ser mejorado.
MMuueessttrree
 Conocer el uso de
oo las herramientas
((AANNOOV
de mejora.
EEssttaaddííssttiic VAA))
 Conducir el diseño
coo de experimentos para la optimización de procesos.
77..
 Obtener las mejoras del proceso en el proyecto.
CCaappaacciid
daaddddeell
SSiisstteemmaa
Las principales herramientas

ddeeMMeeddiic utilizadas en esta fase son las siguientes:
ciióónn
88..
5.2 Etapas deóóla fase de Mejora

Di st ri b u ci D is tr ib u c i
nn
NNoorrmmaall
99..
Las etapas de la Cfase mejora

Caappaacc iid son las siguientes:
daaddddeell
PPrroocceesso
Página 169
Mostrar las causas potenciales y caracterización de X´s31:

En la fase de análisis encontramos los pocos vitales X’s, en esta fase vamos a
determinar aquellos que específicamente afectan nuestro proceso. Esto se
lleva a cabo a través de datos históricos, conocimiento y discusiones. Con
base a lo anterior también desechamos las variables que no son utilizadas.
Una opción para realizar esta actividad es mediante el uso del diagrama de
Ishikawa.
Los cambios en los parámetros de operación referentes a las X´s pueden ser
puestos en niveles múltiples, para estudiar como afectan la respuesta en el
proceso “Y”
El Diseño de Experimentos es un método para probar la significancia, o sea

que tanto afectan cada uno de los factores a la variable de respuesta. Y para
determinar la interacción entre dichos factores.
Consideraciones:
 El Diseño de Experimentos sirve para identificar los pocos vitales de los
CTQ
´s
 En la optimización es utilizada para determinar los niveles más apropiados
de los pocos vitales.
 Sirve para comparar el resultado experimental contra el proceso actual
5.3 Terminología
Bloques: Unidades experimentales homogéneas.
Bloqueo: Considerar las variables que el experimentador desea reducir su

efecto o variabilidad.
31
Página 170
Colinealidad: Ocurre cuando variables están
2 completamente
correlacionadas.
Covarianza: Cosas que cambian durante los experimentos pero no fueron

planeadas a cambiar
Diseño robusto: De acuerdo a Taguchi, un experimento en el cual la variable

de respuesta es
inmune a los factores de ruido.
Diseño simples: Un diseño espacial usado para determinar todas

las combinaciones posibles de factores de entrada en una prueba
experimental.
DOE: Diseño de Experimentos.
Efecto principal: Un estimado del efecto de un factor independientemente del

efecto de los demás.
Error experimental: Variación en respuesta bajo las mismas condiciones de

prueba. También se denomina error residual.
Error residual: Es la diferencia entre los valores observados y los estimados

por un modelo.
Fraccional: Un arreglo con menos experimentos que el arreglo completo (1/2,

¼, etc.).
Factorial completo: Arreglo experimental que considera todas

las combinaciones de factores y niveles.
Grados de libertad (DOF, DF, df): Número de mediciones independientes para

estimar un parámetro poblacional.
Página 171
Interacción: Ocurre cuando el efecto de un factor de entrada en la respuesta
depende del nivel de otro factor diferente.
Nivel: Un valor específico para un factor controlable de entrada.
Optimización: Hallar las combinaciones de los factores que maximicen o

minimicen la respuesta.
Ortogonal o balanceado: Es el arreglo que permite estimar los efectos de los

factores principales y de sus interacciones sin confundirlos (el factorial
completo es un ejemplo).
Réplicas: Experimentos repetidos en diferente tiempo para estimar el error

experimental.
Variable de respuesta: Variable que muestra los resultados observados de un

tratamiento experimental, es la variable dependiente.
Tratamientos: Son los diversos niveles de los factores que describen como se
debe realizar el experimento (50º y 7.5 pH).
4. Diseño de Experimentos (DOE)32

Un experimento es una prueba o serie de pruebas en las cuales se hacen
modificaciones a las variables de entrada de un proceso o sistema para que
puedan ser observadas y definidas las respuestas de salida
Los propósitos del diseño de experimentos son:

 Determinar
o Cuáles variables son de mayor influencia a la salida.
o Dónde fijar las entradas para producir la salida al nivel deseado.
32
Montgomery Douglas C. “Diseño de Experimentos“
Página 172
o Dónde fijar las entradas de mayor influencia para reducir la
variabilidad en la salida.
o Dónde fijar las entradas controlables para que los efectos de las
entradas incontrolables sean minimizados.

 Encontrar la ecuación (y = f(x)) para optimizar el proceso
Por lo anterior, los métodos de diseño de experimentos pueden utilizarse ya

sea para el desarrollo o la mejora de los procesos, para mejorar el desempeño
o para obtener un proceso que sea robusto o insensible a fuentes externas de
variabilidad.
Existen diferentes tipos de experimentos entre los cuales se encuentra los

siguientes:
Tipos comunes de Número típico

4 Objetivos
Experimentos de factores
controlables
Factorial Completo • Encontrar los niveles de factor que 4 o menos
(todas las combinaciones proporcionan los mejores resultados.
de factores y niveles) • Construir un modelo matemático (evalúa
todas las interacciones)
Fraccional Factorial • Encontrar los niveles de factor que 5 o más

(subgrupo del número total proporcionan los mejores resultados.
de combinaciones) • Construir un modelo matemático (evalúa
todas las interacciones).
Diseño Central • Optimizar 3 o menos

Compuesto • Construir un modelo matemático cuando
no haya efectos lineales (Superficie de
respuesta).
Página 173
4.1 Diseño Robusto • Optimizar 5 o más
• Para encontrar los niveles de factores a fin
de reducir al mínimo la variación ante
factores de ruido cambiantes
Diseño Robusto • Optimizar 7 o más

Dinámico de Taguchi • Optimizar la función de un producto o
proceso de manufactura.
• Reducir al mínimo la sensibilidad al ruido y
aumentar al máximo la sensibilidad a la
señal de entrada.
Tabla 5.1 Tipos de Experimentos
Los métodos de diseño de experimentos pueden también jugar un papel

mayor en las actividades de ingeniería de desarrollo de nuevos productos o
mejora de los productos actuales. Algunas aplicaciones del diseño de
experimentos incluyen:
1. Evaluación y comparación de configuraciones básicas de diseño.

2. Evaluación de alternativas de material.
3.Determinación de parámetros clave de diseño con impacto en el
desempeño.
Claves para Experimentar con Éxito

a) Medición Adecuada de los Resultados
 Usar un resultado relacionado directamente con la función del proceso,
usar datos variables.
b) Diseño Experimental Sólido
 Ni el mejor análisis de datos puede compensar un experimento mal
diseñado. Selecciona cuidadosamente la respuesta de salida, los
factores y los niveles así como el esquema del DOE.
c) Planeación Meticulosa
Página 174
 Para asegurar que las condiciones se puedan controlar como se
estableció en el diseño experimental, se deben preparar con anticipación
todos los recursos (gente, materiales, etc.) necesarios para realizar el
experimento.
d) Sistemas de Medición Verificados
 Para asegurar que todos los datos sean “buenos”, verifica todos los
sistemas de medición antes de realizar el DOE.
e) Identifica las Unidades Experimentales
 Marca cada unidad de acuerdo con la condición experimental que la
produce. De lo contrario, se perderá toda la información.
Pasos para Diseñar y Realizar un Diseño de Experimentos

1.- Observar datos históricos y/o recolectar datos para establecer la
capacidad actual del proceso debe estar en control estadístico.
2.- Determinar el objetivo del experimento (CTQs a mejorar).
Por medio de un equipo de trabajo multidisciplinario

3.- Determinar qué se va a medir como resultado del experimento.
4.- Identificar los factores (factores de control y de ruido) que pueden
afectar el resultado.
5.- Determinar el número de niveles de cada factor y sus valores reales.
6.- Seleccionar un esquema experimental que acomode los factores y
niveles seleccionados y decidir el número de replicas.
7.- Verificar todos los sistemas de medición (R&R < 10%)
8.- Planear y preparar los recursos (gente, materiales, etc.) para llevar a
cabo el experimento. Hacer un plan de prueba.
9.- Realizar el experimento, marcar partes con la condición experimental
que la produce.
10.- Medir las unidades experimentales.
11.- Analizar los datos e identificar los factores significativos.
Página 175
2006
12.- Determinar la combinación de niveles de factores que mejor alcance
el objetivo.
13.- Correr un experimento de confirmación con esta combinación
"óptima".
14.- Asegurar que los mejores niveles para los factores significativos se
mantengan por largo tiempo mediante la implementación de Procesos de
Operación Estándar y controles visuales.
15.- Re evaluar la capacidad del proceso.
Ejemplo: Proceso de soldadura de una tarjeta de circuito impreso:
 Objetivos de los experimentos

o Caracterizar el proceso (identificar los factores que influyen en la
ocurrencia de defectos)
o Optimizar, identificar el nivel óptimo de los factores críticos para reducir
el número de defectos en los circuitos impresos

 Identificar la variable de respuesta
 Identificar los factores controlables que pueden afectar Y
 Identificar los factores de ruido que no podemos o queremos controlar
 Variables de control X’s

o Temperatura de la soldadura
o Temperatura de precalentamiento
o Velocidad de la banda
o Tipo de fundente
o Densidad relativa del fundente
o Altura de la ola de soldadura
o Angulo de la banda transportadora
 Variables que no se pueden o desean controlar Z’s – Variables de ruido
Página 176
o Espesor de la tarjeta de circuito impreso
o Tipos de componentes usados en el CI
o Disposición de los componentes
o Operario
o Ritmo de producción
 Los Factores pueden afectar...
1. La Variación del Resultado 3. La Variación y el Promedio

Temp
Tiempo de
Alta
Ciclo Largo
Temp
Tiempo de
Baja
Ciclo Corto
Dimensión de la Parte Dimensión de la Parte
2. El Resultado Promedio 4. Ni la Variación ni el Promedio

Presión de
Presión de Sujeción Alta
Sujeción Baja Ambos materiales
producen el
mismo resultado
Dimensión de la Parte Dimensión de la Parte
Tipos de Salidas (Las salidas se clasifican de acuerdo a nuestros objetivos):
Página 177
Objetivo Ejemplos de Salidas
1. El Valor Meta es el Mejor

Lograr un • Dimensión de la Parte
valor meta con • Voltaje
variación mínima
• ILD de Uretano
Meta
2. El Valor Mínimo es el Mejor
• Tiempo de Ciclo
Tendencia de
salida hacia cero
• Contracción de la Parte
• Desviación
0
3. El Valor Máximo es el Mejor Tendencia de salida • Fuerza
hacia arriba • Durabilidad
 Estrategias cuando el “Valor Meta es Mejor”


Paso 1: Encuentra los factores que afectan la variación. Usa

estos factores para reducir al mínimo la variación.
Página 178
Paso 2: Encuentra los factores que desplazan el promedio (y no afectan
la variación). Usa estos factores para ajustar la salida promedio con la
meta deseada.
Meta
 Estrategias cuando el “Valor Mínimo es Mejor”

o El objetivo en este caso es encontrar los factores que
afectan la
salida promedio (tiempo). Usa estos factores para
hacer que la tendencia del promedio sea baja.
o Cuando se reduce la variación en la salida al mínimo, también se
mejora la salida al detectar los factores que contribuyen en gran

medida a la variación.
Tendencia de
salida baja
Página 179
 Esquematizando tendríamos:
Respuesta de Salida
La salida que se mide como resultado del experimento y se usa Dimensión de la Parte
para juzgar los efectos de los factores.
Factores A. Tiempo de Ciclo
B. Temp. de Moldeo
Las variables de entrada de proceso que se establecen a C. Presión de Sujeción
diferentes niveles para observar su efecto en la salida. D. Tiempo de Sujeción
E. Tipo de Material
Niveles Factor
B. Temp. de Moldeo 600°
Niveles
700°
Los valores en los que se establecen los factores. E. Tipo de Material Nylon Acetal
Interacciones Tiempo x Temp:

El grado en que los factores dependen unos de otros. El mejor nivel de tiempo
Algunos experimentos evalúan el efecto de las interacciones; depende de la
otros no. temperatura establecida.
Pruebas o Corridas Experimentales

Las combinaciones de pruebas específicas de factores y Corridas A B C D E Datos
niveles que se corren durante el experimento. 1 -1 -1 -1 -1 -1

2 -1 -1 +1 +1 +1
3 -1 +1 -1 +1 +1
-1=Nivel Bajo +1=Nivel Alto
El diseño33 factorial 2K :
Un diseño muy común es el que considera varios factores (K) en dos niveles
(“alto” y “bajo”), el diseño más simple es el diseño 2k
Las cinco razones principales para usar Diseños 2k:

1. La razón número uno para usar factorial es: Y = f(x)
2. Son fáciles de entender y analizar
3. Forman la base de los diseños factoriales fraccionados, material de las
técnicas avanzadas
4. Pueden ser aumentados para formar diseños compuestos, en caso que se
requiera información más detallada.
5. Requieren de relativamente pocas corridas por cada factor estudiado.
El diseño 22
33
ITESM “Diplomado en Black Belt “
Página 180
Este el diseño más simple, usa dos factores A y B, cada uno en dos niveles.
Requiere la realización de 4 experimentos que pueden replicarse n veces,
tomando las sumas de los resultados de las réplicas se tiene:
b ab
(1) A = -, B = -
(a) A = +, B = -
(b) A = -, B = +
(ab) A = +, B = + (1) a
Figura 5.2 Diseño 22
Los efectos de interés en el diseño son los efectos principales de A y B y los

efectos de la interacción AB, se denominan contrastes calculados como
sigue:
a  ab b  (1) 1
A   ( a  ab  b 
(1)) 2 n 2 n 2n
b  ab a  (1) 1
B    (b  ab  a 
(1)) 2 n 2 n 2n
ab  (1) a  b 1
AB    (ab  (1)   a 
b) 2n 2n 2n
Las cantidades entre paréntesis se denominan contrastes, aquí los

coeficientes siempre son +1 ó –1. También se pueden determinar usando una
tabla de signos para los efectos en el diseño 22 como sigue:
Página 181
Efectos factoriales
Corrida I A B AB
1 (1) + - - + ANOVA
2 a + + - - Fo = SST / SSE
3 b + - + - glSST = 4n - 1
4 ab + + + + gl.SSE = 4(n-1)
Para obtener la suma de cuadrados de A, B, y AB se usa:

(contraste ) 2
SS 
2
n  (coeficient es.de.contrastes )
Por tanto la suma de cuadrados para A, B y AB son:

1
SSA  ( a  ab  b  (1)) 2
4n
1
SSB  (b  ab  a  (1)) 2
4n
1
SSAB  (ab  (1)   a  b ) 2
4n
Ejemplo34:
Se trata de considerar la concentración del reactivo y de la cantidad de

catalizador sobre la conversión (rendimiento) de un proceso químico. Por tal
motivo sea A la concentración del reactivo con 2 niveles de interés que son
15% y 25%; Y el catalizador del proceso es B, con un nivel alto denotando el
uso de 2 libras de catalizador y un nivel bajo denotando el uso de 1 libra.
Se hacen 3 replicas del experimento y los datos son los siguientes:
Factor Répl i ca
A B 1 2 3 Total
34
Montg-omery Douglas-“Diseñ de os “ 25 27 80
o Ex p
2 8eriment
+ - 36 32 32 100
Pági1n9a 3
- + 18 23 60
18
De forma gráfica tenemos:
Catalizador b=60 ab = 90
B
(1) = 80 a = 100
15% 25% A
Concentración del reactivo A
A
1
2n
ab  a  b (1)  y A  y A 
ab  a

b  (1)
2n
B
1
ab 
2n
b  a (1)  y B  y B
2n
AB  ab  (1)  a  b  yAB   y ABab abb  (1)
1 ab
2n a (1) 
  
2n
2n
Los efectos principales de los factores
2n e interacción son los siguientes:
2n
A = 8.334
B = -5.0
AB = 1.67
Cada elemento dentro de los paréntesis se denomina Contrastes o efectos

totales de los factores
En este caso son ortogonales. Su suma de cuadrados se encuentra con:
 y y2
2
SS T  ijk  4 ...n
SS A 
1
4n
ab  a b
 (1)  2
SS B 
1
4n
ab  b  a
 (1) 2
SS AB 
1
4n
ab  (1)  a b 
S S E  SS T  SS A  S S B  AB
Página 184
SS
Para este caso la Tabla ANOVA es:
Fuente de
De la tabla anterior se puede concluir a un nivel Alfa de 0.05 vs P
 Los factores A y B que son significativos,
 La interacción no es significativa
Análisis Residual
A
Para obtener los residuos se utiliza la ecuación de regresión siguiente, donde
los factores A y B se representan por X1 y X2 y la interacción AB por X1X2. Los
2
B
niveles alto y bajo de cada factor se asignan a los valores +1 y –1
respectivamente, el modelo de ajuste es:
7
A
y   0   1 x1   2 x 2   3 x1 x 2 

El valor de la intersección  0 se calcula como el promedio de las

observaciones y cada coeficiente de regresión es la mitad del efecto estimado
B
Error
del factor correspondiente, dado que los coeficientes de regresión miden el
y   0   1 x1   2 x 2   1 2 1 x 2  
 0estimado  b 0  promedio de las respuestas  (80  100  60  90) / 4  27.4
3
Total 3
Efecto principal del factor A  (190  140 ) / 2 * 3  8.33
Efecto principal del factor B  (150  180 ) / 2 * 3   5
Efecto principal de la inter cció AB  170  160 / 2 * 3  1.67
b1  A / 2  4.165     b 2  B / 2   2.5      b 3  A B / 2  .835
El modelo de regresión ajustado es :
yest 27.4
efecto deuna
4.165 x1 2.5dex2cambio en Xi sobre la media de Y, y el estimado del
unidad
efecto se basa en dos unidades de cambio de (X1 = -1 a X2 = 1).
Página 184
 La interacción no se incluye en la ecuación de regresión porque no fue

significativa.
La variable X1 es una variable codificada que representa la concentración del

reactivo y X2 es una variable codificada que representa la cantidad de
catalizador.
La razón de que el coeficiente de regresión sea la mitad de las estimaciones del

efecto es que un coeficiente mide el efecto de un cambio unitario en X sobre
la media de Y, y la estimación del efecto se basa en un cambio de dos
unidades (-1 a +1). Se deduce del método de mínimos cuadrados.
La relación entre las variables codificadas y las variables naturales es:
Concentrac ión  promedio .de.concentrac ión Concentrac ión  2 0

x 1 
Rango .de.concentrac ión / 2
x2 5
Rango .de .catalizado r / 2 0 .5
Catalizado r  promedio .de.catalizado r Catalizado r  1 . 5
 
Entonces para obtener una respuesta con valores reales, se sustituye X1 y X2

en la ecuación
para valores codificados.
y est  2 7 . 5   8.33  concentrac ión  20     5  Catalizado r  1 . 5 

 2   5   2  0.5 
y est 18.33  0.8333 * Concentrac ión 5.00 * Catalizado r
Residuales Adecuación del Modelo:
Con este modelo se pueden encontrar los valores estimados en los cuatro
puntos del diseño:
Página 185
Considerando todavía los valores codificados en (-1,+1) se tiene:
Para el punto (X1 = -1 y X2 = -1) se tiene:
Yest = 27.5 + 4.16 (-1) - 2.5 (-1) = 25.835
Como hay tres observaciones en esta combinación de tratamientos los

residuales son:
e1 = 28 - 25.835 = 2.165
e2 = 25 - 25.835 = -0.835
e3 = 27 - 25.835 = 1.165
De la misma forma se calculan todos los demás residuales
Al final se grafican en una gráfica de probabilidad normal para observar su

normalidad y se grafican contra los valores estimados y el orden para
asegurar que se mantiene la varianza.
Por medio de la ecuación de regresión se obtiene la gráfica de Contornos, por

medio de la cual se encuentra la dirección de mejoramiento potencial de un
proceso. Lo cual se logra por medio del Método del ascenso más pronunciado.
Página 186
2lbs.
Cantidad de 23
catalizador
Dirección de ascenso
más rápido para optimización
33
1lb.
15% Concentración 25%
Nueva zona
alrededor de la cual
se experimentará
Ejemplo en Minitab:
Se toman los datos del ejemplo anterior y se siguen los siguientes pasos:
Crear el diseño en Minitab con:
Stat > DOE > Factorial > Create factorial design
Seleccionar 2 level factorial (default generators) Number of central points 0
En Designs No. of replicates 3 Number of blocks 1
En Factors A = Cata A Factor B = Cata B
En Options quitar selección de Randomize runs OK
Una vez generado el diseño de dos factores introducir la siguiente columna de

datos:
Cata A Cata B Respuesta

-1 -1 28
1 -1 36
-1 1 18
1 1 31
-1 -1 25
1 -1 32
-1 1 19
1 1 30
-1 -1 27
1 -1 32
-1 1 23
1 1 29
Página 187
Analizar el diseño con:
Stat > DOE > Factorial > Analyze factorial design

En responses indicar Columna de Respuesta
En Terms y Results pasar todos los factores a
Selected terms con >>
En Graphs seleccionar para Effects Plots Pareto y Normal con alfa de 0.05
En Graphs seleccionar para los residuos Standardized y Normal Plot
En Store seleccionar Fits y Residuals OK
a) Los residuos se distribuyen normalmente y el diseño es válido y
adecuado
99
90Normal Probability Plot of the Residuals

Percent
50
10
1
-5.0 - 0.0 2.5
2.5 5.0
Residual
para la caracterización de este problema.
b) De la Tabla de efectos (ANOVA), se observan efectos o interacciones que

puedan tener un efecto significativo en la resistencia
Factorial Fit: Respuesta versus Cata A, Cata B
Estimated Effects and Coefficients for Respuesta (coded units)
Term Effect Coef SE Coef T P

Constant 27.500 0.5713 48.14 0.000
Cata A 8.333 4.167 0.5713 7.29 0.000
Cata B -5.000 -2.500 0.5713 -4.38 0.002
Cata A*Cata B 1.667 0.833 0.5713 1.46 0.183
S = 1.97906 R-Sq = 90.30% R-Sq(adj) = 86.66%
Página 188
En este caso se observa que tienen una influencia significativa el catalizador A
y el B temperatura y su interacción no.
c) En base al Pareto o gráfica normal de los efectos, se comprueba que los

factores significativos son ambos catalizadores, mientras que su interacción
Pareto Chart of the Standardized Effects Normal Probability Plot of the Standardized Effects
(response is Respuesta, Alpha = .05)
(response is Respuesta, Alpha = .05)
2.306 99
Factor Name Effect Type
A C ata Not
A Significant
B C ata
B 95 Significant
A A. C ata A
90
80 A B.Factor Name
C ata B
70
Percent
60
Term
50
B 40
30
20 B
10
AB
5
1
0 1 2 3 4 5 6 7 8
-5.0 -2.5 0.0 2.5 5.0 7.5
Standardized Effect
Standardized Effect
No lo es como se muestra a continuación:
d) De la tabla de coeficiente se obtiene la ecuación del modelo que representa

este proceso.
Term Coef
Constant 27.5
Catalizador A 4.16
Catalizador -2.50
B
Temp*Método -12.5333
Yest = 27.5 + 4.16*Catalizador A – 2.50*Catalizador B
e) Obtener gráficas factoriales con:

Stat > DOE > Factorial > Factorial Plots
En Main effects Setup indicar en Responses columna de Respuesta y
seleccionar factores con >>
Página 189
En Interaction effects Setup en Responses columna de Respuesta
y seleccionar factores con >>
En Cube Plot indicar en Responses columna de Respuesta y seleccionar
Interaction Plot (data means) for Ma i n Effects Plot (data means) for
34 Respuesta Respuesta
C ata A
-1 32 Cata A
1
32 Cata B
31
30 30
M e a n o f R e s p u e st a
28 29
Mean
28
26
27
24
26
22 25
20 24
-1 1 23
Cata B -1 1 -1 1
factores con >>
OK
Los niveles en que deben fijarse los factores para maximizar la resistencia son
de la gráfica de interacción, Catalizador A =1 y Catalizador B = -1
f) Obtener las gráficas de contornos y de superficie de respuesta con:

Stat > DOE > Factorial >Contour Plot
En Setup de Contour y Response Surfase Plot solo entrar y salir
OK
De acuerdo a la gráfica de contornos, conviene seguir experimentando
aumentando gradualmente la temperatura hasta llegar al punto óptimo en una
trayectoria de ascenso rápido.
Contour Plot of Respuesta v s Cata B, Cata

A
Respuesta
1.0 < 21
21 - 24
24 - 27
0.5 27 - 30
30 - 33
> 33
Ca ta B
0.0
-0.5
-1.0
-1.0 - 0.0 0.5 1.0
0.5 Cata A
Página 190
Una vez establecidos los mejores niveles de operación del proceso por medio
del Diseño de Experimentos, ahora se trata de mantener la solución por medio
de la fase de Control.
El diseño Factorial Fraccional:

Cuando crece el número de factores, aparecen tantas combinaciones en los
ensayos factoriales, que es prudente reducir la labor experimental. En lugar
de ejecutar el ensayo completo con un número muy alto de tentativas, se
recurre a los diseños factoriales fraccionales o incompletos, donde, en lugar de
analizar la totalidad de las posibilidades, se considera una fracción bien
elegida. Con cinco factores a tres niveles se llegan a 243 combinaciones
posibles y si la tarea se redujese a una fracción de un tercio, bastarían 81
ensayos. Si fuese 1/9, tendríamos 27. La ventaja de este enfoque es que
reduciendo mucho el esfuerzo, no se pierde un panorama muy amplio y
ambicioso de las relaciones entre causas y efectos en sistemas multivariables.
El estudio de una fracción no le quita validez al análisis final.
Ventajas
 Se pueden obtener conclusiones parecidas que con experimentación de
diseños factoriales completos con menos experimentos (½ o ¼)
 Resulta más económico
 Dado que en muchos casos las interacciones no son significativas, no

importa que su efecto se confunda con los de los factores principales
Desventajas
 En muchos casos sólo se pueden estimar los efectos principales de los

factores (diferencia de promedios)
El diseño Taguchi
Página 191
Sugiere tres pasos que son:

a) Diseño del sistema
b) Diseño de parámetros
c) Diseño de tolerancias
De estas tres etapas, la más importante es el diseño de parámetros cuyos

objetivos son:
d)Identificar qué factores afectan la característica de calidad en cuanto a su

magnitud y en cuanto a su variabilidad.
e)Definir los niveles “óptimos” en que debe fijarse cada parámetro o factor, a
fin de optimizar la operación del producto y hacerlo lo más robusto posible.
f)Identificar factores que no afecten substancialmente la característica de
calidad a fin de liberar el control de estos factores y ahorrar costos de
pruebas.
Taguchi ha propuesto una alternativa no del todo diferente que se que conoce
como Arreglos Ortogonales y las Gráficas Lineales. La herramienta son
diseños Factoriales Fraccionados, sin embargo cuando el número de factores
se ve incrementado, las posibles interacciones aumentan, así como la
complicaciones para identificar cuáles son las condiciones específicas a
experimentar.
Un arreglo ortogonal se puede con replicación factorial

comparar fraccionada, de manera una de ortogonalidad y
que conservaUn
contrastes. el experimento factorial fraccionado
concepto
es también un arreglo
ortogonal. Taguchi desarrolló una serie de arreglos particulares
que denominó:
La (b)C
Página 192
a = Representa el número de pruebas o condiciones experimentales que se

tomarán. Esto es el número de renglones o líneas en el arreglo.
b = Representa los diferentes niveles a los que se tomará cada factor
c = Es el número de efectos
independientes que se pueden analizar,
esto es el número de columnas.
Ejemplo: Un diseño L4
Experimento de 2 niveles y 3 factores por lo que se requieren 4 pruebas. En
la matriz se pueden observar los contrastes de cada factor , formando
las
No. (a) A B C Resultado

1 1 FACTO1
R E S (c) 1 Y1
2 1 2 2 Y2
3 2 1 1 Y3
4 2 2 1 Y4
1, 2 = Niveles de los Factores (b) , Contrastes.
columnas de los factores ; (1) significa que el factor esta a su nivel bajo (-) y
(2) a su nivel alto o de signo (+).
Taguchi ha desarrollado una serie de arreglos para experimentos con factores

Número de Número de factores o efectos
condiciones maximo que se pueden analizar y
Diseño experimentales(renglones) número de columnas
lineas o pruebas
L4 4 3
L8 8 7
L12 12 11
L16 16 15
L32 32 31
L64 64 63
a dos niveles:
Página 193
Ejemplo:
En un proceso de formación de paneles, una característica no deseada es la

emisión de formaldehído en el producto final. Se cree que 5 factores pueden
estar afectando la emisión, éstos son:
Factor Descripción Nivel I Nivel 2

A Tipo de resina Tipo I Tipo II
B Concentración 5% 10%
C Tiempo de ciclo de prensado 10 seg 15 seg
D Humedad 3% 5%
E Presión 800 psi. 900 psi.
Se desea analizar el efecto de cada factor y proponer las mejores condiciones

de operación.
En este caso estamos interesados en analizar el efecto de 5 factores o efectos,

a dos niveles cada uno. Por lo tanto, se utilizará un arreglo ortogonal L8.
Se ejecutarán por lo tanto 8 pruebas o condiciones experimentales, ¿ A qué

columna específicamente se asignará cada factor?, en estos casos se pueden
asignar a cualquier columna, aunque se recomienda que aquellos factores que
en la practica sea más difícil de variar de nivel continuamente, sean los que se
asigne a las primeras columnas.
El arreglo L8 y su descripción para este caso se muestra a continuación:
No. A B C D E e e Resina Concen. Tiempo Humedad Presión Yi

1 1 1 1 1 1 1 1 Tipo I 5% 10 seg. 3% 800 psi. 0.49
2 1 1 1 2 2 2 2 Tipo I 5% 10 seg. 5% 900 psi. 0.42
3 1 2 2 1 1 2 2 Tipo I 10% 15 seg. 3% 800 psi. 0.38
4 1 2 2 2 2 1 1 Tipo I 10% 15 seg. 5% 900 psi. 0.30
5 2 1 2 1 2 1 2 Tipo II 5% 15 seg. 3% 900 psi. 0.21
6 2 1 2 2 1 2 1 Tipo II 5% 15 seg. 5% 800 psi. 0.24
7 2 2 1 1 2 2 1 Tipo II 10% 10 seg. 3% 900 psi. 0.32
8 2 2 1 2 1 1 2 Tipo II 10% 10 seg. 5% 800 psi. 0.28
Página 194
Observe que los factores Resina, concentración, tiempo, humedad y presión
fueron asignados en orden a las columnas A, B, C, D, y E. En las columnas
restantes, F y G no se asignó ningún factor y nos servirán para tener una
estimación del error aleatorio. Esto se explica porque con ocho observaciones
tenemos siete grados de libertad, como estamos interesados únicamente en
cinco factores quedan dos grados de libertad para el error aleatorio. El análisis
de variancia de los resultados es:
A1 = Total de lecturas con el factor A a su nivel 1 = 0.49 + 0.42 + 0.38 +

0.30 = 1.59
A2 = Total de lecturas con el factor A a su nivel 2 = 0.21 + 0.24 + 0.32 +

0.28 = 1.59
SSA = Suma de cuadrados debido al factor A SSA = (A2 - A1)2 /8 =

0.3645 con 1 g.l
Similarmente :
SSB = (B2 - B1)sq/8= 0.00080 con 1g.l
SSC = (C2 -C1)sq/8 = 0.01805 con 1g.l
SSD = (D2 -D1)sq/8= 0.00320 con 1g.l
SSE = (E2 - E1)sq/8= 0.00245 con 1g.l
Sse1 = (F2 - F1)sq/8= 0.00080 con 1g.l, 1a. Columna de error F
Sse2 = (G2 -G1)sq/8= 0.00045 con 1g.l 2a. Columna de error G
Las sumas de cuadrados de las columnas donde no se asignó factor se toman

como asignaciones del error, en este caso SSF y SSG se consideran como
error y se obtiene:
Sse = SSF + SSG = 0.00080 + 0.00045 = 0.00125 con 2g.l.
Página 195
La tabla ANOVA es:

Efecto SS G.L. V Fexp. % Contrib.
A 0.03645 1 0.03645 58.32* 57.59
B 0.0008 1 0.00080 1.28 0.28
C 0.01805 1 0.01805 28.88** 28.01
D 0.0032 1 0.00320 5.12 4.14
E 0.00245 1 0.00245 3.92 2.93
Error 0.00125 2 0.00063 7.03
Total 0.0622 7 100
* significante al nivel 5% ya que F0.05 (1,2) = 18.51

** significante al nivel 10% ya que F0.10 (1,2) = 8.16
Nota: No se incluye en esta tabla específicamente la suma de cuadrados del

promedio o media. El error total es la suma de cuadrados total corregida por
el factor de corrección.
Se acostumbra que aquellos efectos que no resultaron significantes, se

consideren como error aleatorio a fin de obtener una mejor estimación del
error aleatorio, (con mayor número de grados de libertad).
En éste caso, por ejemplo, la estimación de Sse es :
Sse = SSB + SSD + SSE + Sse = 0.00080 + 0.00320 + 0.00245 + 0.00125

= 0.0077
Con , 1 + 1 + 1 + 2 = 5 grados de libertad.
Y (Ve) = (Sse) /5 = 0.0077 / 5 = 0.00154
Al nivel 5%, el valor crítico de tablas es F 0.05 (1,5) = 6.607877

Las estimaciones que se obtienen de esta forma se suelen escribir entre
paréntesis.
Página 196
Fc para el factor (A) = 23.66 y Fc para el factor (C) = 11.72, comparando
ambos contra Fcrítico = 6.6, continúan siendo significativos los factores A y C.
Los promedios de la emisión de Formaldehído para cada nivel son:
Efecto Nivel 1 Nivel 2

A A1avg. = A1/4 =0.3975 A2avg. = A2/4 =0.2625
B B1avg =0.3400 B2avg =0.3200
C C1avg =0.3775 C2avg =0.2825
D D1avg =0.3500 D2avg =0.3100
E E1avg =0.3475 E2avg =0.3125
El promedio global es:

_
Y = (0.3975+ 0.34+ 0.3775+ 0.35 + 0.3475+ 0.2625+ 0.32+ 0.31+0.3125)/
10 = 0.33
Sí únicamente los factores A y C son significativos, estos factores deberán

fijarse al nivel que minimice la emisión de Formaldehído, esto es A2 y C2;
resina tipo II y 15 segundos como tiempo de prensado. El resto de los
factores se fijará a su nivel más económico, ya que no afectan la característica
de calidad dentro del intervalo analizado
¿Cuál será el nivel esperado de emisión?, el efecto de cada factor respecto al

promedio general es:
EF A = A2 - Y = 0.2665 - 0.33 = -0.06435 EF

C = C2 - Y= 0.2825 - 0.33 = -
0.0475
Y el efecto estimado bajo las condiciones A2

y C2 es: EF A + EF C + Y =
-0.0635-0.0475+0.33 = 0.219
Página 197
Si las lecturas no siguen un orden secuencial, o se toman en otra prueba bajo
las mismas condiciones se le conoce como “Replica”. Taguchi considera dos
tipos de error aleatorio con lecturas múltiples:
Error Primario (e1): Error que existe entre las diferentes condiciones de
experimentación, aparte del efecto de los factores en si. Es decir lo que hace
diferentes a las lecturas bajo diferentes condiciones de experimentación.
Error Secundario (e2): Aquel que hace diferentes las lecturas tomadas bajo
una misma condición experimental. Cuando se toma una lectura no es posible
evaluar el error secundario.
Página 198
El diseño de Mezclas 35
Este procedimiento permite diseñar y crear un experimento para manejar

situaciones donde los componentes se mezclan para formar una combinación
química. Se puede utilizar el diseño "simplex-lattice" cuando los datos se
encuentran distribuidos regularmente sobre una región de superficie de
respuesta y el diseño "simplex-centroid" cuando los valores de los datos se
distribuyen alrededor del centro de la región de superficie de respuesta.
Todos los diseños incluyen estimaciones de modelos lineales, cuadráticas,

cúbicas, cúbicas especiales y gran cantidad de gráficos para visualizar los
resultados.
Características:
 Los factores independientes son proporciones de diferentes componentes

de una mezcla.
 Cuando las proporciones tienen la restricción de sumar la unidad se pueden
utilizar modelos de estructura Simplex o Simplex con centroide.
 Cuando además algunos componentes tienen la restricción adicional de
tener un valor máximo o mínimo los modelos a utilizar son los de Vértices
extremos.
 Un diseño de estructura Simplex para q componentes cuya proporción
puede tomar los niveles m+1 igualmente espaciados entre 0 y 1.
Xi = 0, 1/m, 2/m, ...., 1 para i = 1, 2, ..., q
35
Clase de Diseño de Experimentos Dr. Primitivo Reyes
Página 199
Ejemplo:
Para una mezcla de q = 3 componentes donde el número de niveles

igualmente espaciados para cada componente es m + 1 = 4 (X1 = 0, 0.333,
0.666, 1)
Rendimiento
X1 X2 X3
0 0 1
0 0.333 0.667
0 0.667 0.333
0 1 0
0.333 0 0.667
0.333 0.333 0.333
0.333 0.667 0
0.667 0 0.333
0.667 0.333 0
1 0 0
Las mezclas posibles con los 3 componentes es:
Las ecuaciones de la restricción y del modelo lineal son:
Puntos 
( q m1)!
m !(q
X 1 X 2 X 3 1)!
q 1
E (Y )  X 
i
i
i 1
Ejemplo:
Se tienen 3 componentes y m = 2 niveles, X1 = polietileno, X2 = poliestireno,

X3 = polipropileno mezclados para formar fibras, de las cuales se mide la
elongación en dos réplicas, el arreglo sería:
Página 200
X1 X2 X3 Rendimiento
0 0 1 16.8, 16
0 0 0.5 10.0, 9.7, 11.8
0 1 0 8.8, 10.0
0.5 0 0.5 17.7, 16.4, 16.6
0.5 0.5 0 15.0, 14.8, 16.1
1 0 0 11.0, 12.4
Utilizando el Minitab, tenemos:
Minitab: Regression for Mixtures: Resp versus A, B, C

Est. Regression Coefficients for Resp (component proportions)
Term Coef SE Coef T P VIF
A 11.70 0.4941 * * 1.500
B 9.40 0.4941 * * 1.500
C 16.40 0.4941 * * 1.500
A*B 17.40 2.4207 7.19 0.000 1.500
A*C 12.00 2.4207 4.96 0.003 1.500
B*C -12.20 2.4207 -5.04 0.002 1.500
S = 0.69881 PRESS = 11.720
R-Sq = 97.44% R-Sq(pred) = 89.78% R-Sq(adj) = 95.31%
La ecuación del modelos sería:
Y = 11.7X1+9.4X2+16.4X3 + 17.4X1X2 + 12X1X3 –12.2 X2X3
 Como b3 > b1 > b2 se concluye que el componente 3 produce la mayor

elongación
 Como b12 y b13 son positivos la mezcla de componentes 1 y 2 así o
m
co 2 y
3 aumenta la elongación
 Como b23 es negativo la mezcla de los componentes 2 y 3 tiene efectos
antagónicos en la mezcla
Página 201
5. Métodos de Superficies de Respuesta
La técnica de superficies de respuesta se ha utilizado principalmente en las

industrias de proceso y químicas, donde después de realizar un diseño de
experimentos para identificar las variables relevantes, se hace un estudio
posterior en los rangos relevantes de las variables con objeto de optimizar el
proceso. Para la optimización, si las variables de control son dos o tres
cuantitativas, se puede optimizar el proceso.
El método de superficie de respuesta es un conjunto de técnicas con el objeto

de:
 Preparar una serie de experimentos que proporcionen una medición

adecuada y confiable de la respuesta de interés.
 Determinar un modelo matemático que mejor ajuste los datos
colectados del diseño seleccionado en (1), realizando pruebas de
hipótesis apropiadas en relación con los parámetros del modelo, y
 Determinar el ajuste óptimo de los factores experimentales que
produzcan el valor máximo o mínimo de la respuesta.
Para evaluar el efecto de ciertos factores en el comportamiento de una

variable de respuesta medible, se utiliza la regresión, la cual ayuda a
establecer una relación empírica entre la variable de respuesta y los factores
de influencia. La variable de respuesta es la variable dependiente y es llamada
la respuesta, los niveles de los factores de influencia se denominan,
regresores, explicatorios o variables de entrada.
Página 202

(a)
(b)
0
x1
Figura 5.3 Modelos de polinomios, (a) línea recta,    0   1 X 1 y (b) parábola
   0  1 X 1
La función de la respuesta de predicción Y-gorro está en función de los

parámetros estimados b0, b1, b2, etc., estableciéndose como sigue:
^
Y  b0 b1 X1 b2X 2
La superficie de respuesta está representada por la ecuación de predicción,

por ejemplo para el caso de una ecuación de segundo orden se tiene:
^
Y  1 8.31 5209. x0
1 2 05.1
x6  05. 2 x7x  19. x42 
07. x8las
donde 2 x’s son variables codificadas. Con k factores la superficie de
respuesta es un subconjunto de un espacio euclidiano de (k + 1) dimensiones.
Página 203
La representación del contorno de una superficie de respuesta son las líneas o
curvas de respuesta constante en función de las variables de entrada X’s.
La región de operación es el espacio factorial donde se realizan los

experimentos y la región experimental de interés R representa una parte
limitada de la anterior.
5.6 Entregables:
 Filtrar Causas Potenciales

o Verificar las x´s vitales
 Relacionar Variables y Proponer soluciones

o Generar una función de transferencia para optimizar los cambios
de las x´s críticas

o Proponer la solución
o Refinar la solución
 Establecer y probar las Tolerancias

o Establecer las tolerancias operativas para las x´s vitales.
La última fase, control, consiste en diseñar y documentar los controles

necesarios para asegurar que lo conseguido mediante el proyecto Seis Sigma
se mantenga una vez que se hayan implantado los cambios. Cuando se han
logrado los objetivos y la misión se dé por finalizada, el equipo informa a la
dirección y se disuelve.
Página 204
CAPITULO 6 FASE DE CONTROL
1. Introducción
Una vez implementadas las mejoras en nuestro proceso, el último paso es asegurar que
las implementaciones se mantengan y estén siendo actualizadas a través del tiempo,
nuestras salidas serán:
 Plan de control y métodos de control implementados

 Capacitación en los nuevos métodos
 Documentación completa y comunicación de resultados, lecciones aprendidas y
recomendaciones
Página 206
DDM
DMAIC
D
MMAA
Controlar
DDDee MMM AAAIAIInnC
naCa MMMeee CCCooon
e f i nn i
MMafapide
naProceso
addiee ee
epade d alliizzzaaa jj oo r aa
jonnáálrlde
iisa
C
11.1..Mapa
1. Mapa de
p Proceso 11.1..Mapa
1. Mapa de detallado
detallado 11.1.AMEF
1. AAMMEEFF
.AMEF 11.1.Análisis
1. AA
.Análisis de siissddee
PPrroocceessoo
2. Despliegue de
2. Despliegue de la
la
MMade
laaddoo
2.
apProcesos
addeeddeettaalll
de Procesos
Diagrama de
2. Cartas Multi
22.2..Cartas
Multi Vari
CCaarrttaassVari
Experimentos
EExperimentos
Exxppeerriimmeennt
(DOE)
(DOE) nntttrroroo
1. Plan de Control
ir r
22..Función
Función de
deCalidad 2. Diagrama
Pareto
ddee
i rde Pareto
dd ii r 3.
r r
Correlación
3. Correlación
MMuullttii VVaarrii
2.
2. Diseñor
r Factorial 2K
Diseño Factorial 2K 111.. PPPllaaannn dddeee
(QFD) (QFD)
DDeCalidad
3. Diagrama de Causa- 4. Regresión lineal
4. Regresión lineal ooDiseño
3.
t3. s s((DDOO
Diseño EE)2 ) 2..
Fracción 2. Cartas de Control
3.
d e
esspplliieegguueed
Modelo Kano
3. Modelo
l laa
eDiagrama
Kano r
3. Diagrama
PEfecto de Causa-
Prroocceessooss
Efecto de Árbol
33.. Simple y lineal Factorial
DDiiFactorial
sseeññoo
C
3. lllaaarrr
oCoConnntt rrroooll
Poka Yoke
4.
Matricial 4. Diagrama CCo Múltiple
Múltiple
orrrreellaacciióónn
4. Diseño Taguchi
4. Diseño Taguchi
22..Diagrama
4. DDiiaaggrrde
aam maa
Árbol 4.22Mejora
2 aCCaarrcontinua
.. C ttaaasss
5. Benchmarkin
5. Benchmarkin
F 5. Diagrama de 5. Pruebas de
5. Pruebas de F5.FaDiseño
5. accttoode
Diseño rde
riiaall 22KK
Fuunncciióónnddee d (Kaizen)
5.deDiagrama
e PPaarreede
ttoo 44.. Hipótesis Mezclas
Mezclas
6. Costos de
Calidad Afinidad Hipótesis
Afinidad 33..DDiisseeññoo dddeee
CCaalliiddaadd
36.3..DMétodos
Diiaaggrrde
aammaa 6. Análisis
6. Análisis
RReeggrrde de
eesVarianza
6. Métodos de
6. Métodos de 5. Las 5 S´s
siióó
6. Métodos de Superficie
((QQFFDD)) Muestreo Varianza
(ANOVA) Frraaccccide
FSuperficie óónn
ide 6.
oCC
C Kanban
oonnnttrr oooll 333..
ddeeCCaauussaa--
Muestreo n l i n e a l
nl i n e a l Respuesta
Estadístico (ANOVA) Respuesta
33.. MMooddeelloo Estadístico FFaaccttoorriiaall
7. Capacidad
EEffeeccttoo SSiimmppllee PPPoookkkaaa
KKaannoo 7. Capacidad
del del 44..DDiisseeññoo
44..Sistema
DDiiaaggde
rraammaa
44.. DDiiaaggrraammaa Sistema de Medición yylliinneeaall
TTaagguucchhii
YYYoookkkeee 444..
8.deDistribución
d eÁÁrrbbooll Normal
Medición
MMaattrriicciiaall MMúúllttiippllee 55..DDiisseeññoo MMMeeejjooorr aaa
9. Capacidad del
58.5..
55.. Proceso
Distribución 5 5. . ddee MMeezzccllaass
Normal cccooonnnttiinnnuuuaaa
DDiiaaggrraa
BBeenncchhmmaarrkkii PPrruueebb 66..
9. Capacidad del
nn mmaaddee (((KaKKa
Proceso aassddee MMééttooddoo
66.. CCoossttoossddee AAffiinniiddaa Figura 6.1 Herramientas en la Fase de Control aiiizzzeeenn
HHiippóótte ssddee
CCaalliiddaadd dd
essiiss SSuuppeerrffii n))) 555..
66.. 6 6. .
cciiee ddee LLLaaasss 555
Los objetivos de esta
MMéétfase
tooddo son:
AAnnáálliiss
iissddee RReessppuueesst
oss ddee SSS´´sss 666..
VVaarriiaann taa
MMuueessttrre zz a a K
aKKaannnbbbaa
((AANNOOV
eoo
 Mantener las mejoras
E s ta d í
por medio de control estadístico de procesos,
annn
VAA)) Poka Yokes y
E st a dí
trabajo estandarizado
ssttiiccoo
77..
 Anticipar mejoras futuras y preservar las lecciones aprendidas de este esfuerzo
CCaappaacc

id a d
Uso de las herramientas
i d a d
de control.
ddeell
 Verificar que lasSSimplementaciones

iisstteem se sigan y estén bajo control.
mdadaee
 Identificar las actividades
MMeeddiicci o procesos que están fuera de control para corregirlos
inmediatamente.
ióónn
88..
 Que las mejoras sean implementadas consistentemente para tener un adecuado

DDiissttrriibbuu
cciióónn
control. NNoorrmmaall
99..
CCaappaacciid
daaddddeell
PPrroocceesso
Los proyectos Six-Sigma
o
se van actualizando constantemente. En la siguiente gráfica
observamos que la metodología es cíclica, también se puede regresar de una fase a
otra, en caso de no haber obtenido la información necesaria, pero lo que no está
permitido es saltar fases.
Página 206
Figura 6.2 Metodología cíclica
2. Etapas de la fase de control
Las etapas de esta fase son las siguientes:
Validar el sistema de medición.

En la Fase de Medición validamos el sistema de medición para las Y’s, en este punto
se utiliza la misma metodología, con la diferencia de que ahora mediremos las X´s del
proceso, el plan será validado para las X’s
3. Determinar la capacidad del proceso.

La capacidad del proceso solo tiene sentido cuando el proceso está bajo control.
Página 207
Control de Proceso y Capacidad del Proceso
Identificación de los casos:
Figura 6.3 Diferentes casos de control de proceso
6.4 Implementar el sistema de control36.

Los procesos tienden a degradarse con el tiempo, por lo que es de gran importancia la
implementación de un plan de control para cada X´s, para establecer el pan es necesario
36
ITESM “Diplomado Black Belt “
Página 208
tener procesos y procedimientos documentados y entrenar al personal que llevará a
cabo esta actividad.
Una vez implementadas las mejoras se vuelve a calcular los niveles sigma del proceso,
para saber en que nivel nos encontramos actualmente. (ver Fase de Medición)
Un plan de control es:

 Un resumen de todas las actividades de control para el proceso.
 Un método para identificar deficiencias en el sistema de control.
 Una lista de las actividades de control para implantar.
 Una entrada al AMEF (Procesos maduros).
 Una salida para el AMEF (procesos nuevos).
Planes de control del proceso. ¿Cuál es el punto?
La intención del proceso de control es:

 Correr el proceso en el objetivo
 Minimizar la variación sobre el objetivo
 Minimizar los ajustes requeridos y el sobre-control
 SIEMPRE conocer los requerimientos del cliente El
propósito del plan de control es:
 Institucionalizar las mejoras del proceso

 Destacar áreas que requieren educación extra
 Proveer procedimientos de un sólo paso para el
control de la información
Desarrollo de un plan de control del proceso
Entradas para el plan de control:
 Mapa de proceso final

 AMEF
Página 209
 Documentación del proceso
 Requerimientos del cliente
 Capacidades de IT
 ASM’s
 Estudios de capacidad
 Mantenimiento de procedimientos
 Materiales de entrenamiento
 Guías de solución de problemas
 Calendarios de Calibración
 Ventanas de operación
 Planes de acción fuera de control
Identificación del proceso
Paso del proceso:
 Del mapa de proceso. Mantener coherencia en nombres con el mapa de proceso,

AMEF, etc.
 Sólo Alto riego, pasos críticos del proceso.
 ¿Qué está controlado?
 Nombre de la entrada o la salida.
 ¿Entrada o Salida? – Especificar
 Inicialmente, el plan debe tener más controles en las salidas que en las entradas.
 Las metas son para el control de la entrada, no el monitoreo de la salida
Especificaciones y Medición
Límites de Especificación / requerimientos

 Listar el objetivo y las tolerancias para cada entrada y salida crítica
 Método de Medición
 ¿Qué proceso o máquina hace la medición?
Página 210
 Método de Control
 ¿Qué método se utiliza para el control? ¿SPC? ¿SPM?
 ¿Automatización? ¿Pre-control? ¿Aislar el error? (Más en el módulo siguiente)
Tamaño, Frecuencia y Responsabilidad
Tamaño de muestra
 Seleccionar el tamaño de muestra sobre la base del sistema de medición y
capacidad del proceso
Frecuencia de la muestra
 Seleccionar la frecuencia basada en el sistema de medición, capacidad del
proceso y requerimientos de la operación
¿Quién / qué hace la medición?

 ¿Quién es responsable de asegurar que los datos se tomen y que sean correctos?
Acción y Documentación
¿Dónde se registra?
 ¿Dónde residen los datos? ¿Bases de datos, gráficas, ambas?
Regla de decisión / Acción correctiva
 ¿Qué pasa cuando el proceso está fuera de control?
Página 211
Figura 6.4 Ejemplo de un plan de Control
6.5 Cartas de Control37
Las cartas de control son la herramienta más poderosa para monitorear y analizar la
variación en la mayoría de los procesos.
Las cartas de control enfocan la atención hacia las causas especiales de variación
cuando estas aparecen y reflejan la magnitud de la variación debida a las causas
comunes, manteniendo las soluciones.
Las causas comunes o aleatorias se deben a la variación natural del proceso.
Las causas especiales o asignables son por ejemplo: un mal ajuste de máquina, errores
del operador, defectos en materias primas.
Un proceso está bajo Control Estadístico cuando presenta causas comunes únicamente,
con un proceso estable y predecible.
Cuando existen causas especiales el proceso está fuera de Control Estadístico; las
cartas de control detectan la existencia de estas causas en el momento en que se dan, lo
cual permite que podamos tomar acciones al momento.
En resumen podemos decir que una Carta de Control es:
 Simplemente un registro de datos en el tiempo con límites de control superior e

inferior.
 Una carta de control identifica los datos secuenciales en patrones normales y
anormales.
 El patrón normal de un proceso se llama causas de variación comunes.
 El patrón anormal debido a eventos especiales se llama causa especial de
variación.
 Tener presente que los límites de control NO son límites de especificación.
37
Página 212
Ventajas:
 Es una herramienta simple y efectiva para lograr un control estadístico.
 El operario puede manejar las cartas en su propia área de trabajo, por lo cual
puede dar información confiable a la gente cercana a la operación en el momento
en que se deben de tomar ciertas acciones.
 Cuando un proceso está en control estadístico puede predecirse su desempeño
respecto a las especificaciones. En consecuencia, tanto el proveedor como el
cliente pueden contar con niveles consistentes de calidad y ambos pueden contar
con costos estables para lograr ese nivel de calidad.
 Una vez que un proceso se encuentra en control estadístico, su comportamiento
puede ser mejorado posteriormente reduciendo la variación.
 Al distinguir ente las causas especiales y las causas comunes de variación, dan
una buena indicación de cuándo un problema debe ser corregido localmente y
cuando se requiere de una acción en la que deben de participar varios
departamentos o niveles de la organización.
Cartas de control por variables y por atributos.-

En Control de Calidad mediante el término variable se designa a cualquier característica
de calidad “medible” tal como una longitud, peso, temperatura, etc. Mientras que se
denomina atributo a las características de calidad que no son medibles y que presentan
diferentes estados tales como conforme y disconforme o defectuoso y no defectuoso.
Según sea el tipo de la característica de calidad a controlar así será la carta de control
correspondiente, por tanto, se clasifican en Cartas de Control por Variables y Cartas de
Control por Atributos.
Página 213
Comparación de las cartas de control por variables vs. atributos
Cartas de Control por Cartas de control por
VARIABLES ATRIBUTOS
Son potencialmente aplicables a
Conducen a un mejor procedimiento cualquier proceso
de control. Los datos están a menudo disponibles.
Ventajas Son rápidos y simples de obtener.

significativas Proporcionan una utilización máxima Son fáciles de interpretar.
de la información disponible de datos. Son frecuentemente usados en los
informes a la Gerencia.
Más económicas
No se entienden a menos que se de No proporciona información detallada

capacitación; puede causar confusión del control de características
Desventajas
entre los limites de especificación y individuales.
significativas
los límites de tolerancia. No reconoce distintos grados de
defectos en las unidades de producto.
Campos de aplicación de las cartas

Tipo Carta Descripción Campo de aplicación.
XR Medias y Rangos Control de características individuales.
X S Medias y desviación Control de características individuales.
Variables estándar.
I-MR Individuales Control de un proceso con datos variables que no
pueden ser muestreados en lotes o grupos.
P Proporciones o fracción Control de la fracción global de defectuosos de un
defectiva proceso.
Atributos NP Número de defectuosos Control del número de piezas defectuosas
C Defectos por unidad Control de número global de defectos por unidad
U Promedio de defectos por Control del promedio de defectos por unidad.
unidad
Página 214
Elaboración de Cartas de control X  R (variables)
Paso 1: Colectar los datos.
Los datos son el resultado de la medición de las características del producto, los cuales
deben de ser registrados y agrupados de la siguiente manera:
 Se toma una muestra (subgrupo) de 2 a 10 piezas consecutivas y se anotan los
resultados de la medición (se recomienda tomar 5). También pueden ser tomadas en
intervalos de tiempo de ½ - 2 hrs., para detectar si el proceso puede mostrar
inconsistencia en breves periodos de tiempo.
 Se realizan las muestras de 20 a 25 subgrupos.
Paso 2: Calcular el promedio X y R para cada subgrupo
X 1  X 2 .... X R  X  X menor
X  N
N mayor
Paso 3: Calcule el rango promedio  R  y el promedio del proceso  X
.
R 1  R 2 ...... R K X 1  X 2 ....... X
R  K X  K
K
Donde K es el número de subgrupos, R1,R2..es el rango de cada subgrupo; X , X son

1 2....
el promedio de cada subgrupo.
Paso 4: Calcule los limites de control
Los límites de control son calculados para determinar la variación de cada subgrupo,
están basados en el tamaño de los subgrupos y se calculan de la siguiente forma:
LSC R  D4 R LSC X  X  A 2 R
LIC R  D3 R LIC X  X  A2 R
Página 215
Donde D4, D3, A2 son constantes que varían según el tamaño de muestra. A continuación
se presentan los valores de dichas constantes para tamaños de muestra de 2 a 10.
n 2 3 4 5 6 7 8 9 10
D4 3.27 2.57 2.28 2.11 2.00 1.92 1.86 1.82 1.78
D3 0 0 0 0 0 0.08 0.14 0.18 0.22
A2 1.88 1.02 0.73 0.58 0.48 0.42 0.37 0.34 0.31
Paso 5: Seleccione la escala para las gráficas de control
Para la gráfica X la amplitud de valores en la escala debe de ser al menos del tamaño de los límites
de tolerancia especificados o dos veces el rango promedio  R  .
Para la gráfica R la amplitud debe extenderse desde un valor cero hasta un valor
superior equivalente a 1½ - 2 veces el rango.
Paso 6: Trace la carta de control
Dibuje las líneas de promedios y límites de control en las gráficas.

Los límites de Control se dibujan con una línea discontinua y los promedios con una línea
continua para ambas cartas.
Marcar los puntos en ambas gráficas y unirlos para visualizar de mejor manera el
comportamiento del proceso.
Paso 7: Analice la gráfica de control
Página 216
Figura 6.5 Patrones fuera de control
Página 217
Carta de Individuales y rango móvil (Datos variables I-MR).
 A menudo esta carta se llama “I” o “Xi”.

 Esta Carta monitorea la tendencia de un proceso con datos variables que no pueden
ser muestreados en lotes o grupos.
 Este es el caso cuando la capacidad de corto plazo se basa en subgrupos racionales
de una unidad o pieza.
 Este tipo de gráfica es utilizada cuando las mediciones son muy costosas (Por
ejemplo Pruebas destructivas), o cuando la característica a medir en cualquier punto
en el tiempo es relativamente homogénea (por ejemplo el PH de una solución
química)
 La línea central se basa en el promedio de los datos, y los límites de control se basan
en la desviación estándar (+/- 3 sigmas)
Terminología
k = número de piezas
n = 2 para calcular los rangos
X = promedio de los datos

R = rango de un subgrupo de dos piezas consecutivas
R = promedio de los (n - 1) rangos
LSC X  X  E 2 R LIC X  X  E 2 R
LSC R  D 4 R LIC R  D 3 R
Donde D4, D3, E2 son constantes que varían según el tamaño de muestra usado para
agrupar los rangos móviles como se muestra en la tabla siguiente:
n 2 3 4 5 6 7 8 9 10
D4 3.27 2.57 2.28 2.11 2.00 1.92 1.86 1.82 1.78
D3 0 0 0 0 0 0.08 0.14 0.18 0.22
E2 2.66 1.77 1.46 1.29 1.18 1.11 1.05 1.01 0.98
* Generalmente se utiliza n = 2
Página 218
4.2 Cartas de control por atributos
Cualquier característica de calidad que pueda ser clasificada de forma binaria: “cumple o
no cumple”, “funciona o no funciona”, “pasa o no pasa”, etc., a los efectos de control del
proceso, será considerado como un atributo y para su control se utilizará una Carta de
Control por Atributos.
Los criterios de aceptación al utilizar gráficas de control por atributos deben estar
claramente definidos y el procedimiento para decidir si esos criterios se están
alcanzando es producir resultados consistentes a través del tiempo. Este procedimiento
consiste en definir operacionalmente lo que se desea medir. Una definición operacional
consiste en:
1º . Un criterio que se aplica a un objeto o a un grupo

2º. Una prueba del objeto o del grupo y
3º. Una decisión, sí o no: El objeto o el grupo
alcanza o no el criterio.
Gráfica P para Fracción de Unidades Defectuosas

(atributos)
La gráfica p mide la fracción defectuosa o sea las piezas defectuosas en el proceso. Se

puede referir a muestras de 75 piezas, tomada dos veces por día; 100% de la producción
durante una hora, etc. Se basa en la evaluación de una característica (¿se instalo la
pieza requerida?) o de muchas características (¿se encontró algo mal al verificar la
instalación eléctrica?). Es importante que cada componente o producto verificado se
registre como aceptable o defectuoso (aunque una pieza tenga varios defectos
específicos se registrará sólo una vez como defectuosa).
Pasos para la elaboración de la gráfica:
Página 219
Paso 1- Frecuencia y tamaño de la muestra:
Establezca la frecuencia con la cual los datos serán tomados (horaria, diaria, semanal).
Los intervalos cortos entre tomas de muestras permitirán una rápida retroalimentación al
proceso ante la presencia de problemas. Los tamaños de muestra grandes permiten
evaluaciones más estables del desarrollo del proceso y son más sensibles a pequeños
cambios en el promedio del mismo. Se aconseja tomar tamaños de muestra iguales
aunque no necesariamente se tiene que dar esta situación, el tamaño de muestra
debería de ser mayor a 30. El tamaño de los subgrupos será de 25 o más.
Paso 2- Calculo de la fracción defectuosa (p) del subgrupo:
Registre la siguiente información para cada subgrupo:

El número de partes inspeccionadas – n
El número de partes defectuosas – np
np
Calcule la fracción defectuosa (p) mediante: p  n
La fracción Paso 3 – Calculo de fracción defectuosa promedio y

defectuosa límites de control
promedio para los k subgrupos se calcula con la siguiente fórmula:
np1  np 2  ....  np k
p
n1  n 2 .....  nk
p(1  p) p(1  p)
LSC p  p  3 LIC p  p  3
n n
donde n es el tamaño de muestra promedio. NOTA: Cuando p y/o n es pequeño, el

límite de control inferior puede resultar negativo, en estos casos el valor del límite será =
0
Paso 4- Trace la Carta y analice los resultados.
6.6 Dispositivos a Prueba de Error o Poka Yokes38
38
ITESM “Herramientas de Manufactura“
Página 220
Poka-yoke es una técnica de calidad desarrollada por el ingeniero japonés Shigeo

Shingo en los años 1960´s, que significa "a prueba de errores". La idea principal es la de
crear un proceso donde los errores sean imposibles de realizar.
La finalidad del Poka-yoke es la eliminar los defectos en un producto ya sea previniendo

o corrigiendo los errores que se presenten lo antes posible.
Un dispositivo Poka-yoke es cualquier mecanismo que ayuda a prevenir los errores antes
de que sucedan, o los hace que sean muy obvios para que el trabajador se de cuenta y
lo corrija a tiempo.
El concepto es simple: si los errores no se permite que se presenten en la línea de

producción, entonces la calidad será alta y el retrabajo poco. Esto aumenta la
satisfacción del cliente y disminuye los costos al mismo tiempo. El resultado, es de alto
valor para el cliente. No solamente es el simple concepto, pero normalmente las
herramientas y/o dispositivos son también simples.
Los sistemas Poka-yoke implican el llevar a cabo el 100% de inspección, así como,
retroalimentación y acción inmediata cuando los defectos o errores ocurren. Este
enfoque resuelve los problemas de la vieja creencia que el 100% de la inspección toma
mucho tiempo y trabajo, por lo que tiene un costo muy alto.
La práctica del sistema Poka-yoke se realiza más frecuentemente en la comunidad
manufacturera para enriquecer la calidad de sus productos previniendo errores en la
línea de producción.
Un sistema Poka-Yoke posee dos funciones: una es la de hacer la inspección del 100%
de las partes producidas, y la segunda es si ocurren anormalidades puede dar
retoalimentación y acción correctiva. Los efectos del método Poka-Yoke en reducir
defectos va a depender en el tipo de inspección que se este llevando a cabo, ya sea: en
el inicio de la línea, auto-chequeo, o chequeo continuo.
Los efectos de un sistema poka-yoke en la reducción de defectos varían dependiendo
del tipo de inspección.
Página 221
Funciones reguladoras Poka-yoke

Existen dos funciones reguladoras para desarrollar sistemas Poka-Yoke:
1. Métodos de Control
Existen métodos que cuando ocurren anormalidades apagan las máquinas o bloquean
los sistemas de operación previniendo que siga ocurriendo el mismo defecto. Estos tipos
de métodos tienen una función reguladora mucho más fuerte, que los de tipo preventivo,
y por lo tanto este tipo de sistemas de control ayudan a maximizar la eficiencia para
alcanzar cero defectos.
No en todos los casos que se utilizan métodos de control es necesario apagar la

máquina completamente, por ejemplo cuando son defectos aislados (no en serie) que se
pueden corregir después, no es necesario apagar la maquinaria completamente, se
puede diseñar un mecanismo que permita "marcar" la pieza defectuosa, para su fácil
localización; y después corregirla, evitando así tener que detener por completo la
máquina y continuar con el proceso.
2. Métodos de Advertencia
Este tipo de método advierte al trabajador de las anormalidades ocurridas, llamando su

atención, mediante la activación de una luz o sonido. Si el trabajador no se da cuenta de
la señal de advertencia, los defectos seguirán ocurriendo, por lo que este tipo de método
tiene una función reguladora menos poderosa que la de métodos de control.
En cualquier situación los métodos de control son por mucho más efectivos que los
métodos de advertencia, por lo que los de tipo control deben usarse tanto como sean
posibles. El uso de métodos de advertencia se debe considerar cuando el impacto de las
anormalidades sea mínimo, o cuando factores técnicos y/o económicos hagan la
implantación de un método de control una tarea extremadamente difícil.
Página 222
Clasificación de los métodos Poka-yoke
1.Métodos de contacto. Son métodos donde un dispositivo sensitivo detecta las

anormalidades en el acabado o las dimensiones de la pieza, donde puede o no haber
contacto entre el dispositivo y el producto.
2.Método de valor fijo. Con este método, las anormalidades son detectadas por medio de
la inspección de un número específico de movimientos, en casos donde las operaciones
deben de repetirse un número predeterminado de veces.
3.Método del paso-movimiento. Estos son métodos en el cual las anormalidades son
detectadas inspeccionando los errores en movimientos estándares donde las
operaciones son realizadas con movimientos predeterminados. Este extremadamente
efectivo método tiene un amplio rango de aplicación, y la posibilidad de su uso debe de
considerarse siempre que se este planeando la implementación de un dispositivo Poka-
Yoke.
Medidores utilizados en sistemas Poka-Yoke:
Los tipos de medidores pueden dividirse en tres grupos:

 Medidores de contacto
 Medidores sin-contacto
 Medidores de presión, temperatura, corriente eléctrica, vibración, número de
ciclos, conteo, y transmisión de información.
Las características principales de un buen sistema Poka-Yoke:

 Son simples y baratos.
 Son parte del proceso.
 Son puestos cerca o en el lugar donde ocurre el error.
Página 223
7. Mejora Continua-Kaizen39
¿Qué significado tiene la palabra Kaizen? Es una palabra japonesa compuesta por otras
dos palabras, una KAI que significa “cambio” y la otra ZEN que significa “bueno”, lo que
implica que KAIZEN signifique “cambio para mejorar” y, como dicho cambio para mejorar
es algo que continuamente debe buscarse y realizarse el significado termina siendo
“mejora continua”.
Características del Kaizen:
 Por otra parte, KAIZEN significa un esfuerzo constante no sólo para mantener los
estándares sino para mejorarlos.
 Otra característica de KAIZEN es que requiere virtualmente los esfuerzos de
todos. Para que el espíritu de KAIZEN sobreviva, la administración debe hacer un
esfuerzo consciente y continuo para apoyarlo. KAIZEN se interesa más en el
proceso que en el resultado.
 KAIZEN requiere una dedicación sustancial de tiempo y esfuerzo por parte de la
administración.
 KAIZEN está orientado a las personas, en tanto que la Innovación está orientada
a la tecnología y al dinero.
 La filosofía de KAIZEN está mejor adaptada a una economía de crecimiento lento,
en tanto que la Innovación está mejor adaptada a una economía de crecimiento
rápido.
 En una economía de crecimiento lento, caracterizada por costos elevados de
energía y materiales, sobrecapacidad y mercados estancados, con frecuencia
KAIZEN rinde mejores resultados que la Innovación.
 Otro factor que ha propiciado el enfoque de la Innovación ha sido el creciente
énfasis en los controles financieros y en la contabilidad, que obligan a los gerentes
39
Imai Masaaki “Kaizen la clave de la ventaja competitiva japonesa”
Página 224
a dar cuenta de toda acción que emprendan y detallar los resultados precisos. Tal
sistema no se presta a formar un entorno favorable par el mejoramiento.
 El mejoramiento es por definición, lento, gradual, a menudo invisible, con efectos

que se sienten a largo plazo.
 Occidente ha sido más fuerte en el lado de la Innovación y Japón más fuerte en el
lado de KAIZEN. Estas diferencias en el énfasis también están reflejadas en las
diferentes herencias sociales y culturales, tales como el énfasis que se da al
sistema educativo occidental sobre la iniciativa y creatividad individuales contra el
énfasis que pone el sistema educativo japonés en la armonía y colectivismo.
Ventajas y beneficios del Kaizen40
El Kaizen es un sistema de mejora continua e integral que comprende todos los

elementos, componentes, procesos, actividades, productos e individuos de una
organización. No importa a que actividad se dedique la organización, si es privada o
pública, y si persigue o no beneficios económicos, siempre debe mejorar su performance
a los efectos de hacer un mejor y más eficiente uso de los escasos recursos, logrando de
tal forma satisfacer la mayor cantidad de objetivos posibles. Mucho más es necesario la
mejora continua cuando se trata de actividades plenamente competitivas, se trate de lo
económico, en lo deportivo, o en cualquier otro orden.
La mejora continua es no sólo necesario, sino además una obligación permanente del
ser humano para consigo mismo y la sociedad. La mejora continua hace a la cultura,
ética y disciplina de toda sociedad que piense avanzar y participar en los avances y
adelantos de la humanidad.
El kaizen ideado por consultores y empresas japonesas se ha diseminado en empresas

de otras naciones vía círculos de calidad, sistemas de producción just-in-time,
mantenimiento productivo total, tablas de costes, sistema de sugerencias, y métodos
rápidos de preparación de máquinas-herramientas; logrando sorprendentes e
importantes resultados.
40
Lefcovich Mauricio “Kaizen-Vantajas y Benenficios “
Página 225
De lo que se trata es de adecuar las diferentes herramientas, instrumentos y métodos

que hacen al kaizen, a las características de cada empresa y cultura. Es en éste
particular aspecto donde el Desarrollo Organización cobra como técnica y disciplina un
incuestionable y gran valor, permitiendo evaluar las características socio-culturales
propias de cada empresa, ajustando los diversos sistemas productivos a las
características de las mismas, como así también facilitando el reacomodamiento y
cambio psico-social por parte de los integrantes de la organización.
A la hora de inventariar las ventajas y beneficios en la implementación y puesta en

práctica del sistema kaizen cabe apuntar las siguientes:
 Reducción de inventarios, productos en proceso y terminados.

 Disminución en la cantidad de accidentes.
 Reducción en fallas de los equipos y herramientas.
 Reducción en los tiempos de preparación de maquinarias.
 Aumento en los niveles de satisfacción de los clientes y consumidores.
 Incremento en los niveles de rotación de inventarios.
 Importante caída en los niveles de fallas y errores.
 Mejoramiento en la autoestima y motivación del personal.
 Altos incrementos en materia de productividad.
 Importante reducción en los costes.
 Mejoramiento en los diseños y funcionamiento de los productos y servicios.
 Aumento en los beneficios y rentabilidad.
 Menores niveles de desperdicios y despilfarros. Con su efecto tanto en los costes,
como así también en los niveles de polución ambiental, entre otros.
 Notables reducciones en los ciclos de diseño y operativos.
 Importantes caídas en los tiempos de respuestas.
 Mejoramiento en los flujos de efectivo.
 Menor rotación de clientes y empleados.
Página 226
 Mayor y mejor equilibrio económico-financiero. Lo cual trae como consecuencia
una mayor solidez económica.
 Ventaja estratégica en relación a los competidores, al sumar de forma continua
mejoras en los procesos, productos y servicios. Mediante la mejora de costos,
calidad, diseño, tiempos de respuesta y servicios a los consumidores.
 Acumulación de conocimientos y experiencias aplicables a los procesos
organizacionales.
 Derribar las barreras o muros interiores, permitiendo con ello un potente y
auténtico trabajo en equipo.
Estas son razones suficientes para pensar seriamente en aplicar el kaizen en las
organizaciones. No hacerlo privará a sus propietarios, directivos, personal, clientes y a la
sociedad en su conjunto, de las ventajas de generar auténticos y sólidos puestos de
trabajo que permitan generar productos con valor agregado, calidad de vida laboral, altos
rendimientos sobre la inversión, más y mejores productos y servicios, y menores niveles
de desperdicios.
La mejora continua es lo que permite al mundo gozar cada día de mejores productos,
mejores comunicaciones, mejores medicamentos, entre muchísimas otras cosas. Hay
empresas, sociedades, gobiernos y países que aceptan el reto, y otras que sólo se
limitan a ver como otros mejoran. La mejora continua es compromiso con el
conocimiento, la calidad y la productividad. Requiere de ética y disciplina, como de
planes estratégicos que permitan lograr mejoras graduales, continuas e integrales. En
una era del conocimiento como lo es ésta Tercer Ola pasarán a ocupar los primeros
lugares aquellos individuos, organizaciones, y sociedades que hagan del conocimiento y
perfeccionamiento sistemático su objetivo prioritario.
Página 227
8. Las 5 S´s41
¿Qué significan las 5S´s ?
 Seiri: clasificar, organizar, arreglar apropiadamente

 Seiton: orden
 Seiso: limpieza
 Seiketsu: limpieza estandarizada
 Shitsuke: disciplina
 Seiri: eliminar:
Consiste en retirar del área de trabajo todos aquellos elementos que no son necesarios
para realizar la labor. No hay que pensar en que este o aquel elemento podría ser útil en
otro trabajo o si se presenta una situación muy especial, los expertos recomiendan que
ante estas dudas hay que desechar dichos elementos.
Seiton: Ordenar:
Es la organización de los elementos necesarios de modo que resulten de fácil uso y

acceso, los cuales deberán estar, cada uno, etiquetados para que se encuentren, retiren
y devuelvan a su posición, fácilmente por los empleados. Se deben usar reglas sencillas
como: lo que más se usa debe estar más cerca, lo más pesado abajo lo liviano arriba,
etc.
Seiso: Limpiar:
Incluye, además de la actividad de limpiar las áreas de trabajo y los equipos, el diseño de
aplicaciones que permitan evitar o disminuir la suciedad y hacer más seguros los
ambientes de trabajo. A través de la limpieza se pueden identificar fallas, por ejemplo, si
todo está limpio y sin olores extraños es más probable que se detecte un principio de
incendio o un malfuncionamiento de un equipo por una fuga de fluidos, etc.
41
TBM Consulting Group “Instructores Kaizen”
Página 228
Seiketsu: Estandarizar:
Esta práctica pretende mantener el estado de limpieza y organización alcanzado con la

aplicación de las primeras tres S, el seiketsu solo se obtiene cuando se trabajan
continuamente los tres principios anteriores. En esta etapa (que debe ser permanente),
son los trabajadores quienes adelantan programas y diseñan mecanismos que les
permitan beneficiarse a sí mismos.
Shitsuke: Disciplina:
En esta etapa se busca evitar que se rompan los procedimientos ya establecidos. Solo
si se implanta la disciplina y el cumplimiento de las normas y procedimientos ya
adoptados se podrá disfrutar de los beneficios que ellos brindan.
Como un aspecto preliminar al esfuerzo de las 5 S, debe asignarse un tiempo para

analizar la filosofía implícita en las 5 S y sus beneficios:
 Creando ambientes de trabajo limpios, higiénicos, agradables y seguros.

 Revitalizando el gemba (campo/piso de trabajo) y mejorando sustancialmente el
estado de ánimo, la moral y la motivación de los empleados.
 Eliminando las diversas clases de mudas (desperdicios), minimizando la
necesidad de buscar herramientas, haciendo más fácil el trabajo de los
operadores, reduciendo el trabajo físicamente agotador y liberando espacio.
Beneficios de la aplicación de manera constante de las 5 S´s:

 Ayuda a los empleados a adquirir autodisciplina
 Destaca los muchos y diversos tipos de mudas
 Ayuda a detectar productos defectuosos y excedentes de inventario
 Reduce el movimiento innecesario y el trabajo agotador
 Facilita identificar visualmente los problemas relacionados con escasez de
materiales, líneas desbalanceadas, averías en las máquinas y demoras de
Página 229
entrega.
 Resuelve de manera simple problemas de logística en el gemba.
 Hace visible los problemas de calidad.
 Mejora la eficiencia en el trabajo y reduce los costos de operación
 Reduce los accidentes y enfermedades de trabajo
 Mejora la relación de la empresa con los consumidores y la comunidad.
6.9 El Kanban42
Es muy común la asociación de Kanban = JIT o Kanban = control de inventarios, esto no

es cierto, pero si esta relacionado con estos términos, Kanban funcionara efectivamente
en combinación con otros elementos de JIT, tales como calendarización de producción
mediante etiquetas, buena organización del área de trabajo y flujo de la producción.
Kanban es una herramienta basada en la manera de funcionar de los supermercados.

Kanban significa en japonés "etiqueta de instrucción".
La etiqueta Kanban contiene información que sirve como orden de trabajo, esta es su
función principal, en otras palabras es un dispositivo de dirección automático que nos da
información acerca de que se va a producir, en que cantidad, mediante que medios, y
como transportarlo.
Funciones de Kanban
Son dos las funciones principales de Kanban: Control de la producción y mejora de los
procesos.
1.- Por control de la producción se entiende la integración de los diferentes procesos y el

desarrollo de un sistema JIT en la cual los materiales llegaran en el tiempo y cantidad
42
ITESM “Herramientas de Manufactura”
Página 230
requerida en las diferentes etapas de la fabrica y si es posible incluyendo a los
proveedores.
2.- Por la función de mejora de los procesos se entiende la facilitación de mejora en las
diferentes actividades de la empresa mediante el uso de Kanban, esto se hace mediante
técnicas ingenieriles (eliminación de desperdicio, organización del área de trabajo,
reducción de set-up, utilización de maquinaria vs. utilización en base a demanda, manejo
de multiprocesos, poka-yoke, mecanismos a prueba de error, mantenimiento preventivo,
mantenimiento productivo total, etc.), reducción de los niveles de inventario.
Básicamente Kanban nos servirá para lo siguiente:
 Poder empezar cualquier operación estándar en cualquier momento.

 Dar instrucciones basados en las condiciones actuales del área de trabajo.
 Prevenir que se agregue trabajo innecesario a aquellas ordenes ya empezadas y
prevenir el exceso de papeleo innecesario.
Otra función de Kanban es la de movimiento de material, la etiqueta Kanban se debe

mover junto con el material, si esto se lleva a cabo correctamente se lograrán los
siguientes puntos:
 Eliminación de la sobreproducción.
 Prioridad en la producción, el Kanban con mas importancia se pone primero que
los demás.
 Se facilita el control del material.
Implementando Kanban:
Es importante que el personal encargado de producción, control de producción y

compras comprenda como un sistema Kanban (JIT), va a facilitar su trabajo y mejorar su
eficiencia mediante la reducción de la supervisión directa.
Página 231
Básicamente los sistemas Kanban pueden aplicarse solamente en fabricas que
impliquen producción repetitiva.
Antes de implementar Kanban es necesario desarrollar una producción "labeled/mixed

producción schedule" para suavizar el flujo actual de material, esta deberá ser practicada
en la línea de ensamble final, si existe una fluctuación muy grande en la integración de
los procesos Kanban no funcionara y de los contrario se creara un desorden, también
tendrán que ser implementados sistemas de reducción de setups, de producción de lotes
pequeños, jidoka, control visual, poka-yoke, mantenimiento preventivo, etc. todo esto es
prerequisito para la introducción Kanban.
También se deberán tomar en cuenta las siguientes consideraciones antes de

implementar kanban:
 Determinar un sistemas de calendarización de producción para ensambles finales

para desarrollar un sistemas de producción mixto y etiquetado.
 Se debe establecer una ruta de kanban que refleje el flujo de materiales, esto
implica designar lugares para que no haya confusión en el manejo de materiales,
se debe hacer obvio cuando el material esta fuera de su lugar.
 El uso de kanban esta ligado a sistemas de producción de lotes pequeños.
 Se debe tomar en cuenta que aquellos artículos de valor especial deberán ser
tratados diferentes.
 Se debe tener buena comunicación desde el departamento de ventas a
producción para aquellos artículos cíclicos a temporada que requieren mucha
producción, de manera que se avise con bastante anticipo.
 El sistema kanban deberá ser actualizado constantemente y mejorado
continuamente.
Página 232
Implementación de kanban en cuatro fases:
Fase 1. Entrenar a todo el personal en los principios de KANBAN, y los beneficios de

usar kanban
Fase 2. Implementar kanban en aquellos componentes con mas problemas para facilitar
su manufactura y para resaltar los problemas escondidos. El entrenamiento con el
personal continua en la línea de producción.
Fase 3. Implementar kanban en el resto de los componentes, esto no debe ser problema
ya que para esto los operadores ya han visto las ventajas de kanban, se deben tomar en
cuanta todas las opiniones de los operadores ya que ellos son los que mejor conocen el
sistema. Es importante informarles cuando se va estar trabajando en su área.
Fase 4. Esta fase consiste de la revisión del sistema kanban, los puntos de reorden y los
niveles de reorden, es importante tomar en cuenta las siguientes recomendaciones para
el funcionamiento correcto de kanban:
o Ningún trabajo debe ser hecho fuera de secuencia

o Si se encuentra algún problema notificar al supervisor inmediatamente
Reglas de Kanban
Regla 1: no se debe mandar producto defectuoso a los procesos subsecuentes

Regla 2: los procesos subsecuentes requerirán solo lo que es necesario.
Regla 3. Producir solamente la cantidad exacta requerida por el proceso subsecuente.
Regla 4. Balancear la producción
Regla 5. Kanban es un medio para evitar especulaciones
Regla 6. Estabilizar y racionalizar el proceso.
Página 233
6.10 Entregables:
 Validar Sistema de Medición (x)

o Validar el Sistema de Medición (mejorado)
o Determinar si el Sistema de Medición es apropiado para obtener variables
X’s Vitales
 Determinar Capacidad del Proceso
o Evaluar la capacidad del Proceso mejorado
o Confirmar estadísticamente que la meta de mejora fue alcanzada
 Sistema Control del Proceso y Cerrar Proy.
o Implementar la estrategia de control de cada variable Xs Vital
o Preparar el Plan de Control del Proceso
o Implantar la solución
o Cerrar el Proyecto
Página 234
2006
CAPITULO 7 PROYECTO DE SEIS SIGMA KAIZEN
7.1 Introducción
Deeffii
nnirir
El seis sigma debe ser un proceso práctico y
activo con el que se logren resultados concretos.
CCoonnttr MMe
Cuando Motorola empezó a aplicarlo en la
eddiirr
orloarl década del los ochentas, buscaba corregir los
defectos de los productos antes de que llegaran
MMeejj Annaallizi al cliente, hoy día los proyectos Seis
oorraarr zarar Sigma están enfocados a mejorar la
productividad y la rentabilidad de las empresas,
siendo este aspecto algo que lo hace tan
atractiva a muchos directores.
Con el Seis Sigma Kaizen, se busca determinar la capacidad real de los

procesos para cumplir con los requisitos del cliente, y reducir la probabilidad
de que éstos fallen, reduciéndola a 3.4 defectos por millón de oportunidades.
Los proyectos seis sigma Kaizen pueden ser integrados con otros conceptos
como lo son los equipos de alto desempeño, ya que ambas metodologías se
complementan totalmente
Origen y sus significados43

Seis Sigma
Motorola acuñó el termino Seis Sigma en los años ochentas, pero el termino
fue un objetivo de desempeño y no el enfoque para alcanzar ese nivel de
desempeño, así Seis Sigma significa alcanzar 3.4 defectos por cada millón de
unidades procesadas. Fue al inicio de los noventa que el termino Seis Sigma
43
Pérez Antonio “Seis Sigma – Kaizen........Rompiendo paradigmas”
Página 235
comenzó a ser empleado como un método para implementar un modelo de
Mejora. Cuando esto ocurrió el termino ya no se refería al objetivo (3.4 partes
por millón) y si a la serie de actividades para alcanzar la excelencia.
Kaizen
Como parte de un método para lograr mejoras es usualmente entendido como

parte de Lean, de cualquier forma el término Kaizen es usado en dos formas:
la primera se refiere a la búsqueda de la perfección de todo lo que hacemos.
En este sentido Kaizen representa el elemento de la mejora continua que es
parte fundamental del modelo de Calidad. En un contexto de negocios esto
incluye todas las actividades individuales y de grupo que permiten hacer un
proceso mejor y satisfacer los requerimientos del cliente. El segundo término
se refiere a caminos específicos para lograr mejoras.
Estos métodos que se han etiquetado como Kaizen son variados,

generalmente son sistemas de planeación de eventos para identificar que
procesos sistemáticamente ocultan desperdicios y eliminarlos. En este
segundo sentido Kaizen puede ser mas antiguo que Lean mismo, sus orígenes
parecen estar en la segunda guerra mundial (Huntzinger 2002).
¿Porque funciona Seis Sigma - Kaizen?
Muchos de los procesos realmente nunca fueron diseñados considerando el

tiempo, un evento acelerado de cambio para identificar partes del proceso que
no agreguen valor, utilizar el sentido de simplicidad y de mejora continua de
Kaizen combinado con las herramientas Seis Sigma de enfoque estadístico y
reducción de variación permitirá la identificación de las causas raíz que
originan los problemas en un menor tiempo.
7.2 Proyecto
Página 236
El proyecto de nivel y variabilidad
El propósito de este proyecto fue utilizar las herramientas de Seis Sigma

Kaizen para maximizar las ventajas de un ambiente de manufactura de alto
desempeño, y reducir el desperdicio y posibles reclamaciones de mercado sin
afectar parámetros de calidad estipulados para el producto premier.
Iniciación de Proyecto
Definición del proyecto
Identificar y minimizar las causas raíz. El proyecto utilizará y tomará ventaja

del la filosofía Seis Sigma Kaizen de la cual se utilizaran herramientas para
identificar y reducir la variabilidad del proceso.
Alcance
Reducir el desperdicio.
Métricas
Las métricas utilizadas para medir el éxito de este proyecto incluye;
 Reducción en la variabilidad (desv. std) del proceso en un 20%
 Ahorros
Sponsor
Gerente
Process
Owner
Jefe de
departa
mento
Página 237
Team
 Jefe
Miembros del equipo
7.3 Metodología DMAIC
Paso 1- Fase de Definición

Voz del cliente
En este proyecto hay un cliente interno, por ende al corregir la variación el

cliente externo (consumidor) se va a ver beneficiado por la mejora en el
proceso.
Mapeo del proceso

Figura 7.1 Mapa del Proceso
Una vez “delimitado” el proyecto, se estableció un plan para verificar con que
información se contaba para poder así realizar un mapa de Calidad, el cual
quedó de la siguiente manera:
Especificación Estándares Datos

Variable Proveedor Operación Dato Real Históricos
Tabla 7.1 Identificación de Variables
Conclusiones: Se encontraron algunas diferencias en las especificaciones

definidas por los fabricantes de la máquina contra las definidas en los
estándares de operación de la planta.
Página 238
Paso 2 - Fase de Medición
Introducción
Defini
r
Durante los meses de enero a diciembre se inicia
la recolección de datos históricos relacionados con CCoonnttrtr
MMee
el alcance del proyecto. Se realizaron los Mapas oollaarr
ddirir
de Spaghetti y Calidad. Se inició la detección de
áreas de oportunidad (x’s). Se validó que los
Analiza
MMeejjjoo
sistemas de medición fueran confiables y se r
calculó la capacidad del proceso. rrarar r
Diagrama de Espaguetti
El equipo utilizó esta herramienta para indicarnos el flujo de material y los

posibles problemas que se encontrarían
Figura 7.2 Diagrama de Espagueti
Resultado del análisis del Diagrama del Espagueti fue:
Pasos Áreas de Oportunidad

Introducción de Agua Baja presión de agua
Nivel de agua bajo tanque
Cierre hermético incorrecto en by-pass
Tabla 7.2 Áreas de Oportunidad
Conclusiones: Se visualizaron a manera de detalle los pasos de la operación y

se identificaron algunas áreas de oportunidad en cuanto a calibración de
equipos.
Página 239
Capacidad del Proceso
Siguiente con la metodología de Seis Sigma Kaizen fue la recolección de datos

de diversas fuentes.
Tabla 7.3 Recolección de datos
La recolección de información ayudó a analizar la situación actual:
Figura 7.3 Estadística de la situación actual (antes del proyecto)
Process Capability of Volumen J un-J

ul
LSL Target USL
Process Data Within
LSL 321 O verall
Target 327
US L 336 Potential (Within) Capability
Sample Mean 327.388 Cp 2.01
Sample N 417 CPL 1.71
StDev(Within) 1.24412 CPU 2.31
StDev(Overall) 2.11992 Cp k 1.71

Overall Capability
Pp 1.18
PPL 1.00
PPU 1.35
Ppk 1.00
Cpm 0.93
322 324 326 328 330 332 334 336

P P M < LSL 0.00 P P M < LSL 0.14 P P M < LSL 1291.56
P P M > US L 0.00 P P M > U S L 0.00 PPM > USL
P P M Total 0.00 P P M Total 24.30 P P M
0.14 Total 1315.85
Figura 7.4 Capacidad del Proceso situación actual (antes del proyecto)
Conclusiones: El proceso se encuentra cargado hacia la parte inferior de

especificaciones, además se aprecia la variabilidad en el proceso.
Página 240
Una vez que se analizó los datos recolectados, se hizo el análisis del sistema
de medición, debido a la gran variabilidad que se encontró en el proceso, que
pudiera ser por un sistema de medición inadecuado.
Sistema de Medición
Una de las herramientas utilizadas en esta etapa fue la del MSA, la cual
consistió en analizar a 3 operadores con un mismo aparato de medición y
obtener los valores de repetitibidad y reproducibilidad, para ver si las
variaciones de nivel reportadas en nuestro análisis son realmente por
variaciones de proceso o por variaciones en la técnica de medición y/o el
aparato de medición, el estudio dio como resultado lo siguiente:
Análisis R&R medición de nivel de cámara vacía

Gage R&R
%Contribu tio
Source VarComp n (of
VarComp)
Total Gage R&R 0.46447 1 8.16
Repe atability 0.20659 8.08
Repr oducibility 0.25788 1 0.08
An alista 0.21837 8.54
An alista*Prue 0.03951 1.54
ba
Part-T o-Part 2.09386 8 1.84
Total Variation 2.55832 10 0.00 Valor total de estudio R&R, el cual debe de
Proces s tolerance = ser menor al 15%
15 StudyVar %Study Var %Tole
Source StdDev (SD) rance
(6* SD) ( %SV) (SV/T
Total Gage R&R 0.68152 4.08912 42.61
oler) 27.26 Valor de estudio R&R, que indica el % de
Repe atability 0.45452 2.7 2715 2 18.18 variación referente al equipo de
medición.
Repr 0.57082 3.0 4689 8.42 20.31
oducibility 0.46730 2.80378 31.75 18.69
Valor de estudio R&R, que indica el % de
An alista 0.19877 1.19262 29.22 7.95 variación referente a los analistas que
An alista*Prue 1.44702 8.68210 12.43 57.88 participaron en el estudio
ba Part-T o-Part 1.5 9.5 9686 90.47 63.98
Total Variation 9948 10
0.00
Página 241
G a g e R & R ( A N O V A ) for Resu ltad o
C o m p on e n t s of Va ri ation Resultado by Prueba
100 % Contribution 332
% Study V ar
% Tolerance
Percent
328
50
324
0
G ag e R & R Repeat Rep rod Part-to-Part 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Prueba
R Chart by Analista
HEC T O R R A FA EL R ENE Resultado by Analista
332
3.0
Sample R a n ge
328
1.5
U CL= 1.29 9
_
R = 0.504 324
0.0 LCL=0
HEC T O R RA FA E L R ENE
A n a lis ta
Xbar Chart by Analista
HE CT OR RA FA E L RE NE An alista * P r u e b a I nteraction
333
333 Analista
Sample Me an
HEC T OR
_UCL=330.566 RAFAEL
330 X=330.050 330
Average
LCL=329.534 RENE
327 327
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Prueba
Figura 7.5 MSA Actual (antes del proyecto)
La gráfica R nos indica la diferencia que cada operador obtiene entre la lectura mayor y menor
de cada muestra, en la gráfica se presenta que el operador Rafael es el que tiene más
variabilidad en sus mediciones que los otros 2.
La gráfica X representa el promedio de las mediciones de cada operador, en la cual hay 28
puntos fuera de control lo representa más del 50%, esto se puede interpretar como que el
sistema de medición es capaz de identificar las diferencias entre piezas.
La gráfica de resultado por pieza se observa que únicamente en la pieza 2 hay una fuerte
variación con respecto a las demás.
Conclusiones: El resultado total del estudio nos dice que se necesita mejorar
el sistema de Medición, sobre todo la parte de metodología en el proceso de
medición.
Página 242
Paso 3 - Fase de Análisis
Introducción
Una vez que identificadas de lo que necesitamos Defini

medir y analizadas de manera general, con el r
propósito de conocer las relaciones causales o

causas raíz del problema. La información de éste CCoonnttrtr Medi
r
análisis nos proporcionará evidencias de las oollaarr
fuentes de variación y desempeño insatisfactorio.
MMeejjjoo AAnnaallii
Se analizaron los datos “vivos” a través del
rrarar r zzzaaarr
Minitab, se realizó el análisis comparativo, se hizo
convergencia de las áreas de oportunidad y se
generó el diagrama de pescado.
Diagrama de Ishikawa
Una de las herramientas que utilizamos en esta fase fue el Diagrama de

Ishikawa para el análisis de posibles causa raíz del problema, las ideas
generadas después de converger las trasladamos al Ishikawa para clasificarlas
en alguna de las M´s .
Figura 7.6 Diagrama de Ishikawa situación actual (antes del proyecto)
Conclusiones: Al analizar dicho diagrama la posible(s) causa raíz del

problema de variabilidad se encuentran en los Materiales, la Maquinaria y
Método.
Una de las posibles causa que arrojó el diagrama de Ishikawa fue la

relacionada con el material, específicamente el grosor del vidrio con el cual
están elaboradas las botellas, ya que a mayor peso de la botella menor será el
Página 243
contenido del líquido, para tal efecto se procedió a analizar lotes de diferente
años de producción arrojándonos lo siguiente:
Histogramof ALTURA ( a 3 2 7
ml)
6 Normal
A ÑO
93
5 99
2000
2001
4 2002
2003
Frequency
Mean StDev N
53.53 1.619 2
3 52.30 1.715 20
54.32 1.464 18
54.60 2.997 20
2 55.78 2.056 19
56.17 1.451 20
0
48 50 52 54 58 60
56
ALTURA ( a 327 ml)
Figura 7.7 Estudios con diferentes productos
Conclusión: El promedio ha variado desde el año 1993
La Prueba de hipótesis de igualdad de medias para determinar

estadísticamente si la media del del proceso normal ( nor) era igual que la
media del nuevo proceso ( ctl), se estableció lo siguiente:
Ho:  nor = ctl Ha:  nor ≠  ctl
Página 244
Utilizando el minitab dio como resultado lo siguiente:
Individual Value Plot of Vol tubos vs grupo

336
335
334
332
330
V ol t ub o s
328
327
326
324
322
321
320
Bot con Norm
g rupo
Boxplot of Vol tubos by

336 grupo
335
334
332
330
Vol t ubo s
328
327
326
324
322
321
320
Bot con Norm
g rupo
One-way ANOVA: Vol tubos versus grupo
Source DF SS MS F P
grupo 1 185.25 185.25 85.13 0.000
Error 135 293.76 2.18
Total 136 479.00
S = 1.475 R-Sq = 38.67% R-Sq(adj) = 38.22%
Individual 95% CIs For Mean Based on

Pooled StDev
Level N Mean StDev ------+---------+---------+---------+---
Bot con 99 328.74 1.26 (--*--)
Norm 38 331.34 1.93 (---*--
Pooled StDev = 1.48
Página 245
Por lo tanto, se rechaza la Hipótesis nula y se concluye que las medias son
diferentes; De acuerdo a esto, la diferencia encontrada se debe a la
variabilidad del sistema de medición.
Análisis de Regresión
Debido a que la variación se realizó un análisis de regresión.
Figura 7.9 Correlación de variables
Conclusiones: Se tiene una variación significativa
Página 246
Paso 4 - Fase de Mejora Defini
r
Introducción
CCoonnttrtr Medi
Una vez que analizadas las variables que afectan oollaarr r
al proceso, el equipo ser reunió nuevamente

para diseñar y establecer los planes de mejora,
MMMeeje Analiliziz
los cuales fueron: ar
ojoj orrraaa
rrr
Sistema de Medición
Durante la etapa de medición se realizó un estudio de R&R, el cual dio como

resultado que tanto el método y el equipo de medición tienen áreas de
oportunidad.
Se agregaron ayudas visuales para la correcta toma de lecturas.
Una vez recapacitado al personal operario en la toma de lecturas, se volvieron

a realizarlos estudios R&R para verificar que las mejoras realizadas al sistema
de medición fueron las correctas, dando como resultado lo siguiente:
Página 247
Resultados del Gage R&R
GageR&R

Source VarComp(of VarComp)
TotalGageR&R 0.122222 13.24
13.24
Repeatability 0.122222
0.00
Reproducibility0.800823
0.000000 86.76 Vallor ttottallde estudiio R&R,, ell
Part-To-Part
cualldebe de ser menor al 15%
TotalVariation 0.923045 100.00
StudyVar %StudyVar %Tolerance
Source StdDe(Sv (6* SD) (%SV) (SV/Toler)
Valor de estudio R&R, que indica el % de
TotalGageR&R D) 2.09762 variación referente al equipo de
36.39 8.74 medición.
Repeatability 0.349603 2.09762
0 Valor de estudio R&R, que indica el % de
Part-To-Part 0.00000
0.894887 5.36932 93.14
0.00 0.00 22.37
0 variación referente a los analistas que
TotalVariation 0.960752 5.76451 100.00 24.02 participaron en el estudio
El error de R&R vs tolerancia es 36.39% y vs variación total del proceso es

8.74% lo que hace que el equipo de medición sea adecuado para la medición.
(según parámetros de AIAG)
Por otro lado el número de categorías es de 5, indicando que el instrumento

no discrimina las diversas partes diferentes.
Gráficamente tenemos:
Página 248
Gage R & R (ANOVA) for Resultado
C o m p o n e n t s of V a r i a ti o n R e s u l ta d o b y P a r t e
100 % Contribution
% Study Var 333
% Tolerance
Percent
50 330
0 327
Gage R&R Repeat Reprod Part-to-Part 1 2 3 4 5 6 7 8 9 10
Parte
R C h a r t b y A n a l i s ta
MIGUEL RAFAEL RENE R e s u l ta do b y A n a l i s t a
1.0
333
Sample Ra n ge
UCL=0.652
0.5
330
_
R=0.253
0.0 LCL=0 327

MIGUEL RAFAEL RENE
Analista
Xba r Ch art by Analista
MIGUEL RAFAEL RENE A n a l i s t a * P a r t e I nte ra c ti o n
Analista
333
333
Sample Mea n
MIGUEL
Average
UCL=330.395
XLC=L3=303.3 RAFAEL
330 330
RENE
605.4914
327
327 1 2 3 4 5 6 7 8 9 10
Parte
Figura 7.10 MSA después de las mejoras
La gráfica R se mantiene en control indicando que las mediciones se realizaron

en forma adecuada.
La gráfica X barra sólo presenta 23 de 30 puntos fuera de control, lo cual es

más del 50%, indicando que el equipo discrimina las diferentes partes.
La gráfica de Operador*Pruebas de interacción nos indica que el promedio de

las mediciones tomadas por cada operador de cada parte, las líneas siguen el
mismo patrón, lo que nos indica que el promedio de las partes de los operador
miden de una manera consistente cada una de las partes.
Conclusiones: Una vez que se realizaron los cambios en el sistema de

medición, el resultado mejoró de manera muy significativa en la repetitibidad
y la reproducibilidad de los análisis, y dio como resultado que método y el
aparato de medición usando son confiables.
Página 249
Diseño de Experimentos
Durante la etapa de medición se diseño un experimento para profundizar en la

identificación de impactos de las variables del proceso, donde se seleccionaron
4 factores (de acuerdo al análisis de la información del proceso).
De acuerdo a la metodología, se seleccionó aplicar DOE fraccional, donde se

tienen que realizar 11 experimentos, con los niveles máximos y mínimos en
las variables de proceso (se presentan sus resultados):
PRUEBA DE VARIANZAS
Página 250
La realización del análisis de varianza consistió primeramente en establecer
nuestra prueba de hipótesis para verificar si las modificaciones realizadas
tuvieron un impacto significativo estadísticamente hablando.
Ho: σ12 = σ2 2
Ha: σ1 2 ≠ σ2 2
Utilizando el Minitab tenemos el siguiente resultado:
Test for Equal Variances for Volumen

F-Test
Test Statistic 1.60
116 P-Value 0.000
Levene's Test
Tubo de
Venteo
Test Statistic
26.10
P-Value
1.50 1.65 1.80 1.95 2.10 2.25 2.40 0.000
120 9 5 % Bonferroni Confidence Intervals for StDevs
116
Tubo de
Venteo
120
320 322 324 326 328 330 332 334

Volumen
Figura 7.12 Análisis de Varianza
Levene's Test (any continuous distribution) Test statistic = 26.10, p-value = 0.000
Conclusiones: Se rechaza la Ho, y se acepta al Ha, donde se establece que

hay una diferencia estadísticamente significativa a un nivel de confianza del
95% debida al cambio de proceso.
Del Diagrama de Ishikawa se establece como causa raíz del problema era la
maquinaria, en este caso nos referimos al tamaño de los tubos.
Página 251
Process Capability of Volumen J un-J

ul
LSL Target USL
P rocess D ata Within
LS L 321 O v erall
Target 327
USL 336 Potential (Within) Capability
Sample N 417 C P L 1.71
S tD ev (Within) 1.24412 C P U 2.31
StDev(Overall) 2.11992 C pk 1.71
Overall Capability
Pp 1.18
P PL 1.00
PPU 1.35
Ppk 1.00
C p m 0.93
322 324 326 328 330 332 334 336

P P M > U S L 0.00 P P M > U S L 0.00 PPM > USL
24.30
P P M Total 0.00 P P M Total 0.14 P P M Total 1315.85
Process Capability of Volumen despues de la

mejora
LSL Target USL
Process Data Within
LS L 321 Overall
T arget 327
USL 336 Potential (Within) Capability
Sample N 341 CPL 1.90
S tD ev (Within) 1.13527 CPU 2.50
StDev(Overall) 1.6749 C pk 1.90

Overall Capability
Pp 1.49
PPL 1.29
PPU 1.70
Ppk 1.29
C p m 1.15
322 324 326 328 330 332 334 336

O bserved Performance Exp. Within Performance Exp. Overall Performance
P P M > U S L 0.00 P P M > U S L 0.00 P P M > U S L 0.18
P P M Total 0.00 P P M Total 0.01 P P M Total 55.31
Figura 7.13 Capacidades de Proceso antes y después de las mejoras
Conclusiones: Una vez realizada la mejora (cambio de proceso), el proceso

paso de 4.50 σ a 5.36 σ aproximadamente.
Página 252
Paso 5 - Fase de Controlar
Definir
Introducción
CCoonnttrtr Medi
Es esta última fase nos detenemos a preguntar:
r
¿Qué hicimos? oollaarr
Medimos
Claramente definimos el problema MMeejjoo Analiliziz

ar
Encontramos las salidas y las entradas críticas rraar r
o Determinamos la capacidad de los
sistemas y procesos de medición
Analizamos
Examinamos los datos
Identificamos la causa raíz del

problema Mejoramos
y = f(x)
Optimizamos el proceso
En ésta fase nos preguntamos:

¿Qué podemos hacer para asegurarnos que los defectos se mantengan
reducidos?
¿Qué acciones se pueden tomar por el equipo para asegurarse que el
incremento sea permanente?
¿Con quién dejar el proyecto?
A continuación se presentan los planes que desarrollamos para

asegurarnos el control de nuestro proceso y poder lograr la meta
seleccionada.
Evento Kaizen
Página 253
Se realizó un segundo evento Kaizen para generar dar seguimiento a los

resultados de las fases anteriores y generar planes de control de las mejoras
realizadas.
Plan de Control
Una vez analizados y probados nuestros “nuevos” estándares se procedieron a

modificar el Plan de Calidad, para asegurarnos que con los nuevos parámetros
establecidos vamos a asegurarnos que nuestro proceso este en
5.39 σ y lograr el ahorro planeado.
Los puntos relevantes derivados del proyecto y que se solucionaron durante el

mismos, se pueden resumir en:
Causa del Solución ¿Cómo se Responsable

impacto
controla?
Tabla 7.4 Principales problemas que causaban la variación en el llenado
Página 254
4. Entregables /Resultados finales
Recapitulando:
De acuerdo al alcance del proyecto, se logró lo siguiente:
 Promedio
 Desviación estándar del proceso mejorado = 1.67
 Ahorros anuales
En la parte no cuantificable se logro:

 Un mejor entendimiento del proceso
 Mejor capacitación de los operadores en los análisis que
ellos efectúan
 Estandarización
Página 255
CONCLUSIONES Y RECOMENDACIONES
Deeffiinnirir
CCoonnttr MMee
ddiirr
orloarl
MMeejj Annaallizi
oorraarr zarar
Conclusiones
Si una empresa se interesa en implantar la herramienta 6 s, se recomienda

que para que tenga éxito y no desperdicie recursos tanto materiales como
humanos, tome como referencia la propuesta proporcionada aquí, realizando
las adecuaciones que sean necesarias dependiendo de sus necesidades
específicas. Donde lo más importante es que la alta administración de la
empresa esté comprometida primero con la implantación de un sistema de
administración por calidad o de control total de calidad con enfoque al cliente,
con base en la creación de calidad humana y dirección participativa, con un
sistema de reconocimientos adecuado de tal forma que se aliente al personal
tanto a hacer sugerencias, como a implantarlas. Cuando esto este funcionando
ahora sí se puede pensar en la metodología seis sigma con éxito asegurado,
de otra forma será un fracaso y la organización se vacunará contra nuevos
intentos.
Página 256
La metodología DMAIC no ofrece soluciones a corto plazo, generalmente los

proyectos son realizados en un periodo de 3 a 6 meses, en una ocasión el
proyecto que se presentó tuvo una duración de 7 meses y no fue fácil la
implementación, pero la parte que mas costo trabajo fu el Control, ya que si
se caen todos los puntos establecidos volvemos a tener el mismo problema o
mayor.
Lo interesante de Seis Sigma es que se aplica a cualquier tipo de procesos

tanto en manufactura como en servicios a diferencia de otros sistemas que
están enfocados solamente a determinadas áreas.
Aprendizajes:
La metodología fomenta en gran medida el trabajo en equipo, debido a que en

la mayoría de las herramientas, el mecanismo para proponer ideas que nos
conducen a la solución de problemas, es el resultado de la participación de
todas las personas involucradas. La mejora continua de los procesos es el
objetivo común de cada uno de los miembros.
En un principio es difícil integrar a las personas para realizar sus proyectos y

que dediquen el tiempo necesario para hacerlo, sin embargo cuando la gente
adopta Seis Sigma como una Cultura además de realizar sus proyectos aplica
la metodología en su trabajo diario, para la solución de problemas y mejora de
los procesos.
La Estadística es utilizada en gran medida dentro de la metodología, pero hay

que aclarar que está es un medio y no un fin. A los clientes no les importa que
un producto haya sido producido bajo el esquema Seis Sigma, cuando tiene
fallas o defectos, lo que les interesa es tener un producto de excelente
calidad, a tiempo, sin defectos y que sea lo más económico posible.
Página 257
El nivel de capacitación requerido es muy alto en la implementación, implica

costos ocasionados por capacitación, tiempos, materiales, entre otros; sin
embargo el retorno de la inversión puede ser muy grande, cuando los
proyectos son bien conducidos, ya que los ahorros y/o mejoras que se
presentan cuando un proyecto 6 sigma funciona son cuantiosos.
La eliminación o reducción de la inspección es un punto muy importante

dentro de la metodología, al seguir las diferentes técnicas; por ejemplo con el
uso de sistemas Poka-Yoke entre otras la inspección deja de ser necesaria, se
busca el origen de las causas de los defectos para eliminarlos al máximo.
Hoy en día los cálculos manuales toman mucho tiempo además de que la
probabilidad de cometer un error es muy grande, se recomienda ampliamente
la adquisición de un Software como por ejemplo el Minitab, ya que es una
herramienta muy poderosa que ayuda al manejo de los datos
estadísticamente hablando.
Página 258
Bibliografía
 Acheson J. Duncan Control de Calidad y Estadística Industrial:

Alfaomega, 1996
 Alberto Galgano Los siete instrumentos de la Calidad Total: Díaz de
Santos, 1995.
 Asociación Española para la Calidad Herramientas para la Calidad AEC
2002
 A.V. Feigenbaum Total quality control 3a.ed.: McGraw-Hill Book,
1986
 Brassard M Finn Lynda The Six Sigma Memory Jogger II Goal/Qpc
2002
 Douglas C. Montgomery Introduction to statiscal quality control . 3rd
ed. J. Wiley, 1996.
 Douglas C. Montgomery Diseño y análisis de experimentos. Grupo
Editorial Iberoamérica, 1991
 Franklin A. Graybill, Hariharan K. Regression Analysis : concepts and
applications Duxbury, 1994
 Galloway D. Mejora continua de Procesos Gestion 2000 2002
 Kaplan Robet P Norton Cuadro de Mando Integral HBS Press 2002
 Hitoshi Kume Herramientas estadísticas básicas para el mejoramiento
de la Calidad Norma 1994
 Imai, Masaaki, Kaizen: La clave de la ventaja competitiva, CECSA,
México, (1989) 1990
 Ishikawa, Kaoru, What is Quality Control? The Japanese Way, Prentice
Hall Inc. 1985, USA
 Ishikawa, Kaouru, ¿Qué es el Control Total de Calidad?, Norma,
Bogotá, (1985) 1996
 ITESM Las 9 S 1992
 Jeffrey N. Lowenthal Six Sigma Project Management ASQ Press
2001
 J.M. Juran, Gryna, Frank M., Manual de Control de Calidad, McGraw Hill
1993
Página 259
 J.F. Vilar Barrio Las 7 nuevas herramientas para la mejora de la Calidad
Confemetal 1998
 Larios Gutierréz Juan José Hacia un modelo de Calidad Iberoamericana
1989
 Maclnnes Richard The Lean Enterprise Memory Jogger Goal/Qpc 2002
 Minitab Training Manual Release 14 Minitab Inc 2003
 Taguchi, Genichi, System of Experimental Design, American Supplier
Institute, 1987
 Forrest W.Breyfogle Implementing Six Sigma: Smarter Solutions Using
Statistical Methods Ed.: John Willey & Sons 2004.
 Pere Grima, Luis Almagro Estadística practica con Minitab Prentice Hall
2004
 Peter S. Pande, Robert P. Neuman, Roland Las claves de Seis Sigma
Mc. Graw Hill, 2003
 Rath&strong´s Workout for Six Sigma pocket guide MacGraw Hill 2005
 Sarv Sing Control de Calidad Total Mc. Graw Hill, 1997
 William Cochram Diseño de Experimentos Trillas 1991
 William W. Hines, D. Montgomery Probabilidad y Estadística para
Ingeniería y Administración CECSA, 3ra ed1993
 Diplomado en Black Belt UIA Santa Fé

 Diplomado en Black Belt Dr. Primitivo Reyes
 Diplomado en Black Belt ITESM
 Apuntes de la Maestría de Ingeniería de Calidad Universidad
Iberoamericana
o Dr. Eduardo Espinosa
o M.C. David Jaramillo
o Dr. Gustavo Ramírez
o MC Isaac Miranda
o Dr. Maria Eugenia de la Chausseé
Página 260
o Dr. Primitivo Reyes
o Dr. Tito Vásquez
Página 261

Curso Seis Sigma

Cargado por

Copyright:

Formatos disponibles

Curso Seis Sigma

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Curso Seis Sigma

Cargado por

Copyright:

Formatos disponibles

CURSO DE

Capitulo 1. Introducción a la metodología Seis Sigma 21

Capitulo 2. Fase de Definición 43

Capitulo 4. Fase de Análisis 123

Capitulo 5. Fase de Mejora 167

Capitulo 6. Fase de Control 204

Capítulo 7. Proyecto 234

Conclusiones y Recomendaciones 255

Philip Crosby popularizó el concepto de Cero Defecto como orientación para el

La idea de un “porcentaje de error aceptable” (a veces denominado un “nivel

1. Seis Sigma está enfocado en el cliente.

2. Los proyectos Seis Sigma producen grandes retornos sobre la

3. Seis Sigma cambia el modo que opera la dirección. Seis Sigma es

La historia de Seis Sigma se inicia en Motorola cuando un ingeniero (Mikel

Esta iniciativa llegó a oídos de Lawrence Bossidy, quién en 1991 y luego de

El empuje y respaldo de Jack Welch transformaron a GE en una "organización

Seis Sigma es una forma más inteligente de dirigir un negocio o un

 Mejorar la satisfacción del cliente

Las mejoras en estas áreas representan importantes ahorros de costes,

Podemos definir Seis Sigma como1:

1. Una medida estadística del nivel de desempeño de un proceso o

La letra griega minúscula sigma (  ) se usa como símbolo de la desviación

La estrategia Seis Sigma incluye el uso de herramientas estadísticas dentro

Se caracteriza por la continua y disciplinada aplicación de una estrategia

A continuación se presentan y describen las fases de la metodología Seis

• Fase 0. Definición D Problema de Negocio

• Fase 1. Medición M Problema Estadístico

• Fase 2. Análisis A Solución Estadística

•Fases de Medición y Análisis para conocer en forma profunda los niveles

–Seleccionar las características clave del producto a mejorar

–Seleccionar las variables de desempeño

• Fases de mejora y control, para lograr mejoramiento con cambio mayor

–Identificar que pasos seguir para mejorar el proceso y reducir las

–Seleccionar variables de desempeño;

–Seleccionar variables causales;

A continuación se esquematiza el propósito, los entregables, los métodos y las

333.. Figura 1 Herramientas

BBBeeennnccchhhmmma eeesssiisss 555.. DDDiissseeeñññooo

alcanzar metas cada

 aaConsiderar la voz del mercado

Algunas de las preguntas que surgen a partir de estas fuentes:

 Considerar la voz del proceso

Algunas de las preguntas que surgen a partir de estas fuentes

 ¿Cuáles son los mayores retrasos que ralentizan a nuestros

 Debe de estar alineado con las iniciativas del negocio.

Barreras para alcanzar el éxito en los proyectos

 Los proyectos no tienen el soporte de la gerencia.

Seis sigma es una filosofía enfocada a la

El concepto Seis Sigma ayuda a conocer y comprender los procesos, de tal

La filosofía Seis Sigma busca ofrecer mejores productos o servicios, de una

Por lo anterior se pretende mostrar la aplicación de esta metodología en un

Armand Feigenbaum Control total de calidad / Gestión e ID

Kaoru Ishikawa Diagrama causa efecto, CWQC, cliente sig. Op.

Figura 2 Gurús de Calidad

Enunciaremos algunas ventajas que tiene la implementación de un sistema

6σ vs. Calidad Total / CT vs. 6 σ

tiene un buen indicador de que se está trabajadores para discutir temas

logrando el nivel Seis Sigma. relacionados con la calidad, fortaleciendo

de la métrica 6 σ, y las utilidades que genera

Tabla 1 Comparativos 6 σ y Sistemas de Calidad

YRT = 96%99%97%*98% = 90.34% ó 0.9034 que es la probabilidad de